DeepSeek V4 Flash Vision Exp ist das experimentelle multimodale Modell von DeepSeek innerhalb der V4-Familie. Es baut auf V4 Flash auf, ergänzt visuelle Module und setzt das Training für Bildverständnis fort. Die Eingabe kombiniert Bilder mit Text; die Ausgabe ist Text. Sein dokumentierter Zweck verbindet multimodale Agentenarbeit mit textbasierten Agentenaufgaben. Das ist hilfreich, wenn die Informationen, die ein Assistent benötigt, in einem Screenshot, Diagramm oder anderen bereitgestellten Bild sichtbar sind.
Die Herstellerreferenz beschreibt einen Vision-Encoder und einen Aligner in Verbindung mit DFlash Attention, Mixture-of-Experts-Komponenten, Hyperverbindungen und einem DSpark-Pfad. Die visuellen Module überführen Bildinformationen in eine Form, die das Sprachmodell zusammen mit der schriftlichen Frage verwenden kann. Das unterscheidet sich vom in der Modellkarte angeführten reinen Textprofil V4 Flash, dessen Vergleich multimodale Elemente gesondert behandelt. Vision Exp ist eine benannte Edition und keine Anweisung, einem anderen Flash-Modell beliebige Medienunterstützung hinzuzufügen.
Seine Referenz zum Promptformat unterstützt eingestreute Bildinhalte, Gespräche über mehrere Runden, Werkzeugaufrufe und Denkmodi. Prompts ohne Denkmodus können eine direkte Antwort anfordern; Prompts mit Denkmodus können eine Einstellung für den Reasoning-Aufwand verwenden, einschließlich des dokumentierten Max-Beispiels. Bilder werden genau in der Reihenfolge erfasst, in der sie im Prompt erscheinen. Nummerieren oder beschriften Sie mehrere Eingaben und geben Sie an, auf welches Bild sich eine Frage bezieht, damit ein visueller Vergleich seinen Bezug zur Quelle bewahrt.
Die veröffentlichte Konfiguration setzt max_position_embeddings auf 1.048.576. Das ist eine Positionsgrenze der Modellkonfiguration, keine separate Spezifikation für die maximale Ausgabe. Bereiten Sie eine fokussierte Bildauswahl und eine präzise Frage vor und halten Sie Prompt, Gespräch und generierte Antwort innerhalb der Grenzen des ausgewählten Herstellerablaufs.
Stellen Sie für eine praktische Oberflächenaufgabe den aktuellen Screenshot, die beabsichtigte Nutzeraktion und gegebenenfalls eine relevante Textspezifikation bereit. Ein beispielhafter Auftrag lautet: „Ermittle die sichtbaren Bedienelemente, die zur Änderung dieser Einstellung benötigt werden. Verwende ihre angezeigten Beschriftungen, erkläre die nächste Aktion und gib an, welcher Bildschirmbereich sie stützt.“ Fragen Sie bei einem Diagramm getrennt nach sichtbaren Werten und Zusammenhängen sowie nach einer daraus abgeleiteten Interpretation. Ist kleine Schrift wichtig, liefern Sie einen lesbaren Ausschnitt mit genügend Umgebung, um seine Rolle zu erkennen.
In einer Agentenanwendung kann das Modell nach der Interpretation von Bild und Anweisung eine Werkzeugoperation vorschlagen. Die umgebende Anwendung führt sie aus, gibt die Beobachtung zurück und liefert bei Bedarf den nächsten visuellen Zustand. Definieren Sie den Zweck des Werkzeugs und die zulässigen Aktionen. Ein vorgeschlagener Klick, eine schriftliche Koordinate oder generierter Code bleibt ein Textergebnis, bis die Anwendung die entsprechende Operation ausführt; verwenden Sie die daraus entstehende Beobachtung als Evidenz für den nächsten Schritt.
