{ "aboutHtml": "

DeepSeek V3.2 Exp adalah edisi model teks eksperimental DeepSeek yang dibangun di atas V3.1 Terminus. Perubahan utamanya adalah DeepSeek Sparse Attention, yang diperkenalkan untuk meneliti pelatihan dan inferensi yang lebih efisien bagi urutan teks panjang. Tugasnya tetap berbasis teks: instruksi tertulis dan konteks menghasilkan jawaban teks, kode, atau keluaran terkait agen. Ini adalah edisi riset sparse attention, yang terpisah dari model V3.2 final dan format thinking-with-tools yang hadir setelahnya.

DSA menggunakan pengindeks ringan dan pemilihan token secara terperinci agar perhitungan perhatian utama berfokus pada informasi token terdahulu yang dipilih. DeepSeek sengaja menyelaraskan konfigurasi pelatihan eksperimental dengan V3.1 Terminus untuk mengisolasi perubahan arsitektur. Laporan V3.2 mengonfirmasi bahwa V3.2 final dan V3.2 Exp berbagi arsitektur ini, serta menjelaskan pelatihan lanjutan dari basis Terminus dengan konteks 128K. Profil eksperimental yang dipublikasikan menggunakan pengaturan konteks panjang 128K tersebut.

Kartu eksperimental pengembang tetap mencakup penalaran dan pekerjaan agen sambil mempertahankan profil tugas model sebelumnya. Buktinya mencakup penalaran tanpa alat dan penggunaan alat oleh agen sebagai alur kerja yang berbeda. Siapkan pertanyaan yang jelas, konteks sumber yang relevan, dan bentuk akhir yang diinginkan. Jika tugas menggunakan alat, aplikasi menyediakan definisinya dan mengembalikan hasil; tindakan yang diusulkan model tidak sama dengan operasi yang sudah dieksekusi.

Kartu V3.2 final memperkenalkan format pemanggilan alat yang direvisi dan secara eksplisit menjelaskan thinking dengan alat. Pembaruan tersebut merupakan bagian dari rilis final dan tidak boleh dianggap sebagai seluruh kontrak interaksi edisi eksperimental. Untuk V3.2 Exp, pertahankan format pesan edisinya sendiri dan konteks tugas yang diwarisi dari Terminus, alih-alih menganggap nama yang mirip membuat setiap kontrol atau peran yang datang belakangan dapat saling dipertukarkan.

Untuk perbandingan dokumen panjang, beri label pada setiap sumber dan tentukan bagian yang relevan dengan pertanyaan. Contoh arahan: “Bandingkan persyaratan ini dengan implementasi yang diusulkan, identifikasi setiap ketidaksesuaian, dan kutip bagian yang membuktikannya. Akhiri dengan daftar perbaikan menurut prioritas.” Untuk kode, berikan perilaku yang gagal, fragmen yang relevan, dan hasil yang diharapkan, lalu minta perubahan terarah dengan penjelasan yang jelas. Tata susunan sumber dan aturan penyelesaian membantu mengarahkan tugas konteks panjang menuju hasil yang dapat digunakan.

Implementasi referensi pengembang menyertakan pengindeks sparse attention, dan kartunya mencatat perbaikan implementasi yang penting: RoPE pada pengindeks menggunakan tata letak non-interleaved, sedangkan modul latent attention mengharapkan tata letak interleaved. Ini adalah detail referensi pengembang yang relevan untuk menjalankan model secara setia, bukan prompt pengguna yang berbeda atau kemampuan baru. Hal ini juga berarti nama model saja tidak menggambarkan penanganan arsitektur eksperimental pada setiap implementasi.

Tugas agen yang berlanjut harus menganggarkan teks sumber, percakapan, penalaran yang dihasilkan, dan pengamatan alat secara bersamaan. Tata pengamatan yang berguna dan minta jawaban akhir membedakan bukti, asumsi, dan tindakan yang diusulkan. Untuk hasil faktual yang bergantung pada sumber, berikan materi dari sumber otoritatif atau alat yang sesuai, bukan mengandalkan pengetahuan pelatihan yang luas. Keluaran tetap berupa teks, kode, atau catatan analitis yang dapat diperiksa terhadap tugas dan masukannya.

