DeepSeek V3 es el modelo de texto original de DeepSeek con mezcla de expertos para tareas generales de lenguaje, programación y razonamiento. Recibe instrucciones escritas y contexto de texto y devuelve una respuesta, un borrador, una explicación o código. La ficha del modelo indica 671 mil millones de parámetros totales del modelo principal, con 37 mil millones activos por cada token. El V3 original conserva una identidad diferenciada de V3-0324, V3.1 y V3.2, cuyas actualizaciones incorporan sus propias funciones y pautas de instrucciones.
Su arquitectura combina Multi-head Latent Attention con DeepSeekMoE. La atención latente comprime la información que utiliza la atención, mientras que la selección dispersa de expertos activa solo una parte del modelo para cada token. V3 también introduce equilibrio de carga sin pérdida auxiliar y un objetivo de entrenamiento de predicción de varios tokens. El paquete de modelo publicado incluye un módulo independiente de predicción de varios tokens con 14 mil millones de parámetros, además del modelo principal de 671 mil millones de parámetros, lo que explica por qué los totales del paquete pueden diferir del recuento de la arquitectura del modelo principal.
DeepSeek preentrena V3 con 14.8 billones de tokens y después utiliza ajuste fino supervisado y aprendizaje por refuerzo. El proceso de posentrenamiento incorpora patrones de verificación y reflexión de la familia R1 en una respuesta de modelo de lenguaje estándar, a la vez que controla el estilo y la longitud de la salida. Se trata de una aportación del entrenamiento, distinta de elegir R1 en sí o la posterior plantilla de pensamiento híbrido de V3.1. Prepara el formato de respuesta final que necesitas, en lugar de suponer que una edición presenta el razonamiento como otra.
La tabla de modelos del productor indica un contexto de 128K tanto para V3 Base como para la edición V3 con posentrenamiento. Ese contexto permite combinar una pregunta con una cantidad considerable de documentos o código, aunque el historial de conversación y la respuesta también necesitan espacio. Etiqueta las fuentes e identifica la pregunta pertinente. Una ventana de contexto es un límite de capacidad, no una instrucción para enviar material sin relación o pedir una respuesta innecesariamente larga.
Para una tarea práctica de programación, proporciona la función pertinente, el comportamiento esperado, las restricciones importantes y la entrada que demuestra el problema. Pide una corrección propuesta y una explicación vinculada al código proporcionado. Para analizar documentos, proporciona secciones con nombre y criterios de comparación claros. Un ejemplo de instrucciones es: «Extrae los requisitos, identifica cuáles aborda esta propuesta y cita el pasaje correspondiente para cada hallazgo. Termina con una lista breve de los detalles faltantes».
Las tareas de redacción y edición se benefician de un público, un tono y un conjunto de hechos que deben conservarse explícitos. Pide un resumen, una reescritura, una traducción o una explicación e indica los nombres y la terminología obligatorios. Una lista de campos solicitada o una respuesta con forma de JSON sigue siendo contenido generado que debe revisarse; el nombre del modelo por sí solo no acredita el mecanismo de salida estructurada o de ejecución de herramientas de la aplicación que lo integra. Si una aplicación proporciona herramientas, distingue cada observación devuelta de la acción que el modelo propuso.
El fabricante publica material del modelo en FP8 y describe otras opciones de precisión o ejecución en su referencia. Esas decisiones de implementación son independientes de la tarea basada en fuentes y no deben deducirse del nombre de modelo mostrado. La salida del modelo puede ser código, pero generar ese código no lo ejecuta; una explicación de una fuente no demuestra que se haya hecho una consulta externa. Utiliza pasajes de fuentes reales y resultados observados de la aplicación cuando la respuesta necesite esa evidencia.
