DeepSeek V3.2 Exp ist DeepSeeks experimentelle Textmodell-Edition auf Grundlage von V3.1 Terminus. Ihre entscheidende Änderung ist DeepSeek Sparse Attention, eingeführt zur Untersuchung effizienteren Trainings und effizienterer Inferenz für lange Textsequenzen. Die Aufgabe bleibt textbasiert: Schriftliche Anweisungen und Kontext erzeugen eine Textantwort, Code oder agentenbezogene Ausgabe. Dies ist die Forschungsedition für Sparse Attention, getrennt vom endgültigen V3.2-Modell und dessen späterem Thinking-mit-Werkzeugen-Format.
DSA verwendet einen leichtgewichtigen Indexer und eine feingranulare Tokenauswahl, damit sich die hauptsächliche Aufmerksamkeitsberechnung auf ausgewählte frühere Tokeninformationen konzentriert. DeepSeek hat die experimentelle Trainingskonfiguration bewusst an V3.1 Terminus angeglichen, um die Architekturänderung zu isolieren. Der V3.2-Bericht bestätigt, dass das endgültige V3.2 und V3.2 Exp diese Architektur teilen, und beschreibt das fortgesetzte Training auf der Terminus-Grundlage mit 128K Kontext. Das veröffentlichte experimentelle Profil verwendet diese 128K-Einstellung für langen Kontext.
Die experimentelle Modellkarte des Herstellers behält Reasoning und Agentenarbeit im Aufgabenbereich und bewahrt dabei das Aufgabenprofil des Vorgängermodells. Ihre Belege behandeln Reasoning ohne Werkzeuge und agentische Werkzeugnutzung als unterschiedliche Abläufe. Bereiten Sie eine klare Frage, relevanten Quellenkontext und die gewünschte Endform vor. Wenn die Aufgabe ein Werkzeug verwendet, liefert die Anwendung dessen Definition und gibt das Ergebnis zurück; die vom Modell vorgeschlagene Aktion ist nicht dasselbe wie eine bereits ausgeführte Operation.
Die endgültige V3.2-Modellkarte führt ein überarbeitetes Werkzeugaufrufformat ein und beschreibt Thinking mit Werkzeugen ausdrücklich. Diese Änderungen gehören zur endgültigen Veröffentlichung und dürfen nicht als vollständiger Interaktionsvertrag der experimentellen Edition behandelt werden. Bewahren Sie für V3.2 Exp die eigene Nachrichtenformatierung der Edition und den übernommenen Terminus-Aufgabenkontext, statt aus einem ähnlichen Namen abzuleiten, dass jede spätere Steuerung oder Rolle austauschbar sei.
Kennzeichnen Sie für einen langen Dokumentvergleich jede Quelle und benennen Sie die für die Frage relevanten Abschnitte. Ein beispielhafter Auftrag lautet: „Vergleiche diese Anforderungen mit der vorgeschlagenen Implementierung, benenne jede Abweichung und zitiere die Passage, die sie belegt. Schließe mit einer priorisierten Korrekturliste.“ Stellen Sie für Code das fehlschlagende Verhalten, den relevanten Ausschnitt und das erwartete Ergebnis bereit und fordern Sie danach eine gezielte Änderung mit einer klaren Erklärung an. Die Quellenstruktur und die Abschlussregel helfen, eine Aufgabe mit langem Kontext auf ein nutzbares Ergebnis auszurichten.
Die Referenzimplementierung des Herstellers enthält den Sparse-Attention-Indexer; ihre Modellkarte dokumentiert eine wichtige Implementierungskorrektur: Das RoPE des Indexers verwendet ein nicht verschachteltes Layout, während das Latent-Attention-Modul ein verschachteltes Layout erwartet. Das ist ein Detail der Herstellerreferenz, das für die getreue Modellausführung relevant ist, und kein anderer Nutzerprompt oder eine neue Fähigkeit. Es bedeutet außerdem, dass ein Modellname allein nicht beschreibt, wie jede Implementierung die experimentelle Architektur behandelt.
Eine fortlaufende Agentenaufgabe muss Quelltext, Gespräch, erzeugtes Reasoning und Werkzeugbeobachtungen gemeinsam budgetieren. Organisieren Sie die nützlichen Beobachtungen und verlangen Sie, dass die endgültige Antwort Belege, Annahmen und vorgeschlagene Aktionen unterscheidet. Stellen Sie für ein quellenabhängiges faktisches Ergebnis das maßgebliche Material oder ein geeignetes Werkzeug bereit, statt sich auf breites Trainingswissen zu verlassen. Die Ausgabe bleibt ein Text-, Code- oder analytischer Datensatz, der anhand der Aufgabe und ihrer Eingaben geprüft werden kann.
