DeepSeek V3 adalah model teks mixture-of-experts asli DeepSeek untuk tugas bahasa umum, pemrograman, dan penalaran. Model ini menerima instruksi tertulis dan konteks teks, lalu menghasilkan jawaban, draf, penjelasan, atau kode. Kartu model mencantumkan 671 miliar parameter model utama secara keseluruhan, dengan 37 miliar yang aktif untuk setiap token. V3 asli yang disebutkan di sini tetap terpisah dari V3-0324, V3.1, dan V3.2, yang masing-masing pembaruannya menambahkan fitur serta profil prompting tersendiri.
Arsitekturnya menggabungkan Multi-head Latent Attention dengan DeepSeekMoE. Latent attention memampatkan informasi yang digunakan oleh attention, sedangkan pemilihan sebagian kecil pakar hanya mengaktifkan sebagian model untuk setiap token. V3 juga memperkenalkan penyeimbangan beban tanpa auxiliary loss dan tujuan pelatihan prediksi multi-token. Paket model yang diterbitkan mencakup modul prediksi multi-token terpisah dengan 14 miliar parameter, selain model utama dengan 671 miliar parameter. Hal ini menjelaskan mengapa jumlah parameter paket dapat berbeda dari jumlah parameter arsitektur model utama.
DeepSeek melakukan prapelatihan V3 menggunakan 14.8 triliun token, kemudian menggunakan supervised fine-tuning dan reinforcement learning. Proses pascapelatihan membawa pola verifikasi dan refleksi dari keluarga R1 ke dalam respons model bahasa standar, sekaligus mengendalikan gaya dan panjang keluaran. Ini merupakan kontribusi pelatihan, yang berbeda dari memilih R1 itu sendiri atau templat berpikir hibrida V3.1 yang hadir kemudian. Tentukan format jawaban akhir yang Anda perlukan, alih-alih mengasumsikan bentuk penyajian penalaran berdasarkan edisi lain.
Tabel model produsen mencantumkan konteks 128K untuk V3 Base maupun edisi V3 hasil pascapelatihan. Konteks tersebut dapat menggabungkan pertanyaan dengan materi dokumen atau kode yang cukup besar, sementara riwayat percakapan dan respons juga memerlukan ruang. Beri label pada sumber dan tentukan pertanyaan yang relevan. Jendela konteks adalah batas kapasitas, bukan instruksi untuk mengirim materi yang tidak berkaitan atau meminta jawaban yang terlalu panjang tanpa kebutuhan.
Untuk tugas pemrograman praktis, berikan fungsi yang relevan, perilaku yang diharapkan, batasan penting, dan masukan yang menunjukkan masalahnya. Minta usulan perbaikan serta penjelasan yang merujuk pada kode yang diberikan. Untuk analisis dokumen, berikan bagian-bagian yang diberi nama dan kriteria perbandingan yang jelas. Contoh brief: “Ekstrak persyaratannya, identifikasi persyaratan mana yang dipenuhi oleh proposal ini, dan kutip bagian terkait untuk setiap temuan. Akhiri dengan daftar ringkas rincian yang belum tersedia.”
Tugas penulisan dan penyuntingan akan terbantu jika audiens, nada, dan fakta yang wajib dipertahankan disebutkan secara eksplisit. Minta ringkasan, penulisan ulang, terjemahan, atau penjelasan, lalu tentukan nama dan istilah yang wajib digunakan. Daftar bidang yang diminta atau respons berbentuk JSON tetap perlu diperiksa sebagai konten hasil generasi; nama model saja tidak membuktikan kemampuan mekanisme keluaran terstruktur atau eksekusi alat dalam aplikasi yang menggunakannya. Jika aplikasi menyediakan alat, pisahkan setiap pengamatan yang dikembalikan dari tindakan yang diusulkan model.
Produsen menerbitkan materi model FP8 dan menjelaskan pilihan presisi atau eksekusi lainnya dalam referensinya. Pilihan implementasi tersebut terpisah dari tugas berbasis sumber dan tidak boleh disimpulkan dari nama model yang ditampilkan. Keluaran model dapat berupa kode, tetapi menghasilkan kode tersebut tidak menjalankannya; penjelasan atas suatu sumber tidak membuktikan bahwa pencarian eksternal telah dilakukan. Gunakan kutipan sumber yang sebenarnya dan hasil aplikasi yang diamati jika jawaban memerlukan bukti tersebut.
