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": null, "copy_sha256": null, "copy_source": null, "html_sha256": "66839d282a2d2fc3233ead4c1508f450a40aa156d1b34af1ceba75bf41a994f2", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "deepseek-v3.2-exp-thinkingDeepSeek 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-v3.2-exp-thinking | 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 $0.00058 / 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-v3.2-exp-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="deepseek-v3.2-exp-thinking", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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-v3.2-exp-thinking
/chat/completions