", "aboutText": "DeepSeek V3.2 Exp ist DeepSeeks experimentelle Textmodell-Edition auf Grundlage von V3.1 Terminus. Ihre entscheidende Änderung ist DeepSeek Sparse Attention, eingeführt zur Untersuchung effizienteren Trainings und effizienterer Inferenz für lange Textsequenzen. Die Aufgabe bleibt textbasiert: Schriftliche Anweisungen und Kontext erzeugen eine Textantwort, Code oder agentenbezogene Ausgabe. Dies ist die Forschungsedition für Sparse Attention, getrennt vom endgültigen V3.2-Modell und dessen späterem Thinking-mit-Werkzeugen-Format.\n\nDSA verwendet einen leichtgewichtigen Indexer und eine feingranulare Tokenauswahl, damit sich die hauptsächliche Aufmerksamkeitsberechnung auf ausgewählte frühere Tokeninformationen konzentriert. DeepSeek hat die experimentelle Trainingskonfiguration bewusst an V3.1 Terminus angeglichen, um die Architekturänderung zu isolieren. Der V3.2-Bericht bestätigt, dass das endgültige V3.2 und V3.2 Exp diese Architektur teilen, und beschreibt das fortgesetzte Training auf der Terminus-Grundlage mit 128K Kontext. Das veröffentlichte experimentelle Profil verwendet diese 128K-Einstellung für langen Kontext.\n\nDie experimentelle Modellkarte des Herstellers behält Reasoning und Agentenarbeit im Aufgabenbereich und bewahrt dabei das Aufgabenprofil des Vorgängermodells. Ihre Belege behandeln Reasoning ohne Werkzeuge und agentische Werkzeugnutzung als unterschiedliche Abläufe. Bereiten Sie eine klare Frage, relevanten Quellenkontext und die gewünschte Endform vor. Wenn die Aufgabe ein Werkzeug verwendet, liefert die Anwendung dessen Definition und gibt das Ergebnis zurück; die vom Modell vorgeschlagene Aktion ist nicht dasselbe wie eine bereits ausgeführte Operation.\n\nDie endgültige V3.2-Modellkarte führt ein überarbeitetes Werkzeugaufrufformat ein und beschreibt Thinking mit Werkzeugen ausdrücklich. Diese Änderungen gehören zur endgültigen Veröffentlichung und dürfen nicht als vollständiger Interaktionsvertrag der experimentellen Edition behandelt werden. Bewahren Sie für V3.2 Exp die eigene Nachrichtenformatierung der Edition und den übernommenen Terminus-Aufgabenkontext, statt aus einem ähnlichen Namen abzuleiten, dass jede spätere Steuerung oder Rolle austauschbar sei.\n\nKennzeichnen Sie für einen langen Dokumentvergleich jede Quelle und benennen Sie die für die Frage relevanten Abschnitte. Ein beispielhafter Auftrag lautet: „Vergleiche diese Anforderungen mit der vorgeschlagenen Implementierung, benenne jede Abweichung und zitiere die Passage, die sie belegt. Schließe mit einer priorisierten Korrekturliste.“ Stellen Sie für Code das fehlschlagende Verhalten, den relevanten Ausschnitt und das erwartete Ergebnis bereit und fordern Sie danach eine gezielte Änderung mit einer klaren Erklärung an. Die Quellenstruktur und die Abschlussregel helfen, eine Aufgabe mit langem Kontext auf ein nutzbares Ergebnis auszurichten.\n\nDie Referenzimplementierung des Herstellers enthält den Sparse-Attention-Indexer; ihre Modellkarte dokumentiert eine wichtige Implementierungskorrektur: Das RoPE des Indexers verwendet ein nicht verschachteltes Layout, während das Latent-Attention-Modul ein verschachteltes Layout erwartet. Das ist ein Detail der Herstellerreferenz, das für die getreue Modellausführung relevant ist, und kein anderer Nutzerprompt oder eine neue Fähigkeit. Es bedeutet außerdem, dass ein Modellname allein nicht beschreibt, wie jede Implementierung die experimentelle Architektur behandelt.\n\nEine fortlaufende Agentenaufgabe muss Quelltext, Gespräch, erzeugtes Reasoning und Werkzeugbeobachtungen gemeinsam budgetieren. Organisieren Sie die nützlichen Beobachtungen und verlangen Sie, dass die endgültige Antwort Belege, Annahmen und vorgeschlagene Aktionen unterscheidet. Stellen Sie für ein quellenabhängiges faktisches Ergebnis das maßgebliche Material oder ein geeignetes Werkzeug bereit, statt sich auf breites Trainingswissen zu verlassen. Die Ausgabe bleibt ein Text-, Code- oder analytischer Datensatz, der anhand der Aufgabe und ihrer Eingaben geprüft werden kann.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "07fa984ac63c6773d29abddbade0576b0a6f0dc7ff0934ceebacdd1ad1190a00", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "deepseek-v3.2-exp-thinkingDeepSeek V3.2 Exp ist die auf V3.1 Terminus aufbauende Sparse-Attention-Edition. Sie verarbeitet Text für Reasoning-, Programmier- und Agentenaufgaben und untersucht effizientere Attention für lange Kontexte, mit einem Herstellerkontext von 128K und einer von der endgültigen V3.2-Version getrennten Identität.
