DeepSeek V3.2 Exp es la edición experimental de modelo de texto de DeepSeek basada en V3.1 Terminus. Su cambio distintivo es DeepSeek Sparse Attention, introducido para estudiar un entrenamiento y una inferencia más eficientes con secuencias de texto extensas. La tarea sigue siendo textual: las instrucciones escritas y el contexto producen una respuesta de texto, código o una salida relacionada con agentes. Esta es la edición de investigación sobre atención dispersa, distinta del modelo V3.2 final y de su posterior formato de razonamiento con herramientas.
DSA utiliza un indexador ligero y una selección de tokens de grano fino para que el cálculo principal de atención se concentre en información de tokens anteriores seleccionados. DeepSeek alineó deliberadamente la configuración de entrenamiento experimental con V3.1 Terminus para aislar el cambio de arquitectura. El informe de V3.2 confirma que V3.2 final y V3.2 Exp comparten esta arquitectura y describe la continuación del entrenamiento a partir de la base Terminus de contexto 128K. El perfil experimental publicado utiliza ese ajuste de contexto largo de 128K.
La ficha experimental del productor mantiene el razonamiento y el trabajo con agentes dentro de su alcance, conservando el perfil de tareas del modelo anterior. Sus pruebas abarcan el razonamiento sin herramientas y el uso de herramientas por agentes como flujos distintos. Prepara una pregunta clara, el contexto de origen pertinente y la forma final deseada. Si la tarea utiliza una herramienta, la aplicación proporciona su definición y devuelve el resultado; la acción propuesta por el modelo no es lo mismo que una operación ya ejecutada.
La ficha de V3.2 final introduce un formato revisado de llamadas a herramientas y describe explícitamente el razonamiento con herramientas. Esas actualizaciones corresponden a la versión final y no deben considerarse el contrato de interacción completo de la edición experimental. Para V3.2 Exp, conserva el formato de mensajes propio de la edición y el contexto de tareas heredado de Terminus, en lugar de suponer que un nombre parecido hace intercambiables todos los controles o roles posteriores.
Para comparar documentos largos, etiqueta cada fuente e identifica las secciones pertinentes para la pregunta. Un encargo ilustrativo es: «Compara estos requisitos con la implementación propuesta, identifica cada discrepancia y cita el pasaje que la demuestra. Termina con una lista priorizada de correcciones». Para código, proporciona el comportamiento fallido, el fragmento pertinente y el resultado esperado, y después pide un cambio concreto con una explicación clara. La organización de las fuentes y la regla de finalización ayudan a dirigir una tarea de contexto largo hacia un resultado utilizable.
La implementación de referencia del productor incluye el indexador de atención dispersa, y su ficha registra una corrección importante de implementación: RoPE del indexador utiliza una disposición no intercalada, mientras que el módulo de atención latente espera una disposición intercalada. Es un detalle de la referencia del productor pertinente para ejecutar fielmente el modelo, no una instrucción de usuario diferente ni una capacidad nueva. También significa que el nombre de un modelo por sí solo no describe cómo trata cada implementación su arquitectura experimental.
Una tarea continuada de agente debe presupuestar conjuntamente su texto de origen, la conversación, el razonamiento generado y las observaciones de herramientas. Mantén organizadas las observaciones útiles y pide que la respuesta final diferencie pruebas, suposiciones y acciones propuestas. Para un resultado factual dependiente de fuentes, proporciona el material autorizado o una herramienta adecuada en lugar de apoyarte en conocimientos generales del entrenamiento. La salida sigue siendo un texto, código o registro analítico que se puede comprobar frente a la tarea y sus entradas.
", "aboutText": "DeepSeek V3.2 Exp es la edición experimental de modelo de texto de DeepSeek basada en V3.1 Terminus. Su cambio distintivo es DeepSeek Sparse Attention, introducido para estudiar un entrenamiento y una inferencia más eficientes con secuencias de texto extensas. La tarea sigue siendo textual: las instrucciones escritas y el contexto producen una respuesta de texto, código o una salida relacionada con agentes. Esta es la edición de investigación sobre atención dispersa, distinta del modelo V3.2 final y de su posterior formato de razonamiento con herramientas.\n\nDSA utiliza un indexador ligero y una selección de tokens de grano fino para que el cálculo principal de atención se concentre en información de tokens anteriores seleccionados. DeepSeek alineó deliberadamente la configuración de entrenamiento experimental con V3.1 Terminus para aislar el cambio de arquitectura. El informe de V3.2 confirma que V3.2 final y V3.2 Exp comparten esta arquitectura y describe la continuación del entrenamiento a partir de la base Terminus de contexto 128K. El perfil experimental publicado utiliza ese ajuste de contexto largo de 128K.\n\nLa ficha experimental del productor mantiene el razonamiento y el trabajo con agentes dentro de su alcance, conservando el perfil de tareas del modelo anterior. Sus pruebas abarcan el razonamiento sin herramientas y el uso de herramientas por agentes como flujos distintos. Prepara una pregunta clara, el contexto de origen pertinente y la forma final deseada. Si la tarea utiliza una herramienta, la aplicación proporciona su definición y devuelve el resultado; la acción propuesta por el modelo no es lo mismo que una operación ya ejecutada.\n\nLa ficha de V3.2 final introduce un formato revisado de llamadas a herramientas y describe explícitamente el razonamiento con herramientas. Esas actualizaciones corresponden a la versión final y no deben considerarse el contrato de interacción completo de la edición experimental. Para V3.2 Exp, conserva el formato de mensajes propio de la edición y el contexto de tareas heredado de Terminus, en lugar de suponer que un nombre parecido hace intercambiables todos los controles o roles posteriores.\n\nPara comparar documentos largos, etiqueta cada fuente e identifica las secciones pertinentes para la pregunta. Un encargo ilustrativo es: «Compara estos requisitos con la implementación propuesta, identifica cada discrepancia y cita el pasaje que la demuestra. Termina con una lista priorizada de correcciones». Para código, proporciona el comportamiento fallido, el fragmento pertinente y el resultado esperado, y después pide un cambio concreto con una explicación clara. La organización de las fuentes y la regla de finalización ayudan a dirigir una tarea de contexto largo hacia un resultado utilizable.\n\nLa implementación de referencia del productor incluye el indexador de atención dispersa, y su ficha registra una corrección importante de implementación: RoPE del indexador utiliza una disposición no intercalada, mientras que el módulo de atención latente espera una disposición intercalada. Es un detalle de la referencia del productor pertinente para ejecutar fielmente el modelo, no una instrucción de usuario diferente ni una capacidad nueva. También significa que el nombre de un modelo por sí solo no describe cómo trata cada implementación su arquitectura experimental.\n\nUna tarea continuada de agente debe presupuestar conjuntamente su texto de origen, la conversación, el razonamiento generado y las observaciones de herramientas. Mantén organizadas las observaciones útiles y pide que la respuesta final diferencie pruebas, suposiciones y acciones propuestas. Para un resultado factual dependiente de fuentes, proporciona el material autorizado o una herramienta adecuada en lugar de apoyarte en conocimientos generales del entrenamiento. La salida sigue siendo un texto, código o registro analítico que se puede comprobar frente a la tarea y sus entradas.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Compare requirements with a release note\n\nCompare requirement R1: exports must include archived records; R2: date filters use UTC; R3: empty exports still include headers. Implementation note: archived rows are excluded, filters use UTC, and empty exports return an empty file. List mismatches with source labels and propose a correction order without assuming any implementation details beyond these notes.A requirement-by-requirement comparison and a prioritized list of the two documented mismatches.Check that R2 is marked aligned and that each proposed correction points to R1 or R3.deepseek/deepseek-v3.2-expDeepSeek V3.2 Exp es la edición de atención dispersa construida sobre V3.1 Terminus. Procesa texto para tareas de razonamiento, programación y agentes mientras explora una atención de contexto largo más eficiente, con un contexto del productor de 128K y una identidad independiente de la versión definitiva V3.2.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
DeepSeek V3.2 Exp es la edición experimental de modelo de texto de DeepSeek basada en V3.1 Terminus. Su cambio distintivo es DeepSeek Sparse Attention, introducido para estudiar un entrenamiento y una inferencia más eficientes con secuencias de texto extensas. La tarea sigue siendo textual: las instrucciones escritas y el contexto producen una respuesta de texto, código o una salida relacionada con agentes. Esta es la edición de investigación sobre atención dispersa, distinta del modelo V3.2 final y de su posterior formato de razonamiento con herramientas.
DSA utiliza un indexador ligero y una selección de tokens de grano fino para que el cálculo principal de atención se concentre en información de tokens anteriores seleccionados. DeepSeek alineó deliberadamente la configuración de entrenamiento experimental con V3.1 Terminus para aislar el cambio de arquitectura. El informe de V3.2 confirma que V3.2 final y V3.2 Exp comparten esta arquitectura y describe la continuación del entrenamiento a partir de la base Terminus de contexto 128K. El perfil experimental publicado utiliza ese ajuste de contexto largo de 128K.
La ficha experimental del productor mantiene el razonamiento y el trabajo con agentes dentro de su alcance, conservando el perfil de tareas del modelo anterior. Sus pruebas abarcan el razonamiento sin herramientas y el uso de herramientas por agentes como flujos distintos. Prepara una pregunta clara, el contexto de origen pertinente y la forma final deseada. Si la tarea utiliza una herramienta, la aplicación proporciona su definición y devuelve el resultado; la acción propuesta por el modelo no es lo mismo que una operación ya ejecutada.
La ficha de V3.2 final introduce un formato revisado de llamadas a herramientas y describe explícitamente el razonamiento con herramientas. Esas actualizaciones corresponden a la versión final y no deben considerarse el contrato de interacción completo de la edición experimental. Para V3.2 Exp, conserva el formato de mensajes propio de la edición y el contexto de tareas heredado de Terminus, en lugar de suponer que un nombre parecido hace intercambiables todos los controles o roles posteriores.
Para comparar documentos largos, etiqueta cada fuente e identifica las secciones pertinentes para la pregunta. Un encargo ilustrativo es: «Compara estos requisitos con la implementación propuesta, identifica cada discrepancia y cita el pasaje que la demuestra. Termina con una lista priorizada de correcciones». Para código, proporciona el comportamiento fallido, el fragmento pertinente y el resultado esperado, y después pide un cambio concreto con una explicación clara. La organización de las fuentes y la regla de finalización ayudan a dirigir una tarea de contexto largo hacia un resultado utilizable.
La implementación de referencia del productor incluye el indexador de atención dispersa, y su ficha registra una corrección importante de implementación: RoPE del indexador utiliza una disposición no intercalada, mientras que el módulo de atención latente espera una disposición intercalada. Es un detalle de la referencia del productor pertinente para ejecutar fielmente el modelo, no una instrucción de usuario diferente ni una capacidad nueva. También significa que el nombre de un modelo por sí solo no describe cómo trata cada implementación su arquitectura experimental.
Una tarea continuada de agente debe presupuestar conjuntamente su texto de origen, la conversación, el razonamiento generado y las observaciones de herramientas. Mantén organizadas las observaciones útiles y pide que la respuesta final diferencie pruebas, suposiciones y acciones propuestas. Para un resultado factual dependiente de fuentes, proporciona el material autorizado o una herramienta adecuada en lugar de apoyarte en conocimientos generales del entrenamiento. La salida sigue siendo un texto, código o registro analítico que se puede comprobar frente a la tarea y sus entradas.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites deepseek/deepseek-v3.2-exp | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
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, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
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.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.000572 / 1K tokens Salida · Tokens de salida $0.00086 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.000572 / 1K tokens Salida · Tokens de salida $0.00086 / 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-v3.2-exp", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek/deepseek-v3.2-exp',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek/deepseek-v3.2-exp',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/deepseek-v3.2-exp
Usa las rutas de método indicadas arriba.
deepseek/deepseek-v3.2-expDeepSeek V3.2 Exp es la edición de atención dispersa construida sobre V3.1 Terminus. Procesa texto para tareas de razonamiento, programación y agentes mientras explora una atención de contexto largo más eficiente, con un contexto del productor de 128K y una identidad independiente de la versión definitiva V3.2.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
DeepSeek V3.2 Exp es la edición experimental de modelo de texto de DeepSeek basada en V3.1 Terminus. Su cambio distintivo es DeepSeek Sparse Attention, introducido para estudiar un entrenamiento y una inferencia más eficientes con secuencias de texto extensas. La tarea sigue siendo textual: las instrucciones escritas y el contexto producen una respuesta de texto, código o una salida relacionada con agentes. Esta es la edición de investigación sobre atención dispersa, distinta del modelo V3.2 final y de su posterior formato de razonamiento con herramientas.
DSA utiliza un indexador ligero y una selección de tokens de grano fino para que el cálculo principal de atención se concentre en información de tokens anteriores seleccionados. DeepSeek alineó deliberadamente la configuración de entrenamiento experimental con V3.1 Terminus para aislar el cambio de arquitectura. El informe de V3.2 confirma que V3.2 final y V3.2 Exp comparten esta arquitectura y describe la continuación del entrenamiento a partir de la base Terminus de contexto 128K. El perfil experimental publicado utiliza ese ajuste de contexto largo de 128K.
La ficha experimental del productor mantiene el razonamiento y el trabajo con agentes dentro de su alcance, conservando el perfil de tareas del modelo anterior. Sus pruebas abarcan el razonamiento sin herramientas y el uso de herramientas por agentes como flujos distintos. Prepara una pregunta clara, el contexto de origen pertinente y la forma final deseada. Si la tarea utiliza una herramienta, la aplicación proporciona su definición y devuelve el resultado; la acción propuesta por el modelo no es lo mismo que una operación ya ejecutada.
La ficha de V3.2 final introduce un formato revisado de llamadas a herramientas y describe explícitamente el razonamiento con herramientas. Esas actualizaciones corresponden a la versión final y no deben considerarse el contrato de interacción completo de la edición experimental. Para V3.2 Exp, conserva el formato de mensajes propio de la edición y el contexto de tareas heredado de Terminus, en lugar de suponer que un nombre parecido hace intercambiables todos los controles o roles posteriores.
Para comparar documentos largos, etiqueta cada fuente e identifica las secciones pertinentes para la pregunta. Un encargo ilustrativo es: «Compara estos requisitos con la implementación propuesta, identifica cada discrepancia y cita el pasaje que la demuestra. Termina con una lista priorizada de correcciones». Para código, proporciona el comportamiento fallido, el fragmento pertinente y el resultado esperado, y después pide un cambio concreto con una explicación clara. La organización de las fuentes y la regla de finalización ayudan a dirigir una tarea de contexto largo hacia un resultado utilizable.
La implementación de referencia del productor incluye el indexador de atención dispersa, y su ficha registra una corrección importante de implementación: RoPE del indexador utiliza una disposición no intercalada, mientras que el módulo de atención latente espera una disposición intercalada. Es un detalle de la referencia del productor pertinente para ejecutar fielmente el modelo, no una instrucción de usuario diferente ni una capacidad nueva. También significa que el nombre de un modelo por sí solo no describe cómo trata cada implementación su arquitectura experimental.
Una tarea continuada de agente debe presupuestar conjuntamente su texto de origen, la conversación, el razonamiento generado y las observaciones de herramientas. Mantén organizadas las observaciones útiles y pide que la respuesta final diferencie pruebas, suposiciones y acciones propuestas. Para un resultado factual dependiente de fuentes, proporciona el material autorizado o una herramienta adecuada en lugar de apoyarte en conocimientos generales del entrenamiento. La salida sigue siendo un texto, código o registro analítico que se puede comprobar frente a la tarea y sus entradas.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites deepseek/deepseek-v3.2-exp | 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.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.000572 / 1K tokens Salida · Tokens de salida $0.00086 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.000572 / 1K tokens Salida · Tokens de salida $0.00086 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "deepseek/deepseek-v3.2-exp",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-v3.2-exp', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-v3.2-exp', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/deepseek-v3.2-exp
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Compare requirements with a release note\n\nCompare requirement R1: exports must include archived records; R2: date filters use UTC; R3: empty exports still include headers. Implementation note: archived rows are excluded, filters use UTC, and empty exports return an empty file. List mismatches with source labels and propose a correction order without assuming any implementation details beyond these notes.A requirement-by-requirement comparison and a prioritized list of the two documented mismatches.Check that R2 is marked aligned and that each proposed correction points to R1 or R3.