DeepSeek V3.2 Exp è l’edizione sperimentale di modello testuale di DeepSeek basata su V3.1 Terminus. Il cambiamento che la caratterizza è DeepSeek Sparse Attention, introdotto per studiare addestramento e inferenza più efficienti su sequenze testuali estese. Il compito resta testuale: istruzioni scritte e contesto producono una risposta, codice o un output relativo agli agenti. È l’edizione di ricerca sull’attenzione sparsa, distinta dal modello V3.2 finale e dal suo successivo formato di riflessione con strumenti.
DSA usa un indicizzatore leggero e una selezione fine dei token, così che il calcolo principale dell’attenzione si concentri su informazioni selezionate dei token precedenti. DeepSeek ha deliberatamente allineato la configurazione sperimentale a V3.1 Terminus per isolare il cambiamento architetturale. Il rapporto V3.2 conferma che V3.2 finale e V3.2 Exp condividono l’architettura e descrive il proseguimento dell’addestramento dalla base Terminus con contesto 128K. Il profilo sperimentale pubblicato usa tale impostazione a lungo contesto 128K.
La scheda sperimentale mantiene nel perimetro ragionamento e lavoro agentico, preservando il profilo operativo del modello precedente. Le prove distinguono ragionamento senza strumenti e uso agentico degli strumenti. Prepara una domanda chiara, il contesto pertinente e la forma finale desiderata. Se il compito usa uno strumento, l’applicazione ne fornisce la definizione e restituisce il risultato; l’azione proposta dal modello non equivale a un’operazione già eseguita.
La scheda V3.2 finale introduce un formato rivisto delle chiamate di strumenti e descrive esplicitamente la riflessione con strumenti. Questi aggiornamenti appartengono alla versione finale e non vanno trattati come l’intero contratto d’interazione dell’edizione sperimentale. Per V3.2 Exp, conserva il suo formato di messaggi e il contesto operativo ereditato da Terminus, anziché supporre che un nome simile renda intercambiabile ogni controllo o ruolo successivo.
Per confrontare documenti lunghi, etichetta ogni fonte e identifica le sezioni pertinenti alla domanda. Un brief illustrativo è: «Confronta questi requisiti con l’implementazione proposta, identifica ogni discrepanza e cita il passaggio che la dimostra. Concludi con un elenco di correzioni in ordine di priorità». Per il codice, fornisci comportamento non corretto, frammento pertinente e risultato atteso, poi chiedi una modifica mirata con una spiegazione chiara. L’organizzazione delle fonti e la regola di completamento orientano un compito a lungo contesto verso un elaborato utilizzabile.
L’implementazione di riferimento include l’indicizzatore dell’attenzione sparsa e la scheda registra una correzione importante: il RoPE dell’indicizzatore usa una disposizione non interlacciata, mentre il modulo di attenzione latente ne richiede una interlacciata. È un dettaglio del riferimento del produttore rilevante per un’esecuzione fedele, non un diverso prompt utente o una nuova capacità. Il nome del modello, da solo, non descrive quindi la gestione dell’architettura sperimentale in ogni implementazione.
Un compito agentico continuativo deve pianificare insieme testo sorgente, conversazione, ragionamento generato e osservazioni degli strumenti. Organizza le osservazioni utili e chiedi alla risposta finale di distinguere prove, ipotesi e azioni proposte. Per un risultato fattuale dipendente dalle fonti, fornisci materiale autorevole o uno strumento adatto anziché affidarti a conoscenze generali di addestramento. L’output rimane testo, codice o un documento analitico verificabile rispetto al compito e ai suoi input.
", "aboutText": "DeepSeek V3.2 Exp è l’edizione sperimentale di modello testuale di DeepSeek basata su V3.1 Terminus. Il cambiamento che la caratterizza è DeepSeek Sparse Attention, introdotto per studiare addestramento e inferenza più efficienti su sequenze testuali estese. Il compito resta testuale: istruzioni scritte e contesto producono una risposta, codice o un output relativo agli agenti. È l’edizione di ricerca sull’attenzione sparsa, distinta dal modello V3.2 finale e dal suo successivo formato di riflessione con strumenti.\n\nDSA usa un indicizzatore leggero e una selezione fine dei token, così che il calcolo principale dell’attenzione si concentri su informazioni selezionate dei token precedenti. DeepSeek ha deliberatamente allineato la configurazione sperimentale a V3.1 Terminus per isolare il cambiamento architetturale. Il rapporto V3.2 conferma che V3.2 finale e V3.2 Exp condividono l’architettura e descrive il proseguimento dell’addestramento dalla base Terminus con contesto 128K. Il profilo sperimentale pubblicato usa tale impostazione a lungo contesto 128K.\n\nLa scheda sperimentale mantiene nel perimetro ragionamento e lavoro agentico, preservando il profilo operativo del modello precedente. Le prove distinguono ragionamento senza strumenti e uso agentico degli strumenti. Prepara una domanda chiara, il contesto pertinente e la forma finale desiderata. Se il compito usa uno strumento, l’applicazione ne fornisce la definizione e restituisce il risultato; l’azione proposta dal modello non equivale a un’operazione già eseguita.\n\nLa scheda V3.2 finale introduce un formato rivisto delle chiamate di strumenti e descrive esplicitamente la riflessione con strumenti. Questi aggiornamenti appartengono alla versione finale e non vanno trattati come l’intero contratto d’interazione dell’edizione sperimentale. Per V3.2 Exp, conserva il suo formato di messaggi e il contesto operativo ereditato da Terminus, anziché supporre che un nome simile renda intercambiabile ogni controllo o ruolo successivo.\n\nPer confrontare documenti lunghi, etichetta ogni fonte e identifica le sezioni pertinenti alla domanda. Un brief illustrativo è: «Confronta questi requisiti con l’implementazione proposta, identifica ogni discrepanza e cita il passaggio che la dimostra. Concludi con un elenco di correzioni in ordine di priorità». Per il codice, fornisci comportamento non corretto, frammento pertinente e risultato atteso, poi chiedi una modifica mirata con una spiegazione chiara. L’organizzazione delle fonti e la regola di completamento orientano un compito a lungo contesto verso un elaborato utilizzabile.\n\nL’implementazione di riferimento include l’indicizzatore dell’attenzione sparsa e la scheda registra una correzione importante: il RoPE dell’indicizzatore usa una disposizione non interlacciata, mentre il modulo di attenzione latente ne richiede una interlacciata. È un dettaglio del riferimento del produttore rilevante per un’esecuzione fedele, non un diverso prompt utente o una nuova capacità. Il nome del modello, da solo, non descrive quindi la gestione dell’architettura sperimentale in ogni implementazione.\n\nUn compito agentico continuativo deve pianificare insieme testo sorgente, conversazione, ragionamento generato e osservazioni degli strumenti. Organizza le osservazioni utili e chiedi alla risposta finale di distinguere prove, ipotesi e azioni proposte. Per un risultato fattuale dipendente dalle fonti, fornisci materiale autorevole o uno strumento adatto anziché affidarti a conoscenze generali di addestramento. L’output rimane testo, codice o un documento analitico verificabile rispetto al compito e ai suoi input.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ca3639a21961554b214bcbfe5d356a5a09ff95d1c7cd636fd953809a7fc2a873", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "deepseek-v3.2-exp-thinkingDeepSeek V3.2 Exp è l'edizione con attenzione sparsa basata su V3.1 Terminus. Elabora testo per attività di ragionamento, programmazione e agenti, esplorando al contempo un'attenzione più efficiente per il contesto lungo, con un contesto del produttore di 128K e un'identità separata dalla versione definitiva V3.2.
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 V3.2 Exp è l’edizione sperimentale di modello testuale di DeepSeek basata su V3.1 Terminus. Il cambiamento che la caratterizza è DeepSeek Sparse Attention, introdotto per studiare addestramento e inferenza più efficienti su sequenze testuali estese. Il compito resta testuale: istruzioni scritte e contesto producono una risposta, codice o un output relativo agli agenti. È l’edizione di ricerca sull’attenzione sparsa, distinta dal modello V3.2 finale e dal suo successivo formato di riflessione con strumenti.
DSA usa un indicizzatore leggero e una selezione fine dei token, così che il calcolo principale dell’attenzione si concentri su informazioni selezionate dei token precedenti. DeepSeek ha deliberatamente allineato la configurazione sperimentale a V3.1 Terminus per isolare il cambiamento architetturale. Il rapporto V3.2 conferma che V3.2 finale e V3.2 Exp condividono l’architettura e descrive il proseguimento dell’addestramento dalla base Terminus con contesto 128K. Il profilo sperimentale pubblicato usa tale impostazione a lungo contesto 128K.
La scheda sperimentale mantiene nel perimetro ragionamento e lavoro agentico, preservando il profilo operativo del modello precedente. Le prove distinguono ragionamento senza strumenti e uso agentico degli strumenti. Prepara una domanda chiara, il contesto pertinente e la forma finale desiderata. Se il compito usa uno strumento, l’applicazione ne fornisce la definizione e restituisce il risultato; l’azione proposta dal modello non equivale a un’operazione già eseguita.
La scheda V3.2 finale introduce un formato rivisto delle chiamate di strumenti e descrive esplicitamente la riflessione con strumenti. Questi aggiornamenti appartengono alla versione finale e non vanno trattati come l’intero contratto d’interazione dell’edizione sperimentale. Per V3.2 Exp, conserva il suo formato di messaggi e il contesto operativo ereditato da Terminus, anziché supporre che un nome simile renda intercambiabile ogni controllo o ruolo successivo.
Per confrontare documenti lunghi, etichetta ogni fonte e identifica le sezioni pertinenti alla domanda. Un brief illustrativo è: «Confronta questi requisiti con l’implementazione proposta, identifica ogni discrepanza e cita il passaggio che la dimostra. Concludi con un elenco di correzioni in ordine di priorità». Per il codice, fornisci comportamento non corretto, frammento pertinente e risultato atteso, poi chiedi una modifica mirata con una spiegazione chiara. L’organizzazione delle fonti e la regola di completamento orientano un compito a lungo contesto verso un elaborato utilizzabile.
L’implementazione di riferimento include l’indicizzatore dell’attenzione sparsa e la scheda registra una correzione importante: il RoPE dell’indicizzatore usa una disposizione non interlacciata, mentre il modulo di attenzione latente ne richiede una interlacciata. È un dettaglio del riferimento del produttore rilevante per un’esecuzione fedele, non un diverso prompt utente o una nuova capacità. Il nome del modello, da solo, non descrive quindi la gestione dell’architettura sperimentale in ogni implementazione.
Un compito agentico continuativo deve pianificare insieme testo sorgente, conversazione, ragionamento generato e osservazioni degli strumenti. Organizza le osservazioni utili e chiedi alla risposta finale di distinguere prove, ipotesi e azioni proposte. Per un risultato fattuale dipendente dalle fonti, fornisci materiale autorevole o uno strumento adatto anziché affidarti a conoscenze generali di addestramento. L’output rimane testo, codice o un documento analitico verificabile rispetto al compito e ai suoi input.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti deepseek-v3.2-exp-thinking | 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 $0.00058 / 1K token Output · Token in output $0.00086 / 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-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\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="deepseek-v3.2-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"))\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-v3.2-exp-thinking
/chat/completions