DeepSeek V3 è il modello testuale mixture-of-experts originale di DeepSeek per attività linguistiche generali, programmazione e ragionamento. Riceve istruzioni scritte e contesto testuale e restituisce una risposta, una bozza, una spiegazione o codice. La scheda indica 671 miliardi di parametri totali del modello principale, con 37 miliardi attivi per ogni token. Il V3 originale denominato rimane separato da V3-0324, V3.1 e V3.2, i cui aggiornamenti aggiungono funzionalità e profili di prompting propri.
La sua architettura combina Multi-head Latent Attention con DeepSeekMoE. L'attenzione latente comprime le informazioni usate dall'attenzione, mentre la selezione sparsa degli esperti attiva soltanto una parte del modello per ogni token. V3 introduce anche il bilanciamento del carico senza perdita ausiliaria e un obiettivo di addestramento per la previsione di più token. Il pacchetto pubblicato comprende un modulo separato di previsione multi-token da 14 miliardi di parametri oltre al modello principale da 671 miliardi di parametri, spiegando perché i totali del pacchetto possano differire dal conteggio dell'architettura del modello principale.
DeepSeek preaddestra V3 su 14.8 mila miliardi di token, quindi usa il perfezionamento supervisionato e l'apprendimento per rinforzo. Il post-addestramento trasferisce schemi di verifica e riflessione dalla famiglia R1 a una risposta standard di modello linguistico, controllando stile e lunghezza dell'output. È un contributo dell'addestramento, distinto dalla scelta di R1 stesso o dal successivo template ibrido di ragionamento di V3.1. Prepara il formato di risposta finale necessario anziché presumere una presentazione del ragionamento proveniente da un'altra edizione.
La tabella del produttore indica un contesto 128K sia per V3 Base sia per l'edizione V3 post-addestrata. Quel contesto può unire una domanda a una quantità consistente di documenti o codice, mentre anche la cronologia della conversazione e la risposta richiedono spazio. Assegna etichette alle fonti e identifica la domanda pertinente. Una finestra di contesto è un limite di capacità, non un'istruzione a inviare materiale estraneo o a chiedere una risposta inutilmente lunga.
Per un compito pratico di programmazione, fornisci la funzione pertinente, il comportamento atteso, i vincoli importanti e l'input che dimostra il problema. Richiedi una proposta di correzione e una spiegazione collegata al codice fornito. Per l'analisi di documenti, fornisci sezioni denominate e criteri di confronto chiari. Una richiesta esemplificativa è: «Estrai i requisiti, identifica quelli soddisfatti da questa proposta e cita il brano corrispondente per ogni riscontro. Concludi con un elenco sintetico dei dettagli mancanti».
I compiti di scrittura e revisione beneficiano di un pubblico, un tono e un insieme di fatti da conservare espliciti. Richiedi un riepilogo, una riscrittura, una traduzione o una spiegazione e indica i nomi e la terminologia obbligatori. Un elenco di campi richiesto o una risposta in forma JSON rimangono contenuti generati da esaminare; il solo nome del modello non qualifica il meccanismo di output strutturato o di esecuzione degli strumenti dell'applicazione circostante. Se un'applicazione fornisce strumenti, mantieni ogni osservazione restituita distinta dall'azione proposta dal modello.
Il produttore pubblica materiale del modello FP8 e descrive altre opzioni di precisione o esecuzione nel proprio riferimento. Queste scelte implementative sono separate dal compito relativo alle fonti e non devono essere dedotte dal nome del modello visualizzato. L'output può essere codice, ma generarlo non significa eseguirlo; la spiegazione di una fonte non dimostra che sia stata effettuata una ricerca esterna. Usa brani effettivi delle fonti e risultati osservati nell'applicazione quando la risposta richiede tali prove.
Per un risultato utile, definisci l'elaborato finale e le condizioni che ne determinano il completamento. Tieni distinti i riscontri sostenuti dalle fonti, le ipotesi e le modifiche proposte, quindi valuta la risposta generata rispetto al materiale fornito. Una conversazione più lunga può perfezionare una parte della bozza preservando fatti e vincoli approvati. L'elaborato è un testo o del codice esaminabile per il compito indicato, che conserva l'identità del V3 originale senza prendere implicitamente in prestito i controlli di un'edizione successiva.
", "aboutText": "DeepSeek V3 è il modello testuale mixture-of-experts originale di DeepSeek per attività linguistiche generali, programmazione e ragionamento. Riceve istruzioni scritte e contesto testuale e restituisce una risposta, una bozza, una spiegazione o codice. La scheda indica 671 miliardi di parametri totali del modello principale, con 37 miliardi attivi per ogni token. Il V3 originale denominato rimane separato da V3-0324, V3.1 e V3.2, i cui aggiornamenti aggiungono funzionalità e profili di prompting propri.\n\nLa sua architettura combina Multi-head Latent Attention con DeepSeekMoE. L'attenzione latente comprime le informazioni usate dall'attenzione, mentre la selezione sparsa degli esperti attiva soltanto una parte del modello per ogni token. V3 introduce anche il bilanciamento del carico senza perdita ausiliaria e un obiettivo di addestramento per la previsione di più token. Il pacchetto pubblicato comprende un modulo separato di previsione multi-token da 14 miliardi di parametri oltre al modello principale da 671 miliardi di parametri, spiegando perché i totali del pacchetto possano differire dal conteggio dell'architettura del modello principale.\n\nDeepSeek preaddestra V3 su 14.8 mila miliardi di token, quindi usa il perfezionamento supervisionato e l'apprendimento per rinforzo. Il post-addestramento trasferisce schemi di verifica e riflessione dalla famiglia R1 a una risposta standard di modello linguistico, controllando stile e lunghezza dell'output. È un contributo dell'addestramento, distinto dalla scelta di R1 stesso o dal successivo template ibrido di ragionamento di V3.1. Prepara il formato di risposta finale necessario anziché presumere una presentazione del ragionamento proveniente da un'altra edizione.\n\nLa tabella del produttore indica un contesto 128K sia per V3 Base sia per l'edizione V3 post-addestrata. Quel contesto può unire una domanda a una quantità consistente di documenti o codice, mentre anche la cronologia della conversazione e la risposta richiedono spazio. Assegna etichette alle fonti e identifica la domanda pertinente. Una finestra di contesto è un limite di capacità, non un'istruzione a inviare materiale estraneo o a chiedere una risposta inutilmente lunga.\n\nPer un compito pratico di programmazione, fornisci la funzione pertinente, il comportamento atteso, i vincoli importanti e l'input che dimostra il problema. Richiedi una proposta di correzione e una spiegazione collegata al codice fornito. Per l'analisi di documenti, fornisci sezioni denominate e criteri di confronto chiari. Una richiesta esemplificativa è: «Estrai i requisiti, identifica quelli soddisfatti da questa proposta e cita il brano corrispondente per ogni riscontro. Concludi con un elenco sintetico dei dettagli mancanti».\n\nI compiti di scrittura e revisione beneficiano di un pubblico, un tono e un insieme di fatti da conservare espliciti. Richiedi un riepilogo, una riscrittura, una traduzione o una spiegazione e indica i nomi e la terminologia obbligatori. Un elenco di campi richiesto o una risposta in forma JSON rimangono contenuti generati da esaminare; il solo nome del modello non qualifica il meccanismo di output strutturato o di esecuzione degli strumenti dell'applicazione circostante. Se un'applicazione fornisce strumenti, mantieni ogni osservazione restituita distinta dall'azione proposta dal modello.\n\nIl produttore pubblica materiale del modello FP8 e descrive altre opzioni di precisione o esecuzione nel proprio riferimento. Queste scelte implementative sono separate dal compito relativo alle fonti e non devono essere dedotte dal nome del modello visualizzato. L'output può essere codice, ma generarlo non significa eseguirlo; la spiegazione di una fonte non dimostra che sia stata effettuata una ricerca esterna. Usa brani effettivi delle fonti e risultati osservati nell'applicazione quando la risposta richiede tali prove.\n\nPer un risultato utile, definisci l'elaborato finale e le condizioni che ne determinano il completamento. Tieni distinti i riscontri sostenuti dalle fonti, le ipotesi e le modifiche proposte, quindi valuta la risposta generata rispetto al materiale fornito. Una conversazione più lunga può perfezionare una parte della bozza preservando fatti e vincoli approvati. L'elaborato è un testo o del codice esaminabile per il compito indicato, che conserva l'identità del V3 originale senza prendere implicitamente in prestito i controlli di un'edizione successiva.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "846c6040d172fb6707531178bce7ad8123025c7b3302470c7e9d529d8b86ba0e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "deepseek-chatDeepSeek V3 è il modello testuale originale di DeepSeek per programmazione, scrittura, domande e analisi basata sulle fonti. La sua architettura mixture-of-experts ha 671B parametri totali e 37B attivi, con un contesto 128K e un post-addestramento che incorpora schemi di ragionamento di R1.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
DeepSeek V3 è il modello testuale mixture-of-experts originale di DeepSeek per attività linguistiche generali, programmazione e ragionamento. Riceve istruzioni scritte e contesto testuale e restituisce una risposta, una bozza, una spiegazione o codice. La scheda indica 671 miliardi di parametri totali del modello principale, con 37 miliardi attivi per ogni token. Il V3 originale denominato rimane separato da V3-0324, V3.1 e V3.2, i cui aggiornamenti aggiungono funzionalità e profili di prompting propri.
La sua architettura combina Multi-head Latent Attention con DeepSeekMoE. L'attenzione latente comprime le informazioni usate dall'attenzione, mentre la selezione sparsa degli esperti attiva soltanto una parte del modello per ogni token. V3 introduce anche il bilanciamento del carico senza perdita ausiliaria e un obiettivo di addestramento per la previsione di più token. Il pacchetto pubblicato comprende un modulo separato di previsione multi-token da 14 miliardi di parametri oltre al modello principale da 671 miliardi di parametri, spiegando perché i totali del pacchetto possano differire dal conteggio dell'architettura del modello principale.
DeepSeek preaddestra V3 su 14.8 mila miliardi di token, quindi usa il perfezionamento supervisionato e l'apprendimento per rinforzo. Il post-addestramento trasferisce schemi di verifica e riflessione dalla famiglia R1 a una risposta standard di modello linguistico, controllando stile e lunghezza dell'output. È un contributo dell'addestramento, distinto dalla scelta di R1 stesso o dal successivo template ibrido di ragionamento di V3.1. Prepara il formato di risposta finale necessario anziché presumere una presentazione del ragionamento proveniente da un'altra edizione.
La tabella del produttore indica un contesto 128K sia per V3 Base sia per l'edizione V3 post-addestrata. Quel contesto può unire una domanda a una quantità consistente di documenti o codice, mentre anche la cronologia della conversazione e la risposta richiedono spazio. Assegna etichette alle fonti e identifica la domanda pertinente. Una finestra di contesto è un limite di capacità, non un'istruzione a inviare materiale estraneo o a chiedere una risposta inutilmente lunga.
Per un compito pratico di programmazione, fornisci la funzione pertinente, il comportamento atteso, i vincoli importanti e l'input che dimostra il problema. Richiedi una proposta di correzione e una spiegazione collegata al codice fornito. Per l'analisi di documenti, fornisci sezioni denominate e criteri di confronto chiari. Una richiesta esemplificativa è: «Estrai i requisiti, identifica quelli soddisfatti da questa proposta e cita il brano corrispondente per ogni riscontro. Concludi con un elenco sintetico dei dettagli mancanti».
I compiti di scrittura e revisione beneficiano di un pubblico, un tono e un insieme di fatti da conservare espliciti. Richiedi un riepilogo, una riscrittura, una traduzione o una spiegazione e indica i nomi e la terminologia obbligatori. Un elenco di campi richiesto o una risposta in forma JSON rimangono contenuti generati da esaminare; il solo nome del modello non qualifica il meccanismo di output strutturato o di esecuzione degli strumenti dell'applicazione circostante. Se un'applicazione fornisce strumenti, mantieni ogni osservazione restituita distinta dall'azione proposta dal modello.
Il produttore pubblica materiale del modello FP8 e descrive altre opzioni di precisione o esecuzione nel proprio riferimento. Queste scelte implementative sono separate dal compito relativo alle fonti e non devono essere dedotte dal nome del modello visualizzato. L'output può essere codice, ma generarlo non significa eseguirlo; la spiegazione di una fonte non dimostra che sia stata effettuata una ricerca esterna. Usa brani effettivi delle fonti e risultati osservati nell'applicazione quando la risposta richiede tali prove.
Per un risultato utile, definisci l'elaborato finale e le condizioni che ne determinano il completamento. Tieni distinti i riscontri sostenuti dalle fonti, le ipotesi e le modifiche proposte, quindi valuta la risposta generata rispetto al materiale fornito. Una conversazione più lunga può perfezionare una parte della bozza preservando fatti e vincoli approvati. L'elaborato è un testo o del codice esaminabile per il compito indicato, che conserva l'identità del V3 originale senza prendere implicitamente in prestito i controlli di un'edizione successiva.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti deepseek-chat | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Conversazione testuale | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream |
Parametrocontrol_scope | ContrattoConversazione testuale; stream è un booleano e per impostazione predefinita vale false. |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Alias del metodo: /chat/completions
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.00064 / 1K token Output · Token in output $0.00178 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek-chatDeepSeek V3 è il modello testuale originale di DeepSeek per programmazione, scrittura, domande e analisi basata sulle fonti. La sua architettura mixture-of-experts ha 671B parametri totali e 37B attivi, con un contesto 128K e un post-addestramento che incorpora schemi di ragionamento di R1.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
DeepSeek V3 è il modello testuale mixture-of-experts originale di DeepSeek per attività linguistiche generali, programmazione e ragionamento. Riceve istruzioni scritte e contesto testuale e restituisce una risposta, una bozza, una spiegazione o codice. La scheda indica 671 miliardi di parametri totali del modello principale, con 37 miliardi attivi per ogni token. Il V3 originale denominato rimane separato da V3-0324, V3.1 e V3.2, i cui aggiornamenti aggiungono funzionalità e profili di prompting propri.
La sua architettura combina Multi-head Latent Attention con DeepSeekMoE. L'attenzione latente comprime le informazioni usate dall'attenzione, mentre la selezione sparsa degli esperti attiva soltanto una parte del modello per ogni token. V3 introduce anche il bilanciamento del carico senza perdita ausiliaria e un obiettivo di addestramento per la previsione di più token. Il pacchetto pubblicato comprende un modulo separato di previsione multi-token da 14 miliardi di parametri oltre al modello principale da 671 miliardi di parametri, spiegando perché i totali del pacchetto possano differire dal conteggio dell'architettura del modello principale.
DeepSeek preaddestra V3 su 14.8 mila miliardi di token, quindi usa il perfezionamento supervisionato e l'apprendimento per rinforzo. Il post-addestramento trasferisce schemi di verifica e riflessione dalla famiglia R1 a una risposta standard di modello linguistico, controllando stile e lunghezza dell'output. È un contributo dell'addestramento, distinto dalla scelta di R1 stesso o dal successivo template ibrido di ragionamento di V3.1. Prepara il formato di risposta finale necessario anziché presumere una presentazione del ragionamento proveniente da un'altra edizione.
La tabella del produttore indica un contesto 128K sia per V3 Base sia per l'edizione V3 post-addestrata. Quel contesto può unire una domanda a una quantità consistente di documenti o codice, mentre anche la cronologia della conversazione e la risposta richiedono spazio. Assegna etichette alle fonti e identifica la domanda pertinente. Una finestra di contesto è un limite di capacità, non un'istruzione a inviare materiale estraneo o a chiedere una risposta inutilmente lunga.
Per un compito pratico di programmazione, fornisci la funzione pertinente, il comportamento atteso, i vincoli importanti e l'input che dimostra il problema. Richiedi una proposta di correzione e una spiegazione collegata al codice fornito. Per l'analisi di documenti, fornisci sezioni denominate e criteri di confronto chiari. Una richiesta esemplificativa è: «Estrai i requisiti, identifica quelli soddisfatti da questa proposta e cita il brano corrispondente per ogni riscontro. Concludi con un elenco sintetico dei dettagli mancanti».
I compiti di scrittura e revisione beneficiano di un pubblico, un tono e un insieme di fatti da conservare espliciti. Richiedi un riepilogo, una riscrittura, una traduzione o una spiegazione e indica i nomi e la terminologia obbligatori. Un elenco di campi richiesto o una risposta in forma JSON rimangono contenuti generati da esaminare; il solo nome del modello non qualifica il meccanismo di output strutturato o di esecuzione degli strumenti dell'applicazione circostante. Se un'applicazione fornisce strumenti, mantieni ogni osservazione restituita distinta dall'azione proposta dal modello.
Il produttore pubblica materiale del modello FP8 e descrive altre opzioni di precisione o esecuzione nel proprio riferimento. Queste scelte implementative sono separate dal compito relativo alle fonti e non devono essere dedotte dal nome del modello visualizzato. L'output può essere codice, ma generarlo non significa eseguirlo; la spiegazione di una fonte non dimostra che sia stata effettuata una ricerca esterna. Usa brani effettivi delle fonti e risultati osservati nell'applicazione quando la risposta richiede tali prove.
Per un risultato utile, definisci l'elaborato finale e le condizioni che ne determinano il completamento. Tieni distinti i riscontri sostenuti dalle fonti, le ipotesi e le modifiche proposte, quindi valuta la risposta generata rispetto al materiale fornito. Una conversazione più lunga può perfezionare una parte della bozza preservando fatti e vincoli approvati. L'elaborato è un testo o del codice esaminabile per il compito indicato, che conserva l'identità del V3 originale senza prendere implicitamente in prestito i controlli di un'edizione successiva.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti deepseek-chat | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.00064 / 1K token Output · Token in output $0.00178 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 è il modello testuale originale di DeepSeek per programmazione, scrittura, domande e analisi basata sulle fonti. La sua architettura mixture-of-experts ha 671B parametri totali e 37B attivi, con un contesto 128K e un post-addestramento che incorpora schemi di ragionamento di R1.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
DeepSeek V3 è il modello testuale mixture-of-experts originale di DeepSeek per attività linguistiche generali, programmazione e ragionamento. Riceve istruzioni scritte e contesto testuale e restituisce una risposta, una bozza, una spiegazione o codice. La scheda indica 671 miliardi di parametri totali del modello principale, con 37 miliardi attivi per ogni token. Il V3 originale denominato rimane separato da V3-0324, V3.1 e V3.2, i cui aggiornamenti aggiungono funzionalità e profili di prompting propri.
La sua architettura combina Multi-head Latent Attention con DeepSeekMoE. L'attenzione latente comprime le informazioni usate dall'attenzione, mentre la selezione sparsa degli esperti attiva soltanto una parte del modello per ogni token. V3 introduce anche il bilanciamento del carico senza perdita ausiliaria e un obiettivo di addestramento per la previsione di più token. Il pacchetto pubblicato comprende un modulo separato di previsione multi-token da 14 miliardi di parametri oltre al modello principale da 671 miliardi di parametri, spiegando perché i totali del pacchetto possano differire dal conteggio dell'architettura del modello principale.
DeepSeek preaddestra V3 su 14.8 mila miliardi di token, quindi usa il perfezionamento supervisionato e l'apprendimento per rinforzo. Il post-addestramento trasferisce schemi di verifica e riflessione dalla famiglia R1 a una risposta standard di modello linguistico, controllando stile e lunghezza dell'output. È un contributo dell'addestramento, distinto dalla scelta di R1 stesso o dal successivo template ibrido di ragionamento di V3.1. Prepara il formato di risposta finale necessario anziché presumere una presentazione del ragionamento proveniente da un'altra edizione.
La tabella del produttore indica un contesto 128K sia per V3 Base sia per l'edizione V3 post-addestrata. Quel contesto può unire una domanda a una quantità consistente di documenti o codice, mentre anche la cronologia della conversazione e la risposta richiedono spazio. Assegna etichette alle fonti e identifica la domanda pertinente. Una finestra di contesto è un limite di capacità, non un'istruzione a inviare materiale estraneo o a chiedere una risposta inutilmente lunga.
Per un compito pratico di programmazione, fornisci la funzione pertinente, il comportamento atteso, i vincoli importanti e l'input che dimostra il problema. Richiedi una proposta di correzione e una spiegazione collegata al codice fornito. Per l'analisi di documenti, fornisci sezioni denominate e criteri di confronto chiari. Una richiesta esemplificativa è: «Estrai i requisiti, identifica quelli soddisfatti da questa proposta e cita il brano corrispondente per ogni riscontro. Concludi con un elenco sintetico dei dettagli mancanti».
I compiti di scrittura e revisione beneficiano di un pubblico, un tono e un insieme di fatti da conservare espliciti. Richiedi un riepilogo, una riscrittura, una traduzione o una spiegazione e indica i nomi e la terminologia obbligatori. Un elenco di campi richiesto o una risposta in forma JSON rimangono contenuti generati da esaminare; il solo nome del modello non qualifica il meccanismo di output strutturato o di esecuzione degli strumenti dell'applicazione circostante. Se un'applicazione fornisce strumenti, mantieni ogni osservazione restituita distinta dall'azione proposta dal modello.
Il produttore pubblica materiale del modello FP8 e descrive altre opzioni di precisione o esecuzione nel proprio riferimento. Queste scelte implementative sono separate dal compito relativo alle fonti e non devono essere dedotte dal nome del modello visualizzato. L'output può essere codice, ma generarlo non significa eseguirlo; la spiegazione di una fonte non dimostra che sia stata effettuata una ricerca esterna. Usa brani effettivi delle fonti e risultati osservati nell'applicazione quando la risposta richiede tali prove.
Per un risultato utile, definisci l'elaborato finale e le condizioni che ne determinano il completamento. Tieni distinti i riscontri sostenuti dalle fonti, le ipotesi e le modifiche proposte, quindi valuta la risposta generata rispetto al materiale fornito. Una conversazione più lunga può perfezionare una parte della bozza preservando fatti e vincoli approvati. L'elaborato è un testo o del codice esaminabile per il compito indicato, che conserva l'identità del V3 originale senza prendere implicitamente in prestito i controlli di un'edizione successiva.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti deepseek/deepseek-chat | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Conversazione testuale | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream |
Parametrocontrol_scope | ContrattoConversazione testuale; stream è un booleano e per impostazione predefinita vale false. |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Alias del metodo: /chat/completions
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.00064 / 1K token Output · Token in output $0.00178 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 è il modello testuale originale di DeepSeek per programmazione, scrittura, domande e analisi basata sulle fonti. La sua architettura mixture-of-experts ha 671B parametri totali e 37B attivi, con un contesto 128K e un post-addestramento che incorpora schemi di ragionamento di R1.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
DeepSeek V3 è il modello testuale mixture-of-experts originale di DeepSeek per attività linguistiche generali, programmazione e ragionamento. Riceve istruzioni scritte e contesto testuale e restituisce una risposta, una bozza, una spiegazione o codice. La scheda indica 671 miliardi di parametri totali del modello principale, con 37 miliardi attivi per ogni token. Il V3 originale denominato rimane separato da V3-0324, V3.1 e V3.2, i cui aggiornamenti aggiungono funzionalità e profili di prompting propri.
La sua architettura combina Multi-head Latent Attention con DeepSeekMoE. L'attenzione latente comprime le informazioni usate dall'attenzione, mentre la selezione sparsa degli esperti attiva soltanto una parte del modello per ogni token. V3 introduce anche il bilanciamento del carico senza perdita ausiliaria e un obiettivo di addestramento per la previsione di più token. Il pacchetto pubblicato comprende un modulo separato di previsione multi-token da 14 miliardi di parametri oltre al modello principale da 671 miliardi di parametri, spiegando perché i totali del pacchetto possano differire dal conteggio dell'architettura del modello principale.
DeepSeek preaddestra V3 su 14.8 mila miliardi di token, quindi usa il perfezionamento supervisionato e l'apprendimento per rinforzo. Il post-addestramento trasferisce schemi di verifica e riflessione dalla famiglia R1 a una risposta standard di modello linguistico, controllando stile e lunghezza dell'output. È un contributo dell'addestramento, distinto dalla scelta di R1 stesso o dal successivo template ibrido di ragionamento di V3.1. Prepara il formato di risposta finale necessario anziché presumere una presentazione del ragionamento proveniente da un'altra edizione.
La tabella del produttore indica un contesto 128K sia per V3 Base sia per l'edizione V3 post-addestrata. Quel contesto può unire una domanda a una quantità consistente di documenti o codice, mentre anche la cronologia della conversazione e la risposta richiedono spazio. Assegna etichette alle fonti e identifica la domanda pertinente. Una finestra di contesto è un limite di capacità, non un'istruzione a inviare materiale estraneo o a chiedere una risposta inutilmente lunga.
Per un compito pratico di programmazione, fornisci la funzione pertinente, il comportamento atteso, i vincoli importanti e l'input che dimostra il problema. Richiedi una proposta di correzione e una spiegazione collegata al codice fornito. Per l'analisi di documenti, fornisci sezioni denominate e criteri di confronto chiari. Una richiesta esemplificativa è: «Estrai i requisiti, identifica quelli soddisfatti da questa proposta e cita il brano corrispondente per ogni riscontro. Concludi con un elenco sintetico dei dettagli mancanti».
I compiti di scrittura e revisione beneficiano di un pubblico, un tono e un insieme di fatti da conservare espliciti. Richiedi un riepilogo, una riscrittura, una traduzione o una spiegazione e indica i nomi e la terminologia obbligatori. Un elenco di campi richiesto o una risposta in forma JSON rimangono contenuti generati da esaminare; il solo nome del modello non qualifica il meccanismo di output strutturato o di esecuzione degli strumenti dell'applicazione circostante. Se un'applicazione fornisce strumenti, mantieni ogni osservazione restituita distinta dall'azione proposta dal modello.
Il produttore pubblica materiale del modello FP8 e descrive altre opzioni di precisione o esecuzione nel proprio riferimento. Queste scelte implementative sono separate dal compito relativo alle fonti e non devono essere dedotte dal nome del modello visualizzato. L'output può essere codice, ma generarlo non significa eseguirlo; la spiegazione di una fonte non dimostra che sia stata effettuata una ricerca esterna. Usa brani effettivi delle fonti e risultati osservati nell'applicazione quando la risposta richiede tali prove.
Per un risultato utile, definisci l'elaborato finale e le condizioni che ne determinano il completamento. Tieni distinti i riscontri sostenuti dalle fonti, le ipotesi e le modifiche proposte, quindi valuta la risposta generata rispetto al materiale fornito. Una conversazione più lunga può perfezionare una parte della bozza preservando fatti e vincoli approvati. L'elaborato è un testo o del codice esaminabile per il compito indicato, che conserva l'identità del V3 originale senza prendere implicitamente in prestito i controlli di un'edizione successiva.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti deepseek/deepseek-chat | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.00064 / 1K token Output · Token in output $0.00178 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "deepseek/deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions