DeepSeek V3.2 ist das Textmodell von DeepSeek für Reasoning und Agentenarbeit mit Schwerpunkt auf effizienter Verarbeitung langer Kontexte. Der Hersteller gliedert seine wesentlichen Änderungen in DeepSeek Sparse Attention, ein skaliertes Framework für bestärkendes Lernen und eine Pipeline zum Training agentischer Aufgaben. Es nimmt schriftliche Fragen und Kontext entgegen und erzeugt Text, darunter eine Antwort, Code oder Inhalte für Werkzeugaufrufe. Es unterscheidet sich von der früheren Version V3.2 Exp und der separaten Reasoning-Variante Speciale.
DeepSeek Sparse Attention ergänzt die Latent-Attention-Architektur um einen Indexer und eine feingranulare Tokenauswahl. Bei einer langen Sequenz wählt der Indexer frühere Tokeninformationen aus, die in der eigentlichen Attention-Berechnung verwendet werden. Laut Bericht ist dies die architektonische Änderung gegenüber V3.1 Terminus; sie nutzt dieselbe Architektur wie V3.2 Exp. Der veröffentlichte Kontext umfasst 128K Tokens und unterstützt damit umfangreiches Quellenmaterial und eine fortlaufende Aufgabe. Generiertes Reasoning und Werkzeugverlauf beanspruchen allerdings ebenfalls den verfügbaren Kontext.
Das Nachtraining umfasst Antworten mit und ohne Denkmodus in Mathematik, Programmieren, logischem Schlussfolgern, allgemeinen Agentenaufgaben, agentischem Programmieren und Suche. Fachspezialisten liefern Daten, die im endgültigen Modell zusammengeführt werden; darauf folgt gemischtes bestärkendes Lernen. Für eine gewöhnliche Frage kann eine direkte Antwort angemessen sein; bei einem schwierigen Problem kann der Denkablauf eine Lösung entwickeln, bevor er das endgültige Ergebnis vorlegt. Legen Sie die erforderliche Antwort oder das Arbeitsergebnis unabhängig vom zwischenzeitlichen Reasoning fest.
Eine wesentliche Änderung dieser Edition ist das Denken mit Werkzeugen. Das aktualisierte Chatformat erlaubt, das Reasoning während einer Aufgabe mit Werkzeugaufrufen fortzusetzen, statt Analyse und Aktion als unverbundene Phasen zu behandeln. Eine vom Modell ausgewählte Operation wird von der Anwendung ausgeführt, die ihr Ergebnis für den nächsten Schritt zurückgibt. Die Werkzeugkontextregel des Herstellers behält früheres Reasoning bei, solange nur werkzeugbezogene Nachrichten hinzukommen; bei einer neuen Nutzernachricht verwirft sie dieses Reasoning, bewahrt aber Werkzeugaufrufe und Ergebnisse. Korrekt unterschiedene Gesprächsrollen sind für dieses Verhalten wichtig.
Stellen Sie bei Programmieraufgaben das Quellfragment oder die relevanten Dateien, das beobachtete Problem, das erwartete Ergebnis und die Bedingungen bereit, die die Änderung bewahren muss. Ein beispielhafter Auftrag lautet: „Nutze den bereitgestellten Code und die Werkzeugergebnisse, um die Ursache zu finden, schlage die kleinste Korrektur vor und gib den endgültigen Patch mit dem ihn stützenden Validierungsergebnis zurück.“ Beschreiben Sie bei einer Suchaufgabe die Frage, die benötigte Evidenz und das Kriterium für eine abgeschlossene Antwort. Such- und Ausführungswerkzeuge werden von der umgebenden Anwendung bereitgestellt und nicht vom Text allein.
Der Hersteller empfiehlt für den lokalen Einsatz temperature 1.0 und top-p 0.95. V3.2 führt eine überarbeitete Darstellung von Werkzeugaufrufen und einen eigenen Nachrichtenencoder ein. Seine developer-Rolle ist für die Suchagentenvorlage des Herstellers reserviert; die offizielle API akzeptiert diese Rolle nicht. Der Referenzparser erwartet korrekt geformte Ausgabe und repariert keine fehlerhaften Ergebnisse. Verwendet eine Anwendung generierte Felder oder Werkzeugargumente, sollte sie deren Struktur prüfen, bevor sie danach handelt.
Der technische Bericht nennt lange Reasoning-Verläufe und redundante Selbstprüfung als praktische Einschränkungen. Eine Agentenaufgabe kann die Grenze von 128K erreichen, selbst wenn das ursprüngliche Quellenmaterial hineinpasst, weil Werkzeugausgaben und wiederholtes Reasoning anwachsen. Halten Sie relevante Beobachtungen knapp fest und definieren Sie das endgültige Arbeitsergebnis ausdrücklich. Fügen Sie bei wissensabhängigen Aufgaben maßgebliches Material hinzu oder stellen Sie ein geeignetes Suchwerkzeug bereit, statt zu erwarten, dass Trainingswissen jede Tatsache festlegt.
DeepSeek V3.2 Speciale ist eine separate Variante für tiefgehendes Reasoning mit hohem Rechenaufwand und unterstützt laut Modellkarte keine Werkzeugaufrufe. Ihre Merkmale sollten nicht als Standard-Werkzeugprofil von V3.2 verwendet werden. Ebenso besitzen die spätere V4-Generation und der experimentelle Vorgänger separate Identitäten und Konfigurationsmöglichkeiten. Bewahren Sie die benannte Edition V3.2, wenn Sie Aufgaben vergleichen, bei denen Modell und Promptformat eine Rolle spielen.
Kennzeichnen Sie für eine praktische quellenbasierte Analyse die Materialien und bitten Sie um eine durch relevante Passagen gestützte Schlussfolgerung, wobei Annahmen und fehlende Informationen getrennt bleiben. Geben Sie für einen Agenten die zulässigen Funktionen, das erwartete endgültige Ergebnis und das Abschlusskriterium an. So richten Sie den Reasoning- und Werkzeugablauf des Modells auf ein überprüfbares Text-, Code- oder Analyseergebnis aus, das an die bereitgestellte Evidenz gebunden ist.
", "aboutText": "DeepSeek V3.2 ist das Textmodell von DeepSeek für Reasoning und Agentenarbeit mit Schwerpunkt auf effizienter Verarbeitung langer Kontexte. Der Hersteller gliedert seine wesentlichen Änderungen in DeepSeek Sparse Attention, ein skaliertes Framework für bestärkendes Lernen und eine Pipeline zum Training agentischer Aufgaben. Es nimmt schriftliche Fragen und Kontext entgegen und erzeugt Text, darunter eine Antwort, Code oder Inhalte für Werkzeugaufrufe. Es unterscheidet sich von der früheren Version V3.2 Exp und der separaten Reasoning-Variante Speciale.\n\nDeepSeek Sparse Attention ergänzt die Latent-Attention-Architektur um einen Indexer und eine feingranulare Tokenauswahl. Bei einer langen Sequenz wählt der Indexer frühere Tokeninformationen aus, die in der eigentlichen Attention-Berechnung verwendet werden. Laut Bericht ist dies die architektonische Änderung gegenüber V3.1 Terminus; sie nutzt dieselbe Architektur wie V3.2 Exp. Der veröffentlichte Kontext umfasst 128K Tokens und unterstützt damit umfangreiches Quellenmaterial und eine fortlaufende Aufgabe. Generiertes Reasoning und Werkzeugverlauf beanspruchen allerdings ebenfalls den verfügbaren Kontext.\n\nDas Nachtraining umfasst Antworten mit und ohne Denkmodus in Mathematik, Programmieren, logischem Schlussfolgern, allgemeinen Agentenaufgaben, agentischem Programmieren und Suche. Fachspezialisten liefern Daten, die im endgültigen Modell zusammengeführt werden; darauf folgt gemischtes bestärkendes Lernen. Für eine gewöhnliche Frage kann eine direkte Antwort angemessen sein; bei einem schwierigen Problem kann der Denkablauf eine Lösung entwickeln, bevor er das endgültige Ergebnis vorlegt. Legen Sie die erforderliche Antwort oder das Arbeitsergebnis unabhängig vom zwischenzeitlichen Reasoning fest.\n\nEine wesentliche Änderung dieser Edition ist das Denken mit Werkzeugen. Das aktualisierte Chatformat erlaubt, das Reasoning während einer Aufgabe mit Werkzeugaufrufen fortzusetzen, statt Analyse und Aktion als unverbundene Phasen zu behandeln. Eine vom Modell ausgewählte Operation wird von der Anwendung ausgeführt, die ihr Ergebnis für den nächsten Schritt zurückgibt. Die Werkzeugkontextregel des Herstellers behält früheres Reasoning bei, solange nur werkzeugbezogene Nachrichten hinzukommen; bei einer neuen Nutzernachricht verwirft sie dieses Reasoning, bewahrt aber Werkzeugaufrufe und Ergebnisse. Korrekt unterschiedene Gesprächsrollen sind für dieses Verhalten wichtig.\n\nStellen Sie bei Programmieraufgaben das Quellfragment oder die relevanten Dateien, das beobachtete Problem, das erwartete Ergebnis und die Bedingungen bereit, die die Änderung bewahren muss. Ein beispielhafter Auftrag lautet: „Nutze den bereitgestellten Code und die Werkzeugergebnisse, um die Ursache zu finden, schlage die kleinste Korrektur vor und gib den endgültigen Patch mit dem ihn stützenden Validierungsergebnis zurück.“ Beschreiben Sie bei einer Suchaufgabe die Frage, die benötigte Evidenz und das Kriterium für eine abgeschlossene Antwort. Such- und Ausführungswerkzeuge werden von der umgebenden Anwendung bereitgestellt und nicht vom Text allein.\n\nDer Hersteller empfiehlt für den lokalen Einsatz temperature 1.0 und top-p 0.95. V3.2 führt eine überarbeitete Darstellung von Werkzeugaufrufen und einen eigenen Nachrichtenencoder ein. Seine developer-Rolle ist für die Suchagentenvorlage des Herstellers reserviert; die offizielle API akzeptiert diese Rolle nicht. Der Referenzparser erwartet korrekt geformte Ausgabe und repariert keine fehlerhaften Ergebnisse. Verwendet eine Anwendung generierte Felder oder Werkzeugargumente, sollte sie deren Struktur prüfen, bevor sie danach handelt.\n\nDer technische Bericht nennt lange Reasoning-Verläufe und redundante Selbstprüfung als praktische Einschränkungen. Eine Agentenaufgabe kann die Grenze von 128K erreichen, selbst wenn das ursprüngliche Quellenmaterial hineinpasst, weil Werkzeugausgaben und wiederholtes Reasoning anwachsen. Halten Sie relevante Beobachtungen knapp fest und definieren Sie das endgültige Arbeitsergebnis ausdrücklich. Fügen Sie bei wissensabhängigen Aufgaben maßgebliches Material hinzu oder stellen Sie ein geeignetes Suchwerkzeug bereit, statt zu erwarten, dass Trainingswissen jede Tatsache festlegt.\n\nDeepSeek V3.2 Speciale ist eine separate Variante für tiefgehendes Reasoning mit hohem Rechenaufwand und unterstützt laut Modellkarte keine Werkzeugaufrufe. Ihre Merkmale sollten nicht als Standard-Werkzeugprofil von V3.2 verwendet werden. Ebenso besitzen die spätere V4-Generation und der experimentelle Vorgänger separate Identitäten und Konfigurationsmöglichkeiten. Bewahren Sie die benannte Edition V3.2, wenn Sie Aufgaben vergleichen, bei denen Modell und Promptformat eine Rolle spielen.\n\nKennzeichnen Sie für eine praktische quellenbasierte Analyse die Materialien und bitten Sie um eine durch relevante Passagen gestützte Schlussfolgerung, wobei Annahmen und fehlende Informationen getrennt bleiben. Geben Sie für einen Agenten die zulässigen Funktionen, das erwartete endgültige Ergebnis und das Abschlusskriterium an. So richten Sie den Reasoning- und Werkzeugablauf des Modells auf ein überprüfbares Text-, Code- oder Analyseergebnis aus, das an die bereitgestellte Evidenz gebunden ist.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Repair an overwritten grouped total\n\nReview this Python fragment: totals = {}\nfor row in rows:\n totals[row['team']] = row['hours']\n For rows with teams A, B, A and hours 2, 3, 4, the last A overwrites the first. Return a minimal accumulation fix, explain the state changes and propose assertions for repeated teams and empty input.Corrected grouping code, a short state trace and two assertions with concrete inputs.Repeated teams accumulate all hours while an empty list returns an empty mapping.deepseek/deepseek-v3.2DeepSeek V3.2 verbindet Text-Reasoning mit Werkzeugeinsatz und Langkontextanalyse. Seine Sparse-Attention-Architektur und sein aktualisiertes Gesprächsformat unterstützen Programmieren, Suche und mehrstufige Agentenaufgaben, mit einem Kontext von 128K und getrennten Abläufen für Denken und direkte Antworten.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek V3.2 ist das Textmodell von DeepSeek für Reasoning und Agentenarbeit mit Schwerpunkt auf effizienter Verarbeitung langer Kontexte. Der Hersteller gliedert seine wesentlichen Änderungen in DeepSeek Sparse Attention, ein skaliertes Framework für bestärkendes Lernen und eine Pipeline zum Training agentischer Aufgaben. Es nimmt schriftliche Fragen und Kontext entgegen und erzeugt Text, darunter eine Antwort, Code oder Inhalte für Werkzeugaufrufe. Es unterscheidet sich von der früheren Version V3.2 Exp und der separaten Reasoning-Variante Speciale.
DeepSeek Sparse Attention ergänzt die Latent-Attention-Architektur um einen Indexer und eine feingranulare Tokenauswahl. Bei einer langen Sequenz wählt der Indexer frühere Tokeninformationen aus, die in der eigentlichen Attention-Berechnung verwendet werden. Laut Bericht ist dies die architektonische Änderung gegenüber V3.1 Terminus; sie nutzt dieselbe Architektur wie V3.2 Exp. Der veröffentlichte Kontext umfasst 128K Tokens und unterstützt damit umfangreiches Quellenmaterial und eine fortlaufende Aufgabe. Generiertes Reasoning und Werkzeugverlauf beanspruchen allerdings ebenfalls den verfügbaren Kontext.
Das Nachtraining umfasst Antworten mit und ohne Denkmodus in Mathematik, Programmieren, logischem Schlussfolgern, allgemeinen Agentenaufgaben, agentischem Programmieren und Suche. Fachspezialisten liefern Daten, die im endgültigen Modell zusammengeführt werden; darauf folgt gemischtes bestärkendes Lernen. Für eine gewöhnliche Frage kann eine direkte Antwort angemessen sein; bei einem schwierigen Problem kann der Denkablauf eine Lösung entwickeln, bevor er das endgültige Ergebnis vorlegt. Legen Sie die erforderliche Antwort oder das Arbeitsergebnis unabhängig vom zwischenzeitlichen Reasoning fest.
Eine wesentliche Änderung dieser Edition ist das Denken mit Werkzeugen. Das aktualisierte Chatformat erlaubt, das Reasoning während einer Aufgabe mit Werkzeugaufrufen fortzusetzen, statt Analyse und Aktion als unverbundene Phasen zu behandeln. Eine vom Modell ausgewählte Operation wird von der Anwendung ausgeführt, die ihr Ergebnis für den nächsten Schritt zurückgibt. Die Werkzeugkontextregel des Herstellers behält früheres Reasoning bei, solange nur werkzeugbezogene Nachrichten hinzukommen; bei einer neuen Nutzernachricht verwirft sie dieses Reasoning, bewahrt aber Werkzeugaufrufe und Ergebnisse. Korrekt unterschiedene Gesprächsrollen sind für dieses Verhalten wichtig.
Stellen Sie bei Programmieraufgaben das Quellfragment oder die relevanten Dateien, das beobachtete Problem, das erwartete Ergebnis und die Bedingungen bereit, die die Änderung bewahren muss. Ein beispielhafter Auftrag lautet: „Nutze den bereitgestellten Code und die Werkzeugergebnisse, um die Ursache zu finden, schlage die kleinste Korrektur vor und gib den endgültigen Patch mit dem ihn stützenden Validierungsergebnis zurück.“ Beschreiben Sie bei einer Suchaufgabe die Frage, die benötigte Evidenz und das Kriterium für eine abgeschlossene Antwort. Such- und Ausführungswerkzeuge werden von der umgebenden Anwendung bereitgestellt und nicht vom Text allein.
Der Hersteller empfiehlt für den lokalen Einsatz temperature 1.0 und top-p 0.95. V3.2 führt eine überarbeitete Darstellung von Werkzeugaufrufen und einen eigenen Nachrichtenencoder ein. Seine developer-Rolle ist für die Suchagentenvorlage des Herstellers reserviert; die offizielle API akzeptiert diese Rolle nicht. Der Referenzparser erwartet korrekt geformte Ausgabe und repariert keine fehlerhaften Ergebnisse. Verwendet eine Anwendung generierte Felder oder Werkzeugargumente, sollte sie deren Struktur prüfen, bevor sie danach handelt.
Der technische Bericht nennt lange Reasoning-Verläufe und redundante Selbstprüfung als praktische Einschränkungen. Eine Agentenaufgabe kann die Grenze von 128K erreichen, selbst wenn das ursprüngliche Quellenmaterial hineinpasst, weil Werkzeugausgaben und wiederholtes Reasoning anwachsen. Halten Sie relevante Beobachtungen knapp fest und definieren Sie das endgültige Arbeitsergebnis ausdrücklich. Fügen Sie bei wissensabhängigen Aufgaben maßgebliches Material hinzu oder stellen Sie ein geeignetes Suchwerkzeug bereit, statt zu erwarten, dass Trainingswissen jede Tatsache festlegt.
DeepSeek V3.2 Speciale ist eine separate Variante für tiefgehendes Reasoning mit hohem Rechenaufwand und unterstützt laut Modellkarte keine Werkzeugaufrufe. Ihre Merkmale sollten nicht als Standard-Werkzeugprofil von V3.2 verwendet werden. Ebenso besitzen die spätere V4-Generation und der experimentelle Vorgänger separate Identitäten und Konfigurationsmöglichkeiten. Bewahren Sie die benannte Edition V3.2, wenn Sie Aufgaben vergleichen, bei denen Modell und Promptformat eine Rolle spielen.
Kennzeichnen Sie für eine praktische quellenbasierte Analyse die Materialien und bitten Sie um eine durch relevante Passagen gestützte Schlussfolgerung, wobei Annahmen und fehlende Informationen getrennt bleiben. Geben Sie für einen Agenten die zulässigen Funktionen, das erwartete endgültige Ergebnis und das Abschlusskriterium an. So richten Sie den Reasoning- und Werkzeugablauf des Modells auf ein überprüfbares Text-, Code- oder Analyseergebnis aus, das an die bereitgestellte Evidenz gebunden ist.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek/deepseek-v3.2 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000572 / 1K Token Ausgabe · Ausgabetoken $0.0016 / 1K Token Eingabe · Cache-Lesen $0.00028 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000572 / 1K Token Ausgabe · Ausgabetoken $0.0016 / 1K Token Eingabe · Cache-Lesen $0.00028 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek/deepseek-v3.2", "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-v3.2',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-v3.2',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-v3.2
Verwenden Sie die oben angezeigten Methodenpfade.
deepseek/deepseek-v3.2DeepSeek V3.2 verbindet Text-Reasoning mit Werkzeugeinsatz und Langkontextanalyse. Seine Sparse-Attention-Architektur und sein aktualisiertes Gesprächsformat unterstützen Programmieren, Suche und mehrstufige Agentenaufgaben, mit einem Kontext von 128K und getrennten Abläufen für Denken und direkte Antworten.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek V3.2 ist das Textmodell von DeepSeek für Reasoning und Agentenarbeit mit Schwerpunkt auf effizienter Verarbeitung langer Kontexte. Der Hersteller gliedert seine wesentlichen Änderungen in DeepSeek Sparse Attention, ein skaliertes Framework für bestärkendes Lernen und eine Pipeline zum Training agentischer Aufgaben. Es nimmt schriftliche Fragen und Kontext entgegen und erzeugt Text, darunter eine Antwort, Code oder Inhalte für Werkzeugaufrufe. Es unterscheidet sich von der früheren Version V3.2 Exp und der separaten Reasoning-Variante Speciale.
DeepSeek Sparse Attention ergänzt die Latent-Attention-Architektur um einen Indexer und eine feingranulare Tokenauswahl. Bei einer langen Sequenz wählt der Indexer frühere Tokeninformationen aus, die in der eigentlichen Attention-Berechnung verwendet werden. Laut Bericht ist dies die architektonische Änderung gegenüber V3.1 Terminus; sie nutzt dieselbe Architektur wie V3.2 Exp. Der veröffentlichte Kontext umfasst 128K Tokens und unterstützt damit umfangreiches Quellenmaterial und eine fortlaufende Aufgabe. Generiertes Reasoning und Werkzeugverlauf beanspruchen allerdings ebenfalls den verfügbaren Kontext.
Das Nachtraining umfasst Antworten mit und ohne Denkmodus in Mathematik, Programmieren, logischem Schlussfolgern, allgemeinen Agentenaufgaben, agentischem Programmieren und Suche. Fachspezialisten liefern Daten, die im endgültigen Modell zusammengeführt werden; darauf folgt gemischtes bestärkendes Lernen. Für eine gewöhnliche Frage kann eine direkte Antwort angemessen sein; bei einem schwierigen Problem kann der Denkablauf eine Lösung entwickeln, bevor er das endgültige Ergebnis vorlegt. Legen Sie die erforderliche Antwort oder das Arbeitsergebnis unabhängig vom zwischenzeitlichen Reasoning fest.
Eine wesentliche Änderung dieser Edition ist das Denken mit Werkzeugen. Das aktualisierte Chatformat erlaubt, das Reasoning während einer Aufgabe mit Werkzeugaufrufen fortzusetzen, statt Analyse und Aktion als unverbundene Phasen zu behandeln. Eine vom Modell ausgewählte Operation wird von der Anwendung ausgeführt, die ihr Ergebnis für den nächsten Schritt zurückgibt. Die Werkzeugkontextregel des Herstellers behält früheres Reasoning bei, solange nur werkzeugbezogene Nachrichten hinzukommen; bei einer neuen Nutzernachricht verwirft sie dieses Reasoning, bewahrt aber Werkzeugaufrufe und Ergebnisse. Korrekt unterschiedene Gesprächsrollen sind für dieses Verhalten wichtig.
Stellen Sie bei Programmieraufgaben das Quellfragment oder die relevanten Dateien, das beobachtete Problem, das erwartete Ergebnis und die Bedingungen bereit, die die Änderung bewahren muss. Ein beispielhafter Auftrag lautet: „Nutze den bereitgestellten Code und die Werkzeugergebnisse, um die Ursache zu finden, schlage die kleinste Korrektur vor und gib den endgültigen Patch mit dem ihn stützenden Validierungsergebnis zurück.“ Beschreiben Sie bei einer Suchaufgabe die Frage, die benötigte Evidenz und das Kriterium für eine abgeschlossene Antwort. Such- und Ausführungswerkzeuge werden von der umgebenden Anwendung bereitgestellt und nicht vom Text allein.
Der Hersteller empfiehlt für den lokalen Einsatz temperature 1.0 und top-p 0.95. V3.2 führt eine überarbeitete Darstellung von Werkzeugaufrufen und einen eigenen Nachrichtenencoder ein. Seine developer-Rolle ist für die Suchagentenvorlage des Herstellers reserviert; die offizielle API akzeptiert diese Rolle nicht. Der Referenzparser erwartet korrekt geformte Ausgabe und repariert keine fehlerhaften Ergebnisse. Verwendet eine Anwendung generierte Felder oder Werkzeugargumente, sollte sie deren Struktur prüfen, bevor sie danach handelt.
Der technische Bericht nennt lange Reasoning-Verläufe und redundante Selbstprüfung als praktische Einschränkungen. Eine Agentenaufgabe kann die Grenze von 128K erreichen, selbst wenn das ursprüngliche Quellenmaterial hineinpasst, weil Werkzeugausgaben und wiederholtes Reasoning anwachsen. Halten Sie relevante Beobachtungen knapp fest und definieren Sie das endgültige Arbeitsergebnis ausdrücklich. Fügen Sie bei wissensabhängigen Aufgaben maßgebliches Material hinzu oder stellen Sie ein geeignetes Suchwerkzeug bereit, statt zu erwarten, dass Trainingswissen jede Tatsache festlegt.
DeepSeek V3.2 Speciale ist eine separate Variante für tiefgehendes Reasoning mit hohem Rechenaufwand und unterstützt laut Modellkarte keine Werkzeugaufrufe. Ihre Merkmale sollten nicht als Standard-Werkzeugprofil von V3.2 verwendet werden. Ebenso besitzen die spätere V4-Generation und der experimentelle Vorgänger separate Identitäten und Konfigurationsmöglichkeiten. Bewahren Sie die benannte Edition V3.2, wenn Sie Aufgaben vergleichen, bei denen Modell und Promptformat eine Rolle spielen.
Kennzeichnen Sie für eine praktische quellenbasierte Analyse die Materialien und bitten Sie um eine durch relevante Passagen gestützte Schlussfolgerung, wobei Annahmen und fehlende Informationen getrennt bleiben. Geben Sie für einen Agenten die zulässigen Funktionen, das erwartete endgültige Ergebnis und das Abschlusskriterium an. So richten Sie den Reasoning- und Werkzeugablauf des Modells auf ein überprüfbares Text-, Code- oder Analyseergebnis aus, das an die bereitgestellte Evidenz gebunden ist.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek/deepseek-v3.2 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000572 / 1K Token Ausgabe · Ausgabetoken $0.0016 / 1K Token Eingabe · Cache-Lesen $0.00028 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.000572 / 1K Token Ausgabe · Ausgabetoken $0.0016 / 1K Token Eingabe · Cache-Lesen $0.00028 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "deepseek/deepseek-v3.2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-v3.2', '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-v3.2', '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-v3.2
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Repair an overwritten grouped total\n\nReview this Python fragment: totals = {}\nfor row in rows:\n totals[row['team']] = row['hours']\n For rows with teams A, B, A and hours 2, 3, 4, the last A overwrites the first. Return a minimal accumulation fix, explain the state changes and propose assertions for repeated teams and empty input.Corrected grouping code, a short state trace and two assertions with concrete inputs.Repeated teams accumulate all hours while an empty list returns an empty mapping.