DeepSeek V3 est le modèle textuel original de DeepSeek à mélange d’experts pour le langage général, le code et le raisonnement. Il reçoit des instructions écrites et du contexte textuel et renvoie une réponse, une ébauche, une explication ou du code. La fiche indique 671 milliards de paramètres au total pour le modèle principal, dont 37 milliards actifs pour chaque jeton. Le V3 original nommé reste distinct de V3-0324, de V3.1 et de V3.2, dont les mises à jour ajoutent leurs propres fonctions et profils de consigne.
Son architecture combine Multi-head Latent Attention et DeepSeekMoE. L’attention latente compresse les informations utilisées par l’attention, tandis que la sélection parcimonieuse d’experts n’active qu’une partie du modèle pour chaque jeton. V3 introduit aussi un équilibrage de charge sans perte auxiliaire et un objectif d’entraînement de prédiction de plusieurs jetons. L’ensemble publié du modèle comprend un module distinct de prédiction de plusieurs jetons de 14 milliards de paramètres, en plus du modèle principal de 671 milliards de paramètres, ce qui explique pourquoi le total de l’ensemble peut différer du nombre de paramètres de l’architecture principale.
DeepSeek préentraîne V3 sur 14.8 billions de jetons, puis utilise l’affinage supervisé et l’apprentissage par renforcement. Le postentraînement apporte les schémas de vérification et de réflexion de la famille R1 dans une réponse standard de modèle de langage tout en contrôlant le style et la longueur de sortie. Il s’agit d’une contribution de l’entraînement, distincte du choix de R1 lui-même ou du gabarit hybride de réflexion ultérieur de V3.1. Préparez le format de réponse finale voulu au lieu de présumer une présentation du raisonnement issue d’une autre édition.
Le tableau du producteur donne un contexte de 128K pour V3 Base et pour l’édition V3 postentraînée. Ce contexte peut réunir une question avec d’importantes sources documentaires ou de code, tandis que l’historique conversationnel et la réponse ont aussi besoin de place. Identifiez les sources et la question pertinente. Une fenêtre de contexte est une limite de capacité, pas une instruction de soumettre des éléments sans rapport ou de demander une réponse inutilement longue.
Pour une tâche de code pratique, fournissez la fonction pertinente, le comportement attendu, les contraintes importantes et l’entrée qui démontre le problème. Demandez une correction proposée et une explication liée au code fourni. Pour l’analyse de documents, fournissez des sections nommées et des critères de comparaison clairs. Voici un exemple de demande : « Extrayez les exigences, repérez celles auxquelles cette proposition répond et citez le passage correspondant pour chaque constat. Terminez par une liste concise des détails manquants. »
Les tâches de rédaction et de révision gagnent à préciser le public, le ton et l’ensemble des faits à conserver. Demandez un résumé, une réécriture, une traduction ou une explication et indiquez les noms et la terminologie obligatoires. Une liste de champs demandée ou une réponse de forme JSON demeure du contenu généré à examiner; le nom du modèle ne permet pas à lui seul de valider le mécanisme de sortie structurée ou d’exécution d’outils de l’application environnante. Si une application fournit des outils, distinguez chaque observation renvoyée de l’action proposée par le modèle.
Le fabricant publie des données de modèle FP8 et décrit d’autres options de précision ou d’exécution dans sa référence. Ces choix de mise en œuvre sont distincts de la tâche liée aux sources et ne doivent pas être déduits du nom affiché du modèle. La sortie peut être du code, mais générer ce code ne l’exécute pas; expliquer une source ne prouve pas qu’une recherche externe a été effectuée. Utilisez des passages sources réels et les résultats observés de l’application lorsque la réponse exige ces éléments probants.
Pour un résultat utile, définissez le livrable final et ses conditions d’achèvement. Distinguez les constats appuyés par les sources, les hypothèses et les modifications proposées, puis évaluez la réponse générée par rapport aux éléments fournis. Une conversation plus longue peut affiner une partie de l’ébauche tout en préservant les faits et les contraintes approuvés. Le livrable est un texte ou du code à examiner pour la tâche énoncée, qui conserve l’identité V3 originale plutôt que d’emprunter silencieusement les commandes d’une édition ultérieure.
", "aboutText": "DeepSeek V3 est le modèle textuel original de DeepSeek à mélange d’experts pour le langage général, le code et le raisonnement. Il reçoit des instructions écrites et du contexte textuel et renvoie une réponse, une ébauche, une explication ou du code. La fiche indique 671 milliards de paramètres au total pour le modèle principal, dont 37 milliards actifs pour chaque jeton. Le V3 original nommé reste distinct de V3-0324, de V3.1 et de V3.2, dont les mises à jour ajoutent leurs propres fonctions et profils de consigne.\n\nSon architecture combine Multi-head Latent Attention et DeepSeekMoE. L’attention latente compresse les informations utilisées par l’attention, tandis que la sélection parcimonieuse d’experts n’active qu’une partie du modèle pour chaque jeton. V3 introduit aussi un équilibrage de charge sans perte auxiliaire et un objectif d’entraînement de prédiction de plusieurs jetons. L’ensemble publié du modèle comprend un module distinct de prédiction de plusieurs jetons de 14 milliards de paramètres, en plus du modèle principal de 671 milliards de paramètres, ce qui explique pourquoi le total de l’ensemble peut différer du nombre de paramètres de l’architecture principale.\n\nDeepSeek préentraîne V3 sur 14.8 billions de jetons, puis utilise l’affinage supervisé et l’apprentissage par renforcement. Le postentraînement apporte les schémas de vérification et de réflexion de la famille R1 dans une réponse standard de modèle de langage tout en contrôlant le style et la longueur de sortie. Il s’agit d’une contribution de l’entraînement, distincte du choix de R1 lui-même ou du gabarit hybride de réflexion ultérieur de V3.1. Préparez le format de réponse finale voulu au lieu de présumer une présentation du raisonnement issue d’une autre édition.\n\nLe tableau du producteur donne un contexte de 128K pour V3 Base et pour l’édition V3 postentraînée. Ce contexte peut réunir une question avec d’importantes sources documentaires ou de code, tandis que l’historique conversationnel et la réponse ont aussi besoin de place. Identifiez les sources et la question pertinente. Une fenêtre de contexte est une limite de capacité, pas une instruction de soumettre des éléments sans rapport ou de demander une réponse inutilement longue.\n\nPour une tâche de code pratique, fournissez la fonction pertinente, le comportement attendu, les contraintes importantes et l’entrée qui démontre le problème. Demandez une correction proposée et une explication liée au code fourni. Pour l’analyse de documents, fournissez des sections nommées et des critères de comparaison clairs. Voici un exemple de demande : « Extrayez les exigences, repérez celles auxquelles cette proposition répond et citez le passage correspondant pour chaque constat. Terminez par une liste concise des détails manquants. »\n\nLes tâches de rédaction et de révision gagnent à préciser le public, le ton et l’ensemble des faits à conserver. Demandez un résumé, une réécriture, une traduction ou une explication et indiquez les noms et la terminologie obligatoires. Une liste de champs demandée ou une réponse de forme JSON demeure du contenu généré à examiner; le nom du modèle ne permet pas à lui seul de valider le mécanisme de sortie structurée ou d’exécution d’outils de l’application environnante. Si une application fournit des outils, distinguez chaque observation renvoyée de l’action proposée par le modèle.\n\nLe fabricant publie des données de modèle FP8 et décrit d’autres options de précision ou d’exécution dans sa référence. Ces choix de mise en œuvre sont distincts de la tâche liée aux sources et ne doivent pas être déduits du nom affiché du modèle. La sortie peut être du code, mais générer ce code ne l’exécute pas; expliquer une source ne prouve pas qu’une recherche externe a été effectuée. Utilisez des passages sources réels et les résultats observés de l’application lorsque la réponse exige ces éléments probants.\n\nPour un résultat utile, définissez le livrable final et ses conditions d’achèvement. Distinguez les constats appuyés par les sources, les hypothèses et les modifications proposées, puis évaluez la réponse générée par rapport aux éléments fournis. Une conversation plus longue peut affiner une partie de l’ébauche tout en préservant les faits et les contraintes approuvés. Le livrable est un texte ou du code à examiner pour la tâche énoncée, qui conserve l’identité V3 originale plutôt que d’emprunter silencieusement les commandes d’une édition ultérieure.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0ac89a0f4675aee858e7c675f7f8871a039acfc5121df8a15193de94c031a774", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "deepseek-chatDeepSeek V3 est le modèle textuel original de DeepSeek pour le code, la rédaction, les questions et l’analyse fondée sur des sources. Son architecture à mélange d’experts compte 671B paramètres au total, dont 37B actifs, avec un contexte de 128K et un postentraînement qui intègre des schémas de raisonnement de R1.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
DeepSeek V3 est le modèle textuel original de DeepSeek à mélange d’experts pour le langage général, le code et le raisonnement. Il reçoit des instructions écrites et du contexte textuel et renvoie une réponse, une ébauche, une explication ou du code. La fiche indique 671 milliards de paramètres au total pour le modèle principal, dont 37 milliards actifs pour chaque jeton. Le V3 original nommé reste distinct de V3-0324, de V3.1 et de V3.2, dont les mises à jour ajoutent leurs propres fonctions et profils de consigne.
Son architecture combine Multi-head Latent Attention et DeepSeekMoE. L’attention latente compresse les informations utilisées par l’attention, tandis que la sélection parcimonieuse d’experts n’active qu’une partie du modèle pour chaque jeton. V3 introduit aussi un équilibrage de charge sans perte auxiliaire et un objectif d’entraînement de prédiction de plusieurs jetons. L’ensemble publié du modèle comprend un module distinct de prédiction de plusieurs jetons de 14 milliards de paramètres, en plus du modèle principal de 671 milliards de paramètres, ce qui explique pourquoi le total de l’ensemble peut différer du nombre de paramètres de l’architecture principale.
DeepSeek préentraîne V3 sur 14.8 billions de jetons, puis utilise l’affinage supervisé et l’apprentissage par renforcement. Le postentraînement apporte les schémas de vérification et de réflexion de la famille R1 dans une réponse standard de modèle de langage tout en contrôlant le style et la longueur de sortie. Il s’agit d’une contribution de l’entraînement, distincte du choix de R1 lui-même ou du gabarit hybride de réflexion ultérieur de V3.1. Préparez le format de réponse finale voulu au lieu de présumer une présentation du raisonnement issue d’une autre édition.
Le tableau du producteur donne un contexte de 128K pour V3 Base et pour l’édition V3 postentraînée. Ce contexte peut réunir une question avec d’importantes sources documentaires ou de code, tandis que l’historique conversationnel et la réponse ont aussi besoin de place. Identifiez les sources et la question pertinente. Une fenêtre de contexte est une limite de capacité, pas une instruction de soumettre des éléments sans rapport ou de demander une réponse inutilement longue.
Pour une tâche de code pratique, fournissez la fonction pertinente, le comportement attendu, les contraintes importantes et l’entrée qui démontre le problème. Demandez une correction proposée et une explication liée au code fourni. Pour l’analyse de documents, fournissez des sections nommées et des critères de comparaison clairs. Voici un exemple de demande : « Extrayez les exigences, repérez celles auxquelles cette proposition répond et citez le passage correspondant pour chaque constat. Terminez par une liste concise des détails manquants. »
Les tâches de rédaction et de révision gagnent à préciser le public, le ton et l’ensemble des faits à conserver. Demandez un résumé, une réécriture, une traduction ou une explication et indiquez les noms et la terminologie obligatoires. Une liste de champs demandée ou une réponse de forme JSON demeure du contenu généré à examiner; le nom du modèle ne permet pas à lui seul de valider le mécanisme de sortie structurée ou d’exécution d’outils de l’application environnante. Si une application fournit des outils, distinguez chaque observation renvoyée de l’action proposée par le modèle.