Para obtener un resultado útil, define el entregable final y las condiciones para considerarlo completo. Separa los hallazgos respaldados por fuentes, las suposiciones y los cambios propuestos; después, revisa la respuesta generada frente al material proporcionado. Una conversación más larga puede afinar una parte del borrador y conservar los hechos y restricciones aprobados. El entregable es un texto o código revisable para la tarea indicada, que conserva la identidad del V3 original sin adoptar silenciosamente los controles de una edición posterior.
", "aboutText": "DeepSeek V3 es el modelo de texto original de DeepSeek con mezcla de expertos para tareas generales de lenguaje, programación y razonamiento. Recibe instrucciones escritas y contexto de texto y devuelve una respuesta, un borrador, una explicación o código. La ficha del modelo indica 671 mil millones de parámetros totales del modelo principal, con 37 mil millones activos por cada token. El V3 original conserva una identidad diferenciada de V3-0324, V3.1 y V3.2, cuyas actualizaciones incorporan sus propias funciones y pautas de instrucciones.\n\nSu arquitectura combina Multi-head Latent Attention con DeepSeekMoE. La atención latente comprime la información que utiliza la atención, mientras que la selección dispersa de expertos activa solo una parte del modelo para cada token. V3 también introduce equilibrio de carga sin pérdida auxiliar y un objetivo de entrenamiento de predicción de varios tokens. El paquete de modelo publicado incluye un módulo independiente de predicción de varios tokens con 14 mil millones de parámetros, además del modelo principal de 671 mil millones de parámetros, lo que explica por qué los totales del paquete pueden diferir del recuento de la arquitectura del modelo principal.\n\nDeepSeek preentrena V3 con 14.8 billones de tokens y después utiliza ajuste fino supervisado y aprendizaje por refuerzo. El proceso de posentrenamiento incorpora patrones de verificación y reflexión de la familia R1 en una respuesta de modelo de lenguaje estándar, a la vez que controla el estilo y la longitud de la salida. Se trata de una aportación del entrenamiento, distinta de elegir R1 en sí o la posterior plantilla de pensamiento híbrido de V3.1. Prepara el formato de respuesta final que necesitas, en lugar de suponer que una edición presenta el razonamiento como otra.\n\nLa tabla de modelos del productor indica un contexto de 128K tanto para V3 Base como para la edición V3 con posentrenamiento. Ese contexto permite combinar una pregunta con una cantidad considerable de documentos o código, aunque el historial de conversación y la respuesta también necesitan espacio. Etiqueta las fuentes e identifica la pregunta pertinente. Una ventana de contexto es un límite de capacidad, no una instrucción para enviar material sin relación o pedir una respuesta innecesariamente larga.\n\nPara una tarea práctica de programación, proporciona la función pertinente, el comportamiento esperado, las restricciones importantes y la entrada que demuestra el problema. Pide una corrección propuesta y una explicación vinculada al código proporcionado. Para analizar documentos, proporciona secciones con nombre y criterios de comparación claros. Un ejemplo de instrucciones es: «Extrae los requisitos, identifica cuáles aborda esta propuesta y cita el pasaje correspondiente para cada hallazgo. Termina con una lista breve de los detalles faltantes».\n\nLas tareas de redacción y edición se benefician de un público, un tono y un conjunto de hechos que deben conservarse explícitos. Pide un resumen, una reescritura, una traducción o una explicación e indica los nombres y la terminología obligatorios. Una lista de campos solicitada o una respuesta con forma de JSON sigue siendo contenido generado que debe revisarse; el nombre del modelo por sí solo no acredita el mecanismo de salida estructurada o de ejecución de herramientas de la aplicación que lo integra. Si una aplicación proporciona herramientas, distingue cada observación devuelta de la acción que el modelo propuso.