A DeepSeek V3.2 a DeepSeek szöveges modellje következtetési és ügynöki munkához, a hosszú kontextus hatékony feldolgozására helyezve a hangsúlyt. A fejlesztő a fő változtatásokat a DeepSeek Sparse Attention, egy kibővített megerősítéses tanulási keretrendszer és az ügynöki feladatok tanítására szolgáló folyamat köré rendezi. Írott kérdéseket és kontextust fogad, és szöveget állít elő, többek között választ, kódot vagy eszközhívási tartalmat. Elkülönül a korábbi V3.2 Exp kiadástól és a külön Speciale következtető változattól.
A DeepSeek Sparse Attention indexelőt és finom részletességű tokenkiválasztást ad a látens figyelmi architektúrához. Hosszú sorozatnál az indexelő kiválasztja a fő figyelmi számításban felhasznált korábbi tokeninformációkat. A jelentés szerint ez jelenti az architekturális változást a V3.1 Terminus modellhez képest, és ugyanazt az architektúrát használja, mint a V3.2 Exp. Közzétett kontextusa 128K token, ami kiterjedt forrásanyagot és folytatódó feladatot támogat, miközben a generált következtetés és az eszközhasználati előzmények szintén fogyasztják a rendelkezésre álló kontextust.
Az utótanítás gondolkodó és nem gondolkodó válaszokat is lefed matematikai, programozási, logikai következtetési, általános ügynöki, ügynöki programozási és keresési feladatokban. Szakterületi specialisták szolgáltatnak adatokat, amelyeket a végső modellben egyesítenek, majd vegyes megerősítéses tanulás következik. Egy szokásos kérdésnél közvetlen válasz lehet megfelelő; nehéz problémánál a gondolkodási munkafolyamat a végső eredmény bemutatása előtt dolgozhatja ki a megoldást. A szükséges választ vagy eredményt a köztes következtetéstől függetlenül határozza meg.
A kiadás egyik jelentős változása az eszközökkel együtt végzett gondolkodás. A frissített csevegési formátum lehetővé teszi, hogy a következtetés egy eszközhívási feladaton keresztül folytatódjon ahelyett, hogy az elemzést és a műveletet egymástól független szakaszokként kezelné. A modell által kiválasztott műveletet az alkalmazás hajtja végre, és visszaadja eredményét a következő lépéshez. A fejlesztő eszközkontextus-szabálya addig őrzi meg a korábbi következtetést, amíg csak eszközhöz kapcsolódó üzenetek kerülnek hozzáadásra; új felhasználói üzenet érkezésekor elveti ezt a következtetést, miközben megőrzi az eszközhívásokat és eredményeiket. A beszélgetési szerepek helyes megkülönböztetése fontos e működéshez.
Programozáshoz adja meg a forrásrészletet vagy a releváns fájlokat, a megfigyelt problémát, az elvárt eredményt és a módosítás által megőrzendő feltételeket. Szemléltető feladatleírás: „A megadott kód és eszközeredmények alapján keresd meg az okot, javasold a legkisebb javítást, és add vissza a végső javítócsomagot az azt alátámasztó ellenőrzési eredménnyel.” Keresési feladathoz írja le a kérdést, a szükséges bizonyítékokat és azt, mi számít teljes válasznak. A keresési és végrehajtási eszközöket a környező alkalmazás biztosítja, nem maga a szöveg.
A fejlesztő helyi használathoz 1.0 temperature és 0.95 top-p értéket javasol. A V3.2 felülvizsgált eszközhívási reprezentációt és dedikált üzenetkódolót vezet be. A developer szerepet a fejlesztő keresőügynök-sablonjának tartja fenn, és a hivatalos API nem fogadja el ezt a szerepet. A referenciaelemző jól formált kimenetet vár, és nem javítja a hibás eredményeket; ha egy alkalmazás generált mezőket vagy eszközargumentumokat használ, a rájuk épülő műveletek előtt ellenőriznie kell a szerkezetüket.
A műszaki jelentés a hosszú következtetési pályákat és a felesleges önellenőrzést gyakorlati korlátként azonosítja. Egy ügynöki feladat akkor is elérheti a 128K határt, ha az eredeti forrásanyag belefér, mert az eszközkimenetek és az ismételt következtetés felhalmozódnak. Vezessen tömör feljegyzést a releváns megfigyelésekről, és határozza meg egyértelműen a végső eredményt. Tudásérzékeny munkához csatolja a hiteles anyagot, vagy biztosítson megfelelő keresőeszközt ahelyett, hogy azt várná: a tanításból szerzett tudás minden tényt meghatároz.
A DeepSeek V3.2 Speciale különálló, nagy számításigényű, mély következtető változat, amely a modellkártya szerint nem támogatja az eszközhívást. Funkcióit nem szabad a szokásos V3.2 eszközprofilként használni. Hasonlóképpen a későbbi V4 generáció és a kísérleti előd külön azonossággal és konfigurációs választásokkal rendelkezik. Tartsa meg a név szerint meghatározott V3.2 kiadást az olyan feladatok összehasonlításakor, amelyeknél számít a modell és a promptolási formátum.
Gyakorlati forrásalapú elemzéshez címkézze meg az anyagokat, és kérjen a releváns részletekkel alátámasztott következtetést, a feltételezések és a hiányzó információk külön kezelésével. Ügynöknél mondja meg az engedélyezett függvényeket, az elvárt végső eredményt és a befejezés feltételét. Ez a modell következtetési és eszközhasználati munkafolyamatát olyan ellenőrizhető szöveges, kódolási vagy elemzési eredmény köré készíti elő, amely a megadott bizonyítékokhoz kapcsolódik.
", "aboutText": "A DeepSeek V3.2 a DeepSeek szöveges modellje következtetési és ügynöki munkához, a hosszú kontextus hatékony feldolgozására helyezve a hangsúlyt. A fejlesztő a fő változtatásokat a DeepSeek Sparse Attention, egy kibővített megerősítéses tanulási keretrendszer és az ügynöki feladatok tanítására szolgáló folyamat köré rendezi. Írott kérdéseket és kontextust fogad, és szöveget állít elő, többek között választ, kódot vagy eszközhívási tartalmat. Elkülönül a korábbi V3.2 Exp kiadástól és a külön Speciale következtető változattól.\n\nA DeepSeek Sparse Attention indexelőt és finom részletességű tokenkiválasztást ad a látens figyelmi architektúrához. Hosszú sorozatnál az indexelő kiválasztja a fő figyelmi számításban felhasznált korábbi tokeninformációkat. A jelentés szerint ez jelenti az architekturális változást a V3.1 Terminus modellhez képest, és ugyanazt az architektúrát használja, mint a V3.2 Exp. Közzétett kontextusa 128K token, ami kiterjedt forrásanyagot és folytatódó feladatot támogat, miközben a generált következtetés és az eszközhasználati előzmények szintén fogyasztják a rendelkezésre álló kontextust.\n\nAz utótanítás gondolkodó és nem gondolkodó válaszokat is lefed matematikai, programozási, logikai következtetési, általános ügynöki, ügynöki programozási és keresési feladatokban. Szakterületi specialisták szolgáltatnak adatokat, amelyeket a végső modellben egyesítenek, majd vegyes megerősítéses tanulás következik. Egy szokásos kérdésnél közvetlen válasz lehet megfelelő; nehéz problémánál a gondolkodási munkafolyamat a végső eredmény bemutatása előtt dolgozhatja ki a megoldást. A szükséges választ vagy eredményt a köztes következtetéstől függetlenül határozza meg.\n\nA kiadás egyik jelentős változása az eszközökkel együtt végzett gondolkodás. A frissített csevegési formátum lehetővé teszi, hogy a következtetés egy eszközhívási feladaton keresztül folytatódjon ahelyett, hogy az elemzést és a műveletet egymástól független szakaszokként kezelné. A modell által kiválasztott műveletet az alkalmazás hajtja végre, és visszaadja eredményét a következő lépéshez. A fejlesztő eszközkontextus-szabálya addig őrzi meg a korábbi következtetést, amíg csak eszközhöz kapcsolódó üzenetek kerülnek hozzáadásra; új felhasználói üzenet érkezésekor elveti ezt a következtetést, miközben megőrzi az eszközhívásokat és eredményeiket. A beszélgetési szerepek helyes megkülönböztetése fontos e működéshez.