", "aboutText": "DeepSeek V3.2 Exp adalah edisi model teks eksperimental DeepSeek yang dibangun di atas V3.1 Terminus. Perubahan utamanya adalah DeepSeek Sparse Attention, yang diperkenalkan untuk meneliti pelatihan dan inferensi yang lebih efisien bagi urutan teks panjang. Tugasnya tetap berbasis teks: instruksi tertulis dan konteks menghasilkan jawaban teks, kode, atau keluaran terkait agen. Ini adalah edisi riset sparse attention, yang terpisah dari model V3.2 final dan format thinking-with-tools yang hadir setelahnya.\n\nDSA menggunakan pengindeks ringan dan pemilihan token secara terperinci agar perhitungan perhatian utama berfokus pada informasi token terdahulu yang dipilih. DeepSeek sengaja menyelaraskan konfigurasi pelatihan eksperimental dengan V3.1 Terminus untuk mengisolasi perubahan arsitektur. Laporan V3.2 mengonfirmasi bahwa V3.2 final dan V3.2 Exp berbagi arsitektur ini, serta menjelaskan pelatihan lanjutan dari basis Terminus dengan konteks 128K. Profil eksperimental yang dipublikasikan menggunakan pengaturan konteks panjang 128K tersebut.\n\nKartu eksperimental pengembang tetap mencakup penalaran dan pekerjaan agen sambil mempertahankan profil tugas model sebelumnya. Buktinya mencakup penalaran tanpa alat dan penggunaan alat oleh agen sebagai alur kerja yang berbeda. Siapkan pertanyaan yang jelas, konteks sumber yang relevan, dan bentuk akhir yang diinginkan. Jika tugas menggunakan alat, aplikasi menyediakan definisinya dan mengembalikan hasil; tindakan yang diusulkan model tidak sama dengan operasi yang sudah dieksekusi.\n\nKartu V3.2 final memperkenalkan format pemanggilan alat yang direvisi dan secara eksplisit menjelaskan thinking dengan alat. Pembaruan tersebut merupakan bagian dari rilis final dan tidak boleh dianggap sebagai seluruh kontrak interaksi edisi eksperimental. Untuk V3.2 Exp, pertahankan format pesan edisinya sendiri dan konteks tugas yang diwarisi dari Terminus, alih-alih menganggap nama yang mirip membuat setiap kontrol atau peran yang datang belakangan dapat saling dipertukarkan.\n\nUntuk perbandingan dokumen panjang, beri label pada setiap sumber dan tentukan bagian yang relevan dengan pertanyaan. Contoh arahan: “Bandingkan persyaratan ini dengan implementasi yang diusulkan, identifikasi setiap ketidaksesuaian, dan kutip bagian yang membuktikannya. Akhiri dengan daftar perbaikan menurut prioritas.” Untuk kode, berikan perilaku yang gagal, fragmen yang relevan, dan hasil yang diharapkan, lalu minta perubahan terarah dengan penjelasan yang jelas. Tata susunan sumber dan aturan penyelesaian membantu mengarahkan tugas konteks panjang menuju hasil yang dapat digunakan.\n\nImplementasi referensi pengembang menyertakan pengindeks sparse attention, dan kartunya mencatat perbaikan implementasi yang penting: RoPE pada pengindeks menggunakan tata letak non-interleaved, sedangkan modul latent attention mengharapkan tata letak interleaved. Ini adalah detail referensi pengembang yang relevan untuk menjalankan model secara setia, bukan prompt pengguna yang berbeda atau kemampuan baru. Hal ini juga berarti nama model saja tidak menggambarkan penanganan arsitektur eksperimental pada setiap implementasi.\n\nTugas agen yang berlanjut harus menganggarkan teks sumber, percakapan, penalaran yang dihasilkan, dan pengamatan alat secara bersamaan. Tata pengamatan yang berguna dan minta jawaban akhir membedakan bukti, asumsi, dan tindakan yang diusulkan. Untuk hasil faktual yang bergantung pada sumber, berikan materi dari sumber otoritatif atau alat yang sesuai, bukan mengandalkan pengetahuan pelatihan yang luas. Keluaran tetap berupa teks, kode, atau catatan analitis yang dapat diperiksa terhadap tugas dan masukannya.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "4c666e87d50bdf0d944e399b688d7332acfe0f7455a464cf0275fe7193213d1a", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
DS

DeepSeek: DeepSeek V3.2 Exp

DeepSeek /deepseek-v3.2-exp-thinking

Mulai

DeepSeek V3.2 Exp adalah edisi dengan sparse attention yang dibangun di atas V3.1 Terminus. Model ini memproses teks untuk penalaran, pemrograman, dan tugas agen sambil mengeksplorasi mekanisme attention berkonteks panjang yang lebih efisien, dengan konteks 128K dari pembuatnya dan identitas yang terpisah dari rilis akhir V3.2.

Masukan yang diterima
Teks
Hasil
Teks
Tentang model

Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.

DeepSeek V3.2 Exp adalah edisi model teks eksperimental DeepSeek yang dibangun di atas V3.1 Terminus. Perubahan utamanya adalah DeepSeek Sparse Attention, yang diperkenalkan untuk meneliti pelatihan dan inferensi yang lebih efisien bagi urutan teks panjang. Tugasnya tetap berbasis teks: instruksi tertulis dan konteks menghasilkan jawaban teks, kode, atau keluaran terkait agen. Ini adalah edisi riset sparse attention, yang terpisah dari model V3.2 final dan format thinking-with-tools yang hadir setelahnya.

DSA menggunakan pengindeks ringan dan pemilihan token secara terperinci agar perhitungan perhatian utama berfokus pada informasi token terdahulu yang dipilih. DeepSeek sengaja menyelaraskan konfigurasi pelatihan eksperimental dengan V3.1 Terminus untuk mengisolasi perubahan arsitektur. Laporan V3.2 mengonfirmasi bahwa V3.2 final dan V3.2 Exp berbagi arsitektur ini, serta menjelaskan pelatihan lanjutan dari basis Terminus dengan konteks 128K. Profil eksperimental yang dipublikasikan menggunakan pengaturan konteks panjang 128K tersebut.

Kartu eksperimental pengembang tetap mencakup penalaran dan pekerjaan agen sambil mempertahankan profil tugas model sebelumnya. Buktinya mencakup penalaran tanpa alat dan penggunaan alat oleh agen sebagai alur kerja yang berbeda. Siapkan pertanyaan yang jelas, konteks sumber yang relevan, dan bentuk akhir yang diinginkan. Jika tugas menggunakan alat, aplikasi menyediakan definisinya dan mengembalikan hasil; tindakan yang diusulkan model tidak sama dengan operasi yang sudah dieksekusi.

Kartu V3.2 final memperkenalkan format pemanggilan alat yang direvisi dan secara eksplisit menjelaskan thinking dengan alat. Pembaruan tersebut merupakan bagian dari rilis final dan tidak boleh dianggap sebagai seluruh kontrak interaksi edisi eksperimental. Untuk V3.2 Exp, pertahankan format pesan edisinya sendiri dan konteks tugas yang diwarisi dari Terminus, alih-alih menganggap nama yang mirip membuat setiap kontrol atau peran yang datang belakangan dapat saling dipertukarkan.

Untuk perbandingan dokumen panjang, beri label pada setiap sumber dan tentukan bagian yang relevan dengan pertanyaan. Contoh arahan: “Bandingkan persyaratan ini dengan implementasi yang diusulkan, identifikasi setiap ketidaksesuaian, dan kutip bagian yang membuktikannya. Akhiri dengan daftar perbaikan menurut prioritas.” Untuk kode, berikan perilaku yang gagal, fragmen yang relevan, dan hasil yang diharapkan, lalu minta perubahan terarah dengan penjelasan yang jelas. Tata susunan sumber dan aturan penyelesaian membantu mengarahkan tugas konteks panjang menuju hasil yang dapat digunakan.

Implementasi referensi pengembang menyertakan pengindeks sparse attention, dan kartunya mencatat perbaikan implementasi yang penting: RoPE pada pengindeks menggunakan tata letak non-interleaved, sedangkan modul latent attention mengharapkan tata letak interleaved. Ini adalah detail referensi pengembang yang relevan untuk menjalankan model secara setia, bukan prompt pengguna yang berbeda atau kemampuan baru. Hal ini juga berarti nama model saja tidak menggambarkan penanganan arsitektur eksperimental pada setiap implementasi.

Tugas agen yang berlanjut harus menganggarkan teks sumber, percakapan, penalaran yang dihasilkan, dan pengamatan alat secara bersamaan. Tata pengamatan yang berguna dan minta jawaban akhir membedakan bukti, asumsi, dan tindakan yang diusulkan. Untuk hasil faktual yang bergantung pada sumber, berikan materi dari sumber otoritatif atau alat yang sesuai, bukan mengandalkan pengetahuan pelatihan yang luas. Keluaran tetap berupa teks, kode, atau catatan analitis yang dapat diperiksa terhadap tugas dan masukannya.

Tersedia di Ailoot · masukan & metode

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions
Masukan
text
Keluaran
text
Format keluaran
json atau SSE
KolomJenisPersyaratanNilai & batasanBawaan
KolommodelJenisstringPersyaratanWajibNilai & batasan
deepseek-v3.2-exp-thinking
Bawaan—
KolommessagesJenismessage[]PersyaratanWajibNilai & batasan
Item minimum: 1
Bawaan—
Kolommessages[].roleJenisstringPersyaratanWajibNilai & batasan
Bergantung pada model
Bawaan—
Kolommessages[].contentJenisstringPersyaratanOpsionalNilai & batasan
Berlaku jika: Percakapan teks
Bawaan—
KolomstreamJenisbooleanPersyaratanOpsionalNilai & batasanBawaanfalse
Kombinasi bahan masukan

Teks · Teks UTF8

messages[].content

Parameter metode dan siklus hidup
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, messages
Parametermaterial_typesKontraktext
ParametermessagesKontrakarray pesan dengan struktur role/content
Parameterfile_materialKontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan
Parameteroptional_controlsKontrakstream
Parametercontrol_scopeKontrakPercakapan teks; stream adalah nilai boolean dengan false sebagai bawaan.
Parameteroutput_modalitiesKontraktext
Parameterhosted_operationsKontrakfalse
Parametermultimodal_input_bindingKontraknull

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.

Paket

Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.

Mode Fast
Tidak ditentukan Saat mode fast dipilih
Mode Flex
Tidak ditentukan Saat mode flex dipilih
Upaya penalaran maksimum
Tidak ditentukan Saat upaya penalaran maksimum menggunakan penyesuaian default

Tarif Ailoot

Harga menurut konfigurasi

KonfigurasiJadwal tarifBiaya
KonfigurasiTarif dasar tokenJadwal tarifTarif dasarBiaya
Masukan · Token masukan $0.00058 / 1K token
Keluaran · Token keluaran $0.00086 / 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 →

Contoh permintaan

Ailoot Ultra · OpenAI Chat

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

Terima dan simpan hasil

Ailoot Ultra · OpenAI Chat

json atau SSE

Simpan semua hasil yang selesai

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.

Jika respons asli perlu diperiksa

Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.

Kolom respons
KolomJenis
Kolomchoices[].indexJenisinteger
Kolomchoices[].message.contentJenisstring|null
Kolomchoices[].message.tool_callsJenistool_call[]
Kolomchoices[].message.reasoning_contentJenisstring
Kolomchoices[].message.reasoning_detailsJenisobject|array
Kolomchoices[].finish_reasonJenisstring|null
KolomusageJenisobject
Kesalahan dan langkah berikutnya
ResponsKondisiLangkah berikutnya
Respons400 · invalid_request_errorKondisiBidang wajib, representasi materi, atau nilai parameter tidak validLangkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.

Alias

Alias model

Ailoot Ultra deepseek-v3.2-exp-thinking

Alias jalur metode

/chat/completions

ID pemanggil terkait

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": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "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": "Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan." }, "material_combinations": [ { "mode": "text", "representation": "messages[].content", "required_material": "Teks UTF8" } ], "operation_modes": [ "conversation" ], "outputs": { "all_results": "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.", "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 atau 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": "Percakapan teks" }, { "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": [ "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." ], "input": { "content_type": "application/json", "control_scope": "Percakapan teks; stream adalah nilai boolean dengan false sebagai bawaan.", "file_material": "dokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan", "hosted_operations": false, "material_types": [ "text" ], "messages": "array pesan dengan struktur 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": "Tarif dasar token", "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": "OpenAI Chat", "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": "b1bd4fd1eae41b88632195e3f8af1b1c2180a46c89e7b6e6cf96c94123a26ff4", "input_html_sha256": "375fdc389665932d058f1b9a1c67aac99d8164c44c7cc7c432fea0ba0f7c279d", "private_audit_sha256": "3d63431ca26c9eaa949f800ae43d783ccc911a897c37fd318565cceb003d5d8a", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/deepseek-v3-2-exp-thinking/", "description": "DeepSeek V3.2 Exp adalah edisi dengan sparse attention yang dibangun di atas V3.1 Terminus. Model ini memproses teks untuk penalaran, pemrograman, dan tugas agen sambil mengeksplorasi mekanisme attention berkonteks panjang yang lebih efisien, dengan konteks 128K dari pembuatnya dan identitas yang terpisah dari rilis akhir V3.2.", "locale": "id", "md_url": "https://ailoot.ai/models/id/deepseek-v3-2-exp-thinking/index.md", "title": "DeepSeek: DeepSeek V3.2 Exp — Ailoot", "url": "https://ailoot.ai/models/id/deepseek-v3-2-exp-thinking/" }, "rawModel": { "about": "DeepSeek V3.2 Exp adalah edisi model teks eksperimental DeepSeek yang dibangun di atas V3.1 Terminus. Perubahan utamanya adalah DeepSeek Sparse Attention, yang diperkenalkan untuk meneliti pelatihan dan inferensi yang lebih efisien bagi urutan teks panjang. Tugasnya tetap berbasis teks: instruksi tertulis dan konteks menghasilkan jawaban teks, kode, atau keluaran terkait agen. Ini adalah edisi riset sparse attention, yang terpisah dari model V3.2 final dan format thinking-with-tools yang hadir setelahnya.\n\nDSA menggunakan pengindeks ringan dan pemilihan token secara terperinci agar perhitungan perhatian utama berfokus pada informasi token terdahulu yang dipilih. DeepSeek sengaja menyelaraskan konfigurasi pelatihan eksperimental dengan V3.1 Terminus untuk mengisolasi perubahan arsitektur. Laporan V3.2 mengonfirmasi bahwa V3.2 final dan V3.2 Exp berbagi arsitektur ini, serta menjelaskan pelatihan lanjutan dari basis Terminus dengan konteks 128K. Profil eksperimental yang dipublikasikan menggunakan pengaturan konteks panjang 128K tersebut.\n\nKartu eksperimental pengembang tetap mencakup penalaran dan pekerjaan agen sambil mempertahankan profil tugas model sebelumnya. Buktinya mencakup penalaran tanpa alat dan penggunaan alat oleh agen sebagai alur kerja yang berbeda. Siapkan pertanyaan yang jelas, konteks sumber yang relevan, dan bentuk akhir yang diinginkan. Jika tugas menggunakan alat, aplikasi menyediakan definisinya dan mengembalikan hasil; tindakan yang diusulkan model tidak sama dengan operasi yang sudah dieksekusi.\n\nKartu V3.2 final memperkenalkan format pemanggilan alat yang direvisi dan secara eksplisit menjelaskan thinking dengan alat. Pembaruan tersebut merupakan bagian dari rilis final dan tidak boleh dianggap sebagai seluruh kontrak interaksi edisi eksperimental. Untuk V3.2 Exp, pertahankan format pesan edisinya sendiri dan konteks tugas yang diwarisi dari Terminus, alih-alih menganggap nama yang mirip membuat setiap kontrol atau peran yang datang belakangan dapat saling dipertukarkan.\n\nUntuk perbandingan dokumen panjang, beri label pada setiap sumber dan tentukan bagian yang relevan dengan pertanyaan. Contoh arahan: “Bandingkan persyaratan ini dengan implementasi yang diusulkan, identifikasi setiap ketidaksesuaian, dan kutip bagian yang membuktikannya. Akhiri dengan daftar perbaikan menurut prioritas.” Untuk kode, berikan perilaku yang gagal, fragmen yang relevan, dan hasil yang diharapkan, lalu minta perubahan terarah dengan penjelasan yang jelas. Tata susunan sumber dan aturan penyelesaian membantu mengarahkan tugas konteks panjang menuju hasil yang dapat digunakan.\n\nImplementasi referensi pengembang menyertakan pengindeks sparse attention, dan kartunya mencatat perbaikan implementasi yang penting: RoPE pada pengindeks menggunakan tata letak non-interleaved, sedangkan modul latent attention mengharapkan tata letak interleaved. Ini adalah detail referensi pengembang yang relevan untuk menjalankan model secara setia, bukan prompt pengguna yang berbeda atau kemampuan baru. Hal ini juga berarti nama model saja tidak menggambarkan penanganan arsitektur eksperimental pada setiap implementasi.\n\nTugas agen yang berlanjut harus menganggarkan teks sumber, percakapan, penalaran yang dihasilkan, dan pengamatan alat secara bersamaan. Tata pengamatan yang berguna dan minta jawaban akhir membedakan bukti, asumsi, dan tindakan yang diusulkan. Untuk hasil faktual yang bergantung pada sumber, berikan materi dari sumber otoritatif atau alat yang sesuai, bukan mengandalkan pengetahuan pelatihan yang luas. Keluaran tetap berupa teks, kode, atau catatan analitis yang dapat diperiksa terhadap tugas dan masukannya.", "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": "Informasi lengkap harga konfigurasi tersedia di bagian detail." } ], "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": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "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": "Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan." }, "material_combinations": [ { "mode": "text", "representation": "messages[].content", "required_material": "Teks UTF8" } ], "operation_modes": [ "conversation" ], "outputs": { "all_results": "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.", "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 atau 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": "Percakapan teks" }, { "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": [ "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." ], "input": { "content_type": "application/json", "control_scope": "Percakapan teks; stream adalah nilai boolean dengan false sebagai bawaan.", "file_material": "dokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan", "hosted_operations": false, "material_types": [ "text" ], "messages": "array pesan dengan struktur 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": "Tarif dasar token", "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": "OpenAI Chat", "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 adalah edisi dengan sparse attention yang dibangun di atas V3.1 Terminus. Model ini memproses teks untuk penalaran, pemrograman, dan tugas agen sambil mengeksplorasi mekanisme attention berkonteks panjang yang lebih efisien, dengan konteks 128K dari pembuatnya dan identitas yang terpisah dari rilis akhir 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 adalah edisi dengan sparse attention yang dibangun di atas V3.1 Terminus. Model ini memproses teks untuk penalaran, pemrograman, dan tugas agen sambil mengeksplorasi mekanisme attention berkonteks panjang yang lebih efisien, dengan konteks 128K dari pembuatnya dan identitas yang terpisah dari rilis akhir V3.2.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "087f44de37f9024fbbf1ec3aba0b959bc4beb3ea8e06496f8177d6191ae4b99b", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "ce041c2eb1b2cc3b8c4ec31599cf6560e42e7b93fbeefbfa9a8c5707dde8e0a5" }