DeepSeek V3 ist das ursprüngliche Mixture-of-Experts-Textmodell von DeepSeek für allgemeine Sprach-, Programmier- und Reasoning-Aufgaben. Es nimmt schriftliche Anweisungen und Textkontext entgegen und liefert eine Antwort, einen Entwurf, eine Erklärung oder Code. Die Modellkarte nennt insgesamt 671 Milliarden Parameter des Hauptmodells, von denen 37 Milliarden pro Token aktiv sind. Das benannte ursprüngliche V3 bleibt von V3-0324, V3.1 und V3.2 getrennt, deren Aktualisierungen jeweils eigene Funktionen und Promptprofile ergänzen.
Seine Architektur kombiniert Multi-head Latent Attention mit DeepSeekMoE. Latent Attention komprimiert die für Attention verwendeten Informationen, während eine spärliche Expertenauswahl nur einen Teil des Modells pro Token aktiviert. V3 führt ausserdem einen Lastausgleich ohne Hilfsverlust und ein Trainingsziel zur Vorhersage mehrerer Tokens ein. Das veröffentlichte Modellpaket enthält zusätzlich zum Hauptmodell mit 671 Milliarden Parametern ein separates Modul zur Vorhersage mehrerer Tokens mit 14 Milliarden Parametern. Das erklärt, warum die Gesamtgrösse eines Pakets von der Parameterzahl der Hauptmodellarchitektur abweichen kann.
DeepSeek trainiert V3 mit 14,8 Billionen Tokens vor und nutzt anschliessend überwachtes Feintuning und bestärkendes Lernen. Der Nachtrainingsprozess bringt Prüf- und Reflexionsmuster der R1-Familie in eine standardmässige Sprachmodellantwort ein und steuert dabei Ausgabestil und -länge. Das ist ein Beitrag des Trainings und unterscheidet sich von der Auswahl von R1 selbst oder der späteren hybriden Denkvorlage von V3.1. Bereiten Sie das benötigte endgültige Antwortformat vor, statt eine Reasoning-Darstellung aus einer anderen Edition anzunehmen.
Die Modelltabelle des Herstellers nennt sowohl für V3 Base als auch für die nachtrainierte V3-Edition einen Kontext von 128K. Dieser Kontext kann eine Frage mit umfangreichem Dokumenten- oder Codematerial verbinden; zugleich benötigen Gesprächsverlauf und Antwort Platz. Kennzeichnen Sie die Quellen und benennen Sie die relevante Frage. Ein Kontextfenster ist eine Kapazitätsgrenze, keine Aufforderung, sachfremdes Material einzureichen oder eine unnötig lange Antwort zu verlangen.
Stellen Sie für eine praktische Codeaufgabe die relevante Funktion, das erwartete Verhalten, wichtige Einschränkungen und die Eingabe bereit, die das Problem zeigt. Bitten Sie um einen Korrekturvorschlag und eine auf den bereitgestellten Code bezogene Erklärung. Geben Sie für eine Dokumentenanalyse benannte Abschnitte und klare Vergleichskriterien vor. Ein beispielhafter Auftrag lautet: «Extrahiere die Anforderungen, ermittle, welche dieser Vorschlag erfüllt, und zitiere für jede Feststellung die entsprechende Passage. Schliesse mit einer knappen Liste fehlender Details ab.»
Schreib- und Bearbeitungsaufgaben profitieren von einer ausdrücklich genannten Zielgruppe, Tonalität und einer Liste von Fakten, die erhalten bleiben müssen. Fordern Sie eine Zusammenfassung, Überarbeitung, Übersetzung oder Erklärung an und nennen Sie verbindliche Namen und Terminologie. Auch eine angeforderte Feldliste oder Antwort in JSON-Form ist generierter Inhalt, der geprüft werden muss; der Modellname allein qualifiziert weder den Mechanismus für strukturierte Ausgaben noch für Werkzeugausführung der umgebenden Anwendung. Stellt eine Anwendung Werkzeuge bereit, halten Sie jede zurückgegebene Beobachtung von der durch das Modell vorgeschlagenen Aktion getrennt.
Der Hersteller veröffentlicht FP8-Modellmaterial und beschreibt in seiner Referenz weitere Präzisions- oder Ausführungsoptionen. Diese Implementierungsentscheidungen sind von der quellenbezogenen Aufgabe getrennt und sollten nicht aus dem angezeigten Modellnamen abgeleitet werden. Die Modellausgabe kann Code sein, doch seine Erzeugung führt ihn nicht aus; eine Erklärung einer Quelle beweist nicht, dass eine externe Abfrage stattfand. Verwenden Sie tatsächliche Quellenpassagen und beobachtete Anwendungsergebnisse, wenn die Antwort diese Evidenz benötigt.
Definieren Sie für ein nützliches Ergebnis das endgültige Arbeitsergebnis und die Bedingungen, unter denen es vollständig ist. Halten Sie quellenbelegte Feststellungen, Annahmen und vorgeschlagene Änderungen getrennt und prüfen Sie anschliessend die generierte Antwort anhand des bereitgestellten Materials. Ein längeres Gespräch kann einen Teil des Entwurfs verfeinern und dabei akzeptierte Fakten und Einschränkungen bewahren. Das Arbeitsergebnis ist ein überprüfbares Text- oder Codeartefakt für die gestellte Aufgabe, das die ursprüngliche V3-Identität beibehält, statt stillschweigend Steuerungen einer späteren Edition zu übernehmen.
", "aboutText": "DeepSeek V3 ist das ursprüngliche Mixture-of-Experts-Textmodell von DeepSeek für allgemeine Sprach-, Programmier- und Reasoning-Aufgaben. Es nimmt schriftliche Anweisungen und Textkontext entgegen und liefert eine Antwort, einen Entwurf, eine Erklärung oder Code. Die Modellkarte nennt insgesamt 671 Milliarden Parameter des Hauptmodells, von denen 37 Milliarden pro Token aktiv sind. Das benannte ursprüngliche V3 bleibt von V3-0324, V3.1 und V3.2 getrennt, deren Aktualisierungen jeweils eigene Funktionen und Promptprofile ergänzen.\n\nSeine Architektur kombiniert Multi-head Latent Attention mit DeepSeekMoE. Latent Attention komprimiert die für Attention verwendeten Informationen, während eine spärliche Expertenauswahl nur einen Teil des Modells pro Token aktiviert. V3 führt ausserdem einen Lastausgleich ohne Hilfsverlust und ein Trainingsziel zur Vorhersage mehrerer Tokens ein. Das veröffentlichte Modellpaket enthält zusätzlich zum Hauptmodell mit 671 Milliarden Parametern ein separates Modul zur Vorhersage mehrerer Tokens mit 14 Milliarden Parametern. Das erklärt, warum die Gesamtgrösse eines Pakets von der Parameterzahl der Hauptmodellarchitektur abweichen kann.\n\nDeepSeek trainiert V3 mit 14,8 Billionen Tokens vor und nutzt anschliessend überwachtes Feintuning und bestärkendes Lernen. Der Nachtrainingsprozess bringt Prüf- und Reflexionsmuster der R1-Familie in eine standardmässige Sprachmodellantwort ein und steuert dabei Ausgabestil und -länge. Das ist ein Beitrag des Trainings und unterscheidet sich von der Auswahl von R1 selbst oder der späteren hybriden Denkvorlage von V3.1. Bereiten Sie das benötigte endgültige Antwortformat vor, statt eine Reasoning-Darstellung aus einer anderen Edition anzunehmen.\n\nDie Modelltabelle des Herstellers nennt sowohl für V3 Base als auch für die nachtrainierte V3-Edition einen Kontext von 128K. Dieser Kontext kann eine Frage mit umfangreichem Dokumenten- oder Codematerial verbinden; zugleich benötigen Gesprächsverlauf und Antwort Platz. Kennzeichnen Sie die Quellen und benennen Sie die relevante Frage. Ein Kontextfenster ist eine Kapazitätsgrenze, keine Aufforderung, sachfremdes Material einzureichen oder eine unnötig lange Antwort zu verlangen.\n\nStellen Sie für eine praktische Codeaufgabe die relevante Funktion, das erwartete Verhalten, wichtige Einschränkungen und die Eingabe bereit, die das Problem zeigt. Bitten Sie um einen Korrekturvorschlag und eine auf den bereitgestellten Code bezogene Erklärung. Geben Sie für eine Dokumentenanalyse benannte Abschnitte und klare Vergleichskriterien vor. Ein beispielhafter Auftrag lautet: «Extrahiere die Anforderungen, ermittle, welche dieser Vorschlag erfüllt, und zitiere für jede Feststellung die entsprechende Passage. Schliesse mit einer knappen Liste fehlender Details ab.»\n\nSchreib- und Bearbeitungsaufgaben profitieren von einer ausdrücklich genannten Zielgruppe, Tonalität und einer Liste von Fakten, die erhalten bleiben müssen. Fordern Sie eine Zusammenfassung, Überarbeitung, Übersetzung oder Erklärung an und nennen Sie verbindliche Namen und Terminologie. Auch eine angeforderte Feldliste oder Antwort in JSON-Form ist generierter Inhalt, der geprüft werden muss; der Modellname allein qualifiziert weder den Mechanismus für strukturierte Ausgaben noch für Werkzeugausführung der umgebenden Anwendung. Stellt eine Anwendung Werkzeuge bereit, halten Sie jede zurückgegebene Beobachtung von der durch das Modell vorgeschlagenen Aktion getrennt.\n\nDer Hersteller veröffentlicht FP8-Modellmaterial und beschreibt in seiner Referenz weitere Präzisions- oder Ausführungsoptionen. Diese Implementierungsentscheidungen sind von der quellenbezogenen Aufgabe getrennt und sollten nicht aus dem angezeigten Modellnamen abgeleitet werden. Die Modellausgabe kann Code sein, doch seine Erzeugung führt ihn nicht aus; eine Erklärung einer Quelle beweist nicht, dass eine externe Abfrage stattfand. Verwenden Sie tatsächliche Quellenpassagen und beobachtete Anwendungsergebnisse, wenn die Antwort diese Evidenz benötigt.\n\nDefinieren Sie für ein nützliches Ergebnis das endgültige Arbeitsergebnis und die Bedingungen, unter denen es vollständig ist. Halten Sie quellenbelegte Feststellungen, Annahmen und vorgeschlagene Änderungen getrennt und prüfen Sie anschliessend die generierte Antwort anhand des bereitgestellten Materials. Ein längeres Gespräch kann einen Teil des Entwurfs verfeinern und dabei akzeptierte Fakten und Einschränkungen bewahren. Das Arbeitsergebnis ist ein überprüfbares Text- oder Codeartefakt für die gestellte Aufgabe, das die ursprüngliche V3-Identität beibehält, statt stillschweigend Steuerungen einer späteren Edition zu übernehmen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "013ffb7dbed508259a8665722b6bb229584fd31b6869634374fc0a53adfbdf64", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "deepseek-chatDeepSeek V3 ist das ursprüngliche Textmodell von DeepSeek für Programmieren, Schreiben, Fragen und quellenbasierte Analyse. Seine Mixture-of-Experts-Architektur umfasst insgesamt 671 Milliarden Parameter, davon 37 Milliarden aktive. Das Modell bietet einen Kontext von 128K und wurde nachtrainiert, wobei Reasoning-Muster aus R1 einbezogen wurden.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek V3 ist das ursprüngliche Mixture-of-Experts-Textmodell von DeepSeek für allgemeine Sprach-, Programmier- und Reasoning-Aufgaben. Es nimmt schriftliche Anweisungen und Textkontext entgegen und liefert eine Antwort, einen Entwurf, eine Erklärung oder Code. Die Modellkarte nennt insgesamt 671 Milliarden Parameter des Hauptmodells, von denen 37 Milliarden pro Token aktiv sind. Das benannte ursprüngliche V3 bleibt von V3-0324, V3.1 und V3.2 getrennt, deren Aktualisierungen jeweils eigene Funktionen und Promptprofile ergänzen.
Seine Architektur kombiniert Multi-head Latent Attention mit DeepSeekMoE. Latent Attention komprimiert die für Attention verwendeten Informationen, während eine spärliche Expertenauswahl nur einen Teil des Modells pro Token aktiviert. V3 führt ausserdem einen Lastausgleich ohne Hilfsverlust und ein Trainingsziel zur Vorhersage mehrerer Tokens ein. Das veröffentlichte Modellpaket enthält zusätzlich zum Hauptmodell mit 671 Milliarden Parametern ein separates Modul zur Vorhersage mehrerer Tokens mit 14 Milliarden Parametern. Das erklärt, warum die Gesamtgrösse eines Pakets von der Parameterzahl der Hauptmodellarchitektur abweichen kann.
DeepSeek trainiert V3 mit 14,8 Billionen Tokens vor und nutzt anschliessend überwachtes Feintuning und bestärkendes Lernen. Der Nachtrainingsprozess bringt Prüf- und Reflexionsmuster der R1-Familie in eine standardmässige Sprachmodellantwort ein und steuert dabei Ausgabestil und -länge. Das ist ein Beitrag des Trainings und unterscheidet sich von der Auswahl von R1 selbst oder der späteren hybriden Denkvorlage von V3.1. Bereiten Sie das benötigte endgültige Antwortformat vor, statt eine Reasoning-Darstellung aus einer anderen Edition anzunehmen.
Die Modelltabelle des Herstellers nennt sowohl für V3 Base als auch für die nachtrainierte V3-Edition einen Kontext von 128K. Dieser Kontext kann eine Frage mit umfangreichem Dokumenten- oder Codematerial verbinden; zugleich benötigen Gesprächsverlauf und Antwort Platz. Kennzeichnen Sie die Quellen und benennen Sie die relevante Frage. Ein Kontextfenster ist eine Kapazitätsgrenze, keine Aufforderung, sachfremdes Material einzureichen oder eine unnötig lange Antwort zu verlangen.
Stellen Sie für eine praktische Codeaufgabe die relevante Funktion, das erwartete Verhalten, wichtige Einschränkungen und die Eingabe bereit, die das Problem zeigt. Bitten Sie um einen Korrekturvorschlag und eine auf den bereitgestellten Code bezogene Erklärung. Geben Sie für eine Dokumentenanalyse benannte Abschnitte und klare Vergleichskriterien vor. Ein beispielhafter Auftrag lautet: «Extrahiere die Anforderungen, ermittle, welche dieser Vorschlag erfüllt, und zitiere für jede Feststellung die entsprechende Passage. Schliesse mit einer knappen Liste fehlender Details ab.»
Schreib- und Bearbeitungsaufgaben profitieren von einer ausdrücklich genannten Zielgruppe, Tonalität und einer Liste von Fakten, die erhalten bleiben müssen. Fordern Sie eine Zusammenfassung, Überarbeitung, Übersetzung oder Erklärung an und nennen Sie verbindliche Namen und Terminologie. Auch eine angeforderte Feldliste oder Antwort in JSON-Form ist generierter Inhalt, der geprüft werden muss; der Modellname allein qualifiziert weder den Mechanismus für strukturierte Ausgaben noch für Werkzeugausführung der umgebenden Anwendung. Stellt eine Anwendung Werkzeuge bereit, halten Sie jede zurückgegebene Beobachtung von der durch das Modell vorgeschlagenen Aktion getrennt.
Der Hersteller veröffentlicht FP8-Modellmaterial und beschreibt in seiner Referenz weitere Präzisions- oder Ausführungsoptionen. Diese Implementierungsentscheidungen sind von der quellenbezogenen Aufgabe getrennt und sollten nicht aus dem angezeigten Modellnamen abgeleitet werden. Die Modellausgabe kann Code sein, doch seine Erzeugung führt ihn nicht aus; eine Erklärung einer Quelle beweist nicht, dass eine externe Abfrage stattfand. Verwenden Sie tatsächliche Quellenpassagen und beobachtete Anwendungsergebnisse, wenn die Antwort diese Evidenz benötigt.
Definieren Sie für ein nützliches Ergebnis das endgültige Arbeitsergebnis und die Bedingungen, unter denen es vollständig ist. Halten Sie quellenbelegte Feststellungen, Annahmen und vorgeschlagene Änderungen getrennt und prüfen Sie anschliessend die generierte Antwort anhand des bereitgestellten Materials. Ein längeres Gespräch kann einen Teil des Entwurfs verfeinern und dabei akzeptierte Fakten und Einschränkungen bewahren. Das Arbeitsergebnis ist ein überprüfbares Text- oder Codeartefakt für die gestellte Aufgabe, das die ursprüngliche V3-Identität beibehält, statt stillschweigend Steuerungen einer späteren Edition zu übernehmen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek-chat | 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 $0.00064 / 1K Tokens Ausgabe · Ausgabetoken $0.00178 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"deepseek-chat","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-chat", 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-chat, deepseek/deepseek-chat
/chat/completions
deepseek-chatDeepSeek V3 ist das ursprüngliche Textmodell von DeepSeek für Programmieren, Schreiben, Fragen und quellenbasierte Analyse. Seine Mixture-of-Experts-Architektur umfasst insgesamt 671 Milliarden Parameter, davon 37 Milliarden aktive. Das Modell bietet einen Kontext von 128K und wurde nachtrainiert, wobei Reasoning-Muster aus R1 einbezogen wurden.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek V3 ist das ursprüngliche Mixture-of-Experts-Textmodell von DeepSeek für allgemeine Sprach-, Programmier- und Reasoning-Aufgaben. Es nimmt schriftliche Anweisungen und Textkontext entgegen und liefert eine Antwort, einen Entwurf, eine Erklärung oder Code. Die Modellkarte nennt insgesamt 671 Milliarden Parameter des Hauptmodells, von denen 37 Milliarden pro Token aktiv sind. Das benannte ursprüngliche V3 bleibt von V3-0324, V3.1 und V3.2 getrennt, deren Aktualisierungen jeweils eigene Funktionen und Promptprofile ergänzen.
Seine Architektur kombiniert Multi-head Latent Attention mit DeepSeekMoE. Latent Attention komprimiert die für Attention verwendeten Informationen, während eine spärliche Expertenauswahl nur einen Teil des Modells pro Token aktiviert. V3 führt ausserdem einen Lastausgleich ohne Hilfsverlust und ein Trainingsziel zur Vorhersage mehrerer Tokens ein. Das veröffentlichte Modellpaket enthält zusätzlich zum Hauptmodell mit 671 Milliarden Parametern ein separates Modul zur Vorhersage mehrerer Tokens mit 14 Milliarden Parametern. Das erklärt, warum die Gesamtgrösse eines Pakets von der Parameterzahl der Hauptmodellarchitektur abweichen kann.
DeepSeek trainiert V3 mit 14,8 Billionen Tokens vor und nutzt anschliessend überwachtes Feintuning und bestärkendes Lernen. Der Nachtrainingsprozess bringt Prüf- und Reflexionsmuster der R1-Familie in eine standardmässige Sprachmodellantwort ein und steuert dabei Ausgabestil und -länge. Das ist ein Beitrag des Trainings und unterscheidet sich von der Auswahl von R1 selbst oder der späteren hybriden Denkvorlage von V3.1. Bereiten Sie das benötigte endgültige Antwortformat vor, statt eine Reasoning-Darstellung aus einer anderen Edition anzunehmen.
Die Modelltabelle des Herstellers nennt sowohl für V3 Base als auch für die nachtrainierte V3-Edition einen Kontext von 128K. Dieser Kontext kann eine Frage mit umfangreichem Dokumenten- oder Codematerial verbinden; zugleich benötigen Gesprächsverlauf und Antwort Platz. Kennzeichnen Sie die Quellen und benennen Sie die relevante Frage. Ein Kontextfenster ist eine Kapazitätsgrenze, keine Aufforderung, sachfremdes Material einzureichen oder eine unnötig lange Antwort zu verlangen.
Stellen Sie für eine praktische Codeaufgabe die relevante Funktion, das erwartete Verhalten, wichtige Einschränkungen und die Eingabe bereit, die das Problem zeigt. Bitten Sie um einen Korrekturvorschlag und eine auf den bereitgestellten Code bezogene Erklärung. Geben Sie für eine Dokumentenanalyse benannte Abschnitte und klare Vergleichskriterien vor. Ein beispielhafter Auftrag lautet: «Extrahiere die Anforderungen, ermittle, welche dieser Vorschlag erfüllt, und zitiere für jede Feststellung die entsprechende Passage. Schliesse mit einer knappen Liste fehlender Details ab.»
Schreib- und Bearbeitungsaufgaben profitieren von einer ausdrücklich genannten Zielgruppe, Tonalität und einer Liste von Fakten, die erhalten bleiben müssen. Fordern Sie eine Zusammenfassung, Überarbeitung, Übersetzung oder Erklärung an und nennen Sie verbindliche Namen und Terminologie. Auch eine angeforderte Feldliste oder Antwort in JSON-Form ist generierter Inhalt, der geprüft werden muss; der Modellname allein qualifiziert weder den Mechanismus für strukturierte Ausgaben noch für Werkzeugausführung der umgebenden Anwendung. Stellt eine Anwendung Werkzeuge bereit, halten Sie jede zurückgegebene Beobachtung von der durch das Modell vorgeschlagenen Aktion getrennt.
Der Hersteller veröffentlicht FP8-Modellmaterial und beschreibt in seiner Referenz weitere Präzisions- oder Ausführungsoptionen. Diese Implementierungsentscheidungen sind von der quellenbezogenen Aufgabe getrennt und sollten nicht aus dem angezeigten Modellnamen abgeleitet werden. Die Modellausgabe kann Code sein, doch seine Erzeugung führt ihn nicht aus; eine Erklärung einer Quelle beweist nicht, dass eine externe Abfrage stattfand. Verwenden Sie tatsächliche Quellenpassagen und beobachtete Anwendungsergebnisse, wenn die Antwort diese Evidenz benötigt.
Definieren Sie für ein nützliches Ergebnis das endgültige Arbeitsergebnis und die Bedingungen, unter denen es vollständig ist. Halten Sie quellenbelegte Feststellungen, Annahmen und vorgeschlagene Änderungen getrennt und prüfen Sie anschliessend die generierte Antwort anhand des bereitgestellten Materials. Ein längeres Gespräch kann einen Teil des Entwurfs verfeinern und dabei akzeptierte Fakten und Einschränkungen bewahren. Das Arbeitsergebnis ist ein überprüfbares Text- oder Codeartefakt für die gestellte Aufgabe, das die ursprüngliche V3-Identität beibehält, statt stillschweigend Steuerungen einer späteren Edition zu übernehmen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek-chat | 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 $0.00064 / 1K Tokens Ausgabe · Ausgabetoken $0.00178 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-chat', '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-chat', '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-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 ist das ursprüngliche Textmodell von DeepSeek für Programmieren, Schreiben, Fragen und quellenbasierte Analyse. Seine Mixture-of-Experts-Architektur umfasst insgesamt 671 Milliarden Parameter, davon 37 Milliarden aktive. Das Modell bietet einen Kontext von 128K und wurde nachtrainiert, wobei Reasoning-Muster aus R1 einbezogen wurden.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek V3 ist das ursprüngliche Mixture-of-Experts-Textmodell von DeepSeek für allgemeine Sprach-, Programmier- und Reasoning-Aufgaben. Es nimmt schriftliche Anweisungen und Textkontext entgegen und liefert eine Antwort, einen Entwurf, eine Erklärung oder Code. Die Modellkarte nennt insgesamt 671 Milliarden Parameter des Hauptmodells, von denen 37 Milliarden pro Token aktiv sind. Das benannte ursprüngliche V3 bleibt von V3-0324, V3.1 und V3.2 getrennt, deren Aktualisierungen jeweils eigene Funktionen und Promptprofile ergänzen.
Seine Architektur kombiniert Multi-head Latent Attention mit DeepSeekMoE. Latent Attention komprimiert die für Attention verwendeten Informationen, während eine spärliche Expertenauswahl nur einen Teil des Modells pro Token aktiviert. V3 führt ausserdem einen Lastausgleich ohne Hilfsverlust und ein Trainingsziel zur Vorhersage mehrerer Tokens ein. Das veröffentlichte Modellpaket enthält zusätzlich zum Hauptmodell mit 671 Milliarden Parametern ein separates Modul zur Vorhersage mehrerer Tokens mit 14 Milliarden Parametern. Das erklärt, warum die Gesamtgrösse eines Pakets von der Parameterzahl der Hauptmodellarchitektur abweichen kann.
DeepSeek trainiert V3 mit 14,8 Billionen Tokens vor und nutzt anschliessend überwachtes Feintuning und bestärkendes Lernen. Der Nachtrainingsprozess bringt Prüf- und Reflexionsmuster der R1-Familie in eine standardmässige Sprachmodellantwort ein und steuert dabei Ausgabestil und -länge. Das ist ein Beitrag des Trainings und unterscheidet sich von der Auswahl von R1 selbst oder der späteren hybriden Denkvorlage von V3.1. Bereiten Sie das benötigte endgültige Antwortformat vor, statt eine Reasoning-Darstellung aus einer anderen Edition anzunehmen.
Die Modelltabelle des Herstellers nennt sowohl für V3 Base als auch für die nachtrainierte V3-Edition einen Kontext von 128K. Dieser Kontext kann eine Frage mit umfangreichem Dokumenten- oder Codematerial verbinden; zugleich benötigen Gesprächsverlauf und Antwort Platz. Kennzeichnen Sie die Quellen und benennen Sie die relevante Frage. Ein Kontextfenster ist eine Kapazitätsgrenze, keine Aufforderung, sachfremdes Material einzureichen oder eine unnötig lange Antwort zu verlangen.
Stellen Sie für eine praktische Codeaufgabe die relevante Funktion, das erwartete Verhalten, wichtige Einschränkungen und die Eingabe bereit, die das Problem zeigt. Bitten Sie um einen Korrekturvorschlag und eine auf den bereitgestellten Code bezogene Erklärung. Geben Sie für eine Dokumentenanalyse benannte Abschnitte und klare Vergleichskriterien vor. Ein beispielhafter Auftrag lautet: «Extrahiere die Anforderungen, ermittle, welche dieser Vorschlag erfüllt, und zitiere für jede Feststellung die entsprechende Passage. Schliesse mit einer knappen Liste fehlender Details ab.»
Schreib- und Bearbeitungsaufgaben profitieren von einer ausdrücklich genannten Zielgruppe, Tonalität und einer Liste von Fakten, die erhalten bleiben müssen. Fordern Sie eine Zusammenfassung, Überarbeitung, Übersetzung oder Erklärung an und nennen Sie verbindliche Namen und Terminologie. Auch eine angeforderte Feldliste oder Antwort in JSON-Form ist generierter Inhalt, der geprüft werden muss; der Modellname allein qualifiziert weder den Mechanismus für strukturierte Ausgaben noch für Werkzeugausführung der umgebenden Anwendung. Stellt eine Anwendung Werkzeuge bereit, halten Sie jede zurückgegebene Beobachtung von der durch das Modell vorgeschlagenen Aktion getrennt.
Der Hersteller veröffentlicht FP8-Modellmaterial und beschreibt in seiner Referenz weitere Präzisions- oder Ausführungsoptionen. Diese Implementierungsentscheidungen sind von der quellenbezogenen Aufgabe getrennt und sollten nicht aus dem angezeigten Modellnamen abgeleitet werden. Die Modellausgabe kann Code sein, doch seine Erzeugung führt ihn nicht aus; eine Erklärung einer Quelle beweist nicht, dass eine externe Abfrage stattfand. Verwenden Sie tatsächliche Quellenpassagen und beobachtete Anwendungsergebnisse, wenn die Antwort diese Evidenz benötigt.
Definieren Sie für ein nützliches Ergebnis das endgültige Arbeitsergebnis und die Bedingungen, unter denen es vollständig ist. Halten Sie quellenbelegte Feststellungen, Annahmen und vorgeschlagene Änderungen getrennt und prüfen Sie anschliessend die generierte Antwort anhand des bereitgestellten Materials. Ein längeres Gespräch kann einen Teil des Entwurfs verfeinern und dabei akzeptierte Fakten und Einschränkungen bewahren. Das Arbeitsergebnis ist ein überprüfbares Text- oder Codeartefakt für die gestellte Aufgabe, das die ursprüngliche V3-Identität beibehält, statt stillschweigend Steuerungen einer späteren Edition zu übernehmen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek/deepseek-chat | 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 $0.00064 / 1K Tokens Ausgabe · Ausgabetoken $0.00178 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"deepseek/deepseek-chat","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-chat", 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-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 ist das ursprüngliche Textmodell von DeepSeek für Programmieren, Schreiben, Fragen und quellenbasierte Analyse. Seine Mixture-of-Experts-Architektur umfasst insgesamt 671 Milliarden Parameter, davon 37 Milliarden aktive. Das Modell bietet einen Kontext von 128K und wurde nachtrainiert, wobei Reasoning-Muster aus R1 einbezogen wurden.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek V3 ist das ursprüngliche Mixture-of-Experts-Textmodell von DeepSeek für allgemeine Sprach-, Programmier- und Reasoning-Aufgaben. Es nimmt schriftliche Anweisungen und Textkontext entgegen und liefert eine Antwort, einen Entwurf, eine Erklärung oder Code. Die Modellkarte nennt insgesamt 671 Milliarden Parameter des Hauptmodells, von denen 37 Milliarden pro Token aktiv sind. Das benannte ursprüngliche V3 bleibt von V3-0324, V3.1 und V3.2 getrennt, deren Aktualisierungen jeweils eigene Funktionen und Promptprofile ergänzen.
Seine Architektur kombiniert Multi-head Latent Attention mit DeepSeekMoE. Latent Attention komprimiert die für Attention verwendeten Informationen, während eine spärliche Expertenauswahl nur einen Teil des Modells pro Token aktiviert. V3 führt ausserdem einen Lastausgleich ohne Hilfsverlust und ein Trainingsziel zur Vorhersage mehrerer Tokens ein. Das veröffentlichte Modellpaket enthält zusätzlich zum Hauptmodell mit 671 Milliarden Parametern ein separates Modul zur Vorhersage mehrerer Tokens mit 14 Milliarden Parametern. Das erklärt, warum die Gesamtgrösse eines Pakets von der Parameterzahl der Hauptmodellarchitektur abweichen kann.
DeepSeek trainiert V3 mit 14,8 Billionen Tokens vor und nutzt anschliessend überwachtes Feintuning und bestärkendes Lernen. Der Nachtrainingsprozess bringt Prüf- und Reflexionsmuster der R1-Familie in eine standardmässige Sprachmodellantwort ein und steuert dabei Ausgabestil und -länge. Das ist ein Beitrag des Trainings und unterscheidet sich von der Auswahl von R1 selbst oder der späteren hybriden Denkvorlage von V3.1. Bereiten Sie das benötigte endgültige Antwortformat vor, statt eine Reasoning-Darstellung aus einer anderen Edition anzunehmen.
Die Modelltabelle des Herstellers nennt sowohl für V3 Base als auch für die nachtrainierte V3-Edition einen Kontext von 128K. Dieser Kontext kann eine Frage mit umfangreichem Dokumenten- oder Codematerial verbinden; zugleich benötigen Gesprächsverlauf und Antwort Platz. Kennzeichnen Sie die Quellen und benennen Sie die relevante Frage. Ein Kontextfenster ist eine Kapazitätsgrenze, keine Aufforderung, sachfremdes Material einzureichen oder eine unnötig lange Antwort zu verlangen.
Stellen Sie für eine praktische Codeaufgabe die relevante Funktion, das erwartete Verhalten, wichtige Einschränkungen und die Eingabe bereit, die das Problem zeigt. Bitten Sie um einen Korrekturvorschlag und eine auf den bereitgestellten Code bezogene Erklärung. Geben Sie für eine Dokumentenanalyse benannte Abschnitte und klare Vergleichskriterien vor. Ein beispielhafter Auftrag lautet: «Extrahiere die Anforderungen, ermittle, welche dieser Vorschlag erfüllt, und zitiere für jede Feststellung die entsprechende Passage. Schliesse mit einer knappen Liste fehlender Details ab.»
Schreib- und Bearbeitungsaufgaben profitieren von einer ausdrücklich genannten Zielgruppe, Tonalität und einer Liste von Fakten, die erhalten bleiben müssen. Fordern Sie eine Zusammenfassung, Überarbeitung, Übersetzung oder Erklärung an und nennen Sie verbindliche Namen und Terminologie. Auch eine angeforderte Feldliste oder Antwort in JSON-Form ist generierter Inhalt, der geprüft werden muss; der Modellname allein qualifiziert weder den Mechanismus für strukturierte Ausgaben noch für Werkzeugausführung der umgebenden Anwendung. Stellt eine Anwendung Werkzeuge bereit, halten Sie jede zurückgegebene Beobachtung von der durch das Modell vorgeschlagenen Aktion getrennt.
Der Hersteller veröffentlicht FP8-Modellmaterial und beschreibt in seiner Referenz weitere Präzisions- oder Ausführungsoptionen. Diese Implementierungsentscheidungen sind von der quellenbezogenen Aufgabe getrennt und sollten nicht aus dem angezeigten Modellnamen abgeleitet werden. Die Modellausgabe kann Code sein, doch seine Erzeugung führt ihn nicht aus; eine Erklärung einer Quelle beweist nicht, dass eine externe Abfrage stattfand. Verwenden Sie tatsächliche Quellenpassagen und beobachtete Anwendungsergebnisse, wenn die Antwort diese Evidenz benötigt.
Definieren Sie für ein nützliches Ergebnis das endgültige Arbeitsergebnis und die Bedingungen, unter denen es vollständig ist. Halten Sie quellenbelegte Feststellungen, Annahmen und vorgeschlagene Änderungen getrennt und prüfen Sie anschliessend die generierte Antwort anhand des bereitgestellten Materials. Ein längeres Gespräch kann einen Teil des Entwurfs verfeinern und dabei akzeptierte Fakten und Einschränkungen bewahren. Das Arbeitsergebnis ist ein überprüfbares Text- oder Codeartefakt für die gestellte Aufgabe, das die ursprüngliche V3-Identität beibehält, statt stillschweigend Steuerungen einer späteren Edition zu übernehmen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek/deepseek-chat | 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 $0.00064 / 1K Tokens Ausgabe · Ausgabetoken $0.00178 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "deepseek/deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-chat', '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-chat', '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-chat, deepseek/deepseek-chat
/chat/completions