DeepSeek V3 es el modelo de texto original de DeepSeek con arquitectura de mezcla de expertos para lenguaje general, programación y razonamiento. Recibe instrucciones escritas y contexto textual y devuelve una respuesta, un borrador, una explicación o código. Su ficha indica 671 mil millones de parámetros totales en el modelo principal, con 37 mil millones activos para cada token. El V3 original sigue siendo una edición distinta de V3-0324, V3.1 y V3.2, cuyas actualizaciones incorporan sus propias funciones y perfiles de instrucciones.
Su arquitectura combina Multi-head Latent Attention con DeepSeekMoE. La atención latente comprime la información utilizada por la atención, mientras que la selección dispersa de expertos activa solo una parte del modelo para cada token. V3 también introduce un equilibrado de carga sin pérdida auxiliar y un objetivo de entrenamiento de predicción de varios tokens. El paquete publicado incluye un módulo independiente de predicción de varios tokens de 14 mil millones de parámetros, además del modelo principal de 671 mil millones; esto explica por qué el total del paquete puede diferir del recuento de la arquitectura principal.
DeepSeek preentrena V3 con 14.8 billones de tokens y después utiliza ajuste fino supervisado y aprendizaje por refuerzo. El posentrenamiento incorpora patrones de verificación y reflexión de la familia R1 en una respuesta estándar de modelo de lenguaje, controlando a la vez el estilo y la longitud de la salida. Es una aportación del entrenamiento, distinta de seleccionar el propio R1 o la posterior plantilla de pensamiento híbrido de V3.1. Prepara el formato de respuesta final que necesitas, en lugar de dar por supuesta la presentación del razonamiento de otra edición.
La tabla de modelos del productor asigna un contexto de 128K tanto a V3 Base como a la edición V3 posentrenada. 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 facilitado. Para analizar documentos, aporta secciones identificadas y criterios de comparación claros. Un ejemplo de encargo sería: «Extrae los requisitos, identifica cuáles aborda esta propuesta y cita el pasaje correspondiente para cada hallazgo. Termina con una lista breve de los detalles que faltan».
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 términos 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 ejecución de herramientas de una aplicación. Si esta proporciona herramientas, mantén cada observación devuelta diferenciada 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. Estas decisiones de implementación son independientes de la tarea basada en las fuentes y no deben deducirse del nombre mostrado del modelo. La salida puede ser código, pero generarlo no lo ejecuta; explicar una fuente no demuestra que se haya realizado una consulta externa. Utiliza pasajes reales de las fuentes y resultados observados de la aplicación cuando la respuesta necesite esas pruebas.
Para obtener un resultado útil, define el producto final y las condiciones que determinan cuándo está completo. Mantén separados los hallazgos respaldados por las fuentes, las suposiciones y los cambios propuestos; después revisa la respuesta generada frente al material proporcionado. Una conversación más larga permite perfeccionar una parte del borrador preservando los hechos y las restricciones aprobados. El entregable es un texto o código revisable para la tarea indicada, que conserva la identidad del V3 original sin tomar de forma implícita los controles de una edición posterior.
", "aboutText": "DeepSeek V3 es el modelo de texto original de DeepSeek con arquitectura de mezcla de expertos para lenguaje general, programación y razonamiento. Recibe instrucciones escritas y contexto textual y devuelve una respuesta, un borrador, una explicación o código. Su ficha indica 671 mil millones de parámetros totales en el modelo principal, con 37 mil millones activos para cada token. El V3 original sigue siendo una edición distinta de V3-0324, V3.1 y V3.2, cuyas actualizaciones incorporan sus propias funciones y perfiles de instrucciones.\n\nSu arquitectura combina Multi-head Latent Attention con DeepSeekMoE. La atención latente comprime la información utilizada por la atención, mientras que la selección dispersa de expertos activa solo una parte del modelo para cada token. V3 también introduce un equilibrado de carga sin pérdida auxiliar y un objetivo de entrenamiento de predicción de varios tokens. El paquete publicado incluye un módulo independiente de predicción de varios tokens de 14 mil millones de parámetros, además del modelo principal de 671 mil millones; esto explica por qué el total del paquete puede diferir del recuento de la arquitectura principal.\n\nDeepSeek preentrena V3 con 14.8 billones de tokens y después utiliza ajuste fino supervisado y aprendizaje por refuerzo. El posentrenamiento incorpora patrones de verificación y reflexión de la familia R1 en una respuesta estándar de modelo de lenguaje, controlando a la vez el estilo y la longitud de la salida. Es una aportación del entrenamiento, distinta de seleccionar el propio R1 o la posterior plantilla de pensamiento híbrido de V3.1. Prepara el formato de respuesta final que necesitas, en lugar de dar por supuesta la presentación del razonamiento de otra edición.\n\nLa tabla de modelos del productor asigna un contexto de 128K tanto a V3 Base como a la edición V3 posentrenada. 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 facilitado. Para analizar documentos, aporta secciones identificadas y criterios de comparación claros. Un ejemplo de encargo sería: «Extrae los requisitos, identifica cuáles aborda esta propuesta y cita el pasaje correspondiente para cada hallazgo. Termina con una lista breve de los detalles que faltan».\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 términos 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 ejecución de herramientas de una aplicación. Si esta proporciona herramientas, mantén cada observación devuelta diferenciada 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. Estas decisiones de implementación son independientes de la tarea basada en las fuentes y no deben deducirse del nombre mostrado del modelo. La salida puede ser código, pero generarlo no lo ejecuta; explicar una fuente no demuestra que se haya realizado una consulta externa. Utiliza pasajes reales de las fuentes y resultados observados de la aplicación cuando la respuesta necesite esas pruebas.\n\nPara obtener un resultado útil, define el producto final y las condiciones que determinan cuándo está completo. Mantén separados los hallazgos respaldados por las fuentes, las suposiciones y los cambios propuestos; después revisa la respuesta generada frente al material proporcionado. Una conversación más larga permite perfeccionar una parte del borrador preservando los hechos y las restricciones aprobados. El entregable es un texto o código revisable para la tarea indicada, que conserva la identidad del V3 original sin tomar de forma implícita los controles de una edición posterior.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a33ad42db577d92e3a65b9f74bde404b83a52ea20ac8a23dd75553a6e8cebb86", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "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 arquitectura de mezcla de expertos para lenguaje general, programación y razonamiento. Recibe instrucciones escritas y contexto textual y devuelve una respuesta, un borrador, una explicación o código. Su ficha indica 671 mil millones de parámetros totales en el modelo principal, con 37 mil millones activos para cada token. El V3 original sigue siendo una edición distinta de V3-0324, V3.1 y V3.2, cuyas actualizaciones incorporan sus propias funciones y perfiles de instrucciones.
Su arquitectura combina Multi-head Latent Attention con DeepSeekMoE. La atención latente comprime la información utilizada por la atención, mientras que la selección dispersa de expertos activa solo una parte del modelo para cada token. V3 también introduce un equilibrado de carga sin pérdida auxiliar y un objetivo de entrenamiento de predicción de varios tokens. El paquete publicado incluye un módulo independiente de predicción de varios tokens de 14 mil millones de parámetros, además del modelo principal de 671 mil millones; esto explica por qué el total del paquete puede diferir del recuento de la arquitectura principal.
DeepSeek preentrena V3 con 14.8 billones de tokens y después utiliza ajuste fino supervisado y aprendizaje por refuerzo. El posentrenamiento incorpora patrones de verificación y reflexión de la familia R1 en una respuesta estándar de modelo de lenguaje, controlando a la vez el estilo y la longitud de la salida. Es una aportación del entrenamiento, distinta de seleccionar el propio R1 o la posterior plantilla de pensamiento híbrido de V3.1. Prepara el formato de respuesta final que necesitas, en lugar de dar por supuesta la presentación del razonamiento de otra edición.
La tabla de modelos del productor asigna un contexto de 128K tanto a V3 Base como a la edición V3 posentrenada. 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 facilitado. Para analizar documentos, aporta secciones identificadas y criterios de comparación claros. Un ejemplo de encargo sería: «Extrae los requisitos, identifica cuáles aborda esta propuesta y cita el pasaje correspondiente para cada hallazgo. Termina con una lista breve de los detalles que faltan».
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 términos 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 ejecución de herramientas de una aplicación. Si esta proporciona herramientas, mantén cada observación devuelta diferenciada 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. Estas decisiones de implementación son independientes de la tarea basada en las fuentes y no deben deducirse del nombre mostrado del modelo. La salida puede ser código, pero generarlo no lo ejecuta; explicar una fuente no demuestra que se haya realizado una consulta externa. Utiliza pasajes reales de las fuentes y resultados observados de la aplicación cuando la respuesta necesite esas pruebas.
Para obtener un resultado útil, define el producto final y las condiciones que determinan cuándo está completo. Mantén separados los hallazgos respaldados por las fuentes, las suposiciones y los cambios propuestos; después revisa la respuesta generada frente al material proporcionado. Una conversación más larga permite perfeccionar una parte del borrador preservando los hechos y las restricciones aprobados. El entregable es un texto o código revisable para la tarea indicada, que conserva la identidad del V3 original sin tomar de forma implícita 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 $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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 las cabeceras. 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 arquitectura de mezcla de expertos para lenguaje general, programación y razonamiento. Recibe instrucciones escritas y contexto textual y devuelve una respuesta, un borrador, una explicación o código. Su ficha indica 671 mil millones de parámetros totales en el modelo principal, con 37 mil millones activos para cada token. El V3 original sigue siendo una edición distinta de V3-0324, V3.1 y V3.2, cuyas actualizaciones incorporan sus propias funciones y perfiles de instrucciones.
Su arquitectura combina Multi-head Latent Attention con DeepSeekMoE. La atención latente comprime la información utilizada por la atención, mientras que la selección dispersa de expertos activa solo una parte del modelo para cada token. V3 también introduce un equilibrado de carga sin pérdida auxiliar y un objetivo de entrenamiento de predicción de varios tokens. El paquete publicado incluye un módulo independiente de predicción de varios tokens de 14 mil millones de parámetros, además del modelo principal de 671 mil millones; esto explica por qué el total del paquete puede diferir del recuento de la arquitectura principal.
DeepSeek preentrena V3 con 14.8 billones de tokens y después utiliza ajuste fino supervisado y aprendizaje por refuerzo. El posentrenamiento incorpora patrones de verificación y reflexión de la familia R1 en una respuesta estándar de modelo de lenguaje, controlando a la vez el estilo y la longitud de la salida. Es una aportación del entrenamiento, distinta de seleccionar el propio R1 o la posterior plantilla de pensamiento híbrido de V3.1. Prepara el formato de respuesta final que necesitas, en lugar de dar por supuesta la presentación del razonamiento de otra edición.
La tabla de modelos del productor asigna un contexto de 128K tanto a V3 Base como a la edición V3 posentrenada. 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 facilitado. Para analizar documentos, aporta secciones identificadas y criterios de comparación claros. Un ejemplo de encargo sería: «Extrae los requisitos, identifica cuáles aborda esta propuesta y cita el pasaje correspondiente para cada hallazgo. Termina con una lista breve de los detalles que faltan».
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 términos 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 ejecución de herramientas de una aplicación. Si esta proporciona herramientas, mantén cada observación devuelta diferenciada 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. Estas decisiones de implementación son independientes de la tarea basada en las fuentes y no deben deducirse del nombre mostrado del modelo. La salida puede ser código, pero generarlo no lo ejecuta; explicar una fuente no demuestra que se haya realizado una consulta externa. Utiliza pasajes reales de las fuentes y resultados observados de la aplicación cuando la respuesta necesite esas pruebas.
Para obtener un resultado útil, define el producto final y las condiciones que determinan cuándo está completo. Mantén separados los hallazgos respaldados por las fuentes, las suposiciones y los cambios propuestos; después revisa la respuesta generada frente al material proporcionado. Una conversación más larga permite perfeccionar una parte del borrador preservando los hechos y las restricciones aprobados. El entregable es un texto o código revisable para la tarea indicada, que conserva la identidad del V3 original sin tomar de forma implícita 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 $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 las cabeceras. 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 arquitectura de mezcla de expertos para lenguaje general, programación y razonamiento. Recibe instrucciones escritas y contexto textual y devuelve una respuesta, un borrador, una explicación o código. Su ficha indica 671 mil millones de parámetros totales en el modelo principal, con 37 mil millones activos para cada token. El V3 original sigue siendo una edición distinta de V3-0324, V3.1 y V3.2, cuyas actualizaciones incorporan sus propias funciones y perfiles de instrucciones.
Su arquitectura combina Multi-head Latent Attention con DeepSeekMoE. La atención latente comprime la información utilizada por la atención, mientras que la selección dispersa de expertos activa solo una parte del modelo para cada token. V3 también introduce un equilibrado de carga sin pérdida auxiliar y un objetivo de entrenamiento de predicción de varios tokens. El paquete publicado incluye un módulo independiente de predicción de varios tokens de 14 mil millones de parámetros, además del modelo principal de 671 mil millones; esto explica por qué el total del paquete puede diferir del recuento de la arquitectura principal.
DeepSeek preentrena V3 con 14.8 billones de tokens y después utiliza ajuste fino supervisado y aprendizaje por refuerzo. El posentrenamiento incorpora patrones de verificación y reflexión de la familia R1 en una respuesta estándar de modelo de lenguaje, controlando a la vez el estilo y la longitud de la salida. Es una aportación del entrenamiento, distinta de seleccionar el propio R1 o la posterior plantilla de pensamiento híbrido de V3.1. Prepara el formato de respuesta final que necesitas, en lugar de dar por supuesta la presentación del razonamiento de otra edición.
La tabla de modelos del productor asigna un contexto de 128K tanto a V3 Base como a la edición V3 posentrenada. 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 facilitado. Para analizar documentos, aporta secciones identificadas y criterios de comparación claros. Un ejemplo de encargo sería: «Extrae los requisitos, identifica cuáles aborda esta propuesta y cita el pasaje correspondiente para cada hallazgo. Termina con una lista breve de los detalles que faltan».
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 términos 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 ejecución de herramientas de una aplicación. Si esta proporciona herramientas, mantén cada observación devuelta diferenciada 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. Estas decisiones de implementación son independientes de la tarea basada en las fuentes y no deben deducirse del nombre mostrado del modelo. La salida puede ser código, pero generarlo no lo ejecuta; explicar una fuente no demuestra que se haya realizado una consulta externa. Utiliza pasajes reales de las fuentes y resultados observados de la aplicación cuando la respuesta necesite esas pruebas.
Para obtener un resultado útil, define el producto final y las condiciones que determinan cuándo está completo. Mantén separados los hallazgos respaldados por las fuentes, las suposiciones y los cambios propuestos; después revisa la respuesta generada frente al material proporcionado. Una conversación más larga permite perfeccionar una parte del borrador preservando los hechos y las restricciones aprobados. El entregable es un texto o código revisable para la tarea indicada, que conserva la identidad del V3 original sin tomar de forma implícita 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 $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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 las cabeceras. 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 arquitectura de mezcla de expertos para lenguaje general, programación y razonamiento. Recibe instrucciones escritas y contexto textual y devuelve una respuesta, un borrador, una explicación o código. Su ficha indica 671 mil millones de parámetros totales en el modelo principal, con 37 mil millones activos para cada token. El V3 original sigue siendo una edición distinta de V3-0324, V3.1 y V3.2, cuyas actualizaciones incorporan sus propias funciones y perfiles de instrucciones.
Su arquitectura combina Multi-head Latent Attention con DeepSeekMoE. La atención latente comprime la información utilizada por la atención, mientras que la selección dispersa de expertos activa solo una parte del modelo para cada token. V3 también introduce un equilibrado de carga sin pérdida auxiliar y un objetivo de entrenamiento de predicción de varios tokens. El paquete publicado incluye un módulo independiente de predicción de varios tokens de 14 mil millones de parámetros, además del modelo principal de 671 mil millones; esto explica por qué el total del paquete puede diferir del recuento de la arquitectura principal.
DeepSeek preentrena V3 con 14.8 billones de tokens y después utiliza ajuste fino supervisado y aprendizaje por refuerzo. El posentrenamiento incorpora patrones de verificación y reflexión de la familia R1 en una respuesta estándar de modelo de lenguaje, controlando a la vez el estilo y la longitud de la salida. Es una aportación del entrenamiento, distinta de seleccionar el propio R1 o la posterior plantilla de pensamiento híbrido de V3.1. Prepara el formato de respuesta final que necesitas, en lugar de dar por supuesta la presentación del razonamiento de otra edición.
La tabla de modelos del productor asigna un contexto de 128K tanto a V3 Base como a la edición V3 posentrenada. 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 facilitado. Para analizar documentos, aporta secciones identificadas y criterios de comparación claros. Un ejemplo de encargo sería: «Extrae los requisitos, identifica cuáles aborda esta propuesta y cita el pasaje correspondiente para cada hallazgo. Termina con una lista breve de los detalles que faltan».
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 términos 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 ejecución de herramientas de una aplicación. Si esta proporciona herramientas, mantén cada observación devuelta diferenciada 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. Estas decisiones de implementación son independientes de la tarea basada en las fuentes y no deben deducirse del nombre mostrado del modelo. La salida puede ser código, pero generarlo no lo ejecuta; explicar una fuente no demuestra que se haya realizado una consulta externa. Utiliza pasajes reales de las fuentes y resultados observados de la aplicación cuando la respuesta necesite esas pruebas.
Para obtener un resultado útil, define el producto final y las condiciones que determinan cuándo está completo. Mantén separados los hallazgos respaldados por las fuentes, las suposiciones y los cambios propuestos; después revisa la respuesta generada frente al material proporcionado. Una conversación más larga permite perfeccionar una parte del borrador preservando los hechos y las restricciones aprobados. El entregable es un texto o código revisable para la tarea indicada, que conserva la identidad del V3 original sin tomar de forma implícita 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 $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "deepseek/deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 las cabeceras. 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