Untuk mendapatkan hasil yang berguna, tentukan artefak akhir dan kondisi yang membuatnya dianggap selesai. Pisahkan temuan yang didukung sumber, asumsi, dan usulan perubahan, lalu periksa jawaban yang dihasilkan terhadap materi yang diberikan. Percakapan yang lebih panjang dapat menyempurnakan satu bagian draf sambil mempertahankan fakta dan batasan yang sudah disetujui. Hasil akhirnya berupa artefak teks atau kode yang dapat ditinjau untuk tugas tersebut, dengan identitas V3 asli tetap dipertahankan tanpa diam-diam menggunakan fitur kontrol dari edisi yang lebih baru.
", "aboutText": "DeepSeek V3 adalah model teks mixture-of-experts asli DeepSeek untuk tugas bahasa umum, pemrograman, dan penalaran. Model ini menerima instruksi tertulis dan konteks teks, lalu menghasilkan jawaban, draf, penjelasan, atau kode. Kartu model mencantumkan 671 miliar parameter model utama secara keseluruhan, dengan 37 miliar yang aktif untuk setiap token. V3 asli yang disebutkan di sini tetap terpisah dari V3-0324, V3.1, dan V3.2, yang masing-masing pembaruannya menambahkan fitur serta profil prompting tersendiri.\n\nArsitekturnya menggabungkan Multi-head Latent Attention dengan DeepSeekMoE. Latent attention memampatkan informasi yang digunakan oleh attention, sedangkan pemilihan sebagian kecil pakar hanya mengaktifkan sebagian model untuk setiap token. V3 juga memperkenalkan penyeimbangan beban tanpa auxiliary loss dan tujuan pelatihan prediksi multi-token. Paket model yang diterbitkan mencakup modul prediksi multi-token terpisah dengan 14 miliar parameter, selain model utama dengan 671 miliar parameter. Hal ini menjelaskan mengapa jumlah parameter paket dapat berbeda dari jumlah parameter arsitektur model utama.\n\nDeepSeek melakukan prapelatihan V3 menggunakan 14.8 triliun token, kemudian menggunakan supervised fine-tuning dan reinforcement learning. Proses pascapelatihan membawa pola verifikasi dan refleksi dari keluarga R1 ke dalam respons model bahasa standar, sekaligus mengendalikan gaya dan panjang keluaran. Ini merupakan kontribusi pelatihan, yang berbeda dari memilih R1 itu sendiri atau templat berpikir hibrida V3.1 yang hadir kemudian. Tentukan format jawaban akhir yang Anda perlukan, alih-alih mengasumsikan bentuk penyajian penalaran berdasarkan edisi lain.\n\nTabel model produsen mencantumkan konteks 128K untuk V3 Base maupun edisi V3 hasil pascapelatihan. Konteks tersebut dapat menggabungkan pertanyaan dengan materi dokumen atau kode yang cukup besar, sementara riwayat percakapan dan respons juga memerlukan ruang. Beri label pada sumber dan tentukan pertanyaan yang relevan. Jendela konteks adalah batas kapasitas, bukan instruksi untuk mengirim materi yang tidak berkaitan atau meminta jawaban yang terlalu panjang tanpa kebutuhan.\n\nUntuk tugas pemrograman praktis, berikan fungsi yang relevan, perilaku yang diharapkan, batasan penting, dan masukan yang menunjukkan masalahnya. Minta usulan perbaikan serta penjelasan yang merujuk pada kode yang diberikan. Untuk analisis dokumen, berikan bagian-bagian yang diberi nama dan kriteria perbandingan yang jelas. Contoh brief: “Ekstrak persyaratannya, identifikasi persyaratan mana yang dipenuhi oleh proposal ini, dan kutip bagian terkait untuk setiap temuan. Akhiri dengan daftar ringkas rincian yang belum tersedia.”\n\nTugas penulisan dan penyuntingan akan terbantu jika audiens, nada, dan fakta yang wajib dipertahankan disebutkan secara eksplisit. Minta ringkasan, penulisan ulang, terjemahan, atau penjelasan, lalu tentukan nama dan istilah yang wajib digunakan. Daftar bidang yang diminta atau respons berbentuk JSON tetap perlu diperiksa sebagai konten hasil generasi; nama model saja tidak membuktikan kemampuan mekanisme keluaran terstruktur atau eksekusi alat dalam aplikasi yang menggunakannya. Jika aplikasi menyediakan alat, pisahkan setiap pengamatan yang dikembalikan dari tindakan yang diusulkan model.\n\nProdusen menerbitkan materi model FP8 dan menjelaskan pilihan presisi atau eksekusi lainnya dalam referensinya. Pilihan implementasi tersebut terpisah dari tugas berbasis sumber dan tidak boleh disimpulkan dari nama model yang ditampilkan. Keluaran model dapat berupa kode, tetapi menghasilkan kode tersebut tidak menjalankannya; penjelasan atas suatu sumber tidak membuktikan bahwa pencarian eksternal telah dilakukan. Gunakan kutipan sumber yang sebenarnya dan hasil aplikasi yang diamati jika jawaban memerlukan bukti tersebut.\n\nUntuk mendapatkan hasil yang berguna, tentukan artefak akhir dan kondisi yang membuatnya dianggap selesai. Pisahkan temuan yang didukung sumber, asumsi, dan usulan perubahan, lalu periksa jawaban yang dihasilkan terhadap materi yang diberikan. Percakapan yang lebih panjang dapat menyempurnakan satu bagian draf sambil mempertahankan fakta dan batasan yang sudah disetujui. Hasil akhirnya berupa artefak teks atau kode yang dapat ditinjau untuk tugas tersebut, dengan identitas V3 asli tetap dipertahankan tanpa diam-diam menggunakan fitur kontrol dari edisi yang lebih baru.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "121d7978fdbd195ca10932120effbe33da05b83052764ecf1c65aec633f3cbb0", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "deepseek-chatDeepSeek V3 adalah model teks asli DeepSeek untuk pemrograman, penulisan, tanya jawab, dan analisis berbasis sumber. Arsitektur mixture-of-experts-nya memiliki total 671B parameter dengan 37B parameter aktif, konteks 128K, serta pascapelatihan yang menggabungkan pola penalaran dari R1.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
DeepSeek V3 adalah model teks mixture-of-experts asli DeepSeek untuk tugas bahasa umum, pemrograman, dan penalaran. Model ini menerima instruksi tertulis dan konteks teks, lalu menghasilkan jawaban, draf, penjelasan, atau kode. Kartu model mencantumkan 671 miliar parameter model utama secara keseluruhan, dengan 37 miliar yang aktif untuk setiap token. V3 asli yang disebutkan di sini tetap terpisah dari V3-0324, V3.1, dan V3.2, yang masing-masing pembaruannya menambahkan fitur serta profil prompting tersendiri.
Arsitekturnya menggabungkan Multi-head Latent Attention dengan DeepSeekMoE. Latent attention memampatkan informasi yang digunakan oleh attention, sedangkan pemilihan sebagian kecil pakar hanya mengaktifkan sebagian model untuk setiap token. V3 juga memperkenalkan penyeimbangan beban tanpa auxiliary loss dan tujuan pelatihan prediksi multi-token. Paket model yang diterbitkan mencakup modul prediksi multi-token terpisah dengan 14 miliar parameter, selain model utama dengan 671 miliar parameter. Hal ini menjelaskan mengapa jumlah parameter paket dapat berbeda dari jumlah parameter arsitektur model utama.
DeepSeek melakukan prapelatihan V3 menggunakan 14.8 triliun token, kemudian menggunakan supervised fine-tuning dan reinforcement learning. Proses pascapelatihan membawa pola verifikasi dan refleksi dari keluarga R1 ke dalam respons model bahasa standar, sekaligus mengendalikan gaya dan panjang keluaran. Ini merupakan kontribusi pelatihan, yang berbeda dari memilih R1 itu sendiri atau templat berpikir hibrida V3.1 yang hadir kemudian. Tentukan format jawaban akhir yang Anda perlukan, alih-alih mengasumsikan bentuk penyajian penalaran berdasarkan edisi lain.
Tabel model produsen mencantumkan konteks 128K untuk V3 Base maupun edisi V3 hasil pascapelatihan. Konteks tersebut dapat menggabungkan pertanyaan dengan materi dokumen atau kode yang cukup besar, sementara riwayat percakapan dan respons juga memerlukan ruang. Beri label pada sumber dan tentukan pertanyaan yang relevan. Jendela konteks adalah batas kapasitas, bukan instruksi untuk mengirim materi yang tidak berkaitan atau meminta jawaban yang terlalu panjang tanpa kebutuhan.
Untuk tugas pemrograman praktis, berikan fungsi yang relevan, perilaku yang diharapkan, batasan penting, dan masukan yang menunjukkan masalahnya. Minta usulan perbaikan serta penjelasan yang merujuk pada kode yang diberikan. Untuk analisis dokumen, berikan bagian-bagian yang diberi nama dan kriteria perbandingan yang jelas. Contoh brief: “Ekstrak persyaratannya, identifikasi persyaratan mana yang dipenuhi oleh proposal ini, dan kutip bagian terkait untuk setiap temuan. Akhiri dengan daftar ringkas rincian yang belum tersedia.”
Tugas penulisan dan penyuntingan akan terbantu jika audiens, nada, dan fakta yang wajib dipertahankan disebutkan secara eksplisit. Minta ringkasan, penulisan ulang, terjemahan, atau penjelasan, lalu tentukan nama dan istilah yang wajib digunakan. Daftar bidang yang diminta atau respons berbentuk JSON tetap perlu diperiksa sebagai konten hasil generasi; nama model saja tidak membuktikan kemampuan mekanisme keluaran terstruktur atau eksekusi alat dalam aplikasi yang menggunakannya. Jika aplikasi menyediakan alat, pisahkan setiap pengamatan yang dikembalikan dari tindakan yang diusulkan model.
Produsen menerbitkan materi model FP8 dan menjelaskan pilihan presisi atau eksekusi lainnya dalam referensinya. Pilihan implementasi tersebut terpisah dari tugas berbasis sumber dan tidak boleh disimpulkan dari nama model yang ditampilkan. Keluaran model dapat berupa kode, tetapi menghasilkan kode tersebut tidak menjalankannya; penjelasan atas suatu sumber tidak membuktikan bahwa pencarian eksternal telah dilakukan. Gunakan kutipan sumber yang sebenarnya dan hasil aplikasi yang diamati jika jawaban memerlukan bukti tersebut.
Untuk mendapatkan hasil yang berguna, tentukan artefak akhir dan kondisi yang membuatnya dianggap selesai. Pisahkan temuan yang didukung sumber, asumsi, dan usulan perubahan, lalu periksa jawaban yang dihasilkan terhadap materi yang diberikan. Percakapan yang lebih panjang dapat menyempurnakan satu bagian draf sambil mempertahankan fakta dan batasan yang sudah disetujui. Hasil akhirnya berupa artefak teks atau kode yang dapat ditinjau untuk tugas tersebut, dengan identitas V3 asli tetap dipertahankan tanpa diam-diam menggunakan fitur kontrol dari edisi yang lebih baru.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan deepseek-chat | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Percakapan teks | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream |
Parametercontrol_scope | KontrakPercakapan teks; stream adalah nilai boolean dengan false sebagai bawaan. |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Alias metode: /chat/completions
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.00064 / 1K token Keluaran · Token keluaran $0.00178 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek-chatDeepSeek V3 adalah model teks asli DeepSeek untuk pemrograman, penulisan, tanya jawab, dan analisis berbasis sumber. Arsitektur mixture-of-experts-nya memiliki total 671B parameter dengan 37B parameter aktif, konteks 128K, serta pascapelatihan yang menggabungkan pola penalaran dari R1.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
DeepSeek V3 adalah model teks mixture-of-experts asli DeepSeek untuk tugas bahasa umum, pemrograman, dan penalaran. Model ini menerima instruksi tertulis dan konteks teks, lalu menghasilkan jawaban, draf, penjelasan, atau kode. Kartu model mencantumkan 671 miliar parameter model utama secara keseluruhan, dengan 37 miliar yang aktif untuk setiap token. V3 asli yang disebutkan di sini tetap terpisah dari V3-0324, V3.1, dan V3.2, yang masing-masing pembaruannya menambahkan fitur serta profil prompting tersendiri.
Arsitekturnya menggabungkan Multi-head Latent Attention dengan DeepSeekMoE. Latent attention memampatkan informasi yang digunakan oleh attention, sedangkan pemilihan sebagian kecil pakar hanya mengaktifkan sebagian model untuk setiap token. V3 juga memperkenalkan penyeimbangan beban tanpa auxiliary loss dan tujuan pelatihan prediksi multi-token. Paket model yang diterbitkan mencakup modul prediksi multi-token terpisah dengan 14 miliar parameter, selain model utama dengan 671 miliar parameter. Hal ini menjelaskan mengapa jumlah parameter paket dapat berbeda dari jumlah parameter arsitektur model utama.
DeepSeek melakukan prapelatihan V3 menggunakan 14.8 triliun token, kemudian menggunakan supervised fine-tuning dan reinforcement learning. Proses pascapelatihan membawa pola verifikasi dan refleksi dari keluarga R1 ke dalam respons model bahasa standar, sekaligus mengendalikan gaya dan panjang keluaran. Ini merupakan kontribusi pelatihan, yang berbeda dari memilih R1 itu sendiri atau templat berpikir hibrida V3.1 yang hadir kemudian. Tentukan format jawaban akhir yang Anda perlukan, alih-alih mengasumsikan bentuk penyajian penalaran berdasarkan edisi lain.
Tabel model produsen mencantumkan konteks 128K untuk V3 Base maupun edisi V3 hasil pascapelatihan. Konteks tersebut dapat menggabungkan pertanyaan dengan materi dokumen atau kode yang cukup besar, sementara riwayat percakapan dan respons juga memerlukan ruang. Beri label pada sumber dan tentukan pertanyaan yang relevan. Jendela konteks adalah batas kapasitas, bukan instruksi untuk mengirim materi yang tidak berkaitan atau meminta jawaban yang terlalu panjang tanpa kebutuhan.
Untuk tugas pemrograman praktis, berikan fungsi yang relevan, perilaku yang diharapkan, batasan penting, dan masukan yang menunjukkan masalahnya. Minta usulan perbaikan serta penjelasan yang merujuk pada kode yang diberikan. Untuk analisis dokumen, berikan bagian-bagian yang diberi nama dan kriteria perbandingan yang jelas. Contoh brief: “Ekstrak persyaratannya, identifikasi persyaratan mana yang dipenuhi oleh proposal ini, dan kutip bagian terkait untuk setiap temuan. Akhiri dengan daftar ringkas rincian yang belum tersedia.”
Tugas penulisan dan penyuntingan akan terbantu jika audiens, nada, dan fakta yang wajib dipertahankan disebutkan secara eksplisit. Minta ringkasan, penulisan ulang, terjemahan, atau penjelasan, lalu tentukan nama dan istilah yang wajib digunakan. Daftar bidang yang diminta atau respons berbentuk JSON tetap perlu diperiksa sebagai konten hasil generasi; nama model saja tidak membuktikan kemampuan mekanisme keluaran terstruktur atau eksekusi alat dalam aplikasi yang menggunakannya. Jika aplikasi menyediakan alat, pisahkan setiap pengamatan yang dikembalikan dari tindakan yang diusulkan model.
Produsen menerbitkan materi model FP8 dan menjelaskan pilihan presisi atau eksekusi lainnya dalam referensinya. Pilihan implementasi tersebut terpisah dari tugas berbasis sumber dan tidak boleh disimpulkan dari nama model yang ditampilkan. Keluaran model dapat berupa kode, tetapi menghasilkan kode tersebut tidak menjalankannya; penjelasan atas suatu sumber tidak membuktikan bahwa pencarian eksternal telah dilakukan. Gunakan kutipan sumber yang sebenarnya dan hasil aplikasi yang diamati jika jawaban memerlukan bukti tersebut.
Untuk mendapatkan hasil yang berguna, tentukan artefak akhir dan kondisi yang membuatnya dianggap selesai. Pisahkan temuan yang didukung sumber, asumsi, dan usulan perubahan, lalu periksa jawaban yang dihasilkan terhadap materi yang diberikan. Percakapan yang lebih panjang dapat menyempurnakan satu bagian draf sambil mempertahankan fakta dan batasan yang sudah disetujui. Hasil akhirnya berupa artefak teks atau kode yang dapat ditinjau untuk tugas tersebut, dengan identitas V3 asli tetap dipertahankan tanpa diam-diam menggunakan fitur kontrol dari edisi yang lebih baru.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan deepseek-chat | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.00064 / 1K token Keluaran · Token keluaran $0.00178 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 adalah model teks asli DeepSeek untuk pemrograman, penulisan, tanya jawab, dan analisis berbasis sumber. Arsitektur mixture-of-experts-nya memiliki total 671B parameter dengan 37B parameter aktif, konteks 128K, serta pascapelatihan yang menggabungkan pola penalaran dari R1.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
DeepSeek V3 adalah model teks mixture-of-experts asli DeepSeek untuk tugas bahasa umum, pemrograman, dan penalaran. Model ini menerima instruksi tertulis dan konteks teks, lalu menghasilkan jawaban, draf, penjelasan, atau kode. Kartu model mencantumkan 671 miliar parameter model utama secara keseluruhan, dengan 37 miliar yang aktif untuk setiap token. V3 asli yang disebutkan di sini tetap terpisah dari V3-0324, V3.1, dan V3.2, yang masing-masing pembaruannya menambahkan fitur serta profil prompting tersendiri.
Arsitekturnya menggabungkan Multi-head Latent Attention dengan DeepSeekMoE. Latent attention memampatkan informasi yang digunakan oleh attention, sedangkan pemilihan sebagian kecil pakar hanya mengaktifkan sebagian model untuk setiap token. V3 juga memperkenalkan penyeimbangan beban tanpa auxiliary loss dan tujuan pelatihan prediksi multi-token. Paket model yang diterbitkan mencakup modul prediksi multi-token terpisah dengan 14 miliar parameter, selain model utama dengan 671 miliar parameter. Hal ini menjelaskan mengapa jumlah parameter paket dapat berbeda dari jumlah parameter arsitektur model utama.
DeepSeek melakukan prapelatihan V3 menggunakan 14.8 triliun token, kemudian menggunakan supervised fine-tuning dan reinforcement learning. Proses pascapelatihan membawa pola verifikasi dan refleksi dari keluarga R1 ke dalam respons model bahasa standar, sekaligus mengendalikan gaya dan panjang keluaran. Ini merupakan kontribusi pelatihan, yang berbeda dari memilih R1 itu sendiri atau templat berpikir hibrida V3.1 yang hadir kemudian. Tentukan format jawaban akhir yang Anda perlukan, alih-alih mengasumsikan bentuk penyajian penalaran berdasarkan edisi lain.
Tabel model produsen mencantumkan konteks 128K untuk V3 Base maupun edisi V3 hasil pascapelatihan. Konteks tersebut dapat menggabungkan pertanyaan dengan materi dokumen atau kode yang cukup besar, sementara riwayat percakapan dan respons juga memerlukan ruang. Beri label pada sumber dan tentukan pertanyaan yang relevan. Jendela konteks adalah batas kapasitas, bukan instruksi untuk mengirim materi yang tidak berkaitan atau meminta jawaban yang terlalu panjang tanpa kebutuhan.
Untuk tugas pemrograman praktis, berikan fungsi yang relevan, perilaku yang diharapkan, batasan penting, dan masukan yang menunjukkan masalahnya. Minta usulan perbaikan serta penjelasan yang merujuk pada kode yang diberikan. Untuk analisis dokumen, berikan bagian-bagian yang diberi nama dan kriteria perbandingan yang jelas. Contoh brief: “Ekstrak persyaratannya, identifikasi persyaratan mana yang dipenuhi oleh proposal ini, dan kutip bagian terkait untuk setiap temuan. Akhiri dengan daftar ringkas rincian yang belum tersedia.”
Tugas penulisan dan penyuntingan akan terbantu jika audiens, nada, dan fakta yang wajib dipertahankan disebutkan secara eksplisit. Minta ringkasan, penulisan ulang, terjemahan, atau penjelasan, lalu tentukan nama dan istilah yang wajib digunakan. Daftar bidang yang diminta atau respons berbentuk JSON tetap perlu diperiksa sebagai konten hasil generasi; nama model saja tidak membuktikan kemampuan mekanisme keluaran terstruktur atau eksekusi alat dalam aplikasi yang menggunakannya. Jika aplikasi menyediakan alat, pisahkan setiap pengamatan yang dikembalikan dari tindakan yang diusulkan model.
Produsen menerbitkan materi model FP8 dan menjelaskan pilihan presisi atau eksekusi lainnya dalam referensinya. Pilihan implementasi tersebut terpisah dari tugas berbasis sumber dan tidak boleh disimpulkan dari nama model yang ditampilkan. Keluaran model dapat berupa kode, tetapi menghasilkan kode tersebut tidak menjalankannya; penjelasan atas suatu sumber tidak membuktikan bahwa pencarian eksternal telah dilakukan. Gunakan kutipan sumber yang sebenarnya dan hasil aplikasi yang diamati jika jawaban memerlukan bukti tersebut.
Untuk mendapatkan hasil yang berguna, tentukan artefak akhir dan kondisi yang membuatnya dianggap selesai. Pisahkan temuan yang didukung sumber, asumsi, dan usulan perubahan, lalu periksa jawaban yang dihasilkan terhadap materi yang diberikan. Percakapan yang lebih panjang dapat menyempurnakan satu bagian draf sambil mempertahankan fakta dan batasan yang sudah disetujui. Hasil akhirnya berupa artefak teks atau kode yang dapat ditinjau untuk tugas tersebut, dengan identitas V3 asli tetap dipertahankan tanpa diam-diam menggunakan fitur kontrol dari edisi yang lebih baru.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan deepseek/deepseek-chat | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Percakapan teks | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream |
Parametercontrol_scope | KontrakPercakapan teks; stream adalah nilai boolean dengan false sebagai bawaan. |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Alias metode: /chat/completions
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.00064 / 1K token Keluaran · Token keluaran $0.00178 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 adalah model teks asli DeepSeek untuk pemrograman, penulisan, tanya jawab, dan analisis berbasis sumber. Arsitektur mixture-of-experts-nya memiliki total 671B parameter dengan 37B parameter aktif, konteks 128K, serta pascapelatihan yang menggabungkan pola penalaran dari R1.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
DeepSeek V3 adalah model teks mixture-of-experts asli DeepSeek untuk tugas bahasa umum, pemrograman, dan penalaran. Model ini menerima instruksi tertulis dan konteks teks, lalu menghasilkan jawaban, draf, penjelasan, atau kode. Kartu model mencantumkan 671 miliar parameter model utama secara keseluruhan, dengan 37 miliar yang aktif untuk setiap token. V3 asli yang disebutkan di sini tetap terpisah dari V3-0324, V3.1, dan V3.2, yang masing-masing pembaruannya menambahkan fitur serta profil prompting tersendiri.
Arsitekturnya menggabungkan Multi-head Latent Attention dengan DeepSeekMoE. Latent attention memampatkan informasi yang digunakan oleh attention, sedangkan pemilihan sebagian kecil pakar hanya mengaktifkan sebagian model untuk setiap token. V3 juga memperkenalkan penyeimbangan beban tanpa auxiliary loss dan tujuan pelatihan prediksi multi-token. Paket model yang diterbitkan mencakup modul prediksi multi-token terpisah dengan 14 miliar parameter, selain model utama dengan 671 miliar parameter. Hal ini menjelaskan mengapa jumlah parameter paket dapat berbeda dari jumlah parameter arsitektur model utama.
DeepSeek melakukan prapelatihan V3 menggunakan 14.8 triliun token, kemudian menggunakan supervised fine-tuning dan reinforcement learning. Proses pascapelatihan membawa pola verifikasi dan refleksi dari keluarga R1 ke dalam respons model bahasa standar, sekaligus mengendalikan gaya dan panjang keluaran. Ini merupakan kontribusi pelatihan, yang berbeda dari memilih R1 itu sendiri atau templat berpikir hibrida V3.1 yang hadir kemudian. Tentukan format jawaban akhir yang Anda perlukan, alih-alih mengasumsikan bentuk penyajian penalaran berdasarkan edisi lain.
Tabel model produsen mencantumkan konteks 128K untuk V3 Base maupun edisi V3 hasil pascapelatihan. Konteks tersebut dapat menggabungkan pertanyaan dengan materi dokumen atau kode yang cukup besar, sementara riwayat percakapan dan respons juga memerlukan ruang. Beri label pada sumber dan tentukan pertanyaan yang relevan. Jendela konteks adalah batas kapasitas, bukan instruksi untuk mengirim materi yang tidak berkaitan atau meminta jawaban yang terlalu panjang tanpa kebutuhan.
Untuk tugas pemrograman praktis, berikan fungsi yang relevan, perilaku yang diharapkan, batasan penting, dan masukan yang menunjukkan masalahnya. Minta usulan perbaikan serta penjelasan yang merujuk pada kode yang diberikan. Untuk analisis dokumen, berikan bagian-bagian yang diberi nama dan kriteria perbandingan yang jelas. Contoh brief: “Ekstrak persyaratannya, identifikasi persyaratan mana yang dipenuhi oleh proposal ini, dan kutip bagian terkait untuk setiap temuan. Akhiri dengan daftar ringkas rincian yang belum tersedia.”
Tugas penulisan dan penyuntingan akan terbantu jika audiens, nada, dan fakta yang wajib dipertahankan disebutkan secara eksplisit. Minta ringkasan, penulisan ulang, terjemahan, atau penjelasan, lalu tentukan nama dan istilah yang wajib digunakan. Daftar bidang yang diminta atau respons berbentuk JSON tetap perlu diperiksa sebagai konten hasil generasi; nama model saja tidak membuktikan kemampuan mekanisme keluaran terstruktur atau eksekusi alat dalam aplikasi yang menggunakannya. Jika aplikasi menyediakan alat, pisahkan setiap pengamatan yang dikembalikan dari tindakan yang diusulkan model.
Produsen menerbitkan materi model FP8 dan menjelaskan pilihan presisi atau eksekusi lainnya dalam referensinya. Pilihan implementasi tersebut terpisah dari tugas berbasis sumber dan tidak boleh disimpulkan dari nama model yang ditampilkan. Keluaran model dapat berupa kode, tetapi menghasilkan kode tersebut tidak menjalankannya; penjelasan atas suatu sumber tidak membuktikan bahwa pencarian eksternal telah dilakukan. Gunakan kutipan sumber yang sebenarnya dan hasil aplikasi yang diamati jika jawaban memerlukan bukti tersebut.
Untuk mendapatkan hasil yang berguna, tentukan artefak akhir dan kondisi yang membuatnya dianggap selesai. Pisahkan temuan yang didukung sumber, asumsi, dan usulan perubahan, lalu periksa jawaban yang dihasilkan terhadap materi yang diberikan. Percakapan yang lebih panjang dapat menyempurnakan satu bagian draf sambil mempertahankan fakta dan batasan yang sudah disetujui. Hasil akhirnya berupa artefak teks atau kode yang dapat ditinjau untuk tugas tersebut, dengan identitas V3 asli tetap dipertahankan tanpa diam-diam menggunakan fitur kontrol dari edisi yang lebih baru.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan deepseek/deepseek-chat | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.00064 / 1K token Keluaran · Token keluaran $0.00178 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "deepseek/deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions