Source: https://ailoot.ai/models/fr-be/deepseek-v3-2-exp-thinking/ Canonical: https://ailoot.ai/models/fr-be/deepseek-v3-2-exp-thinking/ Language: fr-be # DeepSeek: DeepSeek V3.2 Exp [Markdown](https://ailoot.ai/models/fr-be/deepseek-v3-2-exp-thinking/index.md) · [JSON](https://ailoot.ai/models/fr-be/deepseek-v3-2-exp-thinking/facts.json) ## [DeepSeek: DeepSeek V3.2 Exp](https://ailoot.ai/models/fr-be/deepseek-v3-2-exp-thinking/) DeepSeek 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. - [**Ailoot Ultra · Chat OpenAI** `POST /v1/chat/completions` `deepseek-v3.2-exp-thinking`](https://ailoot.ai/models/fr-be/deepseek-v3-2-exp-thinking/#method-0) À propos du modèle 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. **Ailoot Ultra · Chat OpenAI** `POST /v1/chat/completions` `deepseek-v3.2-exp-thinking` [`deepseek-v3.2-exp-thinking`](https://ailoot.ai/models/fr-be/#m=deepseek-v3.2-exp-thinking&route=Ultra&caller=deepseek-v3.2-exp-thinking&fmt=chat) DeepSeek /`deepseek-v3.2-exp-thinking` ### Premiers pas DeepSeek 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. Entrées acceptées Texte Résultats Texte ### Disponible dans Ailoot · entrées et méthodes **Ailoot Ultra · Chat OpenAI** `POST /v1/chat/completions` Entrée `text` Sortie `text` Format de sortie json ou SSE | Champ | Type | Exigence | Valeurs et limites | Par défaut | | --- | --- | --- | --- | --- | | Champ`model` | Type`string` | ExigenceObligatoire | Valeurs et limites deepseek-v3.2-exp-thinking | Par défaut— | | Champ`messages` | Type`message[]` | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— | | Champ`messages[].role` | Type`string` | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— | | Champ`messages[].content` | Type`string` | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— | | Champ`stream` | Type`boolean` | ExigenceFacultatif | Valeurs et limites | Par défautfalse | Combinaisons d’éléments d’entrée **Texte** · Texte UTF8 `messages[].content` Paramètres et cycle de vie de la méthode | Paramètre | Contrat | | --- | --- | | Paramètre`content_type` | Contratapplication/json | | Paramètre`required` | Contratmodel, messages | | Paramètre`material_types` | Contrattext | | Paramètre`messages` | Contrattableau de messages avec une structure role/content | | Paramètre`file_material` | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit | | Paramètre`optional_controls` | Contratstream | | Paramètre`control_scope` | ContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false. | | Paramètre`output_modalities` | Contrattext | | Paramètre`hosted_operations` | Contratfalse | | Paramètre`multimodal_input_binding` | Contratnull | Alias de méthode : `/chat/completions` 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. ### Tarifs Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée. Mode rapide Non précisé Lorsque le mode rapide est sélectionné Mode Flex Non précisé Lorsque le mode flex est sélectionné Effort de raisonnement maximal Non précisé Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default) #### Tarifs Ailoot #### Prix par configuration | Configuration | Barème tarifaire | Coût | | --- | --- | --- | | ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée **$0.00058** / 1K tokens Sortie · Tokens en sortie **$0.00086** / 1K tokens Entrée · Lecture du cache **$0** / 1K tokens Entrée · Écriture dans le cache **$0** / 1K tokens Entrée · Écriture dans le cache, 1 h **—** / 1K tokens | Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. [Fonctionnement de la réservation et du débit →](https://ailoot.ai/docs/fr-be/billing/reserve/) ### Exemples de requêtes #### Ailoot Ultra · Chat OpenAI curlPython SDK ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model":"deepseek-v3.2-exp-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}') Path("request.json").write_text(json.dumps(p,ensure_ascii=False)) PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path r=json.loads(Path("result.json").read_text()) for x in r.get("choices",[]): if x.get("message",{}).get("content"): print(x["message"]["content"]) PY_RESULT ``` ```python from openai import OpenAI import os if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request") client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) result=client.chat.completions.create(model="deepseek-v3.2-exp-thinking", messages=[{"role":"user","content":"hello"}], stream=False) import base64, json from pathlib import Path def save_result(data, stem="result"): # Keep every field, including usage, IDs, reasoning and tool requests. Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8") print(json.dumps(data, ensure_ascii=False, indent=2)) def save_blob(encoded, suffix, label): raw = base64.b64decode(encoded, altchars=b"-_", validate=True) 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 file = Path(stem + "-" + label + "." + ext) file.write_bytes(raw) print("Saved", file) for index, block in enumerate(data.get("content") or []): print("Content", index, json.dumps(block, ensure_ascii=False)) for choice in data.get("choices") or []: print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False)) for index, item in enumerate(data.get("output") or []): print("Output", index, json.dumps(item, ensure_ascii=False)) if item.get("type") == "image_generation_call" and item.get("result"): save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index)) for ci, candidate in enumerate(data.get("candidates") or []): for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []): print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False)) blob = part.get("inlineData") or part.get("inline_data") if blob and blob.get("data"): mime = blob.get("mimeType") or blob.get("mime_type") suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin") save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi)) save_result(result.to_dict(mode="json")) ``` ### Recevoir et enregistrer les résultats #### Ailoot Ultra · Chat OpenAI json ou SSE ##### Conserver tous les résultats terminés 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. ##### Si la réponse d’origine doit être vérifiée Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie. Champs de la réponse | Champ | Type | | --- | --- | | Champ`choices[].index` | Typeinteger | | Champ`choices[].message.content` | Typestring\|null | | Champ`choices[].message.tool_calls` | Typetool\_call\[\] | | Champ`choices[].message.reasoning_content` | Typestring | | Champ`choices[].message.reasoning_details` | Typeobject\|array | | Champ`choices[].finish_reason` | Typestring\|null | | Champ`usage` | Typeobject | Erreurs et étapes suivantes | 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. | ### Alias #### Alias du modèle **Ailoot Ultra** [`deepseek-v3.2-exp-thinking`](https://ailoot.ai/models/fr-be/#m=deepseek-v3.2-exp-thinking&route=Ultra&caller=deepseek-v3.2-exp-thinking&fmt=chat) #### Alias des chemins de méthode `/chat/completions` #### ID d’appel associés [`deepseek-v3.2-exp-thinking`](https://ailoot.ai/models/fr-be/#m=deepseek-v3.2-exp-thinking&route=Ultra&caller=deepseek-v3.2-exp-thinking&fmt=chat) FAQ · DeepSeek: DeepSeek V3.2 Exp Quelles entrées et quels résultats sont disponibles ? `POST /v1/chat/completions` · `deepseek-v3.2-exp-thinking`: `text` → `text` Quels champs la requête utilise-t-elle ? `POST /v1/chat/completions` · `deepseek-v3.2-exp-thinking`: `model`, `messages`, `stream` Quelles limites s’appliquent ? `POST /v1/chat/completions` · `deepseek-v3.2-exp-thinking`: `messages.min_items`: `1` Connectez Ailoot à Claude Code, OpenCode, Hermes ou à votre application. ## L’entreprise et son portefeuille de projets L’entreprise et son portefeuille de projets : des millions de clients ; des ventes qui se chiffrent en milliards chaque mois. ## Achetez des tokens à prix réduit. Une remise d’abonnement pour le travail régulier. Des codes promo jusqu’à 50% sur l’achat de tokens. Abonnement Choisissez une offre à tarif réduit pour vos requêtes régulières. Code promo jusqu’à 50% Saisissez le code à l’achat. Le prix est recalculé selon la promotion en cours. Dépenses dans l’historique Modèle, tokens et montant sont enregistrés pour chaque requête. [Choisir un abonnement](https://ailoot.ai/docs/fr-be/billing/subscriptions/) · [Voir les prix des modèles](https://ailoot.ai/models/fr-be/) ## Connectez l’API au produit que vous vendez. SaaS, applications et bots selon l’offre officielle et le contrat de licence Ailoot. Pour la revente, demandez une licence revendeur. Application commerciale Intégrez la génération de texte, d’images, de vidéo et de son aux fonctions payantes de votre service. Licence revendeur Envoyez la description du projet et le mode d’accès. Demandez des conditions écrites d’utilisation et de revente. Documents sur le site L’offre officielle, le contrat de licence et la politique de traitement des données sont accessibles avant connexion. [Demander une licence revendeur](mailto:support@ailoot.ai) · [Offre officielle et contrat de licence](https://ailoot.ai/legal/offer?lang=fr-be) ## Ailoot · L’entreprise et son portefeuille de projets Ailoot s’appuie sur une expérience opérationnelle éprouvée, une large clientèle, un service stable et un suivi continu des KPI. L’entreprise et son portefeuille de projets : des millions de clients ; des ventes qui se chiffrent en milliards chaque mois. Ailoot met cette expérience opérationnelle au service de l’accès API aux fonctions d’IA dans les produits des clients, leurs agents, applications et automatisations.