\n\nProgramozáshoz adja meg a forrásrészletet vagy a releváns fájlokat, a megfigyelt problémát, az elvárt eredményt és a módosítás által megőrzendő feltételeket. Szemléltető feladatleírás: „A megadott kód és eszközeredmények alapján keresd meg az okot, javasold a legkisebb javítást, és add vissza a végső javítócsomagot az azt alátámasztó ellenőrzési eredménnyel.” Keresési feladathoz írja le a kérdést, a szükséges bizonyítékokat és azt, mi számít teljes válasznak. A keresési és végrehajtási eszközöket a környező alkalmazás biztosítja, nem maga a szöveg.\n\nA fejlesztő helyi használathoz 1.0 temperature és 0.95 top-p értéket javasol. A V3.2 felülvizsgált eszközhívási reprezentációt és dedikált üzenetkódolót vezet be. A developer szerepet a fejlesztő keresőügynök-sablonjának tartja fenn, és a hivatalos API nem fogadja el ezt a szerepet. A referenciaelemző jól formált kimenetet vár, és nem javítja a hibás eredményeket; ha egy alkalmazás generált mezőket vagy eszközargumentumokat használ, a rájuk épülő műveletek előtt ellenőriznie kell a szerkezetüket.\n\nA műszaki jelentés a hosszú következtetési pályákat és a felesleges önellenőrzést gyakorlati korlátként azonosítja. Egy ügynöki feladat akkor is elérheti a 128K határt, ha az eredeti forrásanyag belefér, mert az eszközkimenetek és az ismételt következtetés felhalmozódnak. Vezessen tömör feljegyzést a releváns megfigyelésekről, és határozza meg egyértelműen a végső eredményt. Tudásérzékeny munkához csatolja a hiteles anyagot, vagy biztosítson megfelelő keresőeszközt ahelyett, hogy azt várná: a tanításból szerzett tudás minden tényt meghatároz.\n\nA DeepSeek V3.2 Speciale különálló, nagy számításigényű, mély következtető változat, amely a modellkártya szerint nem támogatja az eszközhívást. Funkcióit nem szabad a szokásos V3.2 eszközprofilként használni. Hasonlóképpen a későbbi V4 generáció és a kísérleti előd külön azonossággal és konfigurációs választásokkal rendelkezik. Tartsa meg a név szerint meghatározott V3.2 kiadást az olyan feladatok összehasonlításakor, amelyeknél számít a modell és a promptolási formátum.\n\nGyakorlati forrásalapú elemzéshez címkézze meg az anyagokat, és kérjen a releváns részletekkel alátámasztott következtetést, a feltételezések és a hiányzó információk külön kezelésével. Ügynöknél mondja meg az engedélyezett függvényeket, az elvárt végső eredményt és a befejezés feltételét. Ez a modell következtetési és eszközhasználati munkafolyamatát olyan ellenőrizhető szöveges, kódolási vagy elemzési eredmény köré készíti elő, amely a megadott bizonyítékokhoz kapcsolódik.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d1e122518a21a53a181c7e648a34f98c914b22eb76ef3c88eadaedd96c0adb31", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "hu", "methods": [ { "html": "deepseek-v3.2-thinkingA DeepSeek V3.2 a szöveges következtetést eszközhasználattal és hosszú kontextusú elemzéssel egyesíti. Ritka figyelmi mechanizmust használó architektúrája és frissített beszélgetési formátuma programozási, keresési és többlépéses ügynöki feladatokat támogat, 128K kontextussal és külön gondolkodási, illetve közvetlen válaszadási munkafolyamatokkal.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A DeepSeek V3.2 a DeepSeek szöveges modellje következtetési és ügynöki munkához, a hosszú kontextus hatékony feldolgozására helyezve a hangsúlyt. A fejlesztő a fő változtatásokat a DeepSeek Sparse Attention, egy kibővített megerősítéses tanulási keretrendszer és az ügynöki feladatok tanítására szolgáló folyamat köré rendezi. Írott kérdéseket és kontextust fogad, és szöveget állít elő, többek között választ, kódot vagy eszközhívási tartalmat. Elkülönül a korábbi V3.2 Exp kiadástól és a külön Speciale következtető változattól.