Bitten Sie bei einem quellenbasierten Arbeitsergebnis darum, zu jeder Feststellung das Bild und das zugrunde liegende sichtbare Detail anzugeben. Halten Sie extrahierten Wortlaut und Erklärung auseinander und unterscheiden Sie vorgeschlagene von abgeschlossenen Aktionen. Ergänzen Sie bei einer Aufgabe zur Umsetzung eines Screenshots in Code den relevanten Quelltext, das beabsichtigte Verhalten und das erforderliche endgültige Arbeitsergebnis. Das Profil dieses Modells umfasst Bild- und Textverständnis mit Textausgabe, keine Bilderzeugung, Sprachsynthese oder einen angenommenen Videoanalyseablauf.
", "aboutText": "DeepSeek V4 Flash Vision Exp ist das experimentelle multimodale Modell von DeepSeek innerhalb der V4-Familie. Es baut auf V4 Flash auf, ergänzt visuelle Module und setzt das Training für Bildverständnis fort. Die Eingabe kombiniert Bilder mit Text; die Ausgabe ist Text. Sein dokumentierter Zweck verbindet multimodale Agentenarbeit mit textbasierten Agentenaufgaben. Das ist hilfreich, wenn die Informationen, die ein Assistent benötigt, in einem Screenshot, Diagramm oder anderen bereitgestellten Bild sichtbar sind.\n\nDie Herstellerreferenz beschreibt einen Vision-Encoder und einen Aligner in Verbindung mit DFlash Attention, Mixture-of-Experts-Komponenten, Hyperverbindungen und einem DSpark-Pfad. Die visuellen Module überführen Bildinformationen in eine Form, die das Sprachmodell zusammen mit der schriftlichen Frage verwenden kann. Das unterscheidet sich vom in der Modellkarte angeführten reinen Textprofil V4 Flash, dessen Vergleich multimodale Elemente gesondert behandelt. Vision Exp ist eine benannte Edition und keine Anweisung, einem anderen Flash-Modell beliebige Medienunterstützung hinzuzufügen.\n\nSeine Referenz zum Promptformat unterstützt eingestreute Bildinhalte, Gespräche über mehrere Runden, Werkzeugaufrufe und Denkmodi. Prompts ohne Denkmodus können eine direkte Antwort anfordern; Prompts mit Denkmodus können eine Einstellung für den Reasoning-Aufwand verwenden, einschließlich des dokumentierten Max-Beispiels. Bilder werden genau in der Reihenfolge erfasst, in der sie im Prompt erscheinen. Nummerieren oder beschriften Sie mehrere Eingaben und geben Sie an, auf welches Bild sich eine Frage bezieht, damit ein visueller Vergleich seinen Bezug zur Quelle bewahrt.\n\nDie veröffentlichte Konfiguration setzt max_position_embeddings auf 1.048.576. Das ist eine Positionsgrenze der Modellkonfiguration, keine separate Spezifikation für die maximale Ausgabe. Bereiten Sie eine fokussierte Bildauswahl und eine präzise Frage vor und halten Sie Prompt, Gespräch und generierte Antwort innerhalb der Grenzen des ausgewählten Herstellerablaufs.\n\nStellen Sie für eine praktische Oberflächenaufgabe den aktuellen Screenshot, die beabsichtigte Nutzeraktion und gegebenenfalls eine relevante Textspezifikation bereit. Ein beispielhafter Auftrag lautet: „Ermittle die sichtbaren Bedienelemente, die zur Änderung dieser Einstellung benötigt werden. Verwende ihre angezeigten Beschriftungen, erkläre die nächste Aktion und gib an, welcher Bildschirmbereich sie stützt.“ Fragen Sie bei einem Diagramm getrennt nach sichtbaren Werten und Zusammenhängen sowie nach einer daraus abgeleiteten Interpretation. Ist kleine Schrift wichtig, liefern Sie einen lesbaren Ausschnitt mit genügend Umgebung, um seine Rolle zu erkennen.\n\nIn einer Agentenanwendung kann das Modell nach der Interpretation von Bild und Anweisung eine Werkzeugoperation vorschlagen. Die umgebende Anwendung führt sie aus, gibt die Beobachtung zurück und liefert bei Bedarf den nächsten visuellen Zustand. Definieren Sie den Zweck des Werkzeugs und die zulässigen Aktionen. Ein vorgeschlagener Klick, eine schriftliche Koordinate oder generierter Code bleibt ein Textergebnis, bis die Anwendung die entsprechende Operation ausführt; verwenden Sie die daraus entstehende Beobachtung als Evidenz für den nächsten Schritt.\n\nBitten Sie bei einem quellenbasierten Arbeitsergebnis darum, zu jeder Feststellung das Bild und das zugrunde liegende sichtbare Detail anzugeben. Halten Sie extrahierten Wortlaut und Erklärung auseinander und unterscheiden Sie vorgeschlagene von abgeschlossenen Aktionen. Ergänzen Sie bei einer Aufgabe zur Umsetzung eines Screenshots in Code den relevanten Quelltext, das beabsichtigte Verhalten und das erforderliche endgültige Arbeitsergebnis. Das Profil dieses Modells umfasst Bild- und Textverständnis mit Textausgabe, keine Bilderzeugung, Sprachsynthese oder einen angenommenen Videoanalyseablauf.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "da15067fb641931ad9f5e4d5ffe443d267ad4d21468201d265609438c4d93aa0", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "deepseek/deepseek-v4-flash-vision-expDeepSeek V4 Flash Vision Exp kombiniert Bilder und Text für Bildverständnis und multimodale Agentenaufgaben. Es ergänzt die V4-Flash-Architektur um visuelle Module und gibt Text zurück, etwa bildgestützte Erklärungen, Analysen und Vorschläge für Werkzeugaktionen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek V4 Flash Vision Exp ist das experimentelle multimodale Modell von DeepSeek innerhalb der V4-Familie. Es baut auf V4 Flash auf, ergänzt visuelle Module und setzt das Training für Bildverständnis fort. Die Eingabe kombiniert Bilder mit Text; die Ausgabe ist Text. Sein dokumentierter Zweck verbindet multimodale Agentenarbeit mit textbasierten Agentenaufgaben. Das ist hilfreich, wenn die Informationen, die ein Assistent benötigt, in einem Screenshot, Diagramm oder anderen bereitgestellten Bild sichtbar sind.
Die Herstellerreferenz beschreibt einen Vision-Encoder und einen Aligner in Verbindung mit DFlash Attention, Mixture-of-Experts-Komponenten, Hyperverbindungen und einem DSpark-Pfad. Die visuellen Module überführen Bildinformationen in eine Form, die das Sprachmodell zusammen mit der schriftlichen Frage verwenden kann. Das unterscheidet sich vom in der Modellkarte angeführten reinen Textprofil V4 Flash, dessen Vergleich multimodale Elemente gesondert behandelt. Vision Exp ist eine benannte Edition und keine Anweisung, einem anderen Flash-Modell beliebige Medienunterstützung hinzuzufügen.
Seine Referenz zum Promptformat unterstützt eingestreute Bildinhalte, Gespräche über mehrere Runden, Werkzeugaufrufe und Denkmodi. Prompts ohne Denkmodus können eine direkte Antwort anfordern; Prompts mit Denkmodus können eine Einstellung für den Reasoning-Aufwand verwenden, einschließlich des dokumentierten Max-Beispiels. Bilder werden genau in der Reihenfolge erfasst, in der sie im Prompt erscheinen. Nummerieren oder beschriften Sie mehrere Eingaben und geben Sie an, auf welches Bild sich eine Frage bezieht, damit ein visueller Vergleich seinen Bezug zur Quelle bewahrt.
Die veröffentlichte Konfiguration setzt max_position_embeddings auf 1.048.576. Das ist eine Positionsgrenze der Modellkonfiguration, keine separate Spezifikation für die maximale Ausgabe. Bereiten Sie eine fokussierte Bildauswahl und eine präzise Frage vor und halten Sie Prompt, Gespräch und generierte Antwort innerhalb der Grenzen des ausgewählten Herstellerablaufs.
Stellen Sie für eine praktische Oberflächenaufgabe den aktuellen Screenshot, die beabsichtigte Nutzeraktion und gegebenenfalls eine relevante Textspezifikation bereit. Ein beispielhafter Auftrag lautet: „Ermittle die sichtbaren Bedienelemente, die zur Änderung dieser Einstellung benötigt werden. Verwende ihre angezeigten Beschriftungen, erkläre die nächste Aktion und gib an, welcher Bildschirmbereich sie stützt.“ Fragen Sie bei einem Diagramm getrennt nach sichtbaren Werten und Zusammenhängen sowie nach einer daraus abgeleiteten Interpretation. Ist kleine Schrift wichtig, liefern Sie einen lesbaren Ausschnitt mit genügend Umgebung, um seine Rolle zu erkennen.
In einer Agentenanwendung kann das Modell nach der Interpretation von Bild und Anweisung eine Werkzeugoperation vorschlagen. Die umgebende Anwendung führt sie aus, gibt die Beobachtung zurück und liefert bei Bedarf den nächsten visuellen Zustand. Definieren Sie den Zweck des Werkzeugs und die zulässigen Aktionen. Ein vorgeschlagener Klick, eine schriftliche Koordinate oder generierter Code bleibt ein Textergebnis, bis die Anwendung die entsprechende Operation ausführt; verwenden Sie die daraus entstehende Beobachtung als Evidenz für den nächsten Schritt.
Bitten Sie bei einem quellenbasierten Arbeitsergebnis darum, zu jeder Feststellung das Bild und das zugrunde liegende sichtbare Detail anzugeben. Halten Sie extrahierten Wortlaut und Erklärung auseinander und unterscheiden Sie vorgeschlagene von abgeschlossenen Aktionen. Ergänzen Sie bei einer Aufgabe zur Umsetzung eines Screenshots in Code den relevanten Quelltext, das beabsichtigte Verhalten und das erforderliche endgültige Arbeitsergebnis. Das Profil dieses Modells umfasst Bild- und Textverständnis mit Textausgabe, keine Bilderzeugung, Sprachsynthese oder einen angenommenen Videoanalyseablauf.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek/deepseek-v4-flash-vision-exp | 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 $0.00088 / 1K Token Ausgabe · Ausgabetoken $0.00264 / 1K Token Eingabe · Cache-Lesen $0.000028 / 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-v4-flash-vision-exp","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-v4-flash-vision-exp", 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/deepseek-v4-flash-vision-exp
/chat/completions
deepseek/deepseek-v4-flash-vision-expDeepSeek V4 Flash Vision Exp kombiniert Bilder und Text für Bildverständnis und multimodale Agentenaufgaben. Es ergänzt die V4-Flash-Architektur um visuelle Module und gibt Text zurück, etwa bildgestützte Erklärungen, Analysen und Vorschläge für Werkzeugaktionen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek V4 Flash Vision Exp ist das experimentelle multimodale Modell von DeepSeek innerhalb der V4-Familie. Es baut auf V4 Flash auf, ergänzt visuelle Module und setzt das Training für Bildverständnis fort. Die Eingabe kombiniert Bilder mit Text; die Ausgabe ist Text. Sein dokumentierter Zweck verbindet multimodale Agentenarbeit mit textbasierten Agentenaufgaben. Das ist hilfreich, wenn die Informationen, die ein Assistent benötigt, in einem Screenshot, Diagramm oder anderen bereitgestellten Bild sichtbar sind.
Die Herstellerreferenz beschreibt einen Vision-Encoder und einen Aligner in Verbindung mit DFlash Attention, Mixture-of-Experts-Komponenten, Hyperverbindungen und einem DSpark-Pfad. Die visuellen Module überführen Bildinformationen in eine Form, die das Sprachmodell zusammen mit der schriftlichen Frage verwenden kann. Das unterscheidet sich vom in der Modellkarte angeführten reinen Textprofil V4 Flash, dessen Vergleich multimodale Elemente gesondert behandelt. Vision Exp ist eine benannte Edition und keine Anweisung, einem anderen Flash-Modell beliebige Medienunterstützung hinzuzufügen.
