DeepSeek V3 est le modèle textuel d'origine à mélange d'experts de DeepSeek pour les tâches linguistiques générales, le développement et le raisonnement. Il reçoit des instructions écrites et un contexte textuel et renvoie une réponse, un brouillon, une explication ou du code. La fiche du modèle indique 671 milliards de paramètres au total pour le modèle principal, dont 37 milliards actifs pour chaque token. L'édition d'origine nommée V3 reste distincte de V3-0324, V3.1 et V3.2, dont les mises à jour ajoutent leurs propres fonctionnalités et profils de prompting.
Son architecture combine Multi-head Latent Attention et DeepSeekMoE. L'attention latente compresse les informations utilisées par l'attention, tandis que la sélection clairsemée des experts n'active qu'une partie du modèle pour chaque token. V3 introduit aussi un équilibrage de charge sans perte auxiliaire et un objectif d'entraînement de prédiction multi-token. Le package de modèle publié comprend un module distinct de prédiction multi-token de 14 milliards de paramètres en plus du modèle principal de 671 milliards de paramètres, ce qui explique pourquoi les totaux du package peuvent différer du décompte architectural du modèle principal.
DeepSeek pré-entraîne V3 sur 14,8 billions de tokens, puis utilise l'ajustement supervisé et l'apprentissage par renforcement. Le post-entraînement 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. C'est un apport de l'entraînement, distinct de la sélection de R1 lui-même ou du gabarit ultérieur de réflexion hybride de V3.1. Préparez le format de réponse finale nécessaire plutôt que de supposer une présentation du raisonnement issue d'une autre édition.
Le tableau de modèles du producteur donne un contexte de 128K pour V3 Base comme pour l'édition V3 post-entraînée. Ce contexte peut réunir une question et des ressources documentaires ou de code substantielles, tandis que l'historique de conversation et la réponse nécessitent eux aussi de la place. Identifiez les sources et la question pertinente. Une fenêtre de contexte est une limite de capacité, et non une instruction d'envoyer des éléments sans rapport ou de demander une réponse inutilement longue.
Pour une tâche pratique de développement, fournissez la fonction pertinente, le comportement attendu, les contraintes importantes et l'entrée qui démontre le problème. Demandez une correction proposée et une explication reliée au code fourni. Pour une analyse documentaire, fournissez des sections nommées et des critères de comparaison clairs. Exemple de brief : « Extrais les exigences, identifie celles auxquelles cette proposition répond et cite le passage correspondant pour chaque constat. Termine par une liste concise des détails manquants. »
Les tâches de rédaction et de révision bénéficient d'un public, d'un ton et d'un ensemble de faits à conserver explicitement définis. Demandez une synthèse, 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 restent des contenus générés à examiner ; le nom du modèle seul ne qualifie pas le mécanisme de sortie structurée ou d'exécution d'outils de l'application qui l'entoure. Si une application fournit des outils, gardez chaque observation renvoyée distincte de l'action proposée par le modèle.
Le fabricant publie des ressources de modèle FP8 et décrit d'autres options de précision ou d'exécution dans sa référence. Ces choix d'implémentation sont distincts de la tâche portant sur les sources et ne doivent pas être déduits du nom affiché du modèle. La sortie du modèle peut être du code, mais générer ce code ne l'exécute pas ; une explication d'une source ne prouve pas qu'une recherche externe a été effectuée. Utilisez les passages sources effectifs et les résultats observés de l'application lorsque la réponse nécessite ces éléments probants.
Pour un résultat utile, définissez le livrable final et les conditions de son achèvement. Séparez les constats appuyés sur les sources, les hypothèses et les changements proposés, puis examinez la réponse générée par rapport aux éléments fournis. Une conversation plus longue peut affiner une partie du brouillon tout en préservant les faits et les contraintes approuvés. Le livrable est un texte ou du code examinable pour la tâche énoncée, avec l'identité V3 d'origine conservée plutôt que l'emprunt implicite des contrôles d'une édition ultérieure.
", "aboutText": "DeepSeek V3 est le modèle textuel d'origine à mélange d'experts de DeepSeek pour les tâches linguistiques générales, le développement et le raisonnement. Il reçoit des instructions écrites et un contexte textuel et renvoie une réponse, un brouillon, une explication ou du code. La fiche du modèle indique 671 milliards de paramètres au total pour le modèle principal, dont 37 milliards actifs pour chaque token. L'édition d'origine nommée V3 reste distincte de V3-0324, V3.1 et V3.2, dont les mises à jour ajoutent leurs propres fonctionnalités et profils de prompting.\n\nSon architecture combine Multi-head Latent Attention et DeepSeekMoE. L'attention latente compresse les informations utilisées par l'attention, tandis que la sélection clairsemée des experts n'active qu'une partie du modèle pour chaque token. V3 introduit aussi un équilibrage de charge sans perte auxiliaire et un objectif d'entraînement de prédiction multi-token. Le package de modèle publié comprend un module distinct de prédiction multi-token de 14 milliards de paramètres en plus du modèle principal de 671 milliards de paramètres, ce qui explique pourquoi les totaux du package peuvent différer du décompte architectural du modèle principal.\n\nDeepSeek pré-entraîne V3 sur 14,8 billions de tokens, puis utilise l'ajustement supervisé et l'apprentissage par renforcement. Le post-entraînement 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. C'est un apport de l'entraînement, distinct de la sélection de R1 lui-même ou du gabarit ultérieur de réflexion hybride de V3.1. Préparez le format de réponse finale nécessaire plutôt que de supposer une présentation du raisonnement issue d'une autre édition.\n\nLe tableau de modèles du producteur donne un contexte de 128K pour V3 Base comme pour l'édition V3 post-entraînée. Ce contexte peut réunir une question et des ressources documentaires ou de code substantielles, tandis que l'historique de conversation et la réponse nécessitent eux aussi de la place. Identifiez les sources et la question pertinente. Une fenêtre de contexte est une limite de capacité, et non une instruction d'envoyer des éléments sans rapport ou de demander une réponse inutilement longue.\n\nPour une tâche pratique de développement, fournissez la fonction pertinente, le comportement attendu, les contraintes importantes et l'entrée qui démontre le problème. Demandez une correction proposée et une explication reliée au code fourni. Pour une analyse documentaire, fournissez des sections nommées et des critères de comparaison clairs. Exemple de brief : « Extrais les exigences, identifie celles auxquelles cette proposition répond et cite le passage correspondant pour chaque constat. Termine par une liste concise des détails manquants. »\n\nLes tâches de rédaction et de révision bénéficient d'un public, d'un ton et d'un ensemble de faits à conserver explicitement définis. Demandez une synthèse, 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 restent des contenus générés à examiner ; le nom du modèle seul ne qualifie pas le mécanisme de sortie structurée ou d'exécution d'outils de l'application qui l'entoure. Si une application fournit des outils, gardez chaque observation renvoyée distincte de l'action proposée par le modèle.\n\nLe fabricant publie des ressources de modèle FP8 et décrit d'autres options de précision ou d'exécution dans sa référence. Ces choix d'implémentation sont distincts de la tâche portant sur les sources et ne doivent pas être déduits du nom affiché du modèle. La sortie du modèle peut être du code, mais générer ce code ne l'exécute pas ; une explication d'une source ne prouve pas qu'une recherche externe a été effectuée. Utilisez les passages sources effectifs et les résultats observés de l'application lorsque la réponse nécessite ces éléments probants.\n\nPour un résultat utile, définissez le livrable final et les conditions de son achèvement. Séparez les constats appuyés sur les sources, les hypothèses et les changements proposés, puis examinez la réponse générée par rapport aux éléments fournis. Une conversation plus longue peut affiner une partie du brouillon tout en préservant les faits et les contraintes approuvés. Le livrable est un texte ou du code examinable pour la tâche énoncée, avec l'identité V3 d'origine conservée plutôt que l'emprunt implicite des contrôles d'une édition ultérieure.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "edd5be734882d5c16fb398351fd42745fc5aabda2be1fdcefa79e3413bd8dad8", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "methods": [ { "html": "deepseek-chatDeepSeek V3 est le modèle textuel d'origine de DeepSeek pour le développement, la rédaction, les questions et l'analyse fondée sur des sources. Son architecture à mélange d'experts comporte 671 milliards de paramètres au total et 37 milliards actifs, avec un contexte de 128K et un post-entraînement intégrant 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 d'origine à mélange d'experts de DeepSeek pour les tâches linguistiques générales, le développement et le raisonnement. Il reçoit des instructions écrites et un contexte textuel et renvoie une réponse, un brouillon, une explication ou du code. La fiche du modèle indique 671 milliards de paramètres au total pour le modèle principal, dont 37 milliards actifs pour chaque token. L'édition d'origine nommée V3 reste distincte de V3-0324, V3.1 et V3.2, dont les mises à jour ajoutent leurs propres fonctionnalités et profils de prompting.
Son architecture combine Multi-head Latent Attention et DeepSeekMoE. L'attention latente compresse les informations utilisées par l'attention, tandis que la sélection clairsemée des experts n'active qu'une partie du modèle pour chaque token. V3 introduit aussi un équilibrage de charge sans perte auxiliaire et un objectif d'entraînement de prédiction multi-token. Le package de modèle publié comprend un module distinct de prédiction multi-token de 14 milliards de paramètres en plus du modèle principal de 671 milliards de paramètres, ce qui explique pourquoi les totaux du package peuvent différer du décompte architectural du modèle principal.
DeepSeek pré-entraîne V3 sur 14,8 billions de tokens, puis utilise l'ajustement supervisé et l'apprentissage par renforcement. Le post-entraînement 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. C'est un apport de l'entraînement, distinct de la sélection de R1 lui-même ou du gabarit ultérieur de réflexion hybride de V3.1. Préparez le format de réponse finale nécessaire plutôt que de supposer une présentation du raisonnement issue d'une autre édition.
Le tableau de modèles du producteur donne un contexte de 128K pour V3 Base comme pour l'édition V3 post-entraînée. Ce contexte peut réunir une question et des ressources documentaires ou de code substantielles, tandis que l'historique de conversation et la réponse nécessitent eux aussi de la place. Identifiez les sources et la question pertinente. Une fenêtre de contexte est une limite de capacité, et non une instruction d'envoyer des éléments sans rapport ou de demander une réponse inutilement longue.
Pour une tâche pratique de développement, fournissez la fonction pertinente, le comportement attendu, les contraintes importantes et l'entrée qui démontre le problème. Demandez une correction proposée et une explication reliée au code fourni. Pour une analyse documentaire, fournissez des sections nommées et des critères de comparaison clairs. Exemple de brief : « Extrais les exigences, identifie celles auxquelles cette proposition répond et cite le passage correspondant pour chaque constat. Termine par une liste concise des détails manquants. »
Les tâches de rédaction et de révision bénéficient d'un public, d'un ton et d'un ensemble de faits à conserver explicitement définis. Demandez une synthèse, 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 restent des contenus générés à examiner ; le nom du modèle seul ne qualifie pas le mécanisme de sortie structurée ou d'exécution d'outils de l'application qui l'entoure. Si une application fournit des outils, gardez chaque observation renvoyée distincte de l'action proposée par le modèle.
Le fabricant publie des ressources de modèle FP8 et décrit d'autres options de précision ou d'exécution dans sa référence. Ces choix d'implémentation sont distincts de la tâche portant sur les sources et ne doivent pas être déduits du nom affiché du modèle. La sortie du modèle peut être du code, mais générer ce code ne l'exécute pas ; une explication d'une source ne prouve pas qu'une recherche externe a été effectuée. Utilisez les passages sources effectifs et les résultats observés de l'application lorsque la réponse nécessite ces éléments probants.
Pour un résultat utile, définissez le livrable final et les conditions de son achèvement. Séparez les constats appuyés sur les sources, les hypothèses et les changements proposés, puis examinez la réponse générée par rapport aux éléments fournis. Une conversation plus longue peut affiner une partie du brouillon tout en préservant les faits et les contraintes approuvés. Le livrable est un texte ou du code examinable pour la tâche énoncée, avec l'identité V3 d'origine conservée plutôt que l'emprunt implicite des contrôles 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 sous forme de texte littéral ; aucun identifiant 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’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
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 tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00064 / 1K tokens Sortie · Tokens en sortie $0.00178 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | 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 d'origine de DeepSeek pour le développement, la rédaction, les questions et l'analyse fondée sur des sources. Son architecture à mélange d'experts comporte 671 milliards de paramètres au total et 37 milliards actifs, avec un contexte de 128K et un post-entraînement intégrant 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 d'origine à mélange d'experts de DeepSeek pour les tâches linguistiques générales, le développement et le raisonnement. Il reçoit des instructions écrites et un contexte textuel et renvoie une réponse, un brouillon, une explication ou du code. La fiche du modèle indique 671 milliards de paramètres au total pour le modèle principal, dont 37 milliards actifs pour chaque token. L'édition d'origine nommée V3 reste distincte de V3-0324, V3.1 et V3.2, dont les mises à jour ajoutent leurs propres fonctionnalités et profils de prompting.
Son architecture combine Multi-head Latent Attention et DeepSeekMoE. L'attention latente compresse les informations utilisées par l'attention, tandis que la sélection clairsemée des experts n'active qu'une partie du modèle pour chaque token. V3 introduit aussi un équilibrage de charge sans perte auxiliaire et un objectif d'entraînement de prédiction multi-token. Le package de modèle publié comprend un module distinct de prédiction multi-token de 14 milliards de paramètres en plus du modèle principal de 671 milliards de paramètres, ce qui explique pourquoi les totaux du package peuvent différer du décompte architectural du modèle principal.
DeepSeek pré-entraîne V3 sur 14,8 billions de tokens, puis utilise l'ajustement supervisé et l'apprentissage par renforcement. Le post-entraînement 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. C'est un apport de l'entraînement, distinct de la sélection de R1 lui-même ou du gabarit ultérieur de réflexion hybride de V3.1. Préparez le format de réponse finale nécessaire plutôt que de supposer une présentation du raisonnement issue d'une autre édition.
Le tableau de modèles du producteur donne un contexte de 128K pour V3 Base comme pour l'édition V3 post-entraînée. Ce contexte peut réunir une question et des ressources documentaires ou de code substantielles, tandis que l'historique de conversation et la réponse nécessitent eux aussi de la place. Identifiez les sources et la question pertinente. Une fenêtre de contexte est une limite de capacité, et non une instruction d'envoyer des éléments sans rapport ou de demander une réponse inutilement longue.
Pour une tâche pratique de développement, fournissez la fonction pertinente, le comportement attendu, les contraintes importantes et l'entrée qui démontre le problème. Demandez une correction proposée et une explication reliée au code fourni. Pour une analyse documentaire, fournissez des sections nommées et des critères de comparaison clairs. Exemple de brief : « Extrais les exigences, identifie celles auxquelles cette proposition répond et cite le passage correspondant pour chaque constat. Termine par une liste concise des détails manquants. »
Les tâches de rédaction et de révision bénéficient d'un public, d'un ton et d'un ensemble de faits à conserver explicitement définis. Demandez une synthèse, 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 restent des contenus générés à examiner ; le nom du modèle seul ne qualifie pas le mécanisme de sortie structurée ou d'exécution d'outils de l'application qui l'entoure. Si une application fournit des outils, gardez chaque observation renvoyée distincte de l'action proposée par le modèle.
Le fabricant publie des ressources de modèle FP8 et décrit d'autres options de précision ou d'exécution dans sa référence. Ces choix d'implémentation sont distincts de la tâche portant sur les sources et ne doivent pas être déduits du nom affiché du modèle. La sortie du modèle peut être du code, mais générer ce code ne l'exécute pas ; une explication d'une source ne prouve pas qu'une recherche externe a été effectuée. Utilisez les passages sources effectifs et les résultats observés de l'application lorsque la réponse nécessite ces éléments probants.
Pour un résultat utile, définissez le livrable final et les conditions de son achèvement. Séparez les constats appuyés sur les sources, les hypothèses et les changements proposés, puis examinez la réponse générée par rapport aux éléments fournis. Une conversation plus longue peut affiner une partie du brouillon tout en préservant les faits et les contraintes approuvés. Le livrable est un texte ou du code examinable pour la tâche énoncée, avec l'identité V3 d'origine conservée plutôt que l'emprunt implicite des contrôles 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 tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00064 / 1K tokens Sortie · Tokens en sortie $0.00178 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 identifiants 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 identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | 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 d'origine de DeepSeek pour le développement, la rédaction, les questions et l'analyse fondée sur des sources. Son architecture à mélange d'experts comporte 671 milliards de paramètres au total et 37 milliards actifs, avec un contexte de 128K et un post-entraînement intégrant 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 d'origine à mélange d'experts de DeepSeek pour les tâches linguistiques générales, le développement et le raisonnement. Il reçoit des instructions écrites et un contexte textuel et renvoie une réponse, un brouillon, une explication ou du code. La fiche du modèle indique 671 milliards de paramètres au total pour le modèle principal, dont 37 milliards actifs pour chaque token. L'édition d'origine nommée V3 reste distincte de V3-0324, V3.1 et V3.2, dont les mises à jour ajoutent leurs propres fonctionnalités et profils de prompting.
Son architecture combine Multi-head Latent Attention et DeepSeekMoE. L'attention latente compresse les informations utilisées par l'attention, tandis que la sélection clairsemée des experts n'active qu'une partie du modèle pour chaque token. V3 introduit aussi un équilibrage de charge sans perte auxiliaire et un objectif d'entraînement de prédiction multi-token. Le package de modèle publié comprend un module distinct de prédiction multi-token de 14 milliards de paramètres en plus du modèle principal de 671 milliards de paramètres, ce qui explique pourquoi les totaux du package peuvent différer du décompte architectural du modèle principal.
DeepSeek pré-entraîne V3 sur 14,8 billions de tokens, puis utilise l'ajustement supervisé et l'apprentissage par renforcement. Le post-entraînement 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. C'est un apport de l'entraînement, distinct de la sélection de R1 lui-même ou du gabarit ultérieur de réflexion hybride de V3.1. Préparez le format de réponse finale nécessaire plutôt que de supposer une présentation du raisonnement issue d'une autre édition.
Le tableau de modèles du producteur donne un contexte de 128K pour V3 Base comme pour l'édition V3 post-entraînée. Ce contexte peut réunir une question et des ressources documentaires ou de code substantielles, tandis que l'historique de conversation et la réponse nécessitent eux aussi de la place. Identifiez les sources et la question pertinente. Une fenêtre de contexte est une limite de capacité, et non une instruction d'envoyer des éléments sans rapport ou de demander une réponse inutilement longue.
Pour une tâche pratique de développement, fournissez la fonction pertinente, le comportement attendu, les contraintes importantes et l'entrée qui démontre le problème. Demandez une correction proposée et une explication reliée au code fourni. Pour une analyse documentaire, fournissez des sections nommées et des critères de comparaison clairs. Exemple de brief : « Extrais les exigences, identifie celles auxquelles cette proposition répond et cite le passage correspondant pour chaque constat. Termine par une liste concise des détails manquants. »
Les tâches de rédaction et de révision bénéficient d'un public, d'un ton et d'un ensemble de faits à conserver explicitement définis. Demandez une synthèse, 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 restent des contenus générés à examiner ; le nom du modèle seul ne qualifie pas le mécanisme de sortie structurée ou d'exécution d'outils de l'application qui l'entoure. Si une application fournit des outils, gardez chaque observation renvoyée distincte de l'action proposée par le modèle.
Le fabricant publie des ressources de modèle FP8 et décrit d'autres options de précision ou d'exécution dans sa référence. Ces choix d'implémentation sont distincts de la tâche portant sur les sources et ne doivent pas être déduits du nom affiché du modèle. La sortie du modèle peut être du code, mais générer ce code ne l'exécute pas ; une explication d'une source ne prouve pas qu'une recherche externe a été effectuée. Utilisez les passages sources effectifs et les résultats observés de l'application lorsque la réponse nécessite ces éléments probants.
Pour un résultat utile, définissez le livrable final et les conditions de son achèvement. Séparez les constats appuyés sur les sources, les hypothèses et les changements proposés, puis examinez la réponse générée par rapport aux éléments fournis. Une conversation plus longue peut affiner une partie du brouillon tout en préservant les faits et les contraintes approuvés. Le livrable est un texte ou du code examinable pour la tâche énoncée, avec l'identité V3 d'origine conservée plutôt que l'emprunt implicite des contrôles 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 sous forme de texte littéral ; aucun identifiant 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’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
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 tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00064 / 1K tokens Sortie · Tokens en sortie $0.00178 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | 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 d'origine de DeepSeek pour le développement, la rédaction, les questions et l'analyse fondée sur des sources. Son architecture à mélange d'experts comporte 671 milliards de paramètres au total et 37 milliards actifs, avec un contexte de 128K et un post-entraînement intégrant 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 d'origine à mélange d'experts de DeepSeek pour les tâches linguistiques générales, le développement et le raisonnement. Il reçoit des instructions écrites et un contexte textuel et renvoie une réponse, un brouillon, une explication ou du code. La fiche du modèle indique 671 milliards de paramètres au total pour le modèle principal, dont 37 milliards actifs pour chaque token. L'édition d'origine nommée V3 reste distincte de V3-0324, V3.1 et V3.2, dont les mises à jour ajoutent leurs propres fonctionnalités et profils de prompting.
Son architecture combine Multi-head Latent Attention et DeepSeekMoE. L'attention latente compresse les informations utilisées par l'attention, tandis que la sélection clairsemée des experts n'active qu'une partie du modèle pour chaque token. V3 introduit aussi un équilibrage de charge sans perte auxiliaire et un objectif d'entraînement de prédiction multi-token. Le package de modèle publié comprend un module distinct de prédiction multi-token de 14 milliards de paramètres en plus du modèle principal de 671 milliards de paramètres, ce qui explique pourquoi les totaux du package peuvent différer du décompte architectural du modèle principal.
DeepSeek pré-entraîne V3 sur 14,8 billions de tokens, puis utilise l'ajustement supervisé et l'apprentissage par renforcement. Le post-entraînement 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. C'est un apport de l'entraînement, distinct de la sélection de R1 lui-même ou du gabarit ultérieur de réflexion hybride de V3.1. Préparez le format de réponse finale nécessaire plutôt que de supposer une présentation du raisonnement issue d'une autre édition.
Le tableau de modèles du producteur donne un contexte de 128K pour V3 Base comme pour l'édition V3 post-entraînée. Ce contexte peut réunir une question et des ressources documentaires ou de code substantielles, tandis que l'historique de conversation et la réponse nécessitent eux aussi de la place. Identifiez les sources et la question pertinente. Une fenêtre de contexte est une limite de capacité, et non une instruction d'envoyer des éléments sans rapport ou de demander une réponse inutilement longue.
Pour une tâche pratique de développement, fournissez la fonction pertinente, le comportement attendu, les contraintes importantes et l'entrée qui démontre le problème. Demandez une correction proposée et une explication reliée au code fourni. Pour une analyse documentaire, fournissez des sections nommées et des critères de comparaison clairs. Exemple de brief : « Extrais les exigences, identifie celles auxquelles cette proposition répond et cite le passage correspondant pour chaque constat. Termine par une liste concise des détails manquants. »
Les tâches de rédaction et de révision bénéficient d'un public, d'un ton et d'un ensemble de faits à conserver explicitement définis. Demandez une synthèse, 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 restent des contenus générés à examiner ; le nom du modèle seul ne qualifie pas le mécanisme de sortie structurée ou d'exécution d'outils de l'application qui l'entoure. Si une application fournit des outils, gardez chaque observation renvoyée distincte de l'action proposée par le modèle.
Le fabricant publie des ressources de modèle FP8 et décrit d'autres options de précision ou d'exécution dans sa référence. Ces choix d'implémentation sont distincts de la tâche portant sur les sources et ne doivent pas être déduits du nom affiché du modèle. La sortie du modèle peut être du code, mais générer ce code ne l'exécute pas ; une explication d'une source ne prouve pas qu'une recherche externe a été effectuée. Utilisez les passages sources effectifs et les résultats observés de l'application lorsque la réponse nécessite ces éléments probants.
Pour un résultat utile, définissez le livrable final et les conditions de son achèvement. Séparez les constats appuyés sur les sources, les hypothèses et les changements proposés, puis examinez la réponse générée par rapport aux éléments fournis. Une conversation plus longue peut affiner une partie du brouillon tout en préservant les faits et les contraintes approuvés. Le livrable est un texte ou du code examinable pour la tâche énoncée, avec l'identité V3 d'origine conservée plutôt que l'emprunt implicite des contrôles 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 tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00064 / 1K tokens Sortie · Tokens en sortie $0.00178 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "deepseek/deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 identifiants 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 identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions