{ "aboutHtml": "

DeepSeek V3.2 Exp est l’édition expérimentale du modèle textuel de DeepSeek, construite sur V3.1 Terminus. Son évolution distinctive est DeepSeek Sparse Attention, introduite pour étudier un entraînement et une inférence plus efficaces sur des séquences textuelles étendues. La tâche reste textuelle : des consignes écrites et un contexte produisent une réponse textuelle, du code ou une sortie liée au travail d’agent. Il s’agit de l’édition de recherche sur l’attention parcimonieuse, distincte du modèle V3.2 final et de son format ultérieur de raisonnement avec outils.

DSA utilise un indexeur léger et une sélection fine des tokens afin que le calcul principal de l’attention se concentre sur certaines informations antérieures portées par les tokens. DeepSeek a délibérément aligné la configuration d’entraînement expérimentale sur V3.1 Terminus pour isoler le changement architectural. Le rapport V3.2 confirme que le modèle V3.2 final et V3.2 Exp partagent cette architecture et décrit la poursuite de l’entraînement à partir du socle Terminus à contexte 128K. Le profil expérimental publié utilise ce réglage de contexte long 128K.

La fiche expérimentale du producteur conserve le raisonnement et le travail d’agent dans son périmètre tout en préservant le profil de tâches du modèle antérieur. Ses éléments de preuve couvrent le raisonnement sans outils et l’utilisation d’outils par un agent comme des workflows distincts. Préparez une question claire, les sources pertinentes et la forme finale souhaitée. Si la tâche utilise un outil, l’application fournit sa définition et renvoie le résultat ; l’action proposée par le modèle n’est pas la même chose qu’une opération déjà exécutée.

La fiche du modèle V3.2 final introduit un format d’appel d’outils révisé et décrit explicitement le raisonnement avec outils. Ces évolutions appartiennent à la version finale et ne doivent pas être considérées comme l’intégralité du contrat d’interaction de l’édition expérimentale. Pour V3.2 Exp, conservez le formatage des messages propre à l’édition et le contexte de tâches hérité de Terminus, plutôt que de supposer qu’un nom similaire rend chaque réglage ou rôle ultérieur interchangeable.

Pour comparer de longs documents, identifiez chaque source et les sections pertinentes pour la question. Voici un brief illustratif : « Comparez ces exigences à l’implémentation proposée, identifiez chaque écart et citez le passage qui l’établit. Terminez par une liste de corrections classées par priorité. » Pour du code, fournissez le comportement en échec, le fragment pertinent et le résultat attendu, puis demandez une modification ciblée avec une explication claire. L’organisation des sources et la règle d’achèvement aident à diriger une tâche à contexte long vers un livrable utilisable.

L’implémentation de référence du producteur comprend l’indexeur d’attention parcimonieuse, et sa fiche consigne une correction importante de l’implémentation : le RoPE de l’indexeur utilise une disposition non entrelacée, tandis que le module d’attention latente attend une disposition entrelacée. Il s’agit d’un détail de la référence du producteur pertinent pour une exécution fidèle du modèle, plutôt que d’un prompt utilisateur différent ou d’une nouvelle capacité. Cela signifie aussi que le seul nom du modèle ne décrit pas la manière dont chaque implémentation traite l’architecture expérimentale.

Une tâche d’agent continue doit budgéter ensemble ses sources textuelles, la conversation, le raisonnement généré et les observations d’outils. Organisez les observations utiles et demandez que la réponse finale distingue les preuves, les hypothèses et les actions proposées. Pour un résultat factuel dépendant de sources, fournissez les documents faisant autorité ou un outil adapté plutôt que de vous fier à de larges connaissances d’entraînement. La sortie reste un texte, du code ou un relevé analytique vérifiable par rapport à la tâche et à ses entrées.

", "aboutText": "DeepSeek V3.2 Exp est l’édition expérimentale du modèle textuel de DeepSeek, construite sur V3.1 Terminus. Son évolution distinctive est DeepSeek Sparse Attention, introduite pour étudier un entraînement et une inférence plus efficaces sur des séquences textuelles étendues. La tâche reste textuelle : des consignes écrites et un contexte produisent une réponse textuelle, du code ou une sortie liée au travail d’agent. Il s’agit de l’édition de recherche sur l’attention parcimonieuse, distincte du modèle V3.2 final et de son format ultérieur de raisonnement avec outils.\n\nDSA utilise un indexeur léger et une sélection fine des tokens afin que le calcul principal de l’attention se concentre sur certaines informations antérieures portées par les tokens. DeepSeek a délibérément aligné la configuration d’entraînement expérimentale sur V3.1 Terminus pour isoler le changement architectural. Le rapport V3.2 confirme que le modèle V3.2 final et V3.2 Exp partagent cette architecture et décrit la poursuite de l’entraînement à partir du socle Terminus à contexte 128K. Le profil expérimental publié utilise ce réglage de contexte long 128K.\n\nLa fiche expérimentale du producteur conserve le raisonnement et le travail d’agent dans son périmètre tout en préservant le profil de tâches du modèle antérieur. Ses éléments de preuve couvrent le raisonnement sans outils et l’utilisation d’outils par un agent comme des workflows distincts. Préparez une question claire, les sources pertinentes et la forme finale souhaitée. Si la tâche utilise un outil, l’application fournit sa définition et renvoie le résultat ; l’action proposée par le modèle n’est pas la même chose qu’une opération déjà exécutée.\n\nLa fiche du modèle V3.2 final introduit un format d’appel d’outils révisé et décrit explicitement le raisonnement avec outils. Ces évolutions appartiennent à la version finale et ne doivent pas être considérées comme l’intégralité du contrat d’interaction de l’édition expérimentale. Pour V3.2 Exp, conservez le formatage des messages propre à l’édition et le contexte de tâches hérité de Terminus, plutôt que de supposer qu’un nom similaire rend chaque réglage ou rôle ultérieur interchangeable.\n\nPour comparer de longs documents, identifiez chaque source et les sections pertinentes pour la question. Voici un brief illustratif : « Comparez ces exigences à l’implémentation proposée, identifiez chaque écart et citez le passage qui l’établit. Terminez par une liste de corrections classées par priorité. » Pour du code, fournissez le comportement en échec, le fragment pertinent et le résultat attendu, puis demandez une modification ciblée avec une explication claire. L’organisation des sources et la règle d’achèvement aident à diriger une tâche à contexte long vers un livrable utilisable.\n\nL’implémentation de référence du producteur comprend l’indexeur d’attention parcimonieuse, et sa fiche consigne une correction importante de l’implémentation : le RoPE de l’indexeur utilise une disposition non entrelacée, tandis que le module d’attention latente attend une disposition entrelacée. Il s’agit d’un détail de la référence du producteur pertinent pour une exécution fidèle du modèle, plutôt que d’un prompt utilisateur différent ou d’une nouvelle capacité. Cela signifie aussi que le seul nom du modèle ne décrit pas la manière dont chaque implémentation traite l’architecture expérimentale.\n\nUne tâche d’agent continue doit budgéter ensemble ses sources textuelles, la conversation, le raisonnement généré et les observations d’outils. Organisez les observations utiles et demandez que la réponse finale distingue les preuves, les hypothèses et les actions proposées. Pour un résultat factuel dépendant de sources, fournissez les documents faisant autorité ou un outil adapté plutôt que de vous fier à de larges connaissances d’entraînement. La sortie reste un texte, du code ou un relevé analytique vérifiable par rapport à la tâche et à ses entrées.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "cfd01ad857a66ff686962b4df7a923870ef49512f0b5c26c39b7ce08ae97d3e3", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "methods": [ { "html": "
DS

DeepSeek: DeepSeek V3.2 Exp

DeepSeek /deepseek-v3.2-exp-thinking

Premiers pas

DeepSeek V3.2 Exp est l'édition à attention clairsemée construite sur V3.1 Terminus. Elle traite du texte pour les tâches de raisonnement, de développement et d'agents tout en explorant une attention plus efficace sur les longs contextes, avec un contexte de 128K indiqué par le concepteur et une identité distincte de la version définitive V3.2.

Entrées acceptées
Texte
Résultats
Texte
À propos du modèle

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 du modèle textuel de DeepSeek, construite sur V3.1 Terminus. Son évolution distinctive est DeepSeek Sparse Attention, introduite pour étudier un entraînement et une inférence plus efficaces sur des séquences textuelles étendues. La tâche reste textuelle : des consignes écrites et un contexte produisent une réponse textuelle, du code ou une sortie liée au travail d’agent. Il s’agit de l’édition de recherche sur l’attention parcimonieuse, distincte du modèle V3.2 final et de son format ultérieur de raisonnement avec outils.

DSA utilise un indexeur léger et une sélection fine des tokens afin que le calcul principal de l’attention se concentre sur certaines informations antérieures portées par les tokens. DeepSeek a délibérément aligné la configuration d’entraînement expérimentale sur V3.1 Terminus pour isoler le changement architectural. Le rapport V3.2 confirme que le modèle V3.2 final et V3.2 Exp partagent cette architecture et décrit la poursuite de l’entraînement à partir du socle Terminus à contexte 128K. Le profil expérimental publié utilise ce réglage de contexte long 128K.

La fiche expérimentale du producteur conserve le raisonnement et le travail d’agent dans son périmètre tout en préservant le profil de tâches du modèle antérieur. Ses éléments de preuve couvrent le raisonnement sans outils et l’utilisation d’outils par un agent comme des workflows distincts. Préparez une question claire, les sources pertinentes et la forme finale souhaitée. Si la tâche utilise un outil, l’application fournit sa définition et renvoie le résultat ; l’action proposée par le modèle n’est pas la même chose qu’une opération déjà exécutée.

La fiche du modèle V3.2 final introduit un format d’appel d’outils révisé et décrit explicitement le raisonnement avec outils. Ces évolutions appartiennent à la version finale et ne doivent pas être considérées comme l’intégralité du contrat d’interaction de l’édition expérimentale. Pour V3.2 Exp, conservez le formatage des messages propre à l’édition et le contexte de tâches hérité de Terminus, plutôt que de supposer qu’un nom similaire rend chaque réglage ou rôle ultérieur interchangeable.

Pour comparer de longs documents, identifiez chaque source et les sections pertinentes pour la question. Voici un brief illustratif : « Comparez ces exigences à l’implémentation proposée, identifiez chaque écart et citez le passage qui l’établit. Terminez par une liste de corrections classées par priorité. » Pour du code, fournissez le comportement en échec, le fragment pertinent et le résultat attendu, puis demandez une modification ciblée avec une explication claire. L’organisation des sources et la règle d’achèvement aident à diriger une tâche à contexte long vers un livrable utilisable.

L’implémentation de référence du producteur comprend l’indexeur d’attention parcimonieuse, et sa fiche consigne une correction importante de l’implémentation : le RoPE de l’indexeur utilise une disposition non entrelacée, tandis que le module d’attention latente attend une disposition entrelacée. Il s’agit d’un détail de la référence du producteur pertinent pour une exécution fidèle du modèle, plutôt que d’un prompt utilisateur différent ou d’une nouvelle capacité. Cela signifie aussi que le seul nom du modèle ne décrit pas la manière dont chaque implémentation traite l’architecture expérimentale.

Une tâche d’agent continue doit budgéter ensemble ses sources textuelles, la conversation, le raisonnement généré et les observations d’outils. Organisez les observations utiles et demandez que la réponse finale distingue les preuves, les hypothèses et les actions proposées. Pour un résultat factuel dépendant de sources, fournissez les documents faisant autorité ou un outil adapté plutôt que de vous fier à de larges connaissances d’entraînement. La sortie reste un texte, du code ou un relevé analytique vérifiable par rapport à la tâche et à ses entrées.

Disponible dans Ailoot · entrées et méthodes

Ailoot Ultra · Chat OpenAI POST /v1/chat/completions
Types d’entrée
text
Types de sortie
text
Format de sortie
json ou SSE
ChampTypeExigenceValeurs et limitesPar défaut
ChampmodelTypestringExigenceObligatoireValeurs et limites
deepseek-v3.2-exp-thinking
Par défaut—
ChampmessagesTypemessage[]ExigenceObligatoireValeurs et limites
Nombre minimal d’éléments: 1
Par défaut—
Champmessages[].roleTypestringExigenceObligatoireValeurs et limites
Selon le modèle
Par défaut—
Champmessages[].contentTypestringExigenceFacultatifValeurs et limites
S’applique lorsque: Conversation textuelle
Par défaut—
ChampstreamTypebooleanExigenceFacultatifValeurs et limitesPar défautfalse
Combinaisons d’éléments d’entrée

Texte · Texte UTF8

messages[].content

Paramètres et cycle de vie de la méthode
ParamètreContrat
Paramètrecontent_typeContratapplication/json
ParamètrerequiredContratmodel, messages
Paramètrematerial_typesContrattext
ParamètremessagesContrattableau de messages avec une structure role/content
Paramètrefile_materialContratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit
Paramètreoptional_controlsContratstream
Paramètrecontrol_scopeContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false.
Paramètreoutput_modalitiesContrattext
Paramètrehosted_operationsContratfalse
Paramètremultimodal_input_bindingContratnull

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.

Tarifs

Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.

Mode rapide
Non précisé Lorsque le mode rapide est sélectionné
Mode Flex
Non précisé Lorsque le mode flex est sélectionné
Effort de raisonnement maximal
Non précisé Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)

Tarifs Ailoot

Prix par configuration

ConfigurationBarème tarifaireCoût
ConfigurationTarifs de base des tokensBarème tarifaireTarif de baseCoût
Entrée · Tokens en entrée $0.00058 / 1K tokens
Sortie · Tokens en sortie $0.00086 / 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 →

Exemples de requêtes

Ailoot Ultra · Chat OpenAI

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\n

Recevoir et enregistrer les résultats

Ailoot Ultra · Chat OpenAI

json ou SSE

Conserver tous les résultats terminés

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.

Si la réponse d’origine doit être vérifiée

Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.

Champs de la réponse
ChampType
Champchoices[].indexTypeinteger
Champchoices[].message.contentTypestring|null
Champchoices[].message.tool_callsTypetool_call[]
Champchoices[].message.reasoning_contentTypestring
Champchoices[].message.reasoning_detailsTypeobject|array
Champchoices[].finish_reasonTypestring|null
ChampusageTypeobject
Erreurs et étapes suivantes
RéponseConditionÉtape suivante
Réponse400 · invalid_request_errorConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non validesÉtape suivanteCorrigez les champs indiqués avant une nouvelle requête de création.

Alias

Alias du modèle

Ailoot Ultra deepseek-v3.2-exp-thinking

Alias des chemins de méthode

/chat/completions

ID d’appel associés

deepseek-v3.2-exp-thinking

", "method_identity": { "effective_request_model_id": "deepseek-v3.2-exp-thinking", "fmt": "chat", "http": "POST", "path": "/v1/chat/completions", "request_model_id": "deepseek-v3.2-exp-thinking", "route_label": "Ultra" }, "method_key": "Ultra|chat|/v1/chat/completions|deepseek-v3.2-exp-thinking", "ordinal": 0, "rawMethod": { "available": null, "cache_read": 0, "cache_write": 0, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every choice and its content/tool calls/reasoning. In SSE assemble deltas by choice/tool index, retain the final finish reason and usage.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "errors": [ { "code": null, "condition": "Champs obligatoires, représentation des contenus ou valeur de paramètre non valides", "http_status": 400, "recovery": "Corrigez les champs indiqués avant une nouvelle requête de création.", "type": "invalid_request_error" } ], "hints": [ "Model context is not an output cap.", "Send the conversation as text messages. Stream must be a boolean; omitted stream defaults to false." ], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/chat/completions" }, "job_read": null, "mode": "synchronous_or_streamed", "unknown": "Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie." }, "material_combinations": [ { "mode": "text", "representation": "messages[].content", "required_material": "Texte UTF8" } ], "operation_modes": [ "conversation" ], "outputs": { "all_results": "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.", "family": "text", "fields": [ { "description": null, "name": "choices[].index", "type": "integer" }, { "description": null, "name": "choices[].message.content", "type": "string|null" }, { "description": null, "name": "choices[].message.tool_calls", "type": "tool_call[]" }, { "description": null, "name": "choices[].message.reasoning_content", "type": "string" }, { "description": null, "name": "choices[].message.reasoning_details", "type": "object|array" }, { "description": null, "name": "choices[].finish_reason", "type": "string|null" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json ou SSE" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "deepseek-v3.2-exp-thinking" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "messages", "required": true, "type": "message[]" }, { "availability": "model_dependent", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].role", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].content", "required": false, "type": "string", "when": "Conversation textuelle" }, { "availability": "source_interface", "default": false, "default_known": true, "enum": null, "enum_known": false, "name": "stream", "required": false, "type": "boolean" } ], "profile_binding": "Text conversation at the exact model ID and method path.", "unsupported": [ "additional models/models list", "plugins", "route", "hosted tools; ordinary client function tools remain separate", "non-text output modalities", "provider.options overrides", "one-hour prompt-cache TTL" ] }, "hints": [ "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." ], "input": { "content_type": "application/json", "control_scope": "Conversation textuelle ; stream est un booléen dont la valeur par défaut est false.", "file_material": "document UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit", "hosted_operations": false, "material_types": [ "text" ], "messages": "tableau de messages avec une structure role/content", "multimodal_input_binding": null, "optional_controls": [ "stream" ], "output_modalities": [ "text" ], "required": [ "model", "messages" ] }, "lifecycle": { "mode": "synchronous_or_streamed", "unknown": "preserve original request id; no generic chat job retrieval path" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/chat/completions" }, "method_aliases": [ "/chat/completions" ], "operation_modes": [ "text_chat" ], "output": { "content": "choices[].message.content or stream delta", "family": "text", "format": "json or supported SSE", "tool_calls": "retain actual returned function calls" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarifs de base des tokens", "units": [ { "amount": "0.00058000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000058", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.00086000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.00000086", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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\"))\n", "label": "Python SDK · all choices", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "chat", "hints": [ "Send exact model ID with messages.", "Context length is not an output cap.", "A text file may supply literal text; image/audio/file-object inputs need exact binding." ], "http": "POST", "in": 0.58, "input": [ "text" ], "label": "Chat OpenAI", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [ "/chat/completions" ], "out": 0.86, "output": [ "text" ], "path": "/v1/chat/completions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00058000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000058", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.00086000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.00000086", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "deepseek-v3.2-exp-thinking", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00058000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000058", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.00086000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.00000086", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "deepseek-v3.2-exp-thinking", "nativeProvenance": { "input_facts_canonical_sha256": "eb67802ade757b7e207a688d57af405f43c0e6a2504776e33e27768dc351d3af", "input_html_sha256": "f4f2ef48d0011c4fbaf01d8e2d990dd1280ec3e5f9bfd8671dc8173763009395", "private_audit_sha256": "0a9bec0179a3a387170bdae5be5a24be18949f99b474e8d745183a16b889411f", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/fr/deepseek-v3-2-exp-thinking/", "description": "DeepSeek V3.2 Exp est l'édition à attention clairsemée construite sur V3.1 Terminus. Elle traite du texte pour les tâches de raisonnement, de développement et d'agents tout en explorant une attention plus efficace sur les longs contextes, avec un contexte de 128K indiqué par le concepteur et une identité distincte de la version définitive V3.2.", "locale": "fr", "md_url": "https://ailoot.ai/models/fr/deepseek-v3-2-exp-thinking/index.md", "title": "DeepSeek: DeepSeek V3.2 Exp — Ailoot", "url": "https://ailoot.ai/models/fr/deepseek-v3-2-exp-thinking/" }, "rawModel": { "about": "DeepSeek V3.2 Exp est l’édition expérimentale du modèle textuel de DeepSeek, construite sur V3.1 Terminus. Son évolution distinctive est DeepSeek Sparse Attention, introduite pour étudier un entraînement et une inférence plus efficaces sur des séquences textuelles étendues. La tâche reste textuelle : des consignes écrites et un contexte produisent une réponse textuelle, du code ou une sortie liée au travail d’agent. Il s’agit de l’édition de recherche sur l’attention parcimonieuse, distincte du modèle V3.2 final et de son format ultérieur de raisonnement avec outils.\n\nDSA utilise un indexeur léger et une sélection fine des tokens afin que le calcul principal de l’attention se concentre sur certaines informations antérieures portées par les tokens. DeepSeek a délibérément aligné la configuration d’entraînement expérimentale sur V3.1 Terminus pour isoler le changement architectural. Le rapport V3.2 confirme que le modèle V3.2 final et V3.2 Exp partagent cette architecture et décrit la poursuite de l’entraînement à partir du socle Terminus à contexte 128K. Le profil expérimental publié utilise ce réglage de contexte long 128K.\n\nLa fiche expérimentale du producteur conserve le raisonnement et le travail d’agent dans son périmètre tout en préservant le profil de tâches du modèle antérieur. Ses éléments de preuve couvrent le raisonnement sans outils et l’utilisation d’outils par un agent comme des workflows distincts. Préparez une question claire, les sources pertinentes et la forme finale souhaitée. Si la tâche utilise un outil, l’application fournit sa définition et renvoie le résultat ; l’action proposée par le modèle n’est pas la même chose qu’une opération déjà exécutée.\n\nLa fiche du modèle V3.2 final introduit un format d’appel d’outils révisé et décrit explicitement le raisonnement avec outils. Ces évolutions appartiennent à la version finale et ne doivent pas être considérées comme l’intégralité du contrat d’interaction de l’édition expérimentale. Pour V3.2 Exp, conservez le formatage des messages propre à l’édition et le contexte de tâches hérité de Terminus, plutôt que de supposer qu’un nom similaire rend chaque réglage ou rôle ultérieur interchangeable.\n\nPour comparer de longs documents, identifiez chaque source et les sections pertinentes pour la question. Voici un brief illustratif : « Comparez ces exigences à l’implémentation proposée, identifiez chaque écart et citez le passage qui l’établit. Terminez par une liste de corrections classées par priorité. » Pour du code, fournissez le comportement en échec, le fragment pertinent et le résultat attendu, puis demandez une modification ciblée avec une explication claire. L’organisation des sources et la règle d’achèvement aident à diriger une tâche à contexte long vers un livrable utilisable.\n\nL’implémentation de référence du producteur comprend l’indexeur d’attention parcimonieuse, et sa fiche consigne une correction importante de l’implémentation : le RoPE de l’indexeur utilise une disposition non entrelacée, tandis que le module d’attention latente attend une disposition entrelacée. Il s’agit d’un détail de la référence du producteur pertinent pour une exécution fidèle du modèle, plutôt que d’un prompt utilisateur différent ou d’une nouvelle capacité. Cela signifie aussi que le seul nom du modèle ne décrit pas la manière dont chaque implémentation traite l’architecture expérimentale.\n\nUne tâche d’agent continue doit budgéter ensemble ses sources textuelles, la conversation, le raisonnement généré et les observations d’outils. Organisez les observations utiles et demandez que la réponse finale distingue les preuves, les hypothèses et les actions proposées. Pour un résultat factuel dépendant de sources, fournissez les documents faisant autorité ou un outil adapté plutôt que de vous fier à de larges connaissances d’entraînement. La sortie reste un texte, du code ou un relevé analytique vérifiable par rapport à la tâche et à ses entrées.", "alias_of": null, "aliases": [], "author": "DeepSeek", "capabilities": { "context_length": 163840, "manufacturer_input": [ "text" ], "manufacturer_output": [ "text" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00058000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000058", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.00086000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.00000086", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "La tarification complète de la configuration figure dans les détails." } ], "ctx": null, "formats": [ "chat" ], "id": "deepseek-v3.2-exp-thinking", "input": [ "text" ], "kind": "text", "max_out": null, "methods": [ { "available": null, "cache_read": 0, "cache_write": 0, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every choice and its content/tool calls/reasoning. In SSE assemble deltas by choice/tool index, retain the final finish reason and usage.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "errors": [ { "code": null, "condition": "Champs obligatoires, représentation des contenus ou valeur de paramètre non valides", "http_status": 400, "recovery": "Corrigez les champs indiqués avant une nouvelle requête de création.", "type": "invalid_request_error" } ], "hints": [ "Model context is not an output cap.", "Send the conversation as text messages. Stream must be a boolean; omitted stream defaults to false." ], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/chat/completions" }, "job_read": null, "mode": "synchronous_or_streamed", "unknown": "Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie." }, "material_combinations": [ { "mode": "text", "representation": "messages[].content", "required_material": "Texte UTF8" } ], "operation_modes": [ "conversation" ], "outputs": { "all_results": "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.", "family": "text", "fields": [ { "description": null, "name": "choices[].index", "type": "integer" }, { "description": null, "name": "choices[].message.content", "type": "string|null" }, { "description": null, "name": "choices[].message.tool_calls", "type": "tool_call[]" }, { "description": null, "name": "choices[].message.reasoning_content", "type": "string" }, { "description": null, "name": "choices[].message.reasoning_details", "type": "object|array" }, { "description": null, "name": "choices[].finish_reason", "type": "string|null" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json ou SSE" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "deepseek-v3.2-exp-thinking" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "messages", "required": true, "type": "message[]" }, { "availability": "model_dependent", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].role", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].content", "required": false, "type": "string", "when": "Conversation textuelle" }, { "availability": "source_interface", "default": false, "default_known": true, "enum": null, "enum_known": false, "name": "stream", "required": false, "type": "boolean" } ], "profile_binding": "Text conversation at the exact model ID and method path.", "unsupported": [ "additional models/models list", "plugins", "route", "hosted tools; ordinary client function tools remain separate", "non-text output modalities", "provider.options overrides", "one-hour prompt-cache TTL" ] }, "hints": [ "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." ], "input": { "content_type": "application/json", "control_scope": "Conversation textuelle ; stream est un booléen dont la valeur par défaut est false.", "file_material": "document UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit", "hosted_operations": false, "material_types": [ "text" ], "messages": "tableau de messages avec une structure role/content", "multimodal_input_binding": null, "optional_controls": [ "stream" ], "output_modalities": [ "text" ], "required": [ "model", "messages" ] }, "lifecycle": { "mode": "synchronous_or_streamed", "unknown": "preserve original request id; no generic chat job retrieval path" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/chat/completions" }, "method_aliases": [ "/chat/completions" ], "operation_modes": [ "text_chat" ], "output": { "content": "choices[].message.content or stream delta", "family": "text", "format": "json or supported SSE", "tool_calls": "retain actual returned function calls" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarifs de base des tokens", "units": [ { "amount": "0.00058000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000058", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.00086000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.00000086", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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\"))\n", "label": "Python SDK · all choices", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "chat", "hints": [ "Send exact model ID with messages.", "Context length is not an output cap.", "A text file may supply literal text; image/audio/file-object inputs need exact binding." ], "http": "POST", "in": 0.58, "input": [ "text" ], "label": "Chat OpenAI", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [ "/chat/completions" ], "out": 0.86, "output": [ "text" ], "path": "/v1/chat/completions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00058000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000058", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.00086000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.00000086", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "deepseek-v3.2-exp-thinking", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00058000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000058", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.00086000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.00000086", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "deepseek-v3.2-exp-thinking", "request_model_id": "deepseek-v3.2-exp-thinking", "route_label": "Ultra" } ], "name": "DeepSeek: DeepSeek V3.2 Exp", "price": { "in": 0.58, "in_label": null, "out": 0.86, "out_label": null, "scope_label": "Token rates", "sort_in": 0.58, "sort_out": 0.86, "varies": false }, "short": "DeepSeek V3.2 Exp est l'édition à attention clairsemée construite sur V3.1 Terminus. Elle traite du texte pour les tâches de raisonnement, de développement et d'agents tout en explorant une attention plus efficace sur les longs contextes, avec un contexte de 128K indiqué par le concepteur et une identité distincte de la version définitive V3.2." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "DeepSeek V3.2 Exp est l'édition à attention clairsemée construite sur V3.1 Terminus. Elle traite du texte pour les tâches de raisonnement, de développement et d'agents tout en explorant une attention plus efficace sur les longs contextes, avec un contexte de 128K indiqué par le concepteur et une identité distincte de la version définitive V3.2.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "31c685e65f0cf8c5f26a13dfe9e3ec9255eaea86c0d00c2f4e43a48cbd48ca1f", "renderer_sha256": "44d2db1deadc475e1793597083716540bae7bbc53606f05f58780fec5f115dd4" }, "sourceRevision": "78a36338aa99f5d2f69e7de4c7506a2d8ce67b2f7132d81325f444ceddeacbfb" }