A DeepSeek Sparse Attention indexelőt és finom részletességű tokenkiválasztást ad a látens figyelmi architektúrához. Hosszú sorozatnál az indexelő kiválasztja a fő figyelmi számításban felhasznált korábbi tokeninformációkat. A jelentés szerint ez jelenti az architekturális változást a V3.1 Terminus modellhez képest, és ugyanazt az architektúrát használja, mint a V3.2 Exp. Közzétett kontextusa 128K token, ami kiterjedt forrásanyagot és folytatódó feladatot támogat, miközben a generált következtetés és az eszközhasználati előzmények szintén fogyasztják a rendelkezésre álló kontextust.
Az utótanítás gondolkodó és nem gondolkodó válaszokat is lefed matematikai, programozási, logikai következtetési, általános ügynöki, ügynöki programozási és keresési feladatokban. Szakterületi specialisták szolgáltatnak adatokat, amelyeket a végső modellben egyesítenek, majd vegyes megerősítéses tanulás következik. Egy szokásos kérdésnél közvetlen válasz lehet megfelelő; nehéz problémánál a gondolkodási munkafolyamat a végső eredmény bemutatása előtt dolgozhatja ki a megoldást. A szükséges választ vagy eredményt a köztes következtetéstől függetlenül határozza meg.
A kiadás egyik jelentős változása az eszközökkel együtt végzett gondolkodás. A frissített csevegési formátum lehetővé teszi, hogy a következtetés egy eszközhívási feladaton keresztül folytatódjon ahelyett, hogy az elemzést és a műveletet egymástól független szakaszokként kezelné. A modell által kiválasztott műveletet az alkalmazás hajtja végre, és visszaadja eredményét a következő lépéshez. A fejlesztő eszközkontextus-szabálya addig őrzi meg a korábbi következtetést, amíg csak eszközhöz kapcsolódó üzenetek kerülnek hozzáadásra; új felhasználói üzenet érkezésekor elveti ezt a következtetést, miközben megőrzi az eszközhívásokat és eredményeiket. A beszélgetési szerepek helyes megkülönböztetése fontos e működéshez.
Programozáshoz adja meg a forrásrészletet vagy a releváns fájlokat, a megfigyelt problémát, az elvárt eredményt és a módosítás által megőrzendő feltételeket. Szemléltető feladatleírás: „A megadott kód és eszközeredmények alapján keresd meg az okot, javasold a legkisebb javítást, és add vissza a végső javítócsomagot az azt alátámasztó ellenőrzési eredménnyel.” Keresési feladathoz írja le a kérdést, a szükséges bizonyítékokat és azt, mi számít teljes válasznak. A keresési és végrehajtási eszközöket a környező alkalmazás biztosítja, nem maga a szöveg.
A fejlesztő helyi használathoz 1.0 temperature és 0.95 top-p értéket javasol. A V3.2 felülvizsgált eszközhívási reprezentációt és dedikált üzenetkódolót vezet be. A developer szerepet a fejlesztő keresőügynök-sablonjának tartja fenn, és a hivatalos API nem fogadja el ezt a szerepet. A referenciaelemző jól formált kimenetet vár, és nem javítja a hibás eredményeket; ha egy alkalmazás generált mezőket vagy eszközargumentumokat használ, a rájuk épülő műveletek előtt ellenőriznie kell a szerkezetüket.
A műszaki jelentés a hosszú következtetési pályákat és a felesleges önellenőrzést gyakorlati korlátként azonosítja. Egy ügynöki feladat akkor is elérheti a 128K határt, ha az eredeti forrásanyag belefér, mert az eszközkimenetek és az ismételt következtetés felhalmozódnak. Vezessen tömör feljegyzést a releváns megfigyelésekről, és határozza meg egyértelműen a végső eredményt. Tudásérzékeny munkához csatolja a hiteles anyagot, vagy biztosítson megfelelő keresőeszközt ahelyett, hogy azt várná: a tanításból szerzett tudás minden tényt meghatároz.
A DeepSeek V3.2 Speciale különálló, nagy számításigényű, mély következtető változat, amely a modellkártya szerint nem támogatja az eszközhívást. Funkcióit nem szabad a szokásos V3.2 eszközprofilként használni. Hasonlóképpen a későbbi V4 generáció és a kísérleti előd külön azonossággal és konfigurációs választásokkal rendelkezik. Tartsa meg a név szerint meghatározott V3.2 kiadást az olyan feladatok összehasonlításakor, amelyeknél számít a modell és a promptolási formátum.
Gyakorlati forrásalapú elemzéshez címkézze meg az anyagokat, és kérjen a releváns részletekkel alátámasztott következtetést, a feltételezések és a hiányzó információk külön kezelésével. Ügynöknél mondja meg az engedélyezett függvényeket, az elvárt végső eredményt és a befejezés feltételét. Ez a modell következtetési és eszközhasználati munkafolyamatát olyan ellenőrizhető szöveges, kódolási vagy elemzési eredmény köré készíti elő, amely a megadott bizonyítékokhoz kapcsolódik.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok deepseek-v3.2-thinking | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmessages[].content | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: Szöveges beszélgetés | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Szöveg · UTF8 szöveg
messages[].content
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages |
Paramétermaterial_types | Szerződéstext |
Paramétermessages | Szerződésüzenettömb role/content szerkezettel |
Paraméterfile_material | Szerződésa tényleges UTF-8 dokumentum szó szerinti szövegként beillesztve; nincs kikövetkeztetett fájlazonosító |
Paraméteroptional_controls | Szerződésstream |
Paramétercontrol_scope | SzerződésSzöveges beszélgetés; a stream logikai érték, alapértéke false. |
Paraméteroutput_modalities | Szerződéstext |
Paraméterhosted_operations | Szerződésfalse |
Paramétermultimodal_input_binding | Szerződésnull |
Metódus álnevei: /chat/completions
Életciklus: synchronous_or_streamed
Küldje el a pontos modellazonosítót a messages mellett.
A kontextushossz nem kimeneti felső korlát.
Egy szövegfájl szó szerinti szöveget adhat meg; a kép-/hang-/fájlobjektum-bemenetek pontos hozzárendelést igényelnek.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.00058 / 1K token Kimenet · Kimeneti tokenek $0.00086 / 1K token Bemenet · Gyorsítótár olvasása $0 / 1K token Bemenet · Írás a gyorsítótárba $0 / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${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-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="deepseek-v3.2-thinking", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes válaszváltozatot és azok tartalmát/eszközhívásait/gondolkodási tartalmát. SSE esetén válaszváltozat- és eszközindex szerint állítsa össze a részleges frissítéseket, és tartsa meg a végső befejezési okot és a használati adatokat.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőchoices[].index | Típusinteger |
Mezőchoices[].message.content | Típusstring|null |
Mezőchoices[].message.tool_calls | Típustool_call[] |
Mezőchoices[].message.reasoning_content | Típusstring |
Mezőchoices[].message.reasoning_details | Típusobject|array |
Mezőchoices[].finish_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra deepseek-v3.2-thinking
/chat/completions