DeepSeek V3.1 est le modèle textuel hybride de DeepSeek : la même édition nommée prend en charge des réponses avec et sans réflexion au moyen de paramètres différents du gabarit de conversation. Le producteur souligne des progrès dans l’utilisation des outils, l’exécution des tâches d’agent et l’efficacité du raisonnement par rapport à son modèle précédent. Il accepte des instructions écrites et du contexte textuel et génère une réponse, du code ou du contenu d’appel d’outil. L’identité V3.1 originale est distincte de Terminus, de V3.2 et de la famille V4.
La fiche du modèle indique 671 milliards de paramètres au total, 37 milliards de paramètres actifs et un contexte de 128K pour les éditions de base et postentraînées. V3.1 repose sur la base V3 originale, avec un entraînement prolongé sur de longs documents avant le postentraînement. Sa structure à mélange d’experts et à attention latente suit l’architecture V3. Ces caractéristiques expliquent le profil textuel à long contexte sans transformer la valeur de contexte en spécification distincte de sortie maximale.
Le mode sans réflexion prépare une réponse directe, tandis que le mode avec réflexion amorce une phase de raisonnement avant la réponse. Le gabarit du producteur utilise un marqueur de fermeture de réflexion pour les réponses directes et un marqueur d’ouverture pour le tour de raisonnement actuel. Dans une conversation à plusieurs tours, le raisonnement antérieur est retiré tandis que les réponses finales et le marqueur de fermeture restent dans le contexte. C’est la règle d’historique V3.1 originale, distincte de la règle ultérieure de V3.2 qui préserve le raisonnement entre les messages liés aux outils.
L’appel d’outils standard est documenté en mode sans réflexion. L’application fournit les noms des fonctions, leurs descriptions et les schémas des paramètres; le modèle renvoie un nom d’outil sélectionné et des arguments JSON dans la représentation d’appel d’outil du producteur. L’application exécute l’opération et renvoie son résultat. Donnez aux outils des objectifs précis et gardez l’observation renvoyée liée à l’appel, pour que l’étape suivante du modèle repose sur un élément probant plutôt que sur l’hypothèse qu’une action a eu lieu.
La recherche en mode réflexion utilise un format distinct spécialisé d’agent de recherche. DeepSeek documente un outil de recherche fourni par l’utilisateur pour les questions nécessitant des informations externes ou actuelles, avec des appels et des observations répétés sur plusieurs tours. La recherche fait donc partie du processus environnant; cela ne signifie pas que le modèle a parcouru le Web de façon autonome pour produire une réponse textuelle. Définissez la question, les critères des sources et la réponse finale voulue avant le début de la recherche.
Pour le code, fournissez l’extrait ou les fichiers pertinents, le comportement observé, le comportement attendu et les contraintes à préserver. Voici un exemple de demande : « Repérez la cause de cet échec pour l’entrée fournie, proposez une correction ciblée et expliquez la condition que la modification prend en charge. » Pour une tâche documentaire, identifiez les sections sources et demandez une comparaison avec des exigences explicites. Exigez que la réponse finale distingue la conclusion appuyée par les sources d’une prochaine action proposée.
Le producteur entraîne V3.1 avec le format d’échelle UE8M0 FP8 pour les poids et les activations. Ses recommandations locales identifient aussi les paramètres sensibles à la précision qui doivent être traités correctement. Il s’agit de caractéristiques de la référence publiée du producteur, pas d’une affirmation sur la précision ou la mise en œuvre choisie par chaque application. Un dérivé, une variante quantifiée et le point de contrôle Terminus ultérieur restent des choix distincts de l’édition V3.1 originale nommée.
Préparez les travaux plus longs avec une question claire, des repères de sources et un livrable final défini. Faites tenir la conversation, les sources textuelles, le raisonnement et la sortie dans le contexte documenté et gardez uniquement les éléments pertinents à mesure que la tâche prend de l’ampleur. Pour un agent, précisez les actions permises et le critère d’achèvement. Le livrable utile est une réponse textuelle, une proposition de code ou une analyse appuyée par les sources, qui peut être examinée et qui est reliée aux données d’entrée et aux observations réellement renvoyées par l’application.
", "aboutText": "DeepSeek V3.1 est le modèle textuel hybride de DeepSeek : la même édition nommée prend en charge des réponses avec et sans réflexion au moyen de paramètres différents du gabarit de conversation. Le producteur souligne des progrès dans l’utilisation des outils, l’exécution des tâches d’agent et l’efficacité du raisonnement par rapport à son modèle précédent. Il accepte des instructions écrites et du contexte textuel et génère une réponse, du code ou du contenu d’appel d’outil. L’identité V3.1 originale est distincte de Terminus, de V3.2 et de la famille V4.\n\nLa fiche du modèle indique 671 milliards de paramètres au total, 37 milliards de paramètres actifs et un contexte de 128K pour les éditions de base et postentraînées. V3.1 repose sur la base V3 originale, avec un entraînement prolongé sur de longs documents avant le postentraînement. Sa structure à mélange d’experts et à attention latente suit l’architecture V3. Ces caractéristiques expliquent le profil textuel à long contexte sans transformer la valeur de contexte en spécification distincte de sortie maximale.\n\nLe mode sans réflexion prépare une réponse directe, tandis que le mode avec réflexion amorce une phase de raisonnement avant la réponse. Le gabarit du producteur utilise un marqueur de fermeture de réflexion pour les réponses directes et un marqueur d’ouverture pour le tour de raisonnement actuel. Dans une conversation à plusieurs tours, le raisonnement antérieur est retiré tandis que les réponses finales et le marqueur de fermeture restent dans le contexte. C’est la règle d’historique V3.1 originale, distincte de la règle ultérieure de V3.2 qui préserve le raisonnement entre les messages liés aux outils.\n\nL’appel d’outils standard est documenté en mode sans réflexion. L’application fournit les noms des fonctions, leurs descriptions et les schémas des paramètres; le modèle renvoie un nom d’outil sélectionné et des arguments JSON dans la représentation d’appel d’outil du producteur. L’application exécute l’opération et renvoie son résultat. Donnez aux outils des objectifs précis et gardez l’observation renvoyée liée à l’appel, pour que l’étape suivante du modèle repose sur un élément probant plutôt que sur l’hypothèse qu’une action a eu lieu.\n\nLa recherche en mode réflexion utilise un format distinct spécialisé d’agent de recherche. DeepSeek documente un outil de recherche fourni par l’utilisateur pour les questions nécessitant des informations externes ou actuelles, avec des appels et des observations répétés sur plusieurs tours. La recherche fait donc partie du processus environnant; cela ne signifie pas que le modèle a parcouru le Web de façon autonome pour produire une réponse textuelle. Définissez la question, les critères des sources et la réponse finale voulue avant le début de la recherche.\n\nPour le code, fournissez l’extrait ou les fichiers pertinents, le comportement observé, le comportement attendu et les contraintes à préserver. Voici un exemple de demande : « Repérez la cause de cet échec pour l’entrée fournie, proposez une correction ciblée et expliquez la condition que la modification prend en charge. » Pour une tâche documentaire, identifiez les sections sources et demandez une comparaison avec des exigences explicites. Exigez que la réponse finale distingue la conclusion appuyée par les sources d’une prochaine action proposée.\n\nLe producteur entraîne V3.1 avec le format d’échelle UE8M0 FP8 pour les poids et les activations. Ses recommandations locales identifient aussi les paramètres sensibles à la précision qui doivent être traités correctement. Il s’agit de caractéristiques de la référence publiée du producteur, pas d’une affirmation sur la précision ou la mise en œuvre choisie par chaque application. Un dérivé, une variante quantifiée et le point de contrôle Terminus ultérieur restent des choix distincts de l’édition V3.1 originale nommée.\n\nPréparez les travaux plus longs avec une question claire, des repères de sources et un livrable final défini. Faites tenir la conversation, les sources textuelles, le raisonnement et la sortie dans le contexte documenté et gardez uniquement les éléments pertinents à mesure que la tâche prend de l’ampleur. Pour un agent, précisez les actions permises et le critère d’achèvement. Le livrable utile est une réponse textuelle, une proposition de code ou une analyse appuyée par les sources, qui peut être examinée et qui est reliée aux données d’entrée et aux observations réellement renvoyées par l’application.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "bba2ae4178febc84cfae3e0a1bd08abc5014a1a46919bf4bddc70b966c4c674c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "deepseek-v3.1-thinkingDeepSeek V3.1 est un modèle textuel hybride réunissant des modes de réflexion et de réponse directe dans une seule édition. Son contexte de 128K et son profil amélioré d’utilisation des outils soutiennent le code, l’analyse de documents et la recherche fournie par l’application, avec du texte ou des appels d’outils proposés comme résultat.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
DeepSeek V3.1 est le modèle textuel hybride de DeepSeek : la même édition nommée prend en charge des réponses avec et sans réflexion au moyen de paramètres différents du gabarit de conversation. Le producteur souligne des progrès dans l’utilisation des outils, l’exécution des tâches d’agent et l’efficacité du raisonnement par rapport à son modèle précédent. Il accepte des instructions écrites et du contexte textuel et génère une réponse, du code ou du contenu d’appel d’outil. L’identité V3.1 originale est distincte de Terminus, de V3.2 et de la famille V4.
La fiche du modèle indique 671 milliards de paramètres au total, 37 milliards de paramètres actifs et un contexte de 128K pour les éditions de base et postentraînées. V3.1 repose sur la base V3 originale, avec un entraînement prolongé sur de longs documents avant le postentraînement. Sa structure à mélange d’experts et à attention latente suit l’architecture V3. Ces caractéristiques expliquent le profil textuel à long contexte sans transformer la valeur de contexte en spécification distincte de sortie maximale.
Le mode sans réflexion prépare une réponse directe, tandis que le mode avec réflexion amorce une phase de raisonnement avant la réponse. Le gabarit du producteur utilise un marqueur de fermeture de réflexion pour les réponses directes et un marqueur d’ouverture pour le tour de raisonnement actuel. Dans une conversation à plusieurs tours, le raisonnement antérieur est retiré tandis que les réponses finales et le marqueur de fermeture restent dans le contexte. C’est la règle d’historique V3.1 originale, distincte de la règle ultérieure de V3.2 qui préserve le raisonnement entre les messages liés aux outils.
L’appel d’outils standard est documenté en mode sans réflexion. L’application fournit les noms des fonctions, leurs descriptions et les schémas des paramètres; le modèle renvoie un nom d’outil sélectionné et des arguments JSON dans la représentation d’appel d’outil du producteur. L’application exécute l’opération et renvoie son résultat. Donnez aux outils des objectifs précis et gardez l’observation renvoyée liée à l’appel, pour que l’étape suivante du modèle repose sur un élément probant plutôt que sur l’hypothèse qu’une action a eu lieu.
La recherche en mode réflexion utilise un format distinct spécialisé d’agent de recherche. DeepSeek documente un outil de recherche fourni par l’utilisateur pour les questions nécessitant des informations externes ou actuelles, avec des appels et des observations répétés sur plusieurs tours. La recherche fait donc partie du processus environnant; cela ne signifie pas que le modèle a parcouru le Web de façon autonome pour produire une réponse textuelle. Définissez la question, les critères des sources et la réponse finale voulue avant le début de la recherche.
Pour le code, fournissez l’extrait ou les fichiers pertinents, le comportement observé, le comportement attendu et les contraintes à préserver. Voici un exemple de demande : « Repérez la cause de cet échec pour l’entrée fournie, proposez une correction ciblée et expliquez la condition que la modification prend en charge. » Pour une tâche documentaire, identifiez les sections sources et demandez une comparaison avec des exigences explicites. Exigez que la réponse finale distingue la conclusion appuyée par les sources d’une prochaine action proposée.
Le producteur entraîne V3.1 avec le format d’échelle UE8M0 FP8 pour les poids et les activations. Ses recommandations locales identifient aussi les paramètres sensibles à la précision qui doivent être traités correctement. Il s’agit de caractéristiques de la référence publiée du producteur, pas d’une affirmation sur la précision ou la mise en œuvre choisie par chaque application. Un dérivé, une variante quantifiée et le point de contrôle Terminus ultérieur restent des choix distincts de l’édition V3.1 originale nommée.
Préparez les travaux plus longs avec une question claire, des repères de sources et un livrable final défini. Faites tenir la conversation, les sources textuelles, le raisonnement et la sortie dans le contexte documenté et gardez uniquement les éléments pertinents à mesure que la tâche prend de l’ampleur. Pour un agent, précisez les actions permises et le critère d’achèvement. Le livrable utile est une réponse textuelle, une proposition de code ou une analyse appuyée par les sources, qui peut être examinée et qui est reliée aux données d’entrée et aux observations réellement renvoyées par l’application.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites deepseek-v3.1-thinking | 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 $0.000572 / 1K jetons Sortie · Jetons en sortie $0.0023 / 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-v3.1-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="deepseek-v3.1-thinking", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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-v3.1-thinking
/chat/completions