DeepSeek V4 Flash Vision Exp ist DeepSeeks experimentelles multimodales Modell der V4-Familie. Es baut auf V4 Flash auf und ergänzt visuelle Module sowie weiteres Training für visuelles Verständnis. Die Eingabe kombiniert Bilder mit Text, die Ausgabe ist Text. Der dokumentierte Einsatzzweck verbindet multimodale Agentenarbeit mit textbasierten Agentenaufgaben. Das ist nützlich, wenn die von einem Assistenten benötigten Informationen in einem Screenshot, Diagramm oder einem anderen bereitgestellten Bild sichtbar sind.
Die Herstellerreferenz beschreibt einen Vision-Encoder und einen Aligner, die mit DFlash-Attention, Mixture-of-Experts-Komponenten, Hyper-Connections und einem DSpark-Pfad verbunden sind. Die visuellen Module bringen Bildinformationen in eine Form, die das Sprachmodell zusammen mit der schriftlichen Frage verarbeiten kann. Das unterscheidet sich vom in der Modellkarte genannten reinen Textprofil V4 Flash, dessen Vergleich multimodale Elemente gesondert behandelt. Vision Exp ist eine benannte Edition und keine Anweisung, einem anderen Flash-Modell beliebige Medienunterstützung hinzuzufügen.
Die Referenz zum Prompt-Format unterstützt eingestreute Bildinhalte, Dialoge mit mehreren Gesprächsrunden, Werkzeugaufrufe und Denkmodi. Prompts ohne Denkmodus können eine direkte Antwort anfordern; Prompts im Denkmodus können eine Einstellung für den Reasoning-Aufwand verwenden, einschließlich des dokumentierten Max-Beispiels. Bilder werden genau in der Reihenfolge erfasst, in der sie im Prompt erscheinen. Nummerieren oder beschriften Sie mehrere Eingaben und geben Sie an, auf welches Bild sich eine Frage bezieht, damit ein visueller Vergleich mit seiner Quelle verbunden bleibt.
Die veröffentlichte Konfiguration setzt max_position_embeddings auf 1.048.576. Das ist eine Positionsgrenze in der Modellkonfiguration und keine gesonderte Angabe zur maximalen Ausgabe. Bereiten Sie eine gezielte Bildauswahl und eine präzise Frage vor und halten Sie dabei Prompt, Gespräch und erzeugte Antwort innerhalb der Grenzen des gewählten Hersteller-Workflows.
Stellen Sie für eine praktische Aufgabe an einer Benutzeroberfläche den aktuellen Screenshot, die beabsichtigte Nutzeraktion und gegebenenfalls die relevante textliche Spezifikation bereit. Ein Beispielbriefing lautet: „Identifizieren Sie die sichtbaren Bedienelemente, die zum Ändern dieser Einstellung benötigt werden. Verwenden Sie ihre angezeigten Beschriftungen, erklären Sie die nächste Aktion und geben Sie an, an welchem Bildschirmbereich Sie das erkennen.“ Fragen Sie bei einem Diagramm sichtbare Werte und Zusammenhänge getrennt von einer daraus abgeleiteten Interpretation ab. Wenn kleine Schrift entscheidend ist, stellen Sie einen lesbaren Ausschnitt mit genügend Umgebung bereit, um seine Funktion zu erkennen.
In einer Agentenanwendung kann das Modell nach der Interpretation von Bild und Anweisung eine Werkzeugoperation vorschlagen. Die umgebende Anwendung führt diese Operation aus, gibt die Beobachtung zurück und stellt bei Bedarf den nächsten visuellen Zustand bereit. Definieren Sie den Zweck des Werkzeugs und die erlaubten Aktionen. Ein vorgeschlagener Klick, eine niedergeschriebene Koordinate oder erzeugter Code bleibt ein Textergebnis, bis die Anwendung die entsprechende Operation ausführt; verwenden Sie die daraus entstandene Beobachtung als Beleg für den nächsten Schritt.
Fordern Sie für ein quellenbasiertes Arbeitsergebnis, dass die Antwort zu jeder Feststellung das Bild und das zugrunde liegende sichtbare Detail nennt. Trennen Sie extrahierten Wortlaut von Erklärungen sowie vorgeschlagene von abgeschlossenen Aktionen. Ergänzen Sie bei einer Screenshot-zu-Code-Aufgabe den relevanten Quelltext, das beabsichtigte Verhalten und das geforderte Endergebnis. Das Profil dieses Modells umfasst das Verständnis von Bildern und Text mit Textausgabe, nicht die Bilderzeugung, Sprachsynthese oder einen vorausgesetzten Videoanalyse-Workflow.
", "aboutText": "DeepSeek V4 Flash Vision Exp ist DeepSeeks experimentelles multimodales Modell der V4-Familie. Es baut auf V4 Flash auf und ergänzt visuelle Module sowie weiteres Training für visuelles Verständnis. Die Eingabe kombiniert Bilder mit Text, die Ausgabe ist Text. Der dokumentierte Einsatzzweck verbindet multimodale Agentenarbeit mit textbasierten Agentenaufgaben. Das ist nützlich, wenn die von einem Assistenten benötigten Informationen in einem Screenshot, Diagramm oder einem anderen bereitgestellten Bild sichtbar sind.\n\nDie Herstellerreferenz beschreibt einen Vision-Encoder und einen Aligner, die mit DFlash-Attention, Mixture-of-Experts-Komponenten, Hyper-Connections und einem DSpark-Pfad verbunden sind. Die visuellen Module bringen Bildinformationen in eine Form, die das Sprachmodell zusammen mit der schriftlichen Frage verarbeiten kann. Das unterscheidet sich vom in der Modellkarte genannten reinen Textprofil V4 Flash, dessen Vergleich multimodale Elemente gesondert behandelt. Vision Exp ist eine benannte Edition und keine Anweisung, einem anderen Flash-Modell beliebige Medienunterstützung hinzuzufügen.\n\nDie Referenz zum Prompt-Format unterstützt eingestreute Bildinhalte, Dialoge mit mehreren Gesprächsrunden, Werkzeugaufrufe und Denkmodi. Prompts ohne Denkmodus können eine direkte Antwort anfordern; Prompts im Denkmodus können eine Einstellung für den Reasoning-Aufwand verwenden, einschließlich des dokumentierten Max-Beispiels. Bilder werden genau in der Reihenfolge erfasst, in der sie im Prompt erscheinen. Nummerieren oder beschriften Sie mehrere Eingaben und geben Sie an, auf welches Bild sich eine Frage bezieht, damit ein visueller Vergleich mit seiner Quelle verbunden bleibt.\n\nDie veröffentlichte Konfiguration setzt max_position_embeddings auf 1.048.576. Das ist eine Positionsgrenze in der Modellkonfiguration und keine gesonderte Angabe zur maximalen Ausgabe. Bereiten Sie eine gezielte Bildauswahl und eine präzise Frage vor und halten Sie dabei Prompt, Gespräch und erzeugte Antwort innerhalb der Grenzen des gewählten Hersteller-Workflows.\n\nStellen Sie für eine praktische Aufgabe an einer Benutzeroberfläche den aktuellen Screenshot, die beabsichtigte Nutzeraktion und gegebenenfalls die relevante textliche Spezifikation bereit. Ein Beispielbriefing lautet: „Identifizieren Sie die sichtbaren Bedienelemente, die zum Ändern dieser Einstellung benötigt werden. Verwenden Sie ihre angezeigten Beschriftungen, erklären Sie die nächste Aktion und geben Sie an, an welchem Bildschirmbereich Sie das erkennen.“ Fragen Sie bei einem Diagramm sichtbare Werte und Zusammenhänge getrennt von einer daraus abgeleiteten Interpretation ab. Wenn kleine Schrift entscheidend ist, stellen Sie einen lesbaren Ausschnitt mit genügend Umgebung bereit, um seine Funktion zu erkennen.\n\nIn einer Agentenanwendung kann das Modell nach der Interpretation von Bild und Anweisung eine Werkzeugoperation vorschlagen. Die umgebende Anwendung führt diese Operation aus, gibt die Beobachtung zurück und stellt bei Bedarf den nächsten visuellen Zustand bereit. Definieren Sie den Zweck des Werkzeugs und die erlaubten Aktionen. Ein vorgeschlagener Klick, eine niedergeschriebene Koordinate oder erzeugter Code bleibt ein Textergebnis, bis die Anwendung die entsprechende Operation ausführt; verwenden Sie die daraus entstandene Beobachtung als Beleg für den nächsten Schritt.\n\nFordern Sie für ein quellenbasiertes Arbeitsergebnis, dass die Antwort zu jeder Feststellung das Bild und das zugrunde liegende sichtbare Detail nennt. Trennen Sie extrahierten Wortlaut von Erklärungen sowie vorgeschlagene von abgeschlossenen Aktionen. Ergänzen Sie bei einer Screenshot-zu-Code-Aufgabe den relevanten Quelltext, das beabsichtigte Verhalten und das geforderte Endergebnis. Das Profil dieses Modells umfasst das Verständnis von Bildern und Text mit Textausgabe, nicht die Bilderzeugung, Sprachsynthese oder einen vorausgesetzten Videoanalyse-Workflow.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "62a2af39f218643d0744442ac4fd4239e3e1c941ebfe6f1692899d182409e2fa", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "deepseek/deepseek-v4-flash-vision-expDeepSeek V4 Flash Vision Exp verbindet Bilder und Text für visuelles Verständnis und multimodale Agentenaufgaben. Es ergänzt die V4-Flash-Architektur um visuelle Module und gibt Text aus, etwa bildgestützte Erklärungen, Analysen und vorgeschlagene Werkzeugaktionen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek V4 Flash Vision Exp ist DeepSeeks experimentelles multimodales Modell der V4-Familie. Es baut auf V4 Flash auf und ergänzt visuelle Module sowie weiteres Training für visuelles Verständnis. Die Eingabe kombiniert Bilder mit Text, die Ausgabe ist Text. Der dokumentierte Einsatzzweck verbindet multimodale Agentenarbeit mit textbasierten Agentenaufgaben. Das ist nützlich, wenn die von einem Assistenten benötigten Informationen in einem Screenshot, Diagramm oder einem anderen bereitgestellten Bild sichtbar sind.
Die Herstellerreferenz beschreibt einen Vision-Encoder und einen Aligner, die mit DFlash-Attention, Mixture-of-Experts-Komponenten, Hyper-Connections und einem DSpark-Pfad verbunden sind. Die visuellen Module bringen Bildinformationen in eine Form, die das Sprachmodell zusammen mit der schriftlichen Frage verarbeiten kann. Das unterscheidet sich vom in der Modellkarte genannten reinen Textprofil V4 Flash, dessen Vergleich multimodale Elemente gesondert behandelt. Vision Exp ist eine benannte Edition und keine Anweisung, einem anderen Flash-Modell beliebige Medienunterstützung hinzuzufügen.
Die Referenz zum Prompt-Format unterstützt eingestreute Bildinhalte, Dialoge mit mehreren Gesprächsrunden, Werkzeugaufrufe und Denkmodi. Prompts ohne Denkmodus können eine direkte Antwort anfordern; Prompts im Denkmodus können eine Einstellung für den Reasoning-Aufwand verwenden, einschließlich des dokumentierten Max-Beispiels. Bilder werden genau in der Reihenfolge erfasst, in der sie im Prompt erscheinen. Nummerieren oder beschriften Sie mehrere Eingaben und geben Sie an, auf welches Bild sich eine Frage bezieht, damit ein visueller Vergleich mit seiner Quelle verbunden bleibt.
Die veröffentlichte Konfiguration setzt max_position_embeddings auf 1.048.576. Das ist eine Positionsgrenze in der Modellkonfiguration und keine gesonderte Angabe zur maximalen Ausgabe. Bereiten Sie eine gezielte Bildauswahl und eine präzise Frage vor und halten Sie dabei Prompt, Gespräch und erzeugte Antwort innerhalb der Grenzen des gewählten Hersteller-Workflows.
Stellen Sie für eine praktische Aufgabe an einer Benutzeroberfläche den aktuellen Screenshot, die beabsichtigte Nutzeraktion und gegebenenfalls die relevante textliche Spezifikation bereit. Ein Beispielbriefing lautet: „Identifizieren Sie die sichtbaren Bedienelemente, die zum Ändern dieser Einstellung benötigt werden. Verwenden Sie ihre angezeigten Beschriftungen, erklären Sie die nächste Aktion und geben Sie an, an welchem Bildschirmbereich Sie das erkennen.“ Fragen Sie bei einem Diagramm sichtbare Werte und Zusammenhänge getrennt von einer daraus abgeleiteten Interpretation ab. Wenn kleine Schrift entscheidend ist, stellen Sie einen lesbaren Ausschnitt mit genügend Umgebung bereit, um seine Funktion zu erkennen.
In einer Agentenanwendung kann das Modell nach der Interpretation von Bild und Anweisung eine Werkzeugoperation vorschlagen. Die umgebende Anwendung führt diese Operation aus, gibt die Beobachtung zurück und stellt bei Bedarf den nächsten visuellen Zustand bereit. Definieren Sie den Zweck des Werkzeugs und die erlaubten Aktionen. Ein vorgeschlagener Klick, eine niedergeschriebene Koordinate oder erzeugter Code bleibt ein Textergebnis, bis die Anwendung die entsprechende Operation ausführt; verwenden Sie die daraus entstandene Beobachtung als Beleg für den nächsten Schritt.
Fordern Sie für ein quellenbasiertes Arbeitsergebnis, dass die Antwort zu jeder Feststellung das Bild und das zugrunde liegende sichtbare Detail nennt. Trennen Sie extrahierten Wortlaut von Erklärungen sowie vorgeschlagene von abgeschlossenen Aktionen. Ergänzen Sie bei einer Screenshot-zu-Code-Aufgabe den relevanten Quelltext, das beabsichtigte Verhalten und das geforderte Endergebnis. Das Profil dieses Modells umfasst das Verständnis von Bildern und Text mit Textausgabe, nicht die Bilderzeugung, Sprachsynthese oder einen vorausgesetzten Videoanalyse-Workflow.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek/deepseek-v4-flash-vision-exp | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00088 / 1K Tokens Ausgabe · Ausgabetoken $0.00264 / 1K Tokens Eingabe · Cache lesen $0.000028 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"deepseek/deepseek-v4-flash-vision-exp","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="deepseek/deepseek-v4-flash-vision-exp", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra deepseek/deepseek-v4-flash-vision-exp
/chat/completions
deepseek/deepseek-v4-flash-vision-expDeepSeek V4 Flash Vision Exp verbindet Bilder und Text für visuelles Verständnis und multimodale Agentenaufgaben. Es ergänzt die V4-Flash-Architektur um visuelle Module und gibt Text aus, etwa bildgestützte Erklärungen, Analysen und vorgeschlagene Werkzeugaktionen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek V4 Flash Vision Exp ist DeepSeeks experimentelles multimodales Modell der V4-Familie. Es baut auf V4 Flash auf und ergänzt visuelle Module sowie weiteres Training für visuelles Verständnis. Die Eingabe kombiniert Bilder mit Text, die Ausgabe ist Text. Der dokumentierte Einsatzzweck verbindet multimodale Agentenarbeit mit textbasierten Agentenaufgaben. Das ist nützlich, wenn die von einem Assistenten benötigten Informationen in einem Screenshot, Diagramm oder einem anderen bereitgestellten Bild sichtbar sind.
Die Herstellerreferenz beschreibt einen Vision-Encoder und einen Aligner, die mit DFlash-Attention, Mixture-of-Experts-Komponenten, Hyper-Connections und einem DSpark-Pfad verbunden sind. Die visuellen Module bringen Bildinformationen in eine Form, die das Sprachmodell zusammen mit der schriftlichen Frage verarbeiten kann. Das unterscheidet sich vom in der Modellkarte genannten reinen Textprofil V4 Flash, dessen Vergleich multimodale Elemente gesondert behandelt. Vision Exp ist eine benannte Edition und keine Anweisung, einem anderen Flash-Modell beliebige Medienunterstützung hinzuzufügen.
Die Referenz zum Prompt-Format unterstützt eingestreute Bildinhalte, Dialoge mit mehreren Gesprächsrunden, Werkzeugaufrufe und Denkmodi. Prompts ohne Denkmodus können eine direkte Antwort anfordern; Prompts im Denkmodus können eine Einstellung für den Reasoning-Aufwand verwenden, einschließlich des dokumentierten Max-Beispiels. Bilder werden genau in der Reihenfolge erfasst, in der sie im Prompt erscheinen. Nummerieren oder beschriften Sie mehrere Eingaben und geben Sie an, auf welches Bild sich eine Frage bezieht, damit ein visueller Vergleich mit seiner Quelle verbunden bleibt.
Die veröffentlichte Konfiguration setzt max_position_embeddings auf 1.048.576. Das ist eine Positionsgrenze in der Modellkonfiguration und keine gesonderte Angabe zur maximalen Ausgabe. Bereiten Sie eine gezielte Bildauswahl und eine präzise Frage vor und halten Sie dabei Prompt, Gespräch und erzeugte Antwort innerhalb der Grenzen des gewählten Hersteller-Workflows.
Stellen Sie für eine praktische Aufgabe an einer Benutzeroberfläche den aktuellen Screenshot, die beabsichtigte Nutzeraktion und gegebenenfalls die relevante textliche Spezifikation bereit. Ein Beispielbriefing lautet: „Identifizieren Sie die sichtbaren Bedienelemente, die zum Ändern dieser Einstellung benötigt werden. Verwenden Sie ihre angezeigten Beschriftungen, erklären Sie die nächste Aktion und geben Sie an, an welchem Bildschirmbereich Sie das erkennen.“ Fragen Sie bei einem Diagramm sichtbare Werte und Zusammenhänge getrennt von einer daraus abgeleiteten Interpretation ab. Wenn kleine Schrift entscheidend ist, stellen Sie einen lesbaren Ausschnitt mit genügend Umgebung bereit, um seine Funktion zu erkennen.
In einer Agentenanwendung kann das Modell nach der Interpretation von Bild und Anweisung eine Werkzeugoperation vorschlagen. Die umgebende Anwendung führt diese Operation aus, gibt die Beobachtung zurück und stellt bei Bedarf den nächsten visuellen Zustand bereit. Definieren Sie den Zweck des Werkzeugs und die erlaubten Aktionen. Ein vorgeschlagener Klick, eine niedergeschriebene Koordinate oder erzeugter Code bleibt ein Textergebnis, bis die Anwendung die entsprechende Operation ausführt; verwenden Sie die daraus entstandene Beobachtung als Beleg für den nächsten Schritt.
Fordern Sie für ein quellenbasiertes Arbeitsergebnis, dass die Antwort zu jeder Feststellung das Bild und das zugrunde liegende sichtbare Detail nennt. Trennen Sie extrahierten Wortlaut von Erklärungen sowie vorgeschlagene von abgeschlossenen Aktionen. Ergänzen Sie bei einer Screenshot-zu-Code-Aufgabe den relevanten Quelltext, das beabsichtigte Verhalten und das geforderte Endergebnis. Das Profil dieses Modells umfasst das Verständnis von Bildern und Text mit Textausgabe, nicht die Bilderzeugung, Sprachsynthese oder einen vorausgesetzten Videoanalyse-Workflow.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek/deepseek-v4-flash-vision-exp | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00088 / 1K Tokens Ausgabe · Ausgabetoken $0.00264 / 1K Tokens Eingabe · Cache lesen $0.000028 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "deepseek/deepseek-v4-flash-vision-exp",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-v4-flash-vision-exp', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-v4-flash-vision-exp', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra deepseek/deepseek-v4-flash-vision-exp
/chat/completions