Le fabricant publie des données de modèle FP8 et décrit d’autres options de précision ou d’exécution dans sa référence. Ces choix de mise en œuvre sont distincts de la tâche liée aux sources et ne doivent pas être déduits du nom affiché du modèle. La sortie peut être du code, mais générer ce code ne l’exécute pas; expliquer une source ne prouve pas qu’une recherche externe a été effectuée. Utilisez des passages sources réels et les résultats observés de l’application lorsque la réponse exige ces éléments probants.
Pour un résultat utile, définissez le livrable final et ses conditions d’achèvement. Distinguez les constats appuyés par les sources, les hypothèses et les modifications proposées, puis évaluez la réponse générée par rapport aux éléments fournis. Une conversation plus longue peut affiner une partie de l’ébauche tout en préservant les faits et les contraintes approuvés. Le livrable est un texte ou du code à examiner pour la tâche énoncée, qui conserve l’identité V3 originale plutôt que d’emprunter silencieusement les commandes d’une édition ultérieure.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites deepseek-chat | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
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 comme texte littéral ; aucun ID de fichier déduit |
Paramètreoptional_controls | Contratstream |
Paramètrecontrol_scope | ContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false. |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Alias de méthode : /chat/completions
Cycle de vie : synchronous_or_streamed
Envoyez l’ID 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/objet fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.00064 / 1K jetons Sortie · Jetons en sortie $0.00178 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"deepseek-chat","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="deepseek-chat", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek-chatDeepSeek V3 est le modèle textuel original de DeepSeek pour le code, la rédaction, les questions et l’analyse fondée sur des sources. Son architecture à mélange d’experts compte 671B paramètres au total, dont 37B actifs, avec un contexte de 128K et un postentraînement qui intègre des schémas de raisonnement de R1.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
DeepSeek V3 est le modèle textuel original de DeepSeek à mélange d’experts pour le langage général, le code et le raisonnement. Il reçoit des instructions écrites et du contexte textuel et renvoie une réponse, une ébauche, une explication ou du code. La fiche indique 671 milliards de paramètres au total pour le modèle principal, dont 37 milliards actifs pour chaque jeton. Le V3 original nommé reste distinct de V3-0324, de V3.1 et de V3.2, dont les mises à jour ajoutent leurs propres fonctions et profils de consigne.
Son architecture combine Multi-head Latent Attention et DeepSeekMoE. L’attention latente compresse les informations utilisées par l’attention, tandis que la sélection parcimonieuse d’experts n’active qu’une partie du modèle pour chaque jeton. V3 introduit aussi un équilibrage de charge sans perte auxiliaire et un objectif d’entraînement de prédiction de plusieurs jetons. L’ensemble publié du modèle comprend un module distinct de prédiction de plusieurs jetons de 14 milliards de paramètres, en plus du modèle principal de 671 milliards de paramètres, ce qui explique pourquoi le total de l’ensemble peut différer du nombre de paramètres de l’architecture principale.
DeepSeek préentraîne V3 sur 14.8 billions de jetons, puis utilise l’affinage supervisé et l’apprentissage par renforcement. Le postentraînement apporte les schémas de vérification et de réflexion de la famille R1 dans une réponse standard de modèle de langage tout en contrôlant le style et la longueur de sortie. Il s’agit d’une contribution de l’entraînement, distincte du choix de R1 lui-même ou du gabarit hybride de réflexion ultérieur de V3.1. Préparez le format de réponse finale voulu au lieu de présumer une présentation du raisonnement issue d’une autre édition.
Le tableau du producteur donne un contexte de 128K pour V3 Base et pour l’édition V3 postentraînée. Ce contexte peut réunir une question avec d’importantes sources documentaires ou de code, tandis que l’historique conversationnel et la réponse ont aussi besoin de place. Identifiez les sources et la question pertinente. Une fenêtre de contexte est une limite de capacité, pas une instruction de soumettre des éléments sans rapport ou de demander une réponse inutilement longue.
