DeepSeek V3.2 ist DeepSeeks Textmodell für Reasoning und Agentenarbeit mit Schwerpunkt auf der effizienten Verarbeitung langer Kontexte. Der Hersteller gliedert die wichtigsten Änderungen in DeepSeek Sparse Attention, ein skaliertes Framework für Reinforcement Learning und eine Pipeline zum Training agentischer Aufgaben. Das Modell nimmt schriftliche Fragen und Kontext entgegen und erzeugt Text, darunter Antworten, Code oder Inhalte für Werkzeugaufrufe. Es unterscheidet sich von der früheren Version V3.2 Exp und der eigenständigen Reasoning-Variante Speciale.
DeepSeek Sparse Attention ergänzt die Latent-Attention-Architektur um einen Indexer und eine feingranulare Tokenauswahl. Bei einer langen Sequenz wählt der Indexer die früheren Tokeninformationen aus, die in die eigentliche Attention-Berechnung einfließen. Laut Bericht ist dies die Architekturänderung gegenüber V3.1 Terminus; die Architektur entspricht jener von V3.2 Exp. Der veröffentlichte Kontext beträgt 128K Tokens und bietet Platz für umfangreiches Quellenmaterial und eine fortlaufende Aufgabe. Erzeugtes Reasoning und die Werkzeughistorie beanspruchen den verfügbaren Kontext ebenfalls.
Das Nachtraining deckt Antworten mit und ohne Denkmodus in Mathematik, Programmierung, logischem Schlussfolgern, allgemeinen Agentenaufgaben, agentischer Programmierung und Suche ab. Fachspezialisten liefern Daten, die im endgültigen Modell zusammengeführt werden; darauf folgt gemischtes Reinforcement Learning. Bei einer gewöhnlichen Frage kann eine direkte Antwort angemessen sein; bei einem schwierigen Problem kann der Denk-Workflow eine Lösung entwickeln, bevor er das endgültige Ergebnis präsentiert. Legen Sie die benötigte Antwort oder das Arbeitsergebnis unabhängig vom zwischenzeitlichen Reasoning fest.
Eine wesentliche Änderung dieser Edition ist das Denken mit Werkzeugen. Das aktualisierte Chatformat ermöglicht es, das Reasoning während einer Aufgabe mit Werkzeugaufrufen fortzusetzen, statt Analyse und Aktion als unverbundene Phasen zu behandeln. Eine vom Modell ausgewählte Operation wird von der Anwendung ausgeführt, die ihr Ergebnis für den nächsten Schritt zurückliefert. Die Werkzeugkontextregel des Herstellers behält bisheriges Reasoning bei, solange nur werkzeugbezogene Nachrichten hinzukommen; mit einer neuen Nutzernachricht verwirft sie dieses Reasoning, erhält aber Werkzeugaufrufe und Ergebnisse. Korrekt unterschiedene Gesprächsrollen sind für dieses Verhalten maßgeblich.
Stellen Sie für Programmieraufgaben den Quelltextausschnitt oder die relevanten Dateien, das beobachtete Problem, das erwartete Ergebnis und die zu erhaltenden Bedingungen bereit. Ein Beispielbriefing lautet: „Verwenden Sie den bereitgestellten Code und die Werkzeugergebnisse, um die Ursache zu finden, die kleinste Korrektur vorzuschlagen und den fertigen Patch mit dem zugehörigen Validierungsergebnis zurückzugeben.“ Beschreiben Sie für eine Suchaufgabe die Frage, die benötigten Belege und die Kriterien für eine vollständige Antwort. Such- und Ausführungswerkzeuge stellt die umgebende Anwendung bereit; der Text allein stellt sie nicht zur Verfügung.
Der Hersteller empfiehlt für den lokalen Einsatz temperature 1.0 und top-p 0.95. V3.2 führt eine überarbeitete Darstellung von Werkzeugaufrufen und einen eigenen Nachrichten-Encoder ein. Die Rolle developer ist der Suchagentenvorlage des Herstellers vorbehalten; die offizielle API akzeptiert diese Rolle nicht. Der Referenzparser erwartet korrekt formatierte Ausgaben und repariert fehlerhafte Ergebnisse nicht. Verwendet eine Anwendung erzeugte Felder oder Werkzeugargumente, sollte sie deren Struktur prüfen, bevor sie daraufhin handelt.
Der technische Bericht nennt lange Reasoning-Verläufe und redundante Selbstprüfung als praktische Einschränkungen. Eine Agentenaufgabe kann die Grenze von 128K erreichen, selbst wenn das ursprüngliche Quellenmaterial hineinpasst, weil sich Werkzeugausgaben und wiederholtes Reasoning ansammeln. Führen Sie eine knappe Aufzeichnung relevanter Beobachtungen und benennen Sie das endgültige Arbeitsergebnis ausdrücklich. Fügen Sie bei wissensabhängigen Aufgaben maßgebliches Material bei oder stellen Sie ein geeignetes Suchwerkzeug bereit, statt zu erwarten, dass Trainingswissen jeden Fakt festlegt.
DeepSeek V3.2 Speciale ist eine eigenständige Variante für tiefgehendes Schlussfolgern mit hohem Rechenaufwand und unterstützt laut Modellkarte keine Werkzeugaufrufe. Ihre Merkmale sollten nicht als Standard-Werkzeugprofil von V3.2 verwendet werden. Ebenso haben die spätere V4-Generation und der experimentelle Vorgänger eigene Identitäten und Konfigurationsmöglichkeiten. Behalten Sie die benannte V3.2-Edition bei, wenn Sie Aufgaben vergleichen, bei denen Modell und Prompt-Format eine Rolle spielen.
Kennzeichnen Sie für eine praktische quellenbasierte Analyse das Material und fordern Sie eine Schlussfolgerung an, die sich auf relevante Passagen stützt und Annahmen sowie fehlende Informationen gesondert ausweist. Geben Sie für einen Agenten die erlaubten Funktionen, das erwartete Endergebnis und das Abschlusskriterium an. So richten Sie den Reasoning- und Werkzeug-Workflow des Modells auf ein überprüfbares Text-, Code- oder Analyseergebnis aus, das mit den bereitgestellten Belegen verknüpft ist.
", "aboutText": "DeepSeek V3.2 ist DeepSeeks Textmodell für Reasoning und Agentenarbeit mit Schwerpunkt auf der effizienten Verarbeitung langer Kontexte. Der Hersteller gliedert die wichtigsten Änderungen in DeepSeek Sparse Attention, ein skaliertes Framework für Reinforcement Learning und eine Pipeline zum Training agentischer Aufgaben. Das Modell nimmt schriftliche Fragen und Kontext entgegen und erzeugt Text, darunter Antworten, Code oder Inhalte für Werkzeugaufrufe. Es unterscheidet sich von der früheren Version V3.2 Exp und der eigenständigen Reasoning-Variante Speciale.\n\nDeepSeek Sparse Attention ergänzt die Latent-Attention-Architektur um einen Indexer und eine feingranulare Tokenauswahl. Bei einer langen Sequenz wählt der Indexer die früheren Tokeninformationen aus, die in die eigentliche Attention-Berechnung einfließen. Laut Bericht ist dies die Architekturänderung gegenüber V3.1 Terminus; die Architektur entspricht jener von V3.2 Exp. Der veröffentlichte Kontext beträgt 128K Tokens und bietet Platz für umfangreiches Quellenmaterial und eine fortlaufende Aufgabe. Erzeugtes Reasoning und die Werkzeughistorie beanspruchen den verfügbaren Kontext ebenfalls.\n\nDas Nachtraining deckt Antworten mit und ohne Denkmodus in Mathematik, Programmierung, logischem Schlussfolgern, allgemeinen Agentenaufgaben, agentischer Programmierung und Suche ab. Fachspezialisten liefern Daten, die im endgültigen Modell zusammengeführt werden; darauf folgt gemischtes Reinforcement Learning. Bei einer gewöhnlichen Frage kann eine direkte Antwort angemessen sein; bei einem schwierigen Problem kann der Denk-Workflow eine Lösung entwickeln, bevor er das endgültige Ergebnis präsentiert. Legen Sie die benötigte Antwort oder das Arbeitsergebnis unabhängig vom zwischenzeitlichen Reasoning fest.\n\nEine wesentliche Änderung dieser Edition ist das Denken mit Werkzeugen. Das aktualisierte Chatformat ermöglicht es, das Reasoning während einer Aufgabe mit Werkzeugaufrufen fortzusetzen, statt Analyse und Aktion als unverbundene Phasen zu behandeln. Eine vom Modell ausgewählte Operation wird von der Anwendung ausgeführt, die ihr Ergebnis für den nächsten Schritt zurückliefert. Die Werkzeugkontextregel des Herstellers behält bisheriges Reasoning bei, solange nur werkzeugbezogene Nachrichten hinzukommen; mit einer neuen Nutzernachricht verwirft sie dieses Reasoning, erhält aber Werkzeugaufrufe und Ergebnisse. Korrekt unterschiedene Gesprächsrollen sind für dieses Verhalten maßgeblich.\n\nStellen Sie für Programmieraufgaben den Quelltextausschnitt oder die relevanten Dateien, das beobachtete Problem, das erwartete Ergebnis und die zu erhaltenden Bedingungen bereit. Ein Beispielbriefing lautet: „Verwenden Sie den bereitgestellten Code und die Werkzeugergebnisse, um die Ursache zu finden, die kleinste Korrektur vorzuschlagen und den fertigen Patch mit dem zugehörigen Validierungsergebnis zurückzugeben.“ Beschreiben Sie für eine Suchaufgabe die Frage, die benötigten Belege und die Kriterien für eine vollständige Antwort. Such- und Ausführungswerkzeuge stellt die umgebende Anwendung bereit; der Text allein stellt sie nicht zur Verfügung.\n\nDer Hersteller empfiehlt für den lokalen Einsatz temperature 1.0 und top-p 0.95. V3.2 führt eine überarbeitete Darstellung von Werkzeugaufrufen und einen eigenen Nachrichten-Encoder ein. Die Rolle developer ist der Suchagentenvorlage des Herstellers vorbehalten; die offizielle API akzeptiert diese Rolle nicht. Der Referenzparser erwartet korrekt formatierte Ausgaben und repariert fehlerhafte Ergebnisse nicht. Verwendet eine Anwendung erzeugte Felder oder Werkzeugargumente, sollte sie deren Struktur prüfen, bevor sie daraufhin handelt.\n\nDer technische Bericht nennt lange Reasoning-Verläufe und redundante Selbstprüfung als praktische Einschränkungen. Eine Agentenaufgabe kann die Grenze von 128K erreichen, selbst wenn das ursprüngliche Quellenmaterial hineinpasst, weil sich Werkzeugausgaben und wiederholtes Reasoning ansammeln. Führen Sie eine knappe Aufzeichnung relevanter Beobachtungen und benennen Sie das endgültige Arbeitsergebnis ausdrücklich. Fügen Sie bei wissensabhängigen Aufgaben maßgebliches Material bei oder stellen Sie ein geeignetes Suchwerkzeug bereit, statt zu erwarten, dass Trainingswissen jeden Fakt festlegt.\n\nDeepSeek V3.2 Speciale ist eine eigenständige Variante für tiefgehendes Schlussfolgern mit hohem Rechenaufwand und unterstützt laut Modellkarte keine Werkzeugaufrufe. Ihre Merkmale sollten nicht als Standard-Werkzeugprofil von V3.2 verwendet werden. Ebenso haben die spätere V4-Generation und der experimentelle Vorgänger eigene Identitäten und Konfigurationsmöglichkeiten. Behalten Sie die benannte V3.2-Edition bei, wenn Sie Aufgaben vergleichen, bei denen Modell und Prompt-Format eine Rolle spielen.\n\nKennzeichnen Sie für eine praktische quellenbasierte Analyse das Material und fordern Sie eine Schlussfolgerung an, die sich auf relevante Passagen stützt und Annahmen sowie fehlende Informationen gesondert ausweist. Geben Sie für einen Agenten die erlaubten Funktionen, das erwartete Endergebnis und das Abschlusskriterium an. So richten Sie den Reasoning- und Werkzeug-Workflow des Modells auf ein überprüfbares Text-, Code- oder Analyseergebnis aus, das mit den bereitgestellten Belegen verknüpft ist.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "69c8286cf2e975e751423e92b7006ae91825d6a6a33340528d435b752c907351", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "deepseek-v3.2-thinkingDeepSeek V3.2 verbindet textbasiertes Schlussfolgern mit Werkzeugnutzung und der Analyse langer Kontexte. Seine Sparse-Attention-Architektur und das aktualisierte Gesprächsformat unterstützen Programmierung, Suche und mehrstufige Agentenaufgaben, mit einem Kontext von 128K sowie getrennten Workflows für Denkmodus und direkte Antworten.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek V3.2 ist DeepSeeks Textmodell für Reasoning und Agentenarbeit mit Schwerpunkt auf der effizienten Verarbeitung langer Kontexte. Der Hersteller gliedert die wichtigsten Änderungen in DeepSeek Sparse Attention, ein skaliertes Framework für Reinforcement Learning und eine Pipeline zum Training agentischer Aufgaben. Das Modell nimmt schriftliche Fragen und Kontext entgegen und erzeugt Text, darunter Antworten, Code oder Inhalte für Werkzeugaufrufe. Es unterscheidet sich von der früheren Version V3.2 Exp und der eigenständigen Reasoning-Variante Speciale.
DeepSeek Sparse Attention ergänzt die Latent-Attention-Architektur um einen Indexer und eine feingranulare Tokenauswahl. Bei einer langen Sequenz wählt der Indexer die früheren Tokeninformationen aus, die in die eigentliche Attention-Berechnung einfließen. Laut Bericht ist dies die Architekturänderung gegenüber V3.1 Terminus; die Architektur entspricht jener von V3.2 Exp. Der veröffentlichte Kontext beträgt 128K Tokens und bietet Platz für umfangreiches Quellenmaterial und eine fortlaufende Aufgabe. Erzeugtes Reasoning und die Werkzeughistorie beanspruchen den verfügbaren Kontext ebenfalls.
Das Nachtraining deckt Antworten mit und ohne Denkmodus in Mathematik, Programmierung, logischem Schlussfolgern, allgemeinen Agentenaufgaben, agentischer Programmierung und Suche ab. Fachspezialisten liefern Daten, die im endgültigen Modell zusammengeführt werden; darauf folgt gemischtes Reinforcement Learning. Bei einer gewöhnlichen Frage kann eine direkte Antwort angemessen sein; bei einem schwierigen Problem kann der Denk-Workflow eine Lösung entwickeln, bevor er das endgültige Ergebnis präsentiert. Legen Sie die benötigte Antwort oder das Arbeitsergebnis unabhängig vom zwischenzeitlichen Reasoning fest.
Eine wesentliche Änderung dieser Edition ist das Denken mit Werkzeugen. Das aktualisierte Chatformat ermöglicht es, das Reasoning während einer Aufgabe mit Werkzeugaufrufen fortzusetzen, statt Analyse und Aktion als unverbundene Phasen zu behandeln. Eine vom Modell ausgewählte Operation wird von der Anwendung ausgeführt, die ihr Ergebnis für den nächsten Schritt zurückliefert. Die Werkzeugkontextregel des Herstellers behält bisheriges Reasoning bei, solange nur werkzeugbezogene Nachrichten hinzukommen; mit einer neuen Nutzernachricht verwirft sie dieses Reasoning, erhält aber Werkzeugaufrufe und Ergebnisse. Korrekt unterschiedene Gesprächsrollen sind für dieses Verhalten maßgeblich.
Stellen Sie für Programmieraufgaben den Quelltextausschnitt oder die relevanten Dateien, das beobachtete Problem, das erwartete Ergebnis und die zu erhaltenden Bedingungen bereit. Ein Beispielbriefing lautet: „Verwenden Sie den bereitgestellten Code und die Werkzeugergebnisse, um die Ursache zu finden, die kleinste Korrektur vorzuschlagen und den fertigen Patch mit dem zugehörigen Validierungsergebnis zurückzugeben.“ Beschreiben Sie für eine Suchaufgabe die Frage, die benötigten Belege und die Kriterien für eine vollständige Antwort. Such- und Ausführungswerkzeuge stellt die umgebende Anwendung bereit; der Text allein stellt sie nicht zur Verfügung.
Der Hersteller empfiehlt für den lokalen Einsatz temperature 1.0 und top-p 0.95. V3.2 führt eine überarbeitete Darstellung von Werkzeugaufrufen und einen eigenen Nachrichten-Encoder ein. Die Rolle developer ist der Suchagentenvorlage des Herstellers vorbehalten; die offizielle API akzeptiert diese Rolle nicht. Der Referenzparser erwartet korrekt formatierte Ausgaben und repariert fehlerhafte Ergebnisse nicht. Verwendet eine Anwendung erzeugte Felder oder Werkzeugargumente, sollte sie deren Struktur prüfen, bevor sie daraufhin handelt.
Der technische Bericht nennt lange Reasoning-Verläufe und redundante Selbstprüfung als praktische Einschränkungen. Eine Agentenaufgabe kann die Grenze von 128K erreichen, selbst wenn das ursprüngliche Quellenmaterial hineinpasst, weil sich Werkzeugausgaben und wiederholtes Reasoning ansammeln. Führen Sie eine knappe Aufzeichnung relevanter Beobachtungen und benennen Sie das endgültige Arbeitsergebnis ausdrücklich. Fügen Sie bei wissensabhängigen Aufgaben maßgebliches Material bei oder stellen Sie ein geeignetes Suchwerkzeug bereit, statt zu erwarten, dass Trainingswissen jeden Fakt festlegt.
DeepSeek V3.2 Speciale ist eine eigenständige Variante für tiefgehendes Schlussfolgern mit hohem Rechenaufwand und unterstützt laut Modellkarte keine Werkzeugaufrufe. Ihre Merkmale sollten nicht als Standard-Werkzeugprofil von V3.2 verwendet werden. Ebenso haben die spätere V4-Generation und der experimentelle Vorgänger eigene Identitäten und Konfigurationsmöglichkeiten. Behalten Sie die benannte V3.2-Edition bei, wenn Sie Aufgaben vergleichen, bei denen Modell und Prompt-Format eine Rolle spielen.
Kennzeichnen Sie für eine praktische quellenbasierte Analyse das Material und fordern Sie eine Schlussfolgerung an, die sich auf relevante Passagen stützt und Annahmen sowie fehlende Informationen gesondert ausweist. Geben Sie für einen Agenten die erlaubten Funktionen, das erwartete Endergebnis und das Abschlusskriterium an. So richten Sie den Reasoning- und Werkzeug-Workflow des Modells auf ein überprüfbares Text-, Code- oder Analyseergebnis aus, das mit den bereitgestellten Belegen verknüpft ist.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek-v3.2-thinking | 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 $0.00058 / 1K Tokens Ausgabe · Ausgabetoken $0.00086 / 1K Tokens Eingabe · Cache lesen $0 / 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-v3.2-thinking","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-v3.2-thinking", 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-v3.2-thinking
/chat/completions