Seine Referenz zum Promptformat unterstützt eingestreute Bildinhalte, Gespräche über mehrere Runden, Werkzeugaufrufe und Denkmodi. Prompts ohne Denkmodus können eine direkte Antwort anfordern; Prompts mit Denkmodus können eine Einstellung für den Reasoning-Aufwand verwenden, einschließlich des dokumentierten Max-Beispiels. Bilder werden genau in der Reihenfolge erfasst, in der sie im Prompt erscheinen. Nummerieren oder beschriften Sie mehrere Eingaben und geben Sie an, auf welches Bild sich eine Frage bezieht, damit ein visueller Vergleich seinen Bezug zur Quelle bewahrt.
Die veröffentlichte Konfiguration setzt max_position_embeddings auf 1.048.576. Das ist eine Positionsgrenze der Modellkonfiguration, keine separate Spezifikation für die maximale Ausgabe. Bereiten Sie eine fokussierte Bildauswahl und eine präzise Frage vor und halten Sie Prompt, Gespräch und generierte Antwort innerhalb der Grenzen des ausgewählten Herstellerablaufs.
Stellen Sie für eine praktische Oberflächenaufgabe den aktuellen Screenshot, die beabsichtigte Nutzeraktion und gegebenenfalls eine relevante Textspezifikation bereit. Ein beispielhafter Auftrag lautet: „Ermittle die sichtbaren Bedienelemente, die zur Änderung dieser Einstellung benötigt werden. Verwende ihre angezeigten Beschriftungen, erkläre die nächste Aktion und gib an, welcher Bildschirmbereich sie stützt.“ Fragen Sie bei einem Diagramm getrennt nach sichtbaren Werten und Zusammenhängen sowie nach einer daraus abgeleiteten Interpretation. Ist kleine Schrift wichtig, liefern Sie einen lesbaren Ausschnitt mit genügend Umgebung, um seine Rolle zu erkennen.
In einer Agentenanwendung kann das Modell nach der Interpretation von Bild und Anweisung eine Werkzeugoperation vorschlagen. Die umgebende Anwendung führt sie aus, gibt die Beobachtung zurück und liefert bei Bedarf den nächsten visuellen Zustand. Definieren Sie den Zweck des Werkzeugs und die zulässigen Aktionen. Ein vorgeschlagener Klick, eine schriftliche Koordinate oder generierter Code bleibt ein Textergebnis, bis die Anwendung die entsprechende Operation ausführt; verwenden Sie die daraus entstehende Beobachtung als Evidenz für den nächsten Schritt.
Bitten Sie bei einem quellenbasierten Arbeitsergebnis darum, zu jeder Feststellung das Bild und das zugrunde liegende sichtbare Detail anzugeben. Halten Sie extrahierten Wortlaut und Erklärung auseinander und unterscheiden Sie vorgeschlagene von abgeschlossenen Aktionen. Ergänzen Sie bei einer Aufgabe zur Umsetzung eines Screenshots in Code den relevanten Quelltext, das beabsichtigte Verhalten und das erforderliche endgültige Arbeitsergebnis. Das Profil dieses Modells umfasst Bild- und Textverständnis mit Textausgabe, keine Bilderzeugung, Sprachsynthese oder einen angenommenen Videoanalyseablauf.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek/deepseek-v4-flash-vision-exp | 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 $0.00088 / 1K Token Ausgabe · Ausgabetoken $0.00264 / 1K Token Eingabe · Cache-Lesen $0.000028 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "deepseek/deepseek-v4-flash-vision-exp",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-v4-flash-vision-exp', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-v4-flash-vision-exp', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra deepseek/deepseek-v4-flash-vision-exp
/chat/completions