Pour une tâche de code pratique, fournissez la fonction pertinente, le comportement attendu, les contraintes importantes et l’entrée qui démontre le problème. Demandez une correction proposée et une explication liée au code fourni. Pour l’analyse de documents, fournissez des sections nommées et des critères de comparaison clairs. Voici un exemple de demande : « Extrayez les exigences, repérez celles auxquelles cette proposition répond et citez le passage correspondant pour chaque constat. Terminez par une liste concise des détails manquants. »
Les tâches de rédaction et de révision gagnent à préciser le public, le ton et l’ensemble des faits à conserver. Demandez un résumé, une réécriture, une traduction ou une explication et indiquez les noms et la terminologie obligatoires. Une liste de champs demandée ou une réponse de forme JSON demeure du contenu généré à examiner; le nom du modèle ne permet pas à lui seul de valider le mécanisme de sortie structurée ou d’exécution d’outils de l’application environnante. Si une application fournit des outils, distinguez chaque observation renvoyée de l’action proposée par le modèle.
Le fabricant publie des données de modèle FP8 et décrit d’autres options de précision ou d’exécution dans sa référence. Ces choix de mise en œuvre sont distincts de la tâche liée aux sources et ne doivent pas être déduits du nom affiché du modèle. La sortie peut être du code, mais générer ce code ne l’exécute pas; expliquer une source ne prouve pas qu’une recherche externe a été effectuée. Utilisez des passages sources réels et les résultats observés de l’application lorsque la réponse exige ces éléments probants.
Pour un résultat utile, définissez le livrable final et ses conditions d’achèvement. Distinguez les constats appuyés par les sources, les hypothèses et les modifications proposées, puis évaluez la réponse générée par rapport aux éléments fournis. Une conversation plus longue peut affiner une partie de l’ébauche tout en préservant les faits et les contraintes approuvés. Le livrable est un texte ou du code à examiner pour la tâche énoncée, qui conserve l’identité V3 originale plutôt que d’emprunter silencieusement les commandes d’une édition ultérieure.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites deepseek-chat | 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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.00064 / 1K jetons Sortie · Jetons en sortie $0.00178 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 ID 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 est le modèle textuel original de DeepSeek pour le code, la rédaction, les questions et l’analyse fondée sur des sources. Son architecture à mélange d’experts compte 671B paramètres au total, dont 37B actifs, avec un contexte de 128K et un postentraînement qui intègre des schémas de raisonnement de R1.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
DeepSeek V3 est le modèle textuel original de DeepSeek à mélange d’experts pour le langage général, le code et le raisonnement. Il reçoit des instructions écrites et du contexte textuel et renvoie une réponse, une ébauche, une explication ou du code. La fiche indique 671 milliards de paramètres au total pour le modèle principal, dont 37 milliards actifs pour chaque jeton. Le V3 original nommé reste distinct de V3-0324, de V3.1 et de V3.2, dont les mises à jour ajoutent leurs propres fonctions et profils de consigne.
Son architecture combine Multi-head Latent Attention et DeepSeekMoE. L’attention latente compresse les informations utilisées par l’attention, tandis que la sélection parcimonieuse d’experts n’active qu’une partie du modèle pour chaque jeton. V3 introduit aussi un équilibrage de charge sans perte auxiliaire et un objectif d’entraînement de prédiction de plusieurs jetons. L’ensemble publié du modèle comprend un module distinct de prédiction de plusieurs jetons de 14 milliards de paramètres, en plus du modèle principal de 671 milliards de paramètres, ce qui explique pourquoi le total de l’ensemble peut différer du nombre de paramètres de l’architecture principale.
DeepSeek préentraîne V3 sur 14.8 billions de jetons, puis utilise l’affinage supervisé et l’apprentissage par renforcement. Le postentraînement apporte les schémas de vérification et de réflexion de la famille R1 dans une réponse standard de modèle de langage tout en contrôlant le style et la longueur de sortie. Il s’agit d’une contribution de l’entraînement, distincte du choix de R1 lui-même ou du gabarit hybride de réflexion ultérieur de V3.1. Préparez le format de réponse finale voulu au lieu de présumer une présentation du raisonnement issue d’une autre édition.
Le tableau du producteur donne un contexte de 128K pour V3 Base et pour l’édition V3 postentraînée. Ce contexte peut réunir une question avec d’importantes sources documentaires ou de code, tandis que l’historique conversationnel et la réponse ont aussi besoin de place. Identifiez les sources et la question pertinente. Une fenêtre de contexte est une limite de capacité, pas une instruction de soumettre des éléments sans rapport ou de demander une réponse inutilement longue.
Pour une tâche de code pratique, fournissez la fonction pertinente, le comportement attendu, les contraintes importantes et l’entrée qui démontre le problème. Demandez une correction proposée et une explication liée au code fourni. Pour l’analyse de documents, fournissez des sections nommées et des critères de comparaison clairs. Voici un exemple de demande : « Extrayez les exigences, repérez celles auxquelles cette proposition répond et citez le passage correspondant pour chaque constat. Terminez par une liste concise des détails manquants. »
Les tâches de rédaction et de révision gagnent à préciser le public, le ton et l’ensemble des faits à conserver. Demandez un résumé, une réécriture, une traduction ou une explication et indiquez les noms et la terminologie obligatoires. Une liste de champs demandée ou une réponse de forme JSON demeure du contenu généré à examiner; le nom du modèle ne permet pas à lui seul de valider le mécanisme de sortie structurée ou d’exécution d’outils de l’application environnante. Si une application fournit des outils, distinguez chaque observation renvoyée de l’action proposée par le modèle.
Le fabricant publie des données de modèle FP8 et décrit d’autres options de précision ou d’exécution dans sa référence. Ces choix de mise en œuvre sont distincts de la tâche liée aux sources et ne doivent pas être déduits du nom affiché du modèle. La sortie peut être du code, mais générer ce code ne l’exécute pas; expliquer une source ne prouve pas qu’une recherche externe a été effectuée. Utilisez des passages sources réels et les résultats observés de l’application lorsque la réponse exige ces éléments probants.
Pour un résultat utile, définissez le livrable final et ses conditions d’achèvement. Distinguez les constats appuyés par les sources, les hypothèses et les modifications proposées, puis évaluez la réponse générée par rapport aux éléments fournis. Une conversation plus longue peut affiner une partie de l’ébauche tout en préservant les faits et les contraintes approuvés. Le livrable est un texte ou du code à examiner pour la tâche énoncée, qui conserve l’identité V3 originale plutôt que d’emprunter silencieusement les commandes d’une édition ultérieure.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites deepseek/deepseek-chat | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
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 comme texte littéral ; aucun ID de fichier déduit |
Paramètreoptional_controls | Contratstream |
Paramètrecontrol_scope | ContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false. |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Alias de méthode : /chat/completions
Cycle de vie : synchronous_or_streamed
Envoyez l’ID 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/objet fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.00064 / 1K jetons Sortie · Jetons en sortie $0.00178 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"deepseek/deepseek-chat","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="deepseek/deepseek-chat", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 est le modèle textuel original de DeepSeek pour le code, la rédaction, les questions et l’analyse fondée sur des sources. Son architecture à mélange d’experts compte 671B paramètres au total, dont 37B actifs, avec un contexte de 128K et un postentraînement qui intègre des schémas de raisonnement de R1.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
DeepSeek V3 est le modèle textuel original de DeepSeek à mélange d’experts pour le langage général, le code et le raisonnement. Il reçoit des instructions écrites et du contexte textuel et renvoie une réponse, une ébauche, une explication ou du code. La fiche indique 671 milliards de paramètres au total pour le modèle principal, dont 37 milliards actifs pour chaque jeton. Le V3 original nommé reste distinct de V3-0324, de V3.1 et de V3.2, dont les mises à jour ajoutent leurs propres fonctions et profils de consigne.
Son architecture combine Multi-head Latent Attention et DeepSeekMoE. L’attention latente compresse les informations utilisées par l’attention, tandis que la sélection parcimonieuse d’experts n’active qu’une partie du modèle pour chaque jeton. V3 introduit aussi un équilibrage de charge sans perte auxiliaire et un objectif d’entraînement de prédiction de plusieurs jetons. L’ensemble publié du modèle comprend un module distinct de prédiction de plusieurs jetons de 14 milliards de paramètres, en plus du modèle principal de 671 milliards de paramètres, ce qui explique pourquoi le total de l’ensemble peut différer du nombre de paramètres de l’architecture principale.
DeepSeek préentraîne V3 sur 14.8 billions de jetons, puis utilise l’affinage supervisé et l’apprentissage par renforcement. Le postentraînement apporte les schémas de vérification et de réflexion de la famille R1 dans une réponse standard de modèle de langage tout en contrôlant le style et la longueur de sortie. Il s’agit d’une contribution de l’entraînement, distincte du choix de R1 lui-même ou du gabarit hybride de réflexion ultérieur de V3.1. Préparez le format de réponse finale voulu au lieu de présumer une présentation du raisonnement issue d’une autre édition.
Le tableau du producteur donne un contexte de 128K pour V3 Base et pour l’édition V3 postentraînée. Ce contexte peut réunir une question avec d’importantes sources documentaires ou de code, tandis que l’historique conversationnel et la réponse ont aussi besoin de place. Identifiez les sources et la question pertinente. Une fenêtre de contexte est une limite de capacité, pas une instruction de soumettre des éléments sans rapport ou de demander une réponse inutilement longue.
Pour une tâche de code pratique, fournissez la fonction pertinente, le comportement attendu, les contraintes importantes et l’entrée qui démontre le problème. Demandez une correction proposée et une explication liée au code fourni. Pour l’analyse de documents, fournissez des sections nommées et des critères de comparaison clairs. Voici un exemple de demande : « Extrayez les exigences, repérez celles auxquelles cette proposition répond et citez le passage correspondant pour chaque constat. Terminez par une liste concise des détails manquants. »
Les tâches de rédaction et de révision gagnent à préciser le public, le ton et l’ensemble des faits à conserver. Demandez un résumé, une réécriture, une traduction ou une explication et indiquez les noms et la terminologie obligatoires. Une liste de champs demandée ou une réponse de forme JSON demeure du contenu généré à examiner; le nom du modèle ne permet pas à lui seul de valider le mécanisme de sortie structurée ou d’exécution d’outils de l’application environnante. Si une application fournit des outils, distinguez chaque observation renvoyée de l’action proposée par le modèle.
Le fabricant publie des données de modèle FP8 et décrit d’autres options de précision ou d’exécution dans sa référence. Ces choix de mise en œuvre sont distincts de la tâche liée aux sources et ne doivent pas être déduits du nom affiché du modèle. La sortie peut être du code, mais générer ce code ne l’exécute pas; expliquer une source ne prouve pas qu’une recherche externe a été effectuée. Utilisez des passages sources réels et les résultats observés de l’application lorsque la réponse exige ces éléments probants.
Pour un résultat utile, définissez le livrable final et ses conditions d’achèvement. Distinguez les constats appuyés par les sources, les hypothèses et les modifications proposées, puis évaluez la réponse générée par rapport aux éléments fournis. Une conversation plus longue peut affiner une partie de l’ébauche tout en préservant les faits et les contraintes approuvés. Le livrable est un texte ou du code à examiner pour la tâche énoncée, qui conserve l’identité V3 originale plutôt que d’emprunter silencieusement les commandes d’une édition ultérieure.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites deepseek/deepseek-chat | 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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.00064 / 1K jetons Sortie · Jetons en sortie $0.00178 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "deepseek/deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 ID 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions