DeepSeek V3.2 Exp est l’édition expérimentale du modèle textuel de DeepSeek, construite sur V3.1 Terminus. Son évolution distinctive est DeepSeek Sparse Attention, introduite pour étudier un entraînement et une inférence plus efficaces sur des séquences textuelles étendues. La tâche reste textuelle : des consignes écrites et un contexte produisent une réponse textuelle, du code ou une sortie liée au travail d’agent. Il s’agit de l’édition de recherche sur l’attention parcimonieuse, distincte du modèle V3.2 final et de son format ultérieur de raisonnement avec outils.
DSA utilise un indexeur léger et une sélection fine des tokens afin que le calcul principal de l’attention se concentre sur certaines informations antérieures portées par les tokens. DeepSeek a délibérément aligné la configuration d’entraînement expérimentale sur V3.1 Terminus pour isoler le changement architectural. Le rapport V3.2 confirme que le modèle V3.2 final et V3.2 Exp partagent cette architecture et décrit la poursuite de l’entraînement à partir du socle Terminus à contexte 128K. Le profil expérimental publié utilise ce réglage de contexte long 128K.
La fiche expérimentale du producteur conserve le raisonnement et le travail d’agent dans son périmètre tout en préservant le profil de tâches du modèle antérieur. Ses éléments de preuve couvrent le raisonnement sans outils et l’utilisation d’outils par un agent comme des workflows distincts. Préparez une question claire, les sources pertinentes et la forme finale souhaitée. Si la tâche utilise un outil, l’application fournit sa définition et renvoie le résultat ; l’action proposée par le modèle n’est pas la même chose qu’une opération déjà exécutée.
La fiche du modèle V3.2 final introduit un format d’appel d’outils révisé et décrit explicitement le raisonnement avec outils. Ces évolutions appartiennent à la version finale et ne doivent pas être considérées comme l’intégralité du contrat d’interaction de l’édition expérimentale. Pour V3.2 Exp, conservez le formatage des messages propre à l’édition et le contexte de tâches hérité de Terminus, plutôt que de supposer qu’un nom similaire rend chaque réglage ou rôle ultérieur interchangeable.
Pour comparer de longs documents, identifiez chaque source et les sections pertinentes pour la question. Voici un brief illustratif : « Comparez ces exigences à l’implémentation proposée, identifiez chaque écart et citez le passage qui l’établit. Terminez par une liste de corrections classées par priorité. » Pour du code, fournissez le comportement en échec, le fragment pertinent et le résultat attendu, puis demandez une modification ciblée avec une explication claire. L’organisation des sources et la règle d’achèvement aident à diriger une tâche à contexte long vers un livrable utilisable.
L’implémentation de référence du producteur comprend l’indexeur d’attention parcimonieuse, et sa fiche consigne une correction importante de l’implémentation : le RoPE de l’indexeur utilise une disposition non entrelacée, tandis que le module d’attention latente attend une disposition entrelacée. Il s’agit d’un détail de la référence du producteur pertinent pour une exécution fidèle du modèle, plutôt que d’un prompt utilisateur différent ou d’une nouvelle capacité. Cela signifie aussi que le seul nom du modèle ne décrit pas la manière dont chaque implémentation traite l’architecture expérimentale.
Une tâche d’agent continue doit budgéter ensemble ses sources textuelles, la conversation, le raisonnement généré et les observations d’outils. Organisez les observations utiles et demandez que la réponse finale distingue les preuves, les hypothèses et les actions proposées. Pour un résultat factuel dépendant de sources, fournissez les documents faisant autorité ou un outil adapté plutôt que de vous fier à de larges connaissances d’entraînement. La sortie reste un texte, du code ou un relevé analytique vérifiable par rapport à la tâche et à ses entrées.
", "aboutText": "DeepSeek V3.2 Exp est l’édition expérimentale du modèle textuel de DeepSeek, construite sur V3.1 Terminus. Son évolution distinctive est DeepSeek Sparse Attention, introduite pour étudier un entraînement et une inférence plus efficaces sur des séquences textuelles étendues. La tâche reste textuelle : des consignes écrites et un contexte produisent une réponse textuelle, du code ou une sortie liée au travail d’agent. Il s’agit de l’édition de recherche sur l’attention parcimonieuse, distincte du modèle V3.2 final et de son format ultérieur de raisonnement avec outils.\n\nDSA utilise un indexeur léger et une sélection fine des tokens afin que le calcul principal de l’attention se concentre sur certaines informations antérieures portées par les tokens. DeepSeek a délibérément aligné la configuration d’entraînement expérimentale sur V3.1 Terminus pour isoler le changement architectural. Le rapport V3.2 confirme que le modèle V3.2 final et V3.2 Exp partagent cette architecture et décrit la poursuite de l’entraînement à partir du socle Terminus à contexte 128K. Le profil expérimental publié utilise ce réglage de contexte long 128K.\n\nLa fiche expérimentale du producteur conserve le raisonnement et le travail d’agent dans son périmètre tout en préservant le profil de tâches du modèle antérieur. Ses éléments de preuve couvrent le raisonnement sans outils et l’utilisation d’outils par un agent comme des workflows distincts. Préparez une question claire, les sources pertinentes et la forme finale souhaitée. Si la tâche utilise un outil, l’application fournit sa définition et renvoie le résultat ; l’action proposée par le modèle n’est pas la même chose qu’une opération déjà exécutée.\n\nLa fiche du modèle V3.2 final introduit un format d’appel d’outils révisé et décrit explicitement le raisonnement avec outils. Ces évolutions appartiennent à la version finale et ne doivent pas être considérées comme l’intégralité du contrat d’interaction de l’édition expérimentale. Pour V3.2 Exp, conservez le formatage des messages propre à l’édition et le contexte de tâches hérité de Terminus, plutôt que de supposer qu’un nom similaire rend chaque réglage ou rôle ultérieur interchangeable.\n\nPour comparer de longs documents, identifiez chaque source et les sections pertinentes pour la question. Voici un brief illustratif : « Comparez ces exigences à l’implémentation proposée, identifiez chaque écart et citez le passage qui l’établit. Terminez par une liste de corrections classées par priorité. » Pour du code, fournissez le comportement en échec, le fragment pertinent et le résultat attendu, puis demandez une modification ciblée avec une explication claire. L’organisation des sources et la règle d’achèvement aident à diriger une tâche à contexte long vers un livrable utilisable.\n\nL’implémentation de référence du producteur comprend l’indexeur d’attention parcimonieuse, et sa fiche consigne une correction importante de l’implémentation : le RoPE de l’indexeur utilise une disposition non entrelacée, tandis que le module d’attention latente attend une disposition entrelacée. Il s’agit d’un détail de la référence du producteur pertinent pour une exécution fidèle du modèle, plutôt que d’un prompt utilisateur différent ou d’une nouvelle capacité. Cela signifie aussi que le seul nom du modèle ne décrit pas la manière dont chaque implémentation traite l’architecture expérimentale.\n\nUne tâche d’agent continue doit budgéter ensemble ses sources textuelles, la conversation, le raisonnement généré et les observations d’outils. Organisez les observations utiles et demandez que la réponse finale distingue les preuves, les hypothèses et les actions proposées. Pour un résultat factuel dépendant de sources, fournissez les documents faisant autorité ou un outil adapté plutôt que de vous fier à de larges connaissances d’entraînement. La sortie reste un texte, du code ou un relevé analytique vérifiable par rapport à la tâche et à ses entrées.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
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 est l’édition à attention parcimonieuse construite sur V3.1 Terminus. Elle traite le texte pour le raisonnement, la programmation et les tâches d’agents tout en explorant une attention plus efficace sur les contextes longs, avec un contexte de 128K chez le producteur et une identité distincte de la version V3.2 définitive.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
DeepSeek V3.2 Exp est l’édition expérimentale du modèle textuel de DeepSeek, construite sur V3.1 Terminus. Son évolution distinctive est DeepSeek Sparse Attention, introduite pour étudier un entraînement et une inférence plus efficaces sur des séquences textuelles étendues. La tâche reste textuelle : des consignes écrites et un contexte produisent une réponse textuelle, du code ou une sortie liée au travail d’agent. Il s’agit de l’édition de recherche sur l’attention parcimonieuse, distincte du modèle V3.2 final et de son format ultérieur de raisonnement avec outils.
DSA utilise un indexeur léger et une sélection fine des tokens afin que le calcul principal de l’attention se concentre sur certaines informations antérieures portées par les tokens. DeepSeek a délibérément aligné la configuration d’entraînement expérimentale sur V3.1 Terminus pour isoler le changement architectural. Le rapport V3.2 confirme que le modèle V3.2 final et V3.2 Exp partagent cette architecture et décrit la poursuite de l’entraînement à partir du socle Terminus à contexte 128K. Le profil expérimental publié utilise ce réglage de contexte long 128K.
La fiche expérimentale du producteur conserve le raisonnement et le travail d’agent dans son périmètre tout en préservant le profil de tâches du modèle antérieur. Ses éléments de preuve couvrent le raisonnement sans outils et l’utilisation d’outils par un agent comme des workflows distincts. Préparez une question claire, les sources pertinentes et la forme finale souhaitée. Si la tâche utilise un outil, l’application fournit sa définition et renvoie le résultat ; l’action proposée par le modèle n’est pas la même chose qu’une opération déjà exécutée.
La fiche du modèle V3.2 final introduit un format d’appel d’outils révisé et décrit explicitement le raisonnement avec outils. Ces évolutions appartiennent à la version finale et ne doivent pas être considérées comme l’intégralité du contrat d’interaction de l’édition expérimentale. Pour V3.2 Exp, conservez le formatage des messages propre à l’édition et le contexte de tâches hérité de Terminus, plutôt que de supposer qu’un nom similaire rend chaque réglage ou rôle ultérieur interchangeable.
Pour comparer de longs documents, identifiez chaque source et les sections pertinentes pour la question. Voici un brief illustratif : « Comparez ces exigences à l’implémentation proposée, identifiez chaque écart et citez le passage qui l’établit. Terminez par une liste de corrections classées par priorité. » Pour du code, fournissez le comportement en échec, le fragment pertinent et le résultat attendu, puis demandez une modification ciblée avec une explication claire. L’organisation des sources et la règle d’achèvement aident à diriger une tâche à contexte long vers un livrable utilisable.
L’implémentation de référence du producteur comprend l’indexeur d’attention parcimonieuse, et sa fiche consigne une correction importante de l’implémentation : le RoPE de l’indexeur utilise une disposition non entrelacée, tandis que le module d’attention latente attend une disposition entrelacée. Il s’agit d’un détail de la référence du producteur pertinent pour une exécution fidèle du modèle, plutôt que d’un prompt utilisateur différent ou d’une nouvelle capacité. Cela signifie aussi que le seul nom du modèle ne décrit pas la manière dont chaque implémentation traite l’architecture expérimentale.
Une tâche d’agent continue doit budgéter ensemble ses sources textuelles, la conversation, le raisonnement généré et les observations d’outils. Organisez les observations utiles et demandez que la réponse finale distingue les preuves, les hypothèses et les actions proposées. Pour un résultat factuel dépendant de sources, fournissez les documents faisant autorité ou un outil adapté plutôt que de vous fier à de larges connaissances d’entraînement. La sortie reste un texte, du code ou un relevé analytique vérifiable par rapport à la tâche et à ses entrées.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites deepseek/deepseek-v3.2-exp | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.000572 / 1K tokens Sortie · Tokens en sortie $0.00086 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.000572 / 1K tokens Sortie · Tokens en sortie $0.00086 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra deepseek/deepseek-v3.2-exp
Utilisez les chemins de méthode indiqués ci-dessus.
deepseek/deepseek-v3.2-expDeepSeek V3.2 Exp est l’édition à attention parcimonieuse construite sur V3.1 Terminus. Elle traite le texte pour le raisonnement, la programmation et les tâches d’agents tout en explorant une attention plus efficace sur les contextes longs, avec un contexte de 128K chez le producteur et une identité distincte de la version V3.2 définitive.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
DeepSeek V3.2 Exp est l’édition expérimentale du modèle textuel de DeepSeek, construite sur V3.1 Terminus. Son évolution distinctive est DeepSeek Sparse Attention, introduite pour étudier un entraînement et une inférence plus efficaces sur des séquences textuelles étendues. La tâche reste textuelle : des consignes écrites et un contexte produisent une réponse textuelle, du code ou une sortie liée au travail d’agent. Il s’agit de l’édition de recherche sur l’attention parcimonieuse, distincte du modèle V3.2 final et de son format ultérieur de raisonnement avec outils.
DSA utilise un indexeur léger et une sélection fine des tokens afin que le calcul principal de l’attention se concentre sur certaines informations antérieures portées par les tokens. DeepSeek a délibérément aligné la configuration d’entraînement expérimentale sur V3.1 Terminus pour isoler le changement architectural. Le rapport V3.2 confirme que le modèle V3.2 final et V3.2 Exp partagent cette architecture et décrit la poursuite de l’entraînement à partir du socle Terminus à contexte 128K. Le profil expérimental publié utilise ce réglage de contexte long 128K.
La fiche expérimentale du producteur conserve le raisonnement et le travail d’agent dans son périmètre tout en préservant le profil de tâches du modèle antérieur. Ses éléments de preuve couvrent le raisonnement sans outils et l’utilisation d’outils par un agent comme des workflows distincts. Préparez une question claire, les sources pertinentes et la forme finale souhaitée. Si la tâche utilise un outil, l’application fournit sa définition et renvoie le résultat ; l’action proposée par le modèle n’est pas la même chose qu’une opération déjà exécutée.
La fiche du modèle V3.2 final introduit un format d’appel d’outils révisé et décrit explicitement le raisonnement avec outils. Ces évolutions appartiennent à la version finale et ne doivent pas être considérées comme l’intégralité du contrat d’interaction de l’édition expérimentale. Pour V3.2 Exp, conservez le formatage des messages propre à l’édition et le contexte de tâches hérité de Terminus, plutôt que de supposer qu’un nom similaire rend chaque réglage ou rôle ultérieur interchangeable.
Pour comparer de longs documents, identifiez chaque source et les sections pertinentes pour la question. Voici un brief illustratif : « Comparez ces exigences à l’implémentation proposée, identifiez chaque écart et citez le passage qui l’établit. Terminez par une liste de corrections classées par priorité. » Pour du code, fournissez le comportement en échec, le fragment pertinent et le résultat attendu, puis demandez une modification ciblée avec une explication claire. L’organisation des sources et la règle d’achèvement aident à diriger une tâche à contexte long vers un livrable utilisable.
L’implémentation de référence du producteur comprend l’indexeur d’attention parcimonieuse, et sa fiche consigne une correction importante de l’implémentation : le RoPE de l’indexeur utilise une disposition non entrelacée, tandis que le module d’attention latente attend une disposition entrelacée. Il s’agit d’un détail de la référence du producteur pertinent pour une exécution fidèle du modèle, plutôt que d’un prompt utilisateur différent ou d’une nouvelle capacité. Cela signifie aussi que le seul nom du modèle ne décrit pas la manière dont chaque implémentation traite l’architecture expérimentale.
Une tâche d’agent continue doit budgéter ensemble ses sources textuelles, la conversation, le raisonnement généré et les observations d’outils. Organisez les observations utiles et demandez que la réponse finale distingue les preuves, les hypothèses et les actions proposées. Pour un résultat factuel dépendant de sources, fournissez les documents faisant autorité ou un outil adapté plutôt que de vous fier à de larges connaissances d’entraînement. La sortie reste un texte, du code ou un relevé analytique vérifiable par rapport à la tâche et à ses entrées.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites deepseek/deepseek-v3.2-exp | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.000572 / 1K tokens Sortie · Tokens en sortie $0.00086 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.000572 / 1K tokens Sortie · Tokens en sortie $0.00086 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "deepseek/deepseek-v3.2-exp",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra deepseek/deepseek-v3.2-exp
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
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.