\n\nEl fabricante publica material del modelo en FP8 y describe otras opciones de precisión o ejecución en su referencia. Esas decisiones de implementación son independientes de la tarea basada en fuentes y no deben deducirse del nombre de modelo mostrado. La salida del modelo puede ser código, pero generar ese código no lo ejecuta; una explicación de una fuente no demuestra que se haya hecho una consulta externa. Utiliza pasajes de fuentes reales y resultados observados de la aplicación cuando la respuesta necesite esa evidencia.\n\nPara obtener un resultado útil, define el entregable final y las condiciones para considerarlo completo. Separa los hallazgos respaldados por fuentes, las suposiciones y los cambios propuestos; después, revisa la respuesta generada frente al material proporcionado. Una conversación más larga puede afinar una parte del borrador y conservar los hechos y restricciones aprobados. El entregable es un texto o código revisable para la tarea indicada, que conserva la identidad del V3 original sin adoptar silenciosamente los controles de una edición posterior.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "4dce9dad8d5772f854bb6428a67a89daa8484aedb477124a12a5631b7355251f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "deepseek-chatDeepSeek V3 es el modelo de texto original de DeepSeek para programación, redacción, preguntas y análisis basado en fuentes. Su arquitectura de mezcla de expertos tiene 671B parámetros totales y 37B activos, un contexto de 128K y un posentrenamiento que incorpora patrones de razonamiento de R1.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
DeepSeek V3 es el modelo de texto original de DeepSeek con mezcla de expertos para tareas generales de lenguaje, programación y razonamiento. Recibe instrucciones escritas y contexto de texto y devuelve una respuesta, un borrador, una explicación o código. La ficha del modelo indica 671 mil millones de parámetros totales del modelo principal, con 37 mil millones activos por cada token. El V3 original conserva una identidad diferenciada de V3-0324, V3.1 y V3.2, cuyas actualizaciones incorporan sus propias funciones y pautas de instrucciones.
Su arquitectura combina Multi-head Latent Attention con DeepSeekMoE. La atención latente comprime la información que utiliza la atención, mientras que la selección dispersa de expertos activa solo una parte del modelo para cada token. V3 también introduce equilibrio de carga sin pérdida auxiliar y un objetivo de entrenamiento de predicción de varios tokens. El paquete de modelo publicado incluye un módulo independiente de predicción de varios tokens con 14 mil millones de parámetros, además del modelo principal de 671 mil millones de parámetros, lo que explica por qué los totales del paquete pueden diferir del recuento de la arquitectura del modelo principal.
DeepSeek preentrena V3 con 14.8 billones de tokens y después utiliza ajuste fino supervisado y aprendizaje por refuerzo. El proceso de posentrenamiento incorpora patrones de verificación y reflexión de la familia R1 en una respuesta de modelo de lenguaje estándar, a la vez que controla el estilo y la longitud de la salida. Se trata de una aportación del entrenamiento, distinta de elegir R1 en sí o la posterior plantilla de pensamiento híbrido de V3.1. Prepara el formato de respuesta final que necesitas, en lugar de suponer que una edición presenta el razonamiento como otra.
La tabla de modelos del productor indica un contexto de 128K tanto para V3 Base como para la edición V3 con posentrenamiento. Ese contexto permite combinar una pregunta con una cantidad considerable de documentos o código, aunque el historial de conversación y la respuesta también necesitan espacio. Etiqueta las fuentes e identifica la pregunta pertinente. Una ventana de contexto es un límite de capacidad, no una instrucción para enviar material sin relación o pedir una respuesta innecesariamente larga.
Para una tarea práctica de programación, proporciona la función pertinente, el comportamiento esperado, las restricciones importantes y la entrada que demuestra el problema. Pide una corrección propuesta y una explicación vinculada al código proporcionado. Para analizar documentos, proporciona secciones con nombre y criterios de comparación claros. Un ejemplo de instrucciones es: «Extrae los requisitos, identifica cuáles aborda esta propuesta y cita el pasaje correspondiente para cada hallazgo. Termina con una lista breve de los detalles faltantes».
Las tareas de redacción y edición se benefician de un público, un tono y un conjunto de hechos que deben conservarse explícitos. Pide un resumen, una reescritura, una traducción o una explicación e indica los nombres y la terminología obligatorios. Una lista de campos solicitada o una respuesta con forma de JSON sigue siendo contenido generado que debe revisarse; el nombre del modelo por sí solo no acredita el mecanismo de salida estructurada o de ejecución de herramientas de la aplicación que lo integra. Si una aplicación proporciona herramientas, distingue cada observación devuelta de la acción que el modelo propuso.
El fabricante publica material del modelo en FP8 y describe otras opciones de precisión o ejecución en su referencia. Esas decisiones de implementación son independientes de la tarea basada en fuentes y no deben deducirse del nombre de modelo mostrado. La salida del modelo puede ser código, pero generar ese código no lo ejecuta; una explicación de una fuente no demuestra que se haya hecho una consulta externa. Utiliza pasajes de fuentes reales y resultados observados de la aplicación cuando la respuesta necesite esa evidencia.
Para obtener un resultado útil, define el entregable final y las condiciones para considerarlo completo. Separa los hallazgos respaldados por fuentes, las suposiciones y los cambios propuestos; después, revisa la respuesta generada frente al material proporcionado. Una conversación más larga puede afinar una parte del borrador y conservar los hechos y restricciones aprobados. El entregable es un texto o código revisable para la tarea indicada, que conserva la identidad del V3 original sin adoptar silenciosamente los controles de una edición posterior.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites deepseek-chat | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Conversación textual | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream |
Parámetrocontrol_scope | ContratoConversación textual; stream es un booleano y su valor predeterminado es false. |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Alias de método: /chat/completions
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.00064 / 1K tokens Salida · Tokens de salida $0.00178 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"deepseek-chat","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="deepseek-chat", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek-chatDeepSeek V3 es el modelo de texto original de DeepSeek para programación, redacción, preguntas y análisis basado en fuentes. Su arquitectura de mezcla de expertos tiene 671B parámetros totales y 37B activos, un contexto de 128K y un posentrenamiento que incorpora patrones de razonamiento de R1.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
DeepSeek V3 es el modelo de texto original de DeepSeek con mezcla de expertos para tareas generales de lenguaje, programación y razonamiento. Recibe instrucciones escritas y contexto de texto y devuelve una respuesta, un borrador, una explicación o código. La ficha del modelo indica 671 mil millones de parámetros totales del modelo principal, con 37 mil millones activos por cada token. El V3 original conserva una identidad diferenciada de V3-0324, V3.1 y V3.2, cuyas actualizaciones incorporan sus propias funciones y pautas de instrucciones.
Su arquitectura combina Multi-head Latent Attention con DeepSeekMoE. La atención latente comprime la información que utiliza la atención, mientras que la selección dispersa de expertos activa solo una parte del modelo para cada token. V3 también introduce equilibrio de carga sin pérdida auxiliar y un objetivo de entrenamiento de predicción de varios tokens. El paquete de modelo publicado incluye un módulo independiente de predicción de varios tokens con 14 mil millones de parámetros, además del modelo principal de 671 mil millones de parámetros, lo que explica por qué los totales del paquete pueden diferir del recuento de la arquitectura del modelo principal.
DeepSeek preentrena V3 con 14.8 billones de tokens y después utiliza ajuste fino supervisado y aprendizaje por refuerzo. El proceso de posentrenamiento incorpora patrones de verificación y reflexión de la familia R1 en una respuesta de modelo de lenguaje estándar, a la vez que controla el estilo y la longitud de la salida. Se trata de una aportación del entrenamiento, distinta de elegir R1 en sí o la posterior plantilla de pensamiento híbrido de V3.1. Prepara el formato de respuesta final que necesitas, en lugar de suponer que una edición presenta el razonamiento como otra.
La tabla de modelos del productor indica un contexto de 128K tanto para V3 Base como para la edición V3 con posentrenamiento. Ese contexto permite combinar una pregunta con una cantidad considerable de documentos o código, aunque el historial de conversación y la respuesta también necesitan espacio. Etiqueta las fuentes e identifica la pregunta pertinente. Una ventana de contexto es un límite de capacidad, no una instrucción para enviar material sin relación o pedir una respuesta innecesariamente larga.
Para una tarea práctica de programación, proporciona la función pertinente, el comportamiento esperado, las restricciones importantes y la entrada que demuestra el problema. Pide una corrección propuesta y una explicación vinculada al código proporcionado. Para analizar documentos, proporciona secciones con nombre y criterios de comparación claros. Un ejemplo de instrucciones es: «Extrae los requisitos, identifica cuáles aborda esta propuesta y cita el pasaje correspondiente para cada hallazgo. Termina con una lista breve de los detalles faltantes».
Las tareas de redacción y edición se benefician de un público, un tono y un conjunto de hechos que deben conservarse explícitos. Pide un resumen, una reescritura, una traducción o una explicación e indica los nombres y la terminología obligatorios. Una lista de campos solicitada o una respuesta con forma de JSON sigue siendo contenido generado que debe revisarse; el nombre del modelo por sí solo no acredita el mecanismo de salida estructurada o de ejecución de herramientas de la aplicación que lo integra. Si una aplicación proporciona herramientas, distingue cada observación devuelta de la acción que el modelo propuso.
El fabricante publica material del modelo en FP8 y describe otras opciones de precisión o ejecución en su referencia. Esas decisiones de implementación son independientes de la tarea basada en fuentes y no deben deducirse del nombre de modelo mostrado. La salida del modelo puede ser código, pero generar ese código no lo ejecuta; una explicación de una fuente no demuestra que se haya hecho una consulta externa. Utiliza pasajes de fuentes reales y resultados observados de la aplicación cuando la respuesta necesite esa evidencia.
Para obtener un resultado útil, define el entregable final y las condiciones para considerarlo completo. Separa los hallazgos respaldados por fuentes, las suposiciones y los cambios propuestos; después, revisa la respuesta generada frente al material proporcionado. Una conversación más larga puede afinar una parte del borrador y conservar los hechos y restricciones aprobados. El entregable es un texto o código revisable para la tarea indicada, que conserva la identidad del V3 original sin adoptar silenciosamente los controles de una edición posterior.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites deepseek-chat | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.00064 / 1K tokens Salida · Tokens de salida $0.00178 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 es el modelo de texto original de DeepSeek para programación, redacción, preguntas y análisis basado en fuentes. Su arquitectura de mezcla de expertos tiene 671B parámetros totales y 37B activos, un contexto de 128K y un posentrenamiento que incorpora patrones de razonamiento de R1.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
DeepSeek V3 es el modelo de texto original de DeepSeek con mezcla de expertos para tareas generales de lenguaje, programación y razonamiento. Recibe instrucciones escritas y contexto de texto y devuelve una respuesta, un borrador, una explicación o código. La ficha del modelo indica 671 mil millones de parámetros totales del modelo principal, con 37 mil millones activos por cada token. El V3 original conserva una identidad diferenciada de V3-0324, V3.1 y V3.2, cuyas actualizaciones incorporan sus propias funciones y pautas de instrucciones.
Su arquitectura combina Multi-head Latent Attention con DeepSeekMoE. La atención latente comprime la información que utiliza la atención, mientras que la selección dispersa de expertos activa solo una parte del modelo para cada token. V3 también introduce equilibrio de carga sin pérdida auxiliar y un objetivo de entrenamiento de predicción de varios tokens. El paquete de modelo publicado incluye un módulo independiente de predicción de varios tokens con 14 mil millones de parámetros, además del modelo principal de 671 mil millones de parámetros, lo que explica por qué los totales del paquete pueden diferir del recuento de la arquitectura del modelo principal.
DeepSeek preentrena V3 con 14.8 billones de tokens y después utiliza ajuste fino supervisado y aprendizaje por refuerzo. El proceso de posentrenamiento incorpora patrones de verificación y reflexión de la familia R1 en una respuesta de modelo de lenguaje estándar, a la vez que controla el estilo y la longitud de la salida. Se trata de una aportación del entrenamiento, distinta de elegir R1 en sí o la posterior plantilla de pensamiento híbrido de V3.1. Prepara el formato de respuesta final que necesitas, en lugar de suponer que una edición presenta el razonamiento como otra.
La tabla de modelos del productor indica un contexto de 128K tanto para V3 Base como para la edición V3 con posentrenamiento. Ese contexto permite combinar una pregunta con una cantidad considerable de documentos o código, aunque el historial de conversación y la respuesta también necesitan espacio. Etiqueta las fuentes e identifica la pregunta pertinente. Una ventana de contexto es un límite de capacidad, no una instrucción para enviar material sin relación o pedir una respuesta innecesariamente larga.
Para una tarea práctica de programación, proporciona la función pertinente, el comportamiento esperado, las restricciones importantes y la entrada que demuestra el problema. Pide una corrección propuesta y una explicación vinculada al código proporcionado. Para analizar documentos, proporciona secciones con nombre y criterios de comparación claros. Un ejemplo de instrucciones es: «Extrae los requisitos, identifica cuáles aborda esta propuesta y cita el pasaje correspondiente para cada hallazgo. Termina con una lista breve de los detalles faltantes».
Las tareas de redacción y edición se benefician de un público, un tono y un conjunto de hechos que deben conservarse explícitos. Pide un resumen, una reescritura, una traducción o una explicación e indica los nombres y la terminología obligatorios. Una lista de campos solicitada o una respuesta con forma de JSON sigue siendo contenido generado que debe revisarse; el nombre del modelo por sí solo no acredita el mecanismo de salida estructurada o de ejecución de herramientas de la aplicación que lo integra. Si una aplicación proporciona herramientas, distingue cada observación devuelta de la acción que el modelo propuso.
El fabricante publica material del modelo en FP8 y describe otras opciones de precisión o ejecución en su referencia. Esas decisiones de implementación son independientes de la tarea basada en fuentes y no deben deducirse del nombre de modelo mostrado. La salida del modelo puede ser código, pero generar ese código no lo ejecuta; una explicación de una fuente no demuestra que se haya hecho una consulta externa. Utiliza pasajes de fuentes reales y resultados observados de la aplicación cuando la respuesta necesite esa evidencia.
Para obtener un resultado útil, define el entregable final y las condiciones para considerarlo completo. Separa los hallazgos respaldados por fuentes, las suposiciones y los cambios propuestos; después, revisa la respuesta generada frente al material proporcionado. Una conversación más larga puede afinar una parte del borrador y conservar los hechos y restricciones aprobados. El entregable es un texto o código revisable para la tarea indicada, que conserva la identidad del V3 original sin adoptar silenciosamente los controles de una edición posterior.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites deepseek/deepseek-chat | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Conversación textual | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream |
Parámetrocontrol_scope | ContratoConversación textual; stream es un booleano y su valor predeterminado es false. |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Alias de método: /chat/completions
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.00064 / 1K tokens Salida · Tokens de salida $0.00178 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"deepseek/deepseek-chat","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="deepseek/deepseek-chat", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 es el modelo de texto original de DeepSeek para programación, redacción, preguntas y análisis basado en fuentes. Su arquitectura de mezcla de expertos tiene 671B parámetros totales y 37B activos, un contexto de 128K y un posentrenamiento que incorpora patrones de razonamiento de R1.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
DeepSeek V3 es el modelo de texto original de DeepSeek con mezcla de expertos para tareas generales de lenguaje, programación y razonamiento. Recibe instrucciones escritas y contexto de texto y devuelve una respuesta, un borrador, una explicación o código. La ficha del modelo indica 671 mil millones de parámetros totales del modelo principal, con 37 mil millones activos por cada token. El V3 original conserva una identidad diferenciada de V3-0324, V3.1 y V3.2, cuyas actualizaciones incorporan sus propias funciones y pautas de instrucciones.
Su arquitectura combina Multi-head Latent Attention con DeepSeekMoE. La atención latente comprime la información que utiliza la atención, mientras que la selección dispersa de expertos activa solo una parte del modelo para cada token. V3 también introduce equilibrio de carga sin pérdida auxiliar y un objetivo de entrenamiento de predicción de varios tokens. El paquete de modelo publicado incluye un módulo independiente de predicción de varios tokens con 14 mil millones de parámetros, además del modelo principal de 671 mil millones de parámetros, lo que explica por qué los totales del paquete pueden diferir del recuento de la arquitectura del modelo principal.
DeepSeek preentrena V3 con 14.8 billones de tokens y después utiliza ajuste fino supervisado y aprendizaje por refuerzo. El proceso de posentrenamiento incorpora patrones de verificación y reflexión de la familia R1 en una respuesta de modelo de lenguaje estándar, a la vez que controla el estilo y la longitud de la salida. Se trata de una aportación del entrenamiento, distinta de elegir R1 en sí o la posterior plantilla de pensamiento híbrido de V3.1. Prepara el formato de respuesta final que necesitas, en lugar de suponer que una edición presenta el razonamiento como otra.
La tabla de modelos del productor indica un contexto de 128K tanto para V3 Base como para la edición V3 con posentrenamiento. Ese contexto permite combinar una pregunta con una cantidad considerable de documentos o código, aunque el historial de conversación y la respuesta también necesitan espacio. Etiqueta las fuentes e identifica la pregunta pertinente. Una ventana de contexto es un límite de capacidad, no una instrucción para enviar material sin relación o pedir una respuesta innecesariamente larga.
Para una tarea práctica de programación, proporciona la función pertinente, el comportamiento esperado, las restricciones importantes y la entrada que demuestra el problema. Pide una corrección propuesta y una explicación vinculada al código proporcionado. Para analizar documentos, proporciona secciones con nombre y criterios de comparación claros. Un ejemplo de instrucciones es: «Extrae los requisitos, identifica cuáles aborda esta propuesta y cita el pasaje correspondiente para cada hallazgo. Termina con una lista breve de los detalles faltantes».
Las tareas de redacción y edición se benefician de un público, un tono y un conjunto de hechos que deben conservarse explícitos. Pide un resumen, una reescritura, una traducción o una explicación e indica los nombres y la terminología obligatorios. Una lista de campos solicitada o una respuesta con forma de JSON sigue siendo contenido generado que debe revisarse; el nombre del modelo por sí solo no acredita el mecanismo de salida estructurada o de ejecución de herramientas de la aplicación que lo integra. Si una aplicación proporciona herramientas, distingue cada observación devuelta de la acción que el modelo propuso.
El fabricante publica material del modelo en FP8 y describe otras opciones de precisión o ejecución en su referencia. Esas decisiones de implementación son independientes de la tarea basada en fuentes y no deben deducirse del nombre de modelo mostrado. La salida del modelo puede ser código, pero generar ese código no lo ejecuta; una explicación de una fuente no demuestra que se haya hecho una consulta externa. Utiliza pasajes de fuentes reales y resultados observados de la aplicación cuando la respuesta necesite esa evidencia.
Para obtener un resultado útil, define el entregable final y las condiciones para considerarlo completo. Separa los hallazgos respaldados por fuentes, las suposiciones y los cambios propuestos; después, revisa la respuesta generada frente al material proporcionado. Una conversación más larga puede afinar una parte del borrador y conservar los hechos y restricciones aprobados. El entregable es un texto o código revisable para la tarea indicada, que conserva la identidad del V3 original sin adoptar silenciosamente los controles de una edición posterior.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites deepseek/deepseek-chat | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.00064 / 1K tokens Salida · Tokens de salida $0.00178 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "deepseek/deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions