DeepSeek V3.2 Exp est l’édition expérimentale de modèle textuel de DeepSeek fondée sur V3.1 Terminus. Son changement déterminant est DeepSeek Sparse Attention, introduit pour étudier l’efficacité accrue de l’entraînement et de l’inférence sur de longues séquences textuelles. La tâche reste textuelle : des instructions écrites et un contexte produisent une réponse en texte, du code ou une sortie liée aux agents. Cette édition de recherche sur l’attention creuse est distincte du modèle V3.2 final et de son format ultérieur de réflexion avec outils.
DSA utilise un indexeur léger et une sélection fine des jetons pour que le calcul principal d’attention se concentre sur des informations choisies parmi les jetons antérieurs. DeepSeek a volontairement aligné la configuration expérimentale d’entraînement sur V3.1 Terminus afin d’isoler le changement architectural. Le rapport V3.2 confirme que V3.2 final et V3.2 Exp partagent cette architecture et décrit la poursuite de l’entraînement à partir de la base Terminus à contexte 128K. Le profil expérimental publié utilise ce réglage de contexte long 128K.
La fiche expérimentale du fabricant conserve le raisonnement et le travail d’agents dans son périmètre tout en préservant le profil de tâches du modèle antérieur. Ses éléments distinguent le raisonnement sans outils et l’utilisation d’outils par des agents. Préparez une question claire, le contexte source pertinent et la forme finale attendue. Si la tâche utilise un outil, l’application fournit sa définition et renvoie son résultat; l’action proposée par le modèle n’est pas une opération déjà exécutée.
La fiche V3.2 finale introduit un format révisé d’appel d’outils et décrit explicitement la réflexion avec outils. Ces nouveautés appartiennent à la version finale et ne constituent pas nécessairement l’ensemble du contrat d’interaction expérimental. Pour V3.2 Exp, conservez le format de messages propre à l’édition et le contexte de tâches hérité de Terminus, plutôt que de supposer qu’un nom voisin rend interchangeables tous les réglages ou rôles ultérieurs.
Pour comparer de longs documents, identifiez chaque source et les sections pertinentes. Voici une consigne illustrative : « Compare ces exigences à l’implémentation proposée, relève chaque écart et cite le passage qui l’établit. Termine par une liste de corrections classées par priorité. » Pour du code, fournissez le comportement défaillant, le fragment pertinent et le résultat attendu, puis demandez une modification ciblée et clairement expliquée. La disposition des sources et la règle d’achèvement orientent une tâche à long contexte vers un livrable utilisable.
L’implémentation de référence du fabricant comprend l’indexeur d’attention creuse, et sa fiche consigne une correction importante : le RoPE de l’indexeur utilise une disposition non entrelacée, alors que le module d’attention latente attend une disposition entrelacée. Ce détail de référence est pertinent pour une exécution fidèle du modèle; il ne constitue ni un autre prompt utilisateur ni une nouvelle capacité. Un nom de modèle ne décrit donc pas à lui seul la manière dont chaque implémentation traite cette architecture expérimentale.
Une tâche d’agent continue doit budgéter ensemble ses sources textuelles, sa conversation, son raisonnement généré et les observations des outils. Organisez les observations utiles et demandez à la réponse finale de distinguer les preuves, les hypothèses et les actions proposées. Pour un résultat factuel dépendant de sources, fournissez les documents faisant autorité ou un outil approprié plutôt que de compter sur des connaissances générales d’entraînement. La sortie reste un texte, du code ou une fiche d’analyse vérifiable par rapport à la tâche et à ses entrées.
", "aboutText": "DeepSeek V3.2 Exp est l’édition expérimentale de modèle textuel de DeepSeek fondée sur V3.1 Terminus. Son changement déterminant est DeepSeek Sparse Attention, introduit pour étudier l’efficacité accrue de l’entraînement et de l’inférence sur de longues séquences textuelles. La tâche reste textuelle : des instructions écrites et un contexte produisent une réponse en texte, du code ou une sortie liée aux agents. Cette édition de recherche sur l’attention creuse est distincte du modèle V3.2 final et de son format ultérieur de réflexion avec outils.\n\nDSA utilise un indexeur léger et une sélection fine des jetons pour que le calcul principal d’attention se concentre sur des informations choisies parmi les jetons antérieurs. DeepSeek a volontairement aligné la configuration expérimentale d’entraînement sur V3.1 Terminus afin d’isoler le changement architectural. Le rapport V3.2 confirme que V3.2 final et V3.2 Exp partagent cette architecture et décrit la poursuite de l’entraînement à partir de la base Terminus à contexte 128K. Le profil expérimental publié utilise ce réglage de contexte long 128K.\n\nLa fiche expérimentale du fabricant conserve le raisonnement et le travail d’agents dans son périmètre tout en préservant le profil de tâches du modèle antérieur. Ses éléments distinguent le raisonnement sans outils et l’utilisation d’outils par des agents. Préparez une question claire, le contexte source pertinent et la forme finale attendue. Si la tâche utilise un outil, l’application fournit sa définition et renvoie son résultat; l’action proposée par le modèle n’est pas une opération déjà exécutée.\n\nLa fiche V3.2 finale introduit un format révisé d’appel d’outils et décrit explicitement la réflexion avec outils. Ces nouveautés appartiennent à la version finale et ne constituent pas nécessairement l’ensemble du contrat d’interaction expérimental. Pour V3.2 Exp, conservez le format de messages propre à l’édition et le contexte de tâches hérité de Terminus, plutôt que de supposer qu’un nom voisin rend interchangeables tous les réglages ou rôles ultérieurs.\n\nPour comparer de longs documents, identifiez chaque source et les sections pertinentes. Voici une consigne illustrative : « Compare ces exigences à l’implémentation proposée, relève chaque écart et cite le passage qui l’établit. Termine par une liste de corrections classées par priorité. » Pour du code, fournissez le comportement défaillant, le fragment pertinent et le résultat attendu, puis demandez une modification ciblée et clairement expliquée. La disposition des sources et la règle d’achèvement orientent une tâche à long contexte vers un livrable utilisable.\n\nL’implémentation de référence du fabricant comprend l’indexeur d’attention creuse, et sa fiche consigne une correction importante : le RoPE de l’indexeur utilise une disposition non entrelacée, alors que le module d’attention latente attend une disposition entrelacée. Ce détail de référence est pertinent pour une exécution fidèle du modèle; il ne constitue ni un autre prompt utilisateur ni une nouvelle capacité. Un nom de modèle ne décrit donc pas à lui seul la manière dont chaque implémentation traite cette architecture expérimentale.\n\nUne tâche d’agent continue doit budgéter ensemble ses sources textuelles, sa conversation, son raisonnement généré et les observations des outils. Organisez les observations utiles et demandez à la réponse finale de distinguer les preuves, les hypothèses et les actions proposées. Pour un résultat factuel dépendant de sources, fournissez les documents faisant autorité ou un outil approprié plutôt que de compter sur des connaissances générales d’entraînement. La sortie reste un texte, du code ou une fiche d’analyse vérifiable par rapport à la tâche et à ses entrées.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "63cda4bb3853ad7dfe36ad1e065153598a3a488aaeb74f15472a6483fe35edba", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "deepseek-v3.2-exp-thinkingDeepSeek V3.2 Exp est l'édition à attention parcimonieuse construite sur V3.1 Terminus. Elle traite le texte pour les tâches de raisonnement, de programmation et d'agents tout en explorant une attention à long contexte plus efficace, avec un contexte de 128K publié par le producteur et une identité distincte de la version V3.2 définitive.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
DeepSeek V3.2 Exp est l’édition expérimentale de modèle textuel de DeepSeek fondée sur V3.1 Terminus. Son changement déterminant est DeepSeek Sparse Attention, introduit pour étudier l’efficacité accrue de l’entraînement et de l’inférence sur de longues séquences textuelles. La tâche reste textuelle : des instructions écrites et un contexte produisent une réponse en texte, du code ou une sortie liée aux agents. Cette édition de recherche sur l’attention creuse est distincte du modèle V3.2 final et de son format ultérieur de réflexion avec outils.
DSA utilise un indexeur léger et une sélection fine des jetons pour que le calcul principal d’attention se concentre sur des informations choisies parmi les jetons antérieurs. DeepSeek a volontairement aligné la configuration expérimentale d’entraînement sur V3.1 Terminus afin d’isoler le changement architectural. Le rapport V3.2 confirme que V3.2 final et V3.2 Exp partagent cette architecture et décrit la poursuite de l’entraînement à partir de la base Terminus à contexte 128K. Le profil expérimental publié utilise ce réglage de contexte long 128K.
La fiche expérimentale du fabricant conserve le raisonnement et le travail d’agents dans son périmètre tout en préservant le profil de tâches du modèle antérieur. Ses éléments distinguent le raisonnement sans outils et l’utilisation d’outils par des agents. Préparez une question claire, le contexte source pertinent et la forme finale attendue. Si la tâche utilise un outil, l’application fournit sa définition et renvoie son résultat; l’action proposée par le modèle n’est pas une opération déjà exécutée.
La fiche V3.2 finale introduit un format révisé d’appel d’outils et décrit explicitement la réflexion avec outils. Ces nouveautés appartiennent à la version finale et ne constituent pas nécessairement l’ensemble du contrat d’interaction expérimental. Pour V3.2 Exp, conservez le format de messages propre à l’édition et le contexte de tâches hérité de Terminus, plutôt que de supposer qu’un nom voisin rend interchangeables tous les réglages ou rôles ultérieurs.
Pour comparer de longs documents, identifiez chaque source et les sections pertinentes. Voici une consigne illustrative : « Compare ces exigences à l’implémentation proposée, relève chaque écart et cite le passage qui l’établit. Termine par une liste de corrections classées par priorité. » Pour du code, fournissez le comportement défaillant, le fragment pertinent et le résultat attendu, puis demandez une modification ciblée et clairement expliquée. La disposition des sources et la règle d’achèvement orientent une tâche à long contexte vers un livrable utilisable.
L’implémentation de référence du fabricant comprend l’indexeur d’attention creuse, et sa fiche consigne une correction importante : le RoPE de l’indexeur utilise une disposition non entrelacée, alors que le module d’attention latente attend une disposition entrelacée. Ce détail de référence est pertinent pour une exécution fidèle du modèle; il ne constitue ni un autre prompt utilisateur ni une nouvelle capacité. Un nom de modèle ne décrit donc pas à lui seul la manière dont chaque implémentation traite cette architecture expérimentale.
Une tâche d’agent continue doit budgéter ensemble ses sources textuelles, sa conversation, son raisonnement généré et les observations des outils. Organisez les observations utiles et demandez à la réponse finale de distinguer les preuves, les hypothèses et les actions proposées. Pour un résultat factuel dépendant de sources, fournissez les documents faisant autorité ou un outil approprié plutôt que de compter sur des connaissances générales d’entraînement. La sortie reste un texte, du code ou une fiche d’analyse vérifiable par rapport à la tâche et à ses entrées.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites deepseek-v3.2-exp-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 $0.00058 / 1K jetons Sortie · Jetons en sortie $0.00086 / 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-v3.2-exp-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-v3.2-exp-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-v3.2-exp-thinking
/chat/completions