DeepSeek V4 Flash 0423 ist die benannte Flash-Edition für textbasierte Programmier-, Reasoning- und Agentenaufgaben. Die Referenz zur Herstellerfamilie ist DeepSeek-V4-Flash, das kleinere Mixture-of-Experts-Modell der V4-Reihe. Es erhält schriftliche Anweisungen und Kontext und erzeugt Text, der eine Erklärung, Code oder einen vorgeschlagenen Werkzeugvorgang enthalten kann. Die Bezeichnung 0423 bleibt von der wechselnden Latest-Modellkarte und anderen benannten Flash-Editionen getrennt.
Die veröffentlichte Familientabelle von V4 Flash nennt insgesamt 284 Milliarden Parameter, 13 Milliarden aktive Parameter und einen Kontext von einer Million Token. Die Attention verbindet Compressed Sparse Attention und Heavily Compressed Attention, um längere Quellsequenzen effizient zu verarbeiten. Mannigfaltigkeitsbeschränkte Hyperverbindungen unterstützen die Weitergabe zwischen Schichten; der Hersteller beschreibt einen zweistufigen Post-Training-Prozess, der zunächst domänenspezifische Experten entwickelt und anschließend ihre Fähigkeiten zusammenführt. Diese Familienmerkmale unterstützen schriftliche Aufgaben, die umfangreichen Quellkontext mit einer gezielten Frage verbinden.
Das Anweisungsprofil der V4-Familie hat die Modi Non-think, Think High und Think Max. Non-think ist für direkte Routineantworten vorgesehen, High für logische Analyse und Planung und Max für erweiterten Reasoning-Aufwand. Der Modus beeinflusst, wie Reasoning vorbereitet und von der endgültigen Antwort getrennt wird. DeepSeek empfiehlt für die lokale Verwendung von Think Max mindestens 384K Kontext sowie temperature 1.0 mit top-p 1.0 in seiner lokalen Referenz. Dies sind Konfigurationsempfehlungen des Herstellers, getrennt von einer universellen maximalen Ausgabegrenze oder einer Steuerung, die jede Anwendung bereitstellt.
Geben Sie für eine Softwareaufgabe den relevanten Quelltext, das beobachtete Verhalten und das gewünschte Ergebnis vor. Eine beispielhafte Anweisung lautet: „Implementieren Sie die beschriebene Änderung, bewahren Sie die öffentlichen Funktionsnamen und erklären Sie die Bedingungen, die die Lösung behandelt.“ Kennzeichnen Sie für Analysen die Dokumente und definieren Sie die Vergleichskriterien. Ein großer Kontext ist nur hilfreich, wenn Frage und erforderliches Endergebnis klar bleiben; benennen Sie deshalb die relevanten Abschnitte, statt sich darauf zu verlassen, dass das Modell den Zweck einer langen Sammlung erschließt.
Der Hersteller liefert eine eigene V4-Nachrichtenkodierung und ein Ausgabeformat für Gespräche, Reasoning und Werkzeugnutzung. Die Veröffentlichung bietet keine Chatvorlage im Jinja-Format. Ein korrekt dargestelltes Gespräch bewahrt den Unterschied zwischen Nutzeraufgabe, Modellvorschlag und zurückgegebenem Werkzeugergebnis. Eine gewählte Funktion wird von der umgebenden Anwendung ausgeführt, die anschließend die für den nächsten Reasoning-Schritt verwendete Beobachtung liefert.
Bereiten Sie eine mehrstufige Aufgabe mit Endergebnis und Erledigungsregel vor: eine konkrete Änderung, einen quellenbelegten Vergleich oder eine definierte Menge extrahierter Felder. Benennen Sie die erlaubten Aktionen und bewahren Sie wichtige Namen, Annahmen und Bedingungen im Text. Lassen Sie die endgültige Antwort kennzeichnen, was aus dem bereitgestellten Material folgt und wo noch Informationen fehlen. Bewahren Sie bei einem langen Dokument oder Repositoryauszug Quellenkennzeichnungen auf, damit das Ergebnis die relevante Passage oder das Fragment zitieren kann.
Verwenden Sie die benannte Edition 0423 für textbasierte Programmier-, Reasoning- und Agentenaufgaben; wählen Sie für bildbezogene Arbeit die separate Edition Vision Exp. Ein Ergebnis lässt sich als Text, Code oder Analysedatensatz weiterverwenden, nachdem es mit den bereitgestellten Anforderungen und Quellenbelegen verglichen wurde; erzeugte Vorschläge bleiben von Aktionen oder Validierungsergebnissen getrennt, die eine Anwendung tatsächlich durchgeführt hat.
", "aboutText": "DeepSeek V4 Flash 0423 ist die benannte Flash-Edition für textbasierte Programmier-, Reasoning- und Agentenaufgaben. Die Referenz zur Herstellerfamilie ist DeepSeek-V4-Flash, das kleinere Mixture-of-Experts-Modell der V4-Reihe. Es erhält schriftliche Anweisungen und Kontext und erzeugt Text, der eine Erklärung, Code oder einen vorgeschlagenen Werkzeugvorgang enthalten kann. Die Bezeichnung 0423 bleibt von der wechselnden Latest-Modellkarte und anderen benannten Flash-Editionen getrennt.\n\nDie veröffentlichte Familientabelle von V4 Flash nennt insgesamt 284 Milliarden Parameter, 13 Milliarden aktive Parameter und einen Kontext von einer Million Token. Die Attention verbindet Compressed Sparse Attention und Heavily Compressed Attention, um längere Quellsequenzen effizient zu verarbeiten. Mannigfaltigkeitsbeschränkte Hyperverbindungen unterstützen die Weitergabe zwischen Schichten; der Hersteller beschreibt einen zweistufigen Post-Training-Prozess, der zunächst domänenspezifische Experten entwickelt und anschließend ihre Fähigkeiten zusammenführt. Diese Familienmerkmale unterstützen schriftliche Aufgaben, die umfangreichen Quellkontext mit einer gezielten Frage verbinden.\n\nDas Anweisungsprofil der V4-Familie hat die Modi Non-think, Think High und Think Max. Non-think ist für direkte Routineantworten vorgesehen, High für logische Analyse und Planung und Max für erweiterten Reasoning-Aufwand. Der Modus beeinflusst, wie Reasoning vorbereitet und von der endgültigen Antwort getrennt wird. DeepSeek empfiehlt für die lokale Verwendung von Think Max mindestens 384K Kontext sowie temperature 1.0 mit top-p 1.0 in seiner lokalen Referenz. Dies sind Konfigurationsempfehlungen des Herstellers, getrennt von einer universellen maximalen Ausgabegrenze oder einer Steuerung, die jede Anwendung bereitstellt.\n\nGeben Sie für eine Softwareaufgabe den relevanten Quelltext, das beobachtete Verhalten und das gewünschte Ergebnis vor. Eine beispielhafte Anweisung lautet: „Implementieren Sie die beschriebene Änderung, bewahren Sie die öffentlichen Funktionsnamen und erklären Sie die Bedingungen, die die Lösung behandelt.“ Kennzeichnen Sie für Analysen die Dokumente und definieren Sie die Vergleichskriterien. Ein großer Kontext ist nur hilfreich, wenn Frage und erforderliches Endergebnis klar bleiben; benennen Sie deshalb die relevanten Abschnitte, statt sich darauf zu verlassen, dass das Modell den Zweck einer langen Sammlung erschließt.\n\nDer Hersteller liefert eine eigene V4-Nachrichtenkodierung und ein Ausgabeformat für Gespräche, Reasoning und Werkzeugnutzung. Die Veröffentlichung bietet keine Chatvorlage im Jinja-Format. Ein korrekt dargestelltes Gespräch bewahrt den Unterschied zwischen Nutzeraufgabe, Modellvorschlag und zurückgegebenem Werkzeugergebnis. Eine gewählte Funktion wird von der umgebenden Anwendung ausgeführt, die anschließend die für den nächsten Reasoning-Schritt verwendete Beobachtung liefert.\n\nBereiten Sie eine mehrstufige Aufgabe mit Endergebnis und Erledigungsregel vor: eine konkrete Änderung, einen quellenbelegten Vergleich oder eine definierte Menge extrahierter Felder. Benennen Sie die erlaubten Aktionen und bewahren Sie wichtige Namen, Annahmen und Bedingungen im Text. Lassen Sie die endgültige Antwort kennzeichnen, was aus dem bereitgestellten Material folgt und wo noch Informationen fehlen. Bewahren Sie bei einem langen Dokument oder Repositoryauszug Quellenkennzeichnungen auf, damit das Ergebnis die relevante Passage oder das Fragment zitieren kann.\n\nVerwenden Sie die benannte Edition 0423 für textbasierte Programmier-, Reasoning- und Agentenaufgaben; wählen Sie für bildbezogene Arbeit die separate Edition Vision Exp. Ein Ergebnis lässt sich als Text, Code oder Analysedatensatz weiterverwenden, nachdem es mit den bereitgestellten Anforderungen und Quellenbelegen verglichen wurde; erzeugte Vorschläge bleiben von Aktionen oder Validierungsergebnissen getrennt, die eine Anwendung tatsächlich durchgeführt hat.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Fix pagination at an exact boundary\n\nA Python pager uses pages = total // size + 1. For total=20 and size=10 it reports three pages, but the product requires two; for total=0 it requires zero. Replace only the calculation, assuming total >= 0 and size > 0. Include assertions for totals 0, 1, 20 and 21.A replacement calculation, a brief rationale and four assertions.Both an exact multiple and zero must avoid the extra page.deepseek/deepseek-v4-flashDeepSeek V4 Flash 0423 ist eine benannte V4-Flash-Edition für Text-, Programmier- und Reasoning-Aufgaben. Die Herstellerfamilie nutzt komprimierte Attention und drei Modi für den Reasoning-Aufwand bei langen Kontexten und Agentenaufgaben; die Identität 0423 bleibt von Latest getrennt.
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 0423 ist die benannte Flash-Edition für textbasierte Programmier-, Reasoning- und Agentenaufgaben. Die Referenz zur Herstellerfamilie ist DeepSeek-V4-Flash, das kleinere Mixture-of-Experts-Modell der V4-Reihe. Es erhält schriftliche Anweisungen und Kontext und erzeugt Text, der eine Erklärung, Code oder einen vorgeschlagenen Werkzeugvorgang enthalten kann. Die Bezeichnung 0423 bleibt von der wechselnden Latest-Modellkarte und anderen benannten Flash-Editionen getrennt.
Die veröffentlichte Familientabelle von V4 Flash nennt insgesamt 284 Milliarden Parameter, 13 Milliarden aktive Parameter und einen Kontext von einer Million Token. Die Attention verbindet Compressed Sparse Attention und Heavily Compressed Attention, um längere Quellsequenzen effizient zu verarbeiten. Mannigfaltigkeitsbeschränkte Hyperverbindungen unterstützen die Weitergabe zwischen Schichten; der Hersteller beschreibt einen zweistufigen Post-Training-Prozess, der zunächst domänenspezifische Experten entwickelt und anschließend ihre Fähigkeiten zusammenführt. Diese Familienmerkmale unterstützen schriftliche Aufgaben, die umfangreichen Quellkontext mit einer gezielten Frage verbinden.
Das Anweisungsprofil der V4-Familie hat die Modi Non-think, Think High und Think Max. Non-think ist für direkte Routineantworten vorgesehen, High für logische Analyse und Planung und Max für erweiterten Reasoning-Aufwand. Der Modus beeinflusst, wie Reasoning vorbereitet und von der endgültigen Antwort getrennt wird. DeepSeek empfiehlt für die lokale Verwendung von Think Max mindestens 384K Kontext sowie temperature 1.0 mit top-p 1.0 in seiner lokalen Referenz. Dies sind Konfigurationsempfehlungen des Herstellers, getrennt von einer universellen maximalen Ausgabegrenze oder einer Steuerung, die jede Anwendung bereitstellt.
Geben Sie für eine Softwareaufgabe den relevanten Quelltext, das beobachtete Verhalten und das gewünschte Ergebnis vor. Eine beispielhafte Anweisung lautet: „Implementieren Sie die beschriebene Änderung, bewahren Sie die öffentlichen Funktionsnamen und erklären Sie die Bedingungen, die die Lösung behandelt.“ Kennzeichnen Sie für Analysen die Dokumente und definieren Sie die Vergleichskriterien. Ein großer Kontext ist nur hilfreich, wenn Frage und erforderliches Endergebnis klar bleiben; benennen Sie deshalb die relevanten Abschnitte, statt sich darauf zu verlassen, dass das Modell den Zweck einer langen Sammlung erschließt.
Der Hersteller liefert eine eigene V4-Nachrichtenkodierung und ein Ausgabeformat für Gespräche, Reasoning und Werkzeugnutzung. Die Veröffentlichung bietet keine Chatvorlage im Jinja-Format. Ein korrekt dargestelltes Gespräch bewahrt den Unterschied zwischen Nutzeraufgabe, Modellvorschlag und zurückgegebenem Werkzeugergebnis. Eine gewählte Funktion wird von der umgebenden Anwendung ausgeführt, die anschließend die für den nächsten Reasoning-Schritt verwendete Beobachtung liefert.
Bereiten Sie eine mehrstufige Aufgabe mit Endergebnis und Erledigungsregel vor: eine konkrete Änderung, einen quellenbelegten Vergleich oder eine definierte Menge extrahierter Felder. Benennen Sie die erlaubten Aktionen und bewahren Sie wichtige Namen, Annahmen und Bedingungen im Text. Lassen Sie die endgültige Antwort kennzeichnen, was aus dem bereitgestellten Material folgt und wo noch Informationen fehlen. Bewahren Sie bei einem langen Dokument oder Repositoryauszug Quellenkennzeichnungen auf, damit das Ergebnis die relevante Passage oder das Fragment zitieren kann.
Verwenden Sie die benannte Edition 0423 für textbasierte Programmier-, Reasoning- und Agentenaufgaben; wählen Sie für bildbezogene Arbeit die separate Edition Vision Exp. Ein Ergebnis lässt sich als Text, Code oder Analysedatensatz weiterverwenden, nachdem es mit den bereitgestellten Anforderungen und Quellenbelegen verglichen wurde; erzeugte Vorschläge bleiben von Aktionen oder Validierungsergebnissen getrennt, die eine Anwendung tatsächlich durchgeführt hat.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek/deepseek-v4-flash | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
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, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
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.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00044 / 1K Tokens Ausgabe · Ausgabetoken $0.00132 / 1K Tokens Eingabe · Cache lesen $0.00006 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00044 / 1K Tokens Ausgabe · Ausgabetoken $0.00132 / 1K Tokens Eingabe · Cache lesen $0.00006 / 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", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\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',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\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"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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)\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\nwith client.chat.completions.stream(model='deepseek/deepseek-v4-flash',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\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
Verwenden Sie die oben angezeigten Methodenpfade.
deepseek/deepseek-v4-flashDeepSeek V4 Flash 0423 ist eine benannte V4-Flash-Edition für Text-, Programmier- und Reasoning-Aufgaben. Die Herstellerfamilie nutzt komprimierte Attention und drei Modi für den Reasoning-Aufwand bei langen Kontexten und Agentenaufgaben; die Identität 0423 bleibt von Latest getrennt.
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 0423 ist die benannte Flash-Edition für textbasierte Programmier-, Reasoning- und Agentenaufgaben. Die Referenz zur Herstellerfamilie ist DeepSeek-V4-Flash, das kleinere Mixture-of-Experts-Modell der V4-Reihe. Es erhält schriftliche Anweisungen und Kontext und erzeugt Text, der eine Erklärung, Code oder einen vorgeschlagenen Werkzeugvorgang enthalten kann. Die Bezeichnung 0423 bleibt von der wechselnden Latest-Modellkarte und anderen benannten Flash-Editionen getrennt.
Die veröffentlichte Familientabelle von V4 Flash nennt insgesamt 284 Milliarden Parameter, 13 Milliarden aktive Parameter und einen Kontext von einer Million Token. Die Attention verbindet Compressed Sparse Attention und Heavily Compressed Attention, um längere Quellsequenzen effizient zu verarbeiten. Mannigfaltigkeitsbeschränkte Hyperverbindungen unterstützen die Weitergabe zwischen Schichten; der Hersteller beschreibt einen zweistufigen Post-Training-Prozess, der zunächst domänenspezifische Experten entwickelt und anschließend ihre Fähigkeiten zusammenführt. Diese Familienmerkmale unterstützen schriftliche Aufgaben, die umfangreichen Quellkontext mit einer gezielten Frage verbinden.
Das Anweisungsprofil der V4-Familie hat die Modi Non-think, Think High und Think Max. Non-think ist für direkte Routineantworten vorgesehen, High für logische Analyse und Planung und Max für erweiterten Reasoning-Aufwand. Der Modus beeinflusst, wie Reasoning vorbereitet und von der endgültigen Antwort getrennt wird. DeepSeek empfiehlt für die lokale Verwendung von Think Max mindestens 384K Kontext sowie temperature 1.0 mit top-p 1.0 in seiner lokalen Referenz. Dies sind Konfigurationsempfehlungen des Herstellers, getrennt von einer universellen maximalen Ausgabegrenze oder einer Steuerung, die jede Anwendung bereitstellt.
Geben Sie für eine Softwareaufgabe den relevanten Quelltext, das beobachtete Verhalten und das gewünschte Ergebnis vor. Eine beispielhafte Anweisung lautet: „Implementieren Sie die beschriebene Änderung, bewahren Sie die öffentlichen Funktionsnamen und erklären Sie die Bedingungen, die die Lösung behandelt.“ Kennzeichnen Sie für Analysen die Dokumente und definieren Sie die Vergleichskriterien. Ein großer Kontext ist nur hilfreich, wenn Frage und erforderliches Endergebnis klar bleiben; benennen Sie deshalb die relevanten Abschnitte, statt sich darauf zu verlassen, dass das Modell den Zweck einer langen Sammlung erschließt.
Der Hersteller liefert eine eigene V4-Nachrichtenkodierung und ein Ausgabeformat für Gespräche, Reasoning und Werkzeugnutzung. Die Veröffentlichung bietet keine Chatvorlage im Jinja-Format. Ein korrekt dargestelltes Gespräch bewahrt den Unterschied zwischen Nutzeraufgabe, Modellvorschlag und zurückgegebenem Werkzeugergebnis. Eine gewählte Funktion wird von der umgebenden Anwendung ausgeführt, die anschließend die für den nächsten Reasoning-Schritt verwendete Beobachtung liefert.
Bereiten Sie eine mehrstufige Aufgabe mit Endergebnis und Erledigungsregel vor: eine konkrete Änderung, einen quellenbelegten Vergleich oder eine definierte Menge extrahierter Felder. Benennen Sie die erlaubten Aktionen und bewahren Sie wichtige Namen, Annahmen und Bedingungen im Text. Lassen Sie die endgültige Antwort kennzeichnen, was aus dem bereitgestellten Material folgt und wo noch Informationen fehlen. Bewahren Sie bei einem langen Dokument oder Repositoryauszug Quellenkennzeichnungen auf, damit das Ergebnis die relevante Passage oder das Fragment zitieren kann.
Verwenden Sie die benannte Edition 0423 für textbasierte Programmier-, Reasoning- und Agentenaufgaben; wählen Sie für bildbezogene Arbeit die separate Edition Vision Exp. Ein Ergebnis lässt sich als Text, Code oder Analysedatensatz weiterverwenden, nachdem es mit den bereitgestellten Anforderungen und Quellenbelegen verglichen wurde; erzeugte Vorschläge bleiben von Aktionen oder Validierungsergebnissen getrennt, die eine Anwendung tatsächlich durchgeführt hat.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek/deepseek-v4-flash | 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.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00044 / 1K Tokens Ausgabe · Ausgabetoken $0.00132 / 1K Tokens Eingabe · Cache lesen $0.00006 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00044 / 1K Tokens Ausgabe · Ausgabetoken $0.00132 / 1K Tokens Eingabe · Cache lesen $0.00006 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "deepseek/deepseek-v4-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Fix pagination at an exact boundary\n\nA Python pager uses pages = total // size + 1. For total=20 and size=10 it reports three pages, but the product requires two; for total=0 it requires zero. Replace only the calculation, assuming total >= 0 and size > 0. Include assertions for totals 0, 1, 20 and 21.A replacement calculation, a brief rationale and four assertions.Both an exact multiple and zero must avoid the extra page.