DeepSeek V4.1 Flash nuo pat pradžių yra multimodalinis modelis: vaizdinis koduotuvas paverčia vaizdą reprezentacija, apdorojama kartu su tekstu. Rezultatas tekstinis. Numatyti vaizdinio supratimo, programavimo ir agentinių užduočių scenarijai; kontekstas siekia milijoną tokenų.
Pagrindinis tinklas turi 552 mlrd. parametrų. Priežastinis koduotuvas ir dekoduotuvas turi po 20 sluoksnių. Apdorojant įvestį vienam tokenui aktyvūs 8 mlrd. parametrų, generuojant – 16 mlrd. Toks atskyrimas skirtas užduotims, kurių įvesties medžiaga gerokai didesnė už atsakymą.
Suspaustas retasis dėmesys pakartotinai naudoja duomenis tarp sluoksnių ir riboja pakartotinę reikšmingų konteksto dalių paiešką. Trūkstamos vietinio dėmesio būsenos atkuriamos pagal naujausią fragmentą. Sąlyginė Engram atmintis turi 196 mlrd. parametrų ir pasiekia įrašus per retąją paiešką pagal tokenus. Tai atskiras atminties blokas, o ne naujas pagrindinio tinklo dydžio pavadinimas. Kiekviename ekspertiniame sluoksnyje yra vienas bendras ir 384 maršrutizuojami ekspertai; tokenui parenkami šeši maršrutizuojami ekspertai. Papildomai naudojami pakeisti ryšiai tarp sluoksnių ir DSpark spekuliatyviajam dekodavimui.
Modelis nuo nulio išmokytas naudojant 45 trln. tokenų multimodalinį korpusą. Tolesnis parengimas vyksta tokia tvarka: mokymas iš pavyzdžių, mokymasis su pastiprinimu, tada distiliavimas pagal paties modelio sekas.
DeepSeek plečia sintetinių užduočių duomenų, darbo aplinkų ir agento trajektorijų apimtį. Rengiant modelį susiejama pati užduotis, prieinama aplinka ir rezultato tikrinimo būdas; duomenys filtruojami, pašalinami pasikartojimai ir atrenkami pagal sudėtingumą. Tai mokymo organizavimas, o ne automatinis išorinių įrankių prieinamumas kreipiantis į modelį.
Samprotavimas reguliuojamas sveikuoju skaičiumi nuo 1 iki 100. Ši tolydi skalė nustato analizės pastangas; giliam samprotavimui gali reikėti daugiau laiko ir tokenų.
Modelio formatas numato kelių žingsnių pokalbį, įrankių iškvietimus, išsaugotą samprotavimą ir teksto kaitaliojimą su vaizdais. Įrankius vykdo programa; gauti rezultatai tampa kito žingsnio medžiaga.
Atsakymas išlieka tekstinis. Vaizdų apdorojimo galimybėms reikia atitinkamo įvesties metodo. Konteksto dydis ir rekomenduojamas generavimo ilgis nenustato universalaus didžiausio atsakymo dydžio.
", "aboutText": "### Bendras teksto ir vaizdų apdorojimas\n\nDeepSeek V4.1 Flash nuo pat pradžių yra multimodalinis modelis: vaizdinis koduotuvas paverčia vaizdą reprezentacija, apdorojama kartu su tekstu. Rezultatas tekstinis. Numatyti vaizdinio supratimo, programavimo ir agentinių užduočių scenarijai; kontekstas siekia milijoną tokenų.\n\n### Architektūra didelei įvesčiai\n\nPagrindinis tinklas turi 552 mlrd. parametrų. Priežastinis koduotuvas ir dekoduotuvas turi po 20 sluoksnių. Apdorojant įvestį vienam tokenui aktyvūs 8 mlrd. parametrų, generuojant – 16 mlrd. Toks atskyrimas skirtas užduotims, kurių įvesties medžiaga gerokai didesnė už atsakymą.\n\nSuspaustas retasis dėmesys pakartotinai naudoja duomenis tarp sluoksnių ir riboja pakartotinę reikšmingų konteksto dalių paiešką. Trūkstamos vietinio dėmesio būsenos atkuriamos pagal naujausią fragmentą. Sąlyginė Engram atmintis turi 196 mlrd. parametrų ir pasiekia įrašus per retąją paiešką pagal tokenus. Tai atskiras atminties blokas, o ne naujas pagrindinio tinklo dydžio pavadinimas. Kiekviename ekspertiniame sluoksnyje yra vienas bendras ir 384 maršrutizuojami ekspertai; tokenui parenkami šeši maršrutizuojami ekspertai. Papildomai naudojami pakeisti ryšiai tarp sluoksnių ir DSpark spekuliatyviajam dekodavimui.