DeepSeek V3.1 Terminus ist die Aktualisierung von DeepSeek für das Textmodellprofil V3.1. Es behält die ursprünglichen Fähigkeiten bei und adressiert unerwünschte chinesisch-englische Sprachmischung, gelegentliche ungewöhnliche Zeichen und das Verhalten von Code- und Suchagenten. Die Eingabe besteht aus einer schriftlichen Aufgabe und Quellenkontext; die Ausgabe ist Text, der eine Erklärung, einen Codevorschlag oder agentenbezogene Inhalte umfassen kann. Die benannte Terminus-Edition bleibt vom ursprünglichen V3.1 und den späteren Sparse-Attention-Versionen getrennt.
Das übernommene V3.1-Profil ist hybrid: Ein Modell kann über seine Chatvorlage im Denkmodus oder ohne Denkmodus antworten. Die veröffentlichte Modelltabelle von V3.1 nennt insgesamt 671 Milliarden Parameter, 37 Milliarden aktive Parameter und einen Kontext von 128K. Terminus beschreibt dieselbe Modellstruktur wie V3 und verweist für die Gesprächsvorlage ausserhalb seines überarbeiteten Suchagentenablaufs auf V3.1. Diese Referenzen verbinden die Aktualisierung mit der zugrunde liegenden Familie und bewahren zugleich ihre eigenen Änderungen.
Für einen direkt antwortenden Programmierassistenten unterstützt die übernommene Vorlage im Modus ohne Denken standardmässige Werkzeugaufrufe mit benannten Funktionen und JSON-Argumenten auf Grundlage der bereitgestellten Werkzeugdefinitionen. Das Modell schlägt die Operation vor, die Anwendung führt sie aus und gibt die Beobachtung zurück. Die Suche im Denkmodus folgt einem spezialisierten Suchagentenformat. Terminus aktualisiert diese Suchvorlage und den Werkzeugsatz. Der Suchverlauf sollte deshalb die Terminus-Referenz nutzen statt einer sachfremden Vorlage aus einer anderen Version.
Sprachkonsistenz ist ein praktischer Unterschied dieser Edition. Legen Sie für eine chinesische oder englische Dokumentenaufgabe die Antwortsprache, die Begriffe mit beizubehaltender Originalschreibweise und die zu verwendenden Quellenpassagen fest. Ein beispielhafter Auftrag lautet: «Verfasse die Erklärung auf Englisch, bewahre die bereitgestellten Variablennamen und übersetze die API-Feldnamen nicht. Stütze jede Feststellung auf die vorgegebene Spezifikation.» Die Aktualisierung richtet sich gegen unerwünschte Sprachwechsel; Ihr Auftrag legt weiterhin fest, welches gemischtsprachige Material beabsichtigt ist.
Das Modell kann für Fragen, die externe oder aktuelle Informationen erfordern, ein vom Nutzer bereitgestelltes Suchwerkzeug verwenden. Geben Sie Recherchefrage, Kriterien für nützliche Quellen und das endgültige Arbeitsergebnis vor. Eine Programmieraufgabe sollte das relevante Fragment, das beobachtete Verhalten und das erwartete Ergebnis enthalten. Ordnen Sie Werkzeugrückgaben weiterhin der Operation zu, aus der sie entstanden sind, und bitten Sie die endgültige Antwort, die Evidenz hinter einer vorgeschlagenen Änderung oder Schlussfolgerung zu nennen.
Der Hersteller hält ein checkpointspezifisches Präzisionsdetail fest: Die Parameter der Attention-Ausgabeprojektion entsprechen nicht dem UE8M0-FP8-Skalierungsformat der V3.1-Version. Das betrifft die Referenzimplementierung und ist keine Änderung an Sprache, Modalität oder Antwortformat der Aufgabe. Es ist ein Grund, Terminus als eigene Edition zu bewahren und nicht alle V3.1-Checkpoints als identische Präzisionsprofile zu behandeln.
Planen Sie bei längeren Aufgaben Quellenmaterial, Gespräch und generierte Antwort innerhalb des Familienkontexts von 128K ein. Kennzeichnen Sie Dokumentenabschnitte und Codefragmente, damit sich ein Ergebnis auf die richtige Evidenz zurückbeziehen kann. Definieren Sie bei einer mehrstufigen Aufgabe die zulässigen Aktionen, das erforderliche Arbeitsergebnis und das Abschlusskriterium. Das nützliche Ergebnis ist eine konsistente Textantwort, ein Codevorschlag oder eine quellenbelegte Analyse, die anhand der Eingabe und der tatsächlichen Werkzeugbeobachtungen geprüft werden kann.
", "aboutText": "DeepSeek V3.1 Terminus ist die Aktualisierung von DeepSeek für das Textmodellprofil V3.1. Es behält die ursprünglichen Fähigkeiten bei und adressiert unerwünschte chinesisch-englische Sprachmischung, gelegentliche ungewöhnliche Zeichen und das Verhalten von Code- und Suchagenten. Die Eingabe besteht aus einer schriftlichen Aufgabe und Quellenkontext; die Ausgabe ist Text, der eine Erklärung, einen Codevorschlag oder agentenbezogene Inhalte umfassen kann. Die benannte Terminus-Edition bleibt vom ursprünglichen V3.1 und den späteren Sparse-Attention-Versionen getrennt.\n\nDas übernommene V3.1-Profil ist hybrid: Ein Modell kann über seine Chatvorlage im Denkmodus oder ohne Denkmodus antworten. Die veröffentlichte Modelltabelle von V3.1 nennt insgesamt 671 Milliarden Parameter, 37 Milliarden aktive Parameter und einen Kontext von 128K. Terminus beschreibt dieselbe Modellstruktur wie V3 und verweist für die Gesprächsvorlage ausserhalb seines überarbeiteten Suchagentenablaufs auf V3.1. Diese Referenzen verbinden die Aktualisierung mit der zugrunde liegenden Familie und bewahren zugleich ihre eigenen Änderungen.\n\nFür einen direkt antwortenden Programmierassistenten unterstützt die übernommene Vorlage im Modus ohne Denken standardmässige Werkzeugaufrufe mit benannten Funktionen und JSON-Argumenten auf Grundlage der bereitgestellten Werkzeugdefinitionen. Das Modell schlägt die Operation vor, die Anwendung führt sie aus und gibt die Beobachtung zurück. Die Suche im Denkmodus folgt einem spezialisierten Suchagentenformat. Terminus aktualisiert diese Suchvorlage und den Werkzeugsatz. Der Suchverlauf sollte deshalb die Terminus-Referenz nutzen statt einer sachfremden Vorlage aus einer anderen Version.\n\nSprachkonsistenz ist ein praktischer Unterschied dieser Edition. Legen Sie für eine chinesische oder englische Dokumentenaufgabe die Antwortsprache, die Begriffe mit beizubehaltender Originalschreibweise und die zu verwendenden Quellenpassagen fest. Ein beispielhafter Auftrag lautet: «Verfasse die Erklärung auf Englisch, bewahre die bereitgestellten Variablennamen und übersetze die API-Feldnamen nicht. Stütze jede Feststellung auf die vorgegebene Spezifikation.» Die Aktualisierung richtet sich gegen unerwünschte Sprachwechsel; Ihr Auftrag legt weiterhin fest, welches gemischtsprachige Material beabsichtigt ist.\n\nDas Modell kann für Fragen, die externe oder aktuelle Informationen erfordern, ein vom Nutzer bereitgestelltes Suchwerkzeug verwenden. Geben Sie Recherchefrage, Kriterien für nützliche Quellen und das endgültige Arbeitsergebnis vor. Eine Programmieraufgabe sollte das relevante Fragment, das beobachtete Verhalten und das erwartete Ergebnis enthalten. Ordnen Sie Werkzeugrückgaben weiterhin der Operation zu, aus der sie entstanden sind, und bitten Sie die endgültige Antwort, die Evidenz hinter einer vorgeschlagenen Änderung oder Schlussfolgerung zu nennen.\n\nDer Hersteller hält ein checkpointspezifisches Präzisionsdetail fest: Die Parameter der Attention-Ausgabeprojektion entsprechen nicht dem UE8M0-FP8-Skalierungsformat der V3.1-Version. Das betrifft die Referenzimplementierung und ist keine Änderung an Sprache, Modalität oder Antwortformat der Aufgabe. Es ist ein Grund, Terminus als eigene Edition zu bewahren und nicht alle V3.1-Checkpoints als identische Präzisionsprofile zu behandeln.\n\nPlanen Sie bei längeren Aufgaben Quellenmaterial, Gespräch und generierte Antwort innerhalb des Familienkontexts von 128K ein. Kennzeichnen Sie Dokumentenabschnitte und Codefragmente, damit sich ein Ergebnis auf die richtige Evidenz zurückbeziehen kann. Definieren Sie bei einer mehrstufigen Aufgabe die zulässigen Aktionen, das erforderliche Arbeitsergebnis und das Abschlusskriterium. Das nützliche Ergebnis ist eine konsistente Textantwort, ein Codevorschlag oder eine quellenbelegte Analyse, die anhand der Eingabe und der tatsächlichen Werkzeugbeobachtungen geprüft werden kann.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Explain a field rule in English\n\nWrite an English explanation of this validation rule for an integration guide: "retry_count must be a nonnegative integer; retry_after_ms may be omitted; when present, it must be a positive integer." Preserve the field names exactly. Add one valid and one invalid example as plain text, explaining the invalid field without translating identifiers.An English paragraph plus two labelled examples and a specific validation explanation.Check that retry_count accepts zero while retry_after_ms does not.deepseek/deepseek-v3.1-terminusDeepSeek V3.1 Terminus verbessert die Sprachkonsistenz und das Verhalten von Code- und Suchagenten des Textmodells V3.1. Es behält das hybride Profil mit Denkmodus und direkten Antworten sowie einen Kontext von 128K bei; seine aktualisierte Suchagentenvorlage bleibt von späteren V3.2-Formaten getrennt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek V3.1 Terminus ist die Aktualisierung von DeepSeek für das Textmodellprofil V3.1. Es behält die ursprünglichen Fähigkeiten bei und adressiert unerwünschte chinesisch-englische Sprachmischung, gelegentliche ungewöhnliche Zeichen und das Verhalten von Code- und Suchagenten. Die Eingabe besteht aus einer schriftlichen Aufgabe und Quellenkontext; die Ausgabe ist Text, der eine Erklärung, einen Codevorschlag oder agentenbezogene Inhalte umfassen kann. Die benannte Terminus-Edition bleibt vom ursprünglichen V3.1 und den späteren Sparse-Attention-Versionen getrennt.
Das übernommene V3.1-Profil ist hybrid: Ein Modell kann über seine Chatvorlage im Denkmodus oder ohne Denkmodus antworten. Die veröffentlichte Modelltabelle von V3.1 nennt insgesamt 671 Milliarden Parameter, 37 Milliarden aktive Parameter und einen Kontext von 128K. Terminus beschreibt dieselbe Modellstruktur wie V3 und verweist für die Gesprächsvorlage ausserhalb seines überarbeiteten Suchagentenablaufs auf V3.1. Diese Referenzen verbinden die Aktualisierung mit der zugrunde liegenden Familie und bewahren zugleich ihre eigenen Änderungen.
Für einen direkt antwortenden Programmierassistenten unterstützt die übernommene Vorlage im Modus ohne Denken standardmässige Werkzeugaufrufe mit benannten Funktionen und JSON-Argumenten auf Grundlage der bereitgestellten Werkzeugdefinitionen. Das Modell schlägt die Operation vor, die Anwendung führt sie aus und gibt die Beobachtung zurück. Die Suche im Denkmodus folgt einem spezialisierten Suchagentenformat. Terminus aktualisiert diese Suchvorlage und den Werkzeugsatz. Der Suchverlauf sollte deshalb die Terminus-Referenz nutzen statt einer sachfremden Vorlage aus einer anderen Version.
Sprachkonsistenz ist ein praktischer Unterschied dieser Edition. Legen Sie für eine chinesische oder englische Dokumentenaufgabe die Antwortsprache, die Begriffe mit beizubehaltender Originalschreibweise und die zu verwendenden Quellenpassagen fest. Ein beispielhafter Auftrag lautet: «Verfasse die Erklärung auf Englisch, bewahre die bereitgestellten Variablennamen und übersetze die API-Feldnamen nicht. Stütze jede Feststellung auf die vorgegebene Spezifikation.» Die Aktualisierung richtet sich gegen unerwünschte Sprachwechsel; Ihr Auftrag legt weiterhin fest, welches gemischtsprachige Material beabsichtigt ist.
Das Modell kann für Fragen, die externe oder aktuelle Informationen erfordern, ein vom Nutzer bereitgestelltes Suchwerkzeug verwenden. Geben Sie Recherchefrage, Kriterien für nützliche Quellen und das endgültige Arbeitsergebnis vor. Eine Programmieraufgabe sollte das relevante Fragment, das beobachtete Verhalten und das erwartete Ergebnis enthalten. Ordnen Sie Werkzeugrückgaben weiterhin der Operation zu, aus der sie entstanden sind, und bitten Sie die endgültige Antwort, die Evidenz hinter einer vorgeschlagenen Änderung oder Schlussfolgerung zu nennen.
Der Hersteller hält ein checkpointspezifisches Präzisionsdetail fest: Die Parameter der Attention-Ausgabeprojektion entsprechen nicht dem UE8M0-FP8-Skalierungsformat der V3.1-Version. Das betrifft die Referenzimplementierung und ist keine Änderung an Sprache, Modalität oder Antwortformat der Aufgabe. Es ist ein Grund, Terminus als eigene Edition zu bewahren und nicht alle V3.1-Checkpoints als identische Präzisionsprofile zu behandeln.
Planen Sie bei längeren Aufgaben Quellenmaterial, Gespräch und generierte Antwort innerhalb des Familienkontexts von 128K ein. Kennzeichnen Sie Dokumentenabschnitte und Codefragmente, damit sich ein Ergebnis auf die richtige Evidenz zurückbeziehen kann. Definieren Sie bei einer mehrstufigen Aufgabe die zulässigen Aktionen, das erforderliche Arbeitsergebnis und das Abschlusskriterium. Das nützliche Ergebnis ist eine konsistente Textantwort, ein Codevorschlag oder eine quellenbelegte Analyse, die anhand der Eingabe und der tatsächlichen Werkzeugbeobachtungen geprüft werden kann.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek/deepseek-v3.1-terminus | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.001144 / 1K Tokens Ausgabe · Ausgabetoken $0.00343 / 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-v3.1-terminus", "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-v3.1-terminus',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-v3.1-terminus',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-v3.1-terminus
Verwenden Sie die oben angezeigten Methodenpfade.
deepseek/deepseek-v3.1-terminusDeepSeek V3.1 Terminus verbessert die Sprachkonsistenz und das Verhalten von Code- und Suchagenten des Textmodells V3.1. Es behält das hybride Profil mit Denkmodus und direkten Antworten sowie einen Kontext von 128K bei; seine aktualisierte Suchagentenvorlage bleibt von späteren V3.2-Formaten getrennt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek V3.1 Terminus ist die Aktualisierung von DeepSeek für das Textmodellprofil V3.1. Es behält die ursprünglichen Fähigkeiten bei und adressiert unerwünschte chinesisch-englische Sprachmischung, gelegentliche ungewöhnliche Zeichen und das Verhalten von Code- und Suchagenten. Die Eingabe besteht aus einer schriftlichen Aufgabe und Quellenkontext; die Ausgabe ist Text, der eine Erklärung, einen Codevorschlag oder agentenbezogene Inhalte umfassen kann. Die benannte Terminus-Edition bleibt vom ursprünglichen V3.1 und den späteren Sparse-Attention-Versionen getrennt.
Das übernommene V3.1-Profil ist hybrid: Ein Modell kann über seine Chatvorlage im Denkmodus oder ohne Denkmodus antworten. Die veröffentlichte Modelltabelle von V3.1 nennt insgesamt 671 Milliarden Parameter, 37 Milliarden aktive Parameter und einen Kontext von 128K. Terminus beschreibt dieselbe Modellstruktur wie V3 und verweist für die Gesprächsvorlage ausserhalb seines überarbeiteten Suchagentenablaufs auf V3.1. Diese Referenzen verbinden die Aktualisierung mit der zugrunde liegenden Familie und bewahren zugleich ihre eigenen Änderungen.
Für einen direkt antwortenden Programmierassistenten unterstützt die übernommene Vorlage im Modus ohne Denken standardmässige Werkzeugaufrufe mit benannten Funktionen und JSON-Argumenten auf Grundlage der bereitgestellten Werkzeugdefinitionen. Das Modell schlägt die Operation vor, die Anwendung führt sie aus und gibt die Beobachtung zurück. Die Suche im Denkmodus folgt einem spezialisierten Suchagentenformat. Terminus aktualisiert diese Suchvorlage und den Werkzeugsatz. Der Suchverlauf sollte deshalb die Terminus-Referenz nutzen statt einer sachfremden Vorlage aus einer anderen Version.
Sprachkonsistenz ist ein praktischer Unterschied dieser Edition. Legen Sie für eine chinesische oder englische Dokumentenaufgabe die Antwortsprache, die Begriffe mit beizubehaltender Originalschreibweise und die zu verwendenden Quellenpassagen fest. Ein beispielhafter Auftrag lautet: «Verfasse die Erklärung auf Englisch, bewahre die bereitgestellten Variablennamen und übersetze die API-Feldnamen nicht. Stütze jede Feststellung auf die vorgegebene Spezifikation.» Die Aktualisierung richtet sich gegen unerwünschte Sprachwechsel; Ihr Auftrag legt weiterhin fest, welches gemischtsprachige Material beabsichtigt ist.
Das Modell kann für Fragen, die externe oder aktuelle Informationen erfordern, ein vom Nutzer bereitgestelltes Suchwerkzeug verwenden. Geben Sie Recherchefrage, Kriterien für nützliche Quellen und das endgültige Arbeitsergebnis vor. Eine Programmieraufgabe sollte das relevante Fragment, das beobachtete Verhalten und das erwartete Ergebnis enthalten. Ordnen Sie Werkzeugrückgaben weiterhin der Operation zu, aus der sie entstanden sind, und bitten Sie die endgültige Antwort, die Evidenz hinter einer vorgeschlagenen Änderung oder Schlussfolgerung zu nennen.
Der Hersteller hält ein checkpointspezifisches Präzisionsdetail fest: Die Parameter der Attention-Ausgabeprojektion entsprechen nicht dem UE8M0-FP8-Skalierungsformat der V3.1-Version. Das betrifft die Referenzimplementierung und ist keine Änderung an Sprache, Modalität oder Antwortformat der Aufgabe. Es ist ein Grund, Terminus als eigene Edition zu bewahren und nicht alle V3.1-Checkpoints als identische Präzisionsprofile zu behandeln.
Planen Sie bei längeren Aufgaben Quellenmaterial, Gespräch und generierte Antwort innerhalb des Familienkontexts von 128K ein. Kennzeichnen Sie Dokumentenabschnitte und Codefragmente, damit sich ein Ergebnis auf die richtige Evidenz zurückbeziehen kann. Definieren Sie bei einer mehrstufigen Aufgabe die zulässigen Aktionen, das erforderliche Arbeitsergebnis und das Abschlusskriterium. Das nützliche Ergebnis ist eine konsistente Textantwort, ein Codevorschlag oder eine quellenbelegte Analyse, die anhand der Eingabe und der tatsächlichen Werkzeugbeobachtungen geprüft werden kann.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek/deepseek-v3.1-terminus | 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 $0.001144 / 1K Tokens Ausgabe · Ausgabetoken $0.00343 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "deepseek/deepseek-v3.1-terminus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-v3.1-terminus', '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-v3.1-terminus', '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-v3.1-terminus
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Explain a field rule in English\n\nWrite an English explanation of this validation rule for an integration guide: "retry_count must be a nonnegative integer; retry_after_ms may be omitted; when present, it must be a positive integer." Preserve the field names exactly. Add one valid and one invalid example as plain text, explaining the invalid field without translating identifiers.An English paragraph plus two labelled examples and a specific validation explanation.Check that retry_count accepts zero while retry_after_ms does not.