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 Exp ist DeepSeeks experimentelle Textmodell-Edition auf Grundlage von V3.1 Terminus. Ihre entscheidende Änderung ist DeepSeek Sparse Attention, eingeführt zur Untersuchung effizienteren Trainings und effizienterer Inferenz für lange Textsequenzen. Die Aufgabe bleibt textbasiert: Schriftliche Anweisungen und Kontext erzeugen eine Textantwort, Code oder agentenbezogene Ausgabe. Dies ist die Forschungsedition für Sparse Attention, getrennt vom endgültigen V3.2-Modell und dessen späterem Thinking-mit-Werkzeugen-Format.
DSA verwendet einen leichtgewichtigen Indexer und eine feingranulare Tokenauswahl, damit sich die hauptsächliche Aufmerksamkeitsberechnung auf ausgewählte frühere Tokeninformationen konzentriert. DeepSeek hat die experimentelle Trainingskonfiguration bewusst an V3.1 Terminus angeglichen, um die Architekturänderung zu isolieren. Der V3.2-Bericht bestätigt, dass das endgültige V3.2 und V3.2 Exp diese Architektur teilen, und beschreibt das fortgesetzte Training auf der Terminus-Grundlage mit 128K Kontext. Das veröffentlichte experimentelle Profil verwendet diese 128K-Einstellung für langen Kontext.
Die experimentelle Modellkarte des Herstellers behält Reasoning und Agentenarbeit im Aufgabenbereich und bewahrt dabei das Aufgabenprofil des Vorgängermodells. Ihre Belege behandeln Reasoning ohne Werkzeuge und agentische Werkzeugnutzung als unterschiedliche Abläufe. Bereiten Sie eine klare Frage, relevanten Quellenkontext und die gewünschte Endform vor. Wenn die Aufgabe ein Werkzeug verwendet, liefert die Anwendung dessen Definition und gibt das Ergebnis zurück; die vom Modell vorgeschlagene Aktion ist nicht dasselbe wie eine bereits ausgeführte Operation.
Die endgültige V3.2-Modellkarte führt ein überarbeitetes Werkzeugaufrufformat ein und beschreibt Thinking mit Werkzeugen ausdrücklich. Diese Änderungen gehören zur endgültigen Veröffentlichung und dürfen nicht als vollständiger Interaktionsvertrag der experimentellen Edition behandelt werden. Bewahren Sie für V3.2 Exp die eigene Nachrichtenformatierung der Edition und den übernommenen Terminus-Aufgabenkontext, statt aus einem ähnlichen Namen abzuleiten, dass jede spätere Steuerung oder Rolle austauschbar sei.
Kennzeichnen Sie für einen langen Dokumentvergleich jede Quelle und benennen Sie die für die Frage relevanten Abschnitte. Ein beispielhafter Auftrag lautet: „Vergleiche diese Anforderungen mit der vorgeschlagenen Implementierung, benenne jede Abweichung und zitiere die Passage, die sie belegt. Schließe mit einer priorisierten Korrekturliste.“ Stellen Sie für Code das fehlschlagende Verhalten, den relevanten Ausschnitt und das erwartete Ergebnis bereit und fordern Sie danach eine gezielte Änderung mit einer klaren Erklärung an. Die Quellenstruktur und die Abschlussregel helfen, eine Aufgabe mit langem Kontext auf ein nutzbares Ergebnis auszurichten.
Die Referenzimplementierung des Herstellers enthält den Sparse-Attention-Indexer; ihre Modellkarte dokumentiert eine wichtige Implementierungskorrektur: Das RoPE des Indexers verwendet ein nicht verschachteltes Layout, während das Latent-Attention-Modul ein verschachteltes Layout erwartet. Das ist ein Detail der Herstellerreferenz, das für die getreue Modellausführung relevant ist, und kein anderer Nutzerprompt oder eine neue Fähigkeit. Es bedeutet außerdem, dass ein Modellname allein nicht beschreibt, wie jede Implementierung die experimentelle Architektur behandelt.
Eine fortlaufende Agentenaufgabe muss Quelltext, Gespräch, erzeugtes Reasoning und Werkzeugbeobachtungen gemeinsam budgetieren. Organisieren Sie die nützlichen Beobachtungen und verlangen Sie, dass die endgültige Antwort Belege, Annahmen und vorgeschlagene Aktionen unterscheidet. Stellen Sie für ein quellenabhängiges faktisches Ergebnis das maßgebliche Material oder ein geeignetes Werkzeug bereit, statt sich auf breites Trainingswissen zu verlassen. Die Ausgabe bleibt ein Text-, Code- oder analytischer Datensatz, der anhand der Aufgabe und ihrer Eingaben geprüft werden kann.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek-v3.2-exp-thinking | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00058 / 1K Token Ausgabe · Ausgabetoken $0.00086 / 1K Token Eingabe · Cache-Lesen $0 / 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-v3.2-exp-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="deepseek-v3.2-exp-thinking", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra deepseek-v3.2-exp-thinking
/chat/completions