\n\n### Mokymas ir agentinės aplinkos\n\nModelis nuo nulio išmokytas naudojant 45 trln. tokenų multimodalinį korpusą. Tolesnis parengimas vyksta tokia tvarka: mokymas iš pavyzdžių, mokymasis su pastiprinimu, tada distiliavimas pagal paties modelio sekas.\n\nDeepSeek plečia sintetinių užduočių duomenų, darbo aplinkų ir agento trajektorijų apimtį. Rengiant modelį susiejama pati užduotis, prieinama aplinka ir rezultato tikrinimo būdas; duomenys filtruojami, pašalinami pasikartojimai ir atrenkami pagal sudėtingumą. Tai mokymo organizavimas, o ne automatinis išorinių įrankių prieinamumas kreipiantis į modelį.\n\n### Valdomas analizės gylis\n\nSamprotavimas reguliuojamas sveikuoju skaičiumi nuo 1 iki 100. Ši tolydi skalė nustato analizės pastangas; giliam samprotavimui gali reikėti daugiau laiko ir tokenų.\n\n### Pokalbio tęsimas ir veiksmai\n\nModelio formatas numato kelių žingsnių pokalbį, įrankių iškvietimus, išsaugotą samprotavimą ir teksto kaitaliojimą su vaizdais. Įrankius vykdo programa; gauti rezultatai tampa kito žingsnio medžiaga.\n\nAtsakymas išlieka tekstinis. Vaizdų apdorojimo galimybėms reikia atitinkamo įvesties metodo. Konteksto dydis ir rekomenduojamas generavimo ilgis nenustato universalaus didžiausio atsakymo dydžio.", "editorialOverlay": { "copy_fields": { "practical_html": "Techninis pavyzdys anglų kalba
Trace a data-loss bug from a text log\n\nUse this log and code sketch to identify the likely lost-update mechanism: A reads stock=5; B reads stock=5; A writes 4; B writes 4. Both requests call read(), subtract one, then write(). Explain the failure, propose one atomic update strategy and a concurrent test. Do not assume a specific database or execute anything.A causal diagnosis, database-neutral pseudocode for an atomic decrement and a concurrent-test scenario with the expected final count.The test expects stock 3 after two successful decrements from 5, with a stated insufficient-stock rule.deepseek-ai/deepseek-v4.1-flashDeepSeek V4.1 Flash – multimodalinis modelis tekstui ir vaizdams analizuoti, programuoti ir agentiniam darbui su ilgu kontekstu.
Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.
DeepSeek V4.1 Flash nuo pat pradžių yra multimodalinis modelis: vaizdinis koduotuvas paverčia vaizdą reprezentacija, apdorojama kartu su tekstu. Rezultatas tekstinis. Numatyti vaizdinio supratimo, programavimo ir agentinių užduočių scenarijai; kontekstas siekia milijoną tokenų.
Pagrindinis tinklas turi 552 mlrd. parametrų. Priežastinis koduotuvas ir dekoduotuvas turi po 20 sluoksnių. Apdorojant įvestį vienam tokenui aktyvūs 8 mlrd. parametrų, generuojant – 16 mlrd. Toks atskyrimas skirtas užduotims, kurių įvesties medžiaga gerokai didesnė už atsakymą.
Suspaustas retasis dėmesys pakartotinai naudoja duomenis tarp sluoksnių ir riboja pakartotinę reikšmingų konteksto dalių paiešką. Trūkstamos vietinio dėmesio būsenos atkuriamos pagal naujausią fragmentą. Sąlyginė Engram atmintis turi 196 mlrd. parametrų ir pasiekia įrašus per retąją paiešką pagal tokenus. Tai atskiras atminties blokas, o ne naujas pagrindinio tinklo dydžio pavadinimas. Kiekviename ekspertiniame sluoksnyje yra vienas bendras ir 384 maršrutizuojami ekspertai; tokenui parenkami šeši maršrutizuojami ekspertai. Papildomai naudojami pakeisti ryšiai tarp sluoksnių ir DSpark spekuliatyviajam dekodavimui.
Modelis nuo nulio išmokytas naudojant 45 trln. tokenų multimodalinį korpusą. Tolesnis parengimas vyksta tokia tvarka: mokymas iš pavyzdžių, mokymasis su pastiprinimu, tada distiliavimas pagal paties modelio sekas.
DeepSeek plečia sintetinių užduočių duomenų, darbo aplinkų ir agento trajektorijų apimtį. Rengiant modelį susiejama pati užduotis, prieinama aplinka ir rezultato tikrinimo būdas; duomenys filtruojami, pašalinami pasikartojimai ir atrenkami pagal sudėtingumą. Tai mokymo organizavimas, o ne automatinis išorinių įrankių prieinamumas kreipiantis į modelį.
Samprotavimas reguliuojamas sveikuoju skaičiumi nuo 1 iki 100. Ši tolydi skalė nustato analizės pastangas; giliam samprotavimui gali reikėti daugiau laiko ir tokenų.
Modelio formatas numato kelių žingsnių pokalbį, įrankių iškvietimus, išsaugotą samprotavimą ir teksto kaitaliojimą su vaizdais. Įrankius vykdo programa; gauti rezultatai tampa kito žingsnio medžiaga.
Atsakymas išlieka tekstinis. Vaizdų apdorojimo galimybėms reikia atitinkamo įvesties metodo. Konteksto dydis ir rekomenduojamas generavimo ilgis nenustato universalaus didžiausio atsakymo dydžio.
POST /v1/messagestexttext| Laukas | Tipas | Reikalavimas | Reikšmės ir ribos | Numatyta |
|---|---|---|---|---|
Laukasmodel | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos deepseek-ai/deepseek-v4.1-flash | Numatyta— |
Laukasmessages | Tipasmessage[] | ReikalavimasPrivaloma | Reikšmės ir ribos Mažiausias elementų skaičius: 1 | Numatyta— |
Laukasmessages[].role | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos user, assistant | Numatyta— |
Laukasmessages[].content | Tipasstring|content_block[] | ReikalavimasPrivaloma | Reikšmės ir ribos | Numatyta— |
Laukassystem | Tipasstring|content_block[] | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukasmax_tokens | Tipasinteger | ReikalavimasPrivaloma | Reikšmės ir ribos Mažiausia reikšmė: 1 Riba taikoma: konkretus pasirinkto modelio / kortelės limitas | Numatyta— |
Laukasstream | Tipasboolean | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatytafalse |
Laukastemperature | Tipasnumber | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukastop_p | Tipasnumber | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasstop_sequences | Tipasstring[] | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukastools | Tipastool[] | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukastools[].name | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Taikoma, kai: pateiktas įrankis | Numatyta— |
Laukastools[].description | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukastools[].input_schema | TipasJSON_schema | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukastool_choice | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasthinking.type | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasthinking.budget_tokens | Tipasinteger | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasoutput_config.effort | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasmetadata | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukascache_control | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Tekstas · UTF8 tekstas
messages[].content arba type=text blokas
| Parametras | Specifikacija |
|---|---|
Parametrasmaterial_types | Specifikacijatext |
Parametrasrequired | Specifikacijamodel, messages, max_tokens |
Parametrasoptional_controls | Specifikacijanull |
Parametrascontent_type | Specifikacijaapplication/json |
Parametrastext_file_material | Specifikacijatikrasis UTF-8 turinys įterptas kaip tekstas; failų ID/URLs reikia atskiro tiksliai apibrėžto palaikymo |
Gyvavimo ciklas: exact retained published method
Metodų struktūros ir ID yra tikslūs; tiekėjo galimybės yra atskirtos nuo užklausos priėmimo.
POST /v1/messagesAiloot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-ai/deepseek-v4.1-flash", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="deepseek-ai/deepseek-v4.1-flash",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "deepseek-ai/deepseek-v4.1-flash",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=anthropic.Anthropic(base_url="https://api.ailoot.ai",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\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\nwith client.messages.stream(model='deepseek-ai/deepseek-v4.1-flash',max_tokens=1024,messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson arba SSE
Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.
Išsaugokite visus turinio blokus, mąstymo parašus ir tikruosius įrankių naudojimo ID. Surinkite visus SSE blokų prieaugius; pirmasis teksto blokas nėra visa išvestis.
Išsaugokite užklausų / atsakymų ID ir antraštes. Bendras teksto užduoties gavimo URL nepateikiamas.
| Laukas | Tipas |
|---|---|
Laukasid | Tipasstring |
Laukasmodel | Tipasstring |
Laukascontent[] | Tipastext|thinking|tool_use|other content block |
Laukasstop_reason | Tipasstring|null |
Laukasusage | Tipasobject |
| Atsakymas | Sąlyga | Kitas žingsnis |
|---|---|---|
Atsakymas400 · invalid_request_error | SąlygaNetinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė | Kitas žingsnisPrieš naują kūrimo užklausą pataisykite nurodytus laukus. |
Ailoot deepseek-ai/deepseek-v4.1-flash
Naudokite aukščiau nurodytus metodų kelius.
deepseek-ai/deepseek-v4.1-flashDeepSeek V4.1 Flash – multimodalinis modelis tekstui ir vaizdams analizuoti, programuoti ir agentiniam darbui su ilgu kontekstu.
Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.
DeepSeek V4.1 Flash nuo pat pradžių yra multimodalinis modelis: vaizdinis koduotuvas paverčia vaizdą reprezentacija, apdorojama kartu su tekstu. Rezultatas tekstinis. Numatyti vaizdinio supratimo, programavimo ir agentinių užduočių scenarijai; kontekstas siekia milijoną tokenų.
Pagrindinis tinklas turi 552 mlrd. parametrų. Priežastinis koduotuvas ir dekoduotuvas turi po 20 sluoksnių. Apdorojant įvestį vienam tokenui aktyvūs 8 mlrd. parametrų, generuojant – 16 mlrd. Toks atskyrimas skirtas užduotims, kurių įvesties medžiaga gerokai didesnė už atsakymą.
Suspaustas retasis dėmesys pakartotinai naudoja duomenis tarp sluoksnių ir riboja pakartotinę reikšmingų konteksto dalių paiešką. Trūkstamos vietinio dėmesio būsenos atkuriamos pagal naujausią fragmentą. Sąlyginė Engram atmintis turi 196 mlrd. parametrų ir pasiekia įrašus per retąją paiešką pagal tokenus. Tai atskiras atminties blokas, o ne naujas pagrindinio tinklo dydžio pavadinimas. Kiekviename ekspertiniame sluoksnyje yra vienas bendras ir 384 maršrutizuojami ekspertai; tokenui parenkami šeši maršrutizuojami ekspertai. Papildomai naudojami pakeisti ryšiai tarp sluoksnių ir DSpark spekuliatyviajam dekodavimui.
Modelis nuo nulio išmokytas naudojant 45 trln. tokenų multimodalinį korpusą. Tolesnis parengimas vyksta tokia tvarka: mokymas iš pavyzdžių, mokymasis su pastiprinimu, tada distiliavimas pagal paties modelio sekas.
DeepSeek plečia sintetinių užduočių duomenų, darbo aplinkų ir agento trajektorijų apimtį. Rengiant modelį susiejama pati užduotis, prieinama aplinka ir rezultato tikrinimo būdas; duomenys filtruojami, pašalinami pasikartojimai ir atrenkami pagal sudėtingumą. Tai mokymo organizavimas, o ne automatinis išorinių įrankių prieinamumas kreipiantis į modelį.
Samprotavimas reguliuojamas sveikuoju skaičiumi nuo 1 iki 100. Ši tolydi skalė nustato analizės pastangas; giliam samprotavimui gali reikėti daugiau laiko ir tokenų.
Modelio formatas numato kelių žingsnių pokalbį, įrankių iškvietimus, išsaugotą samprotavimą ir teksto kaitaliojimą su vaizdais. Įrankius vykdo programa; gauti rezultatai tampa kito žingsnio medžiaga.
Atsakymas išlieka tekstinis. Vaizdų apdorojimo galimybėms reikia atitinkamo įvesties metodo. Konteksto dydis ir rekomenduojamas generavimo ilgis nenustato universalaus didžiausio atsakymo dydžio.
POST /v1/chat/completionstexttext| Laukas | Tipas | Reikalavimas | Reikšmės ir ribos | Numatyta |
|---|---|---|---|---|
Laukasmodel | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos deepseek-ai/deepseek-v4.1-flash | Numatyta— |
Laukasmessages | Tipasmessage[] | ReikalavimasPrivaloma | Reikšmės ir ribos Mažiausias elementų skaičius: 1 | Numatyta— |
Laukasmessages[].role | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos Pavyzdžiai: system, user, assistant, tool, function Sąlygos: Šie vaidmenys aiškiai išreikšti šaltinio kodo suderinamumo tipuose; tikslus vaidmenų rinkinys priklauso nuo konkretaus modelio. Priklauso nuo modelio | Numatyta— |
Laukasmessages[].content | Tipasstring|content_part[]|null | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukasmessages[].tool_calls | Tipastool_call[] | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukasmessages[].tool_call_id | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Taikoma, kai: role=tool; naudokite tikrąjį grąžintą ID | Numatyta— |
Laukasmessages[].name | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukasmessages[].reasoning_content | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Taikoma, kai: Grąžinkite tikrąjį gautą samprotavimą ten, kur šis modelis jį naudoja | Numatyta— |
Laukasmessages[].reasoning_details | Tipasobject|array | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasmax_tokens | Tipasinteger | ReikalavimasNeprivaloma | Reikšmės ir ribos Mažiausia reikšmė: 1 Priklauso nuo modelio | Numatyta— |
Laukasmax_completion_tokens | Tipasinteger | ReikalavimasNeprivaloma | Reikšmės ir ribos Mažiausia reikšmė: 1 Priklauso nuo modelio | Numatyta— |
Laukasstream | Tipasboolean | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatytafalse |
Laukasstream_options.include_usage | Tipasboolean | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukastemperature | Tipasnumber | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukastop_p | Tipasnumber | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasstop | Tipasstring|string[] | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukastools | Tipasfunction_tool[] | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukastools[].type | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukastools[].function.name | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos Taikoma, kai: pateiktas funkcijos tipo įrankis | Numatyta— |
Laukastools[].function.description | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukastools[].function.parameters | TipasJSON_schema | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukastool_choice | Tipasstring|object | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasparallel_tool_calls | Tipasboolean | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasresponse_format | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasreasoning_effort | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasreasoning | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasservice_tier | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasinstructions | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Suderinamumo laukas | Numatyta— |
Laukasfunctions | Tipasfunction[] | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasfunction_call | Tipasstring|object | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasprompt_cache_options | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Tekstas · UTF8 tekstas
messages[].content
| Parametras | Specifikacija |
|---|---|
Parametrasmaterial_types | Specifikacijatext |
Parametrasrequired | Specifikacijamodel, messages |
Parametrasoptional_controls | Specifikacijanull |
Parametrascontent_type | Specifikacijaapplication/json |
Parametrastext_file_material | Specifikacijatikrasis UTF-8 turinys įterptas kaip tekstas; failų ID/URLs reikia atskiro tiksliai apibrėžto palaikymo |
Gyvavimo ciklas: exact retained published method
Metodų struktūros ir ID yra tikslūs; tiekėjo galimybės yra atskirtos nuo užklausos priėmimo.
POST /v1/chat/completionsAiloot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-ai/deepseek-v4.1-flash", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="deepseek-ai/deepseek-v4.1-flash",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "deepseek-ai/deepseek-v4.1-flash",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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)\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\nwith client.chat.completions.stream(model='deepseek-ai/deepseek-v4.1-flash',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson arba SSE
Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.
Išsaugokite kiekvieną variantą ir jo turinį / įrankių iškvietimus / samprotavimą. SSE prieaugius surinkite pagal varianto / įrankio indeksą; išsaugokite galutinę užbaigimo priežastį ir naudojimo duomenis.
Išsaugokite užklausų / atsakymų ID ir antraštes. Bendras teksto užduoties gavimo URL nepateikiamas.
| Laukas | Tipas |
|---|---|
Laukaschoices[].index | Tipasinteger |
Laukaschoices[].message.content | Tipasstring|null |
Laukaschoices[].message.tool_calls | Tipastool_call[] |
Laukaschoices[].message.reasoning_content | Tipasstring |
Laukaschoices[].message.reasoning_details | Tipasobject|array |
Laukaschoices[].finish_reason | Tipasstring|null |
Laukasusage | Tipasobject |
| Atsakymas | Sąlyga | Kitas žingsnis |
|---|---|---|
Atsakymas400 · invalid_request_error | SąlygaNetinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė | Kitas žingsnisPrieš naują kūrimo užklausą pataisykite nurodytus laukus. |
Ailoot deepseek-ai/deepseek-v4.1-flash
Naudokite aukščiau nurodytus metodų kelius.
Techninis pavyzdys anglų kalba
Trace a data-loss bug from a text log\n\nUse this log and code sketch to identify the likely lost-update mechanism: A reads stock=5; B reads stock=5; A writes 4; B writes 4. Both requests call read(), subtract one, then write(). Explain the failure, propose one atomic update strategy and a concurrent test. Do not assume a specific database or execute anything.A causal diagnosis, database-neutral pseudocode for an atomic decrement and a concurrent-test scenario with the expected final count.The test expects stock 3 after two successful decrements from 5, with a stated insufficient-stock rule.