DeepSeek V3.2 est le modèle textuel de DeepSeek pour le raisonnement et le travail d'agents, avec un accent sur le traitement efficace à long contexte. Le producteur organise ses principaux changements autour de DeepSeek Sparse Attention, d'un cadre d'apprentissage par renforcement à plus grande échelle et d'une chaîne d'entraînement de tâches d'agents. Il accepte des questions écrites et du contexte et produit du texte, notamment une réponse, du code ou du contenu d'appels d'outils. Il se distingue de la version antérieure V3.2 Exp et de la variante de raisonnement Speciale séparée.
DeepSeek Sparse Attention ajoute un indexeur et une sélection fine de jetons à l'architecture d'attention latente. Pour une longue séquence, l'indexeur sélectionne l'information des jetons antérieurs utilisée par le calcul d'attention principal. Le rapport indique qu'il s'agit du changement architectural par rapport à V3.1 Terminus et que l'architecture est la même que celle de V3.2 Exp. Son contexte publié est de 128K jetons, ce qui permet des sources substantielles et une tâche continue, tandis que le raisonnement généré et l'historique des outils consomment aussi le contexte disponible.
Le post-entraînement couvre les réponses avec et sans raisonnement en mathématiques, en programmation, en raisonnement logique, en tâches générales d'agents, en programmation par des agents et en recherche. Des spécialistes de domaines fournissent des données qui sont consolidées dans le modèle final; cette étape est suivie d'un apprentissage par renforcement mixte. Pour une question ordinaire, une réponse directe peut convenir; pour un problème difficile, le flux avec raisonnement peut développer une solution avant de présenter le résultat final. Précisez la réponse ou le livrable requis indépendamment du raisonnement intermédiaire.
Un changement substantiel de l'édition est le raisonnement avec des outils. Le format de clavardage mis à jour permet au raisonnement de se poursuivre dans une tâche d'appels d'outils plutôt que de traiter l'analyse et l'action comme des étapes sans lien. Une opération sélectionnée par le modèle est exécutée par l'application, qui retourne son résultat pour l'étape suivante. La règle de contexte d'outils du producteur conserve le raisonnement historique tant que seuls des messages liés aux outils sont ajoutés; lorsqu'un nouveau message utilisateur arrive, elle écarte ce raisonnement tout en conservant les appels d'outils et leurs résultats. Une distinction correcte des rôles de conversation est importante pour ce comportement.
Pour la programmation, fournissez le fragment source ou les fichiers pertinents, le problème observé, le résultat attendu et les conditions que la modification doit conserver. Un exemple de consigne est : « Utilisez le code et les résultats d'outils fournis pour localiser la cause, proposer la plus petite correction et retourner le correctif final avec le résultat de validation qui l'appuie. » Pour une tâche de recherche, décrivez la question, les preuves requises et ce qui constitue une réponse achevée. Les outils de recherche et d'exécution sont fournis par l'application environnante plutôt que par le texte seul.
Le producteur recommande une température de 1.0 et top-p à 0.95 pour l'utilisation locale. V3.2 introduit une représentation révisée des appels d'outils et un encodeur de messages dédié. Son rôle developer est réservé au gabarit d'agent de recherche du producteur, et l'API officielle n'accepte pas ce rôle. L'analyseur de référence attend une sortie bien formée et ne répare pas les résultats mal formés; lorsqu'une application utilise des champs générés ou des arguments d'outils, elle doit vérifier leur structure avant d'agir sur ceux-ci.
Le rapport technique identifie les longues trajectoires de raisonnement et l'autovérification redondante comme limites pratiques. Une tâche d'agent peut atteindre la limite de 128K même lorsque les sources originales tiennent dans le contexte, parce que les sorties d'outils et le raisonnement répété s'accumulent. Gardez un relevé concis des observations pertinentes et explicitez le livrable final. Pour les tâches qui dépendent de connaissances précises, joignez les éléments faisant autorité ou fournissez un outil de recherche adapté plutôt que de compter sur les connaissances d'entraînement pour définir chaque fait.
DeepSeek V3.2 Speciale est une variante distincte de raisonnement approfondi à forte capacité de calcul et ne prend pas en charge les appels d'outils dans la fiche du modèle. Ses caractéristiques ne doivent pas être utilisées comme profil d'outils standard de V3.2. De même, la génération V4 ultérieure et le prédécesseur expérimental possèdent des identités et des choix de configuration séparés. Conservez l'édition nommée V3.2 lorsque vous comparez des tâches pour lesquelles le modèle et le format de consigne importent.
Pour une analyse pratique fondée sur des sources, identifiez les éléments et demandez une conclusion appuyée par les passages pertinents, en gardant distinctes les hypothèses et l'information manquante. Pour un agent, précisez les fonctions autorisées, le résultat final attendu et le critère d'achèvement. Cela prépare le flux de raisonnement et d'outils du modèle autour d'un livrable textuel, de code ou analytique vérifiable, lié aux preuves fournies.
", "aboutText": "DeepSeek V3.2 est le modèle textuel de DeepSeek pour le raisonnement et le travail d'agents, avec un accent sur le traitement efficace à long contexte. Le producteur organise ses principaux changements autour de DeepSeek Sparse Attention, d'un cadre d'apprentissage par renforcement à plus grande échelle et d'une chaîne d'entraînement de tâches d'agents. Il accepte des questions écrites et du contexte et produit du texte, notamment une réponse, du code ou du contenu d'appels d'outils. Il se distingue de la version antérieure V3.2 Exp et de la variante de raisonnement Speciale séparée.\n\nDeepSeek Sparse Attention ajoute un indexeur et une sélection fine de jetons à l'architecture d'attention latente. Pour une longue séquence, l'indexeur sélectionne l'information des jetons antérieurs utilisée par le calcul d'attention principal. Le rapport indique qu'il s'agit du changement architectural par rapport à V3.1 Terminus et que l'architecture est la même que celle de V3.2 Exp. Son contexte publié est de 128K jetons, ce qui permet des sources substantielles et une tâche continue, tandis que le raisonnement généré et l'historique des outils consomment aussi le contexte disponible.\n\nLe post-entraînement couvre les réponses avec et sans raisonnement en mathématiques, en programmation, en raisonnement logique, en tâches générales d'agents, en programmation par des agents et en recherche. Des spécialistes de domaines fournissent des données qui sont consolidées dans le modèle final; cette étape est suivie d'un apprentissage par renforcement mixte. Pour une question ordinaire, une réponse directe peut convenir; pour un problème difficile, le flux avec raisonnement peut développer une solution avant de présenter le résultat final. Précisez la réponse ou le livrable requis indépendamment du raisonnement intermédiaire.\n\nUn changement substantiel de l'édition est le raisonnement avec des outils. Le format de clavardage mis à jour permet au raisonnement de se poursuivre dans une tâche d'appels d'outils plutôt que de traiter l'analyse et l'action comme des étapes sans lien. Une opération sélectionnée par le modèle est exécutée par l'application, qui retourne son résultat pour l'étape suivante. La règle de contexte d'outils du producteur conserve le raisonnement historique tant que seuls des messages liés aux outils sont ajoutés; lorsqu'un nouveau message utilisateur arrive, elle écarte ce raisonnement tout en conservant les appels d'outils et leurs résultats. Une distinction correcte des rôles de conversation est importante pour ce comportement.\n\nPour la programmation, fournissez le fragment source ou les fichiers pertinents, le problème observé, le résultat attendu et les conditions que la modification doit conserver. Un exemple de consigne est : « Utilisez le code et les résultats d'outils fournis pour localiser la cause, proposer la plus petite correction et retourner le correctif final avec le résultat de validation qui l'appuie. » Pour une tâche de recherche, décrivez la question, les preuves requises et ce qui constitue une réponse achevée. Les outils de recherche et d'exécution sont fournis par l'application environnante plutôt que par le texte seul.\n\nLe producteur recommande une température de 1.0 et top-p à 0.95 pour l'utilisation locale. V3.2 introduit une représentation révisée des appels d'outils et un encodeur de messages dédié. Son rôle developer est réservé au gabarit d'agent de recherche du producteur, et l'API officielle n'accepte pas ce rôle. L'analyseur de référence attend une sortie bien formée et ne répare pas les résultats mal formés; lorsqu'une application utilise des champs générés ou des arguments d'outils, elle doit vérifier leur structure avant d'agir sur ceux-ci.\n\nLe rapport technique identifie les longues trajectoires de raisonnement et l'autovérification redondante comme limites pratiques. Une tâche d'agent peut atteindre la limite de 128K même lorsque les sources originales tiennent dans le contexte, parce que les sorties d'outils et le raisonnement répété s'accumulent. Gardez un relevé concis des observations pertinentes et explicitez le livrable final. Pour les tâches qui dépendent de connaissances précises, joignez les éléments faisant autorité ou fournissez un outil de recherche adapté plutôt que de compter sur les connaissances d'entraînement pour définir chaque fait.\n\nDeepSeek V3.2 Speciale est une variante distincte de raisonnement approfondi à forte capacité de calcul et ne prend pas en charge les appels d'outils dans la fiche du modèle. Ses caractéristiques ne doivent pas être utilisées comme profil d'outils standard de V3.2. De même, la génération V4 ultérieure et le prédécesseur expérimental possèdent des identités et des choix de configuration séparés. Conservez l'édition nommée V3.2 lorsque vous comparez des tâches pour lesquelles le modèle et le format de consigne importent.\n\nPour une analyse pratique fondée sur des sources, identifiez les éléments et demandez une conclusion appuyée par les passages pertinents, en gardant distinctes les hypothèses et l'information manquante. Pour un agent, précisez les fonctions autorisées, le résultat final attendu et le critère d'achèvement. Cela prépare le flux de raisonnement et d'outils du modèle autour d'un livrable textuel, de code ou analytique vérifiable, lié aux preuves fournies.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Repair an overwritten grouped total\n\nReview this Python fragment: totals = {}\nfor row in rows:\n totals[row['team']] = row['hours']\n For rows with teams A, B, A and hours 2, 3, 4, the last A overwrites the first. Return a minimal accumulation fix, explain the state changes and propose assertions for repeated teams and empty input.Corrected grouping code, a short state trace and two assertions with concrete inputs.Repeated teams accumulate all hours while an empty list returns an empty mapping.deepseek/deepseek-v3.2DeepSeek V3.2 combine le raisonnement textuel à l'utilisation d'outils et à l'analyse à long contexte. Son architecture à attention parcimonieuse et son format de conversation mis à jour prennent en charge la programmation, la recherche et les tâches d'agents en plusieurs étapes, avec un contexte de 128K et des flux distincts de raisonnement et de réponse directe.
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 est le modèle textuel de DeepSeek pour le raisonnement et le travail d'agents, avec un accent sur le traitement efficace à long contexte. Le producteur organise ses principaux changements autour de DeepSeek Sparse Attention, d'un cadre d'apprentissage par renforcement à plus grande échelle et d'une chaîne d'entraînement de tâches d'agents. Il accepte des questions écrites et du contexte et produit du texte, notamment une réponse, du code ou du contenu d'appels d'outils. Il se distingue de la version antérieure V3.2 Exp et de la variante de raisonnement Speciale séparée.
DeepSeek Sparse Attention ajoute un indexeur et une sélection fine de jetons à l'architecture d'attention latente. Pour une longue séquence, l'indexeur sélectionne l'information des jetons antérieurs utilisée par le calcul d'attention principal. Le rapport indique qu'il s'agit du changement architectural par rapport à V3.1 Terminus et que l'architecture est la même que celle de V3.2 Exp. Son contexte publié est de 128K jetons, ce qui permet des sources substantielles et une tâche continue, tandis que le raisonnement généré et l'historique des outils consomment aussi le contexte disponible.
Le post-entraînement couvre les réponses avec et sans raisonnement en mathématiques, en programmation, en raisonnement logique, en tâches générales d'agents, en programmation par des agents et en recherche. Des spécialistes de domaines fournissent des données qui sont consolidées dans le modèle final; cette étape est suivie d'un apprentissage par renforcement mixte. Pour une question ordinaire, une réponse directe peut convenir; pour un problème difficile, le flux avec raisonnement peut développer une solution avant de présenter le résultat final. Précisez la réponse ou le livrable requis indépendamment du raisonnement intermédiaire.
Un changement substantiel de l'édition est le raisonnement avec des outils. Le format de clavardage mis à jour permet au raisonnement de se poursuivre dans une tâche d'appels d'outils plutôt que de traiter l'analyse et l'action comme des étapes sans lien. Une opération sélectionnée par le modèle est exécutée par l'application, qui retourne son résultat pour l'étape suivante. La règle de contexte d'outils du producteur conserve le raisonnement historique tant que seuls des messages liés aux outils sont ajoutés; lorsqu'un nouveau message utilisateur arrive, elle écarte ce raisonnement tout en conservant les appels d'outils et leurs résultats. Une distinction correcte des rôles de conversation est importante pour ce comportement.
Pour la programmation, fournissez le fragment source ou les fichiers pertinents, le problème observé, le résultat attendu et les conditions que la modification doit conserver. Un exemple de consigne est : « Utilisez le code et les résultats d'outils fournis pour localiser la cause, proposer la plus petite correction et retourner le correctif final avec le résultat de validation qui l'appuie. » Pour une tâche de recherche, décrivez la question, les preuves requises et ce qui constitue une réponse achevée. Les outils de recherche et d'exécution sont fournis par l'application environnante plutôt que par le texte seul.
Le producteur recommande une température de 1.0 et top-p à 0.95 pour l'utilisation locale. V3.2 introduit une représentation révisée des appels d'outils et un encodeur de messages dédié. Son rôle developer est réservé au gabarit d'agent de recherche du producteur, et l'API officielle n'accepte pas ce rôle. L'analyseur de référence attend une sortie bien formée et ne répare pas les résultats mal formés; lorsqu'une application utilise des champs générés ou des arguments d'outils, elle doit vérifier leur structure avant d'agir sur ceux-ci.
Le rapport technique identifie les longues trajectoires de raisonnement et l'autovérification redondante comme limites pratiques. Une tâche d'agent peut atteindre la limite de 128K même lorsque les sources originales tiennent dans le contexte, parce que les sorties d'outils et le raisonnement répété s'accumulent. Gardez un relevé concis des observations pertinentes et explicitez le livrable final. Pour les tâches qui dépendent de connaissances précises, joignez les éléments faisant autorité ou fournissez un outil de recherche adapté plutôt que de compter sur les connaissances d'entraînement pour définir chaque fait.
DeepSeek V3.2 Speciale est une variante distincte de raisonnement approfondi à forte capacité de calcul et ne prend pas en charge les appels d'outils dans la fiche du modèle. Ses caractéristiques ne doivent pas être utilisées comme profil d'outils standard de V3.2. De même, la génération V4 ultérieure et le prédécesseur expérimental possèdent des identités et des choix de configuration séparés. Conservez l'édition nommée V3.2 lorsque vous comparez des tâches pour lesquelles le modèle et le format de consigne importent.
Pour une analyse pratique fondée sur des sources, identifiez les éléments et demandez une conclusion appuyée par les passages pertinents, en gardant distinctes les hypothèses et l'information manquante. Pour un agent, précisez les fonctions autorisées, le résultat final attendu et le critère d'achèvement. Cela prépare le flux de raisonnement et d'outils du modèle autour d'un livrable textuel, de code ou analytique vérifiable, lié aux preuves fournies.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites deepseek/deepseek-v3.2 | 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’ID 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: Fonction fournie comme outil | 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 refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | 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 comme texte littéral ; aucun ID 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’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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.000572 / 1K jetons Sortie · Jetons en sortie $0.0016 / 1K jetons Entrée · Lecture du cache $0.00028 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.000572 / 1K jetons Sortie · Jetons en sortie $0.0016 / 1K jetons Entrée · Lecture du cache $0.00028 / 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-v3.2", "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',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',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, 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/deepseek-v3.2
Utilisez les chemins de méthode indiqués ci-dessus.
deepseek/deepseek-v3.2DeepSeek V3.2 combine le raisonnement textuel à l'utilisation d'outils et à l'analyse à long contexte. Son architecture à attention parcimonieuse et son format de conversation mis à jour prennent en charge la programmation, la recherche et les tâches d'agents en plusieurs étapes, avec un contexte de 128K et des flux distincts de raisonnement et de réponse directe.
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 est le modèle textuel de DeepSeek pour le raisonnement et le travail d'agents, avec un accent sur le traitement efficace à long contexte. Le producteur organise ses principaux changements autour de DeepSeek Sparse Attention, d'un cadre d'apprentissage par renforcement à plus grande échelle et d'une chaîne d'entraînement de tâches d'agents. Il accepte des questions écrites et du contexte et produit du texte, notamment une réponse, du code ou du contenu d'appels d'outils. Il se distingue de la version antérieure V3.2 Exp et de la variante de raisonnement Speciale séparée.
DeepSeek Sparse Attention ajoute un indexeur et une sélection fine de jetons à l'architecture d'attention latente. Pour une longue séquence, l'indexeur sélectionne l'information des jetons antérieurs utilisée par le calcul d'attention principal. Le rapport indique qu'il s'agit du changement architectural par rapport à V3.1 Terminus et que l'architecture est la même que celle de V3.2 Exp. Son contexte publié est de 128K jetons, ce qui permet des sources substantielles et une tâche continue, tandis que le raisonnement généré et l'historique des outils consomment aussi le contexte disponible.
Le post-entraînement couvre les réponses avec et sans raisonnement en mathématiques, en programmation, en raisonnement logique, en tâches générales d'agents, en programmation par des agents et en recherche. Des spécialistes de domaines fournissent des données qui sont consolidées dans le modèle final; cette étape est suivie d'un apprentissage par renforcement mixte. Pour une question ordinaire, une réponse directe peut convenir; pour un problème difficile, le flux avec raisonnement peut développer une solution avant de présenter le résultat final. Précisez la réponse ou le livrable requis indépendamment du raisonnement intermédiaire.
Un changement substantiel de l'édition est le raisonnement avec des outils. Le format de clavardage mis à jour permet au raisonnement de se poursuivre dans une tâche d'appels d'outils plutôt que de traiter l'analyse et l'action comme des étapes sans lien. Une opération sélectionnée par le modèle est exécutée par l'application, qui retourne son résultat pour l'étape suivante. La règle de contexte d'outils du producteur conserve le raisonnement historique tant que seuls des messages liés aux outils sont ajoutés; lorsqu'un nouveau message utilisateur arrive, elle écarte ce raisonnement tout en conservant les appels d'outils et leurs résultats. Une distinction correcte des rôles de conversation est importante pour ce comportement.
Pour la programmation, fournissez le fragment source ou les fichiers pertinents, le problème observé, le résultat attendu et les conditions que la modification doit conserver. Un exemple de consigne est : « Utilisez le code et les résultats d'outils fournis pour localiser la cause, proposer la plus petite correction et retourner le correctif final avec le résultat de validation qui l'appuie. » Pour une tâche de recherche, décrivez la question, les preuves requises et ce qui constitue une réponse achevée. Les outils de recherche et d'exécution sont fournis par l'application environnante plutôt que par le texte seul.
Le producteur recommande une température de 1.0 et top-p à 0.95 pour l'utilisation locale. V3.2 introduit une représentation révisée des appels d'outils et un encodeur de messages dédié. Son rôle developer est réservé au gabarit d'agent de recherche du producteur, et l'API officielle n'accepte pas ce rôle. L'analyseur de référence attend une sortie bien formée et ne répare pas les résultats mal formés; lorsqu'une application utilise des champs générés ou des arguments d'outils, elle doit vérifier leur structure avant d'agir sur ceux-ci.
Le rapport technique identifie les longues trajectoires de raisonnement et l'autovérification redondante comme limites pratiques. Une tâche d'agent peut atteindre la limite de 128K même lorsque les sources originales tiennent dans le contexte, parce que les sorties d'outils et le raisonnement répété s'accumulent. Gardez un relevé concis des observations pertinentes et explicitez le livrable final. Pour les tâches qui dépendent de connaissances précises, joignez les éléments faisant autorité ou fournissez un outil de recherche adapté plutôt que de compter sur les connaissances d'entraînement pour définir chaque fait.
DeepSeek V3.2 Speciale est une variante distincte de raisonnement approfondi à forte capacité de calcul et ne prend pas en charge les appels d'outils dans la fiche du modèle. Ses caractéristiques ne doivent pas être utilisées comme profil d'outils standard de V3.2. De même, la génération V4 ultérieure et le prédécesseur expérimental possèdent des identités et des choix de configuration séparés. Conservez l'édition nommée V3.2 lorsque vous comparez des tâches pour lesquelles le modèle et le format de consigne importent.
Pour une analyse pratique fondée sur des sources, identifiez les éléments et demandez une conclusion appuyée par les passages pertinents, en gardant distinctes les hypothèses et l'information manquante. Pour un agent, précisez les fonctions autorisées, le résultat final attendu et le critère d'achèvement. Cela prépare le flux de raisonnement et d'outils du modèle autour d'un livrable textuel, de code ou analytique vérifiable, lié aux preuves fournies.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites deepseek/deepseek-v3.2 | 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 | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.000572 / 1K jetons Sortie · Jetons en sortie $0.0016 / 1K jetons Entrée · Lecture du cache $0.00028 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.000572 / 1K jetons Sortie · Jetons en sortie $0.0016 / 1K jetons Entrée · Lecture du cache $0.00028 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "deepseek/deepseek-v3.2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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/deepseek-v3.2
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Repair an overwritten grouped total\n\nReview this Python fragment: totals = {}\nfor row in rows:\n totals[row['team']] = row['hours']\n For rows with teams A, B, A and hours 2, 3, 4, the last A overwrites the first. Return a minimal accumulation fix, explain the state changes and propose assertions for repeated teams and empty input.Corrected grouping code, a short state trace and two assertions with concrete inputs.Repeated teams accumulate all hours while an empty list returns an empty mapping.