DeepSeek V3 ialah model teks campuran pakar asal DeepSeek untuk kerja bahasa umum, pengekodan dan penaakulan. Ia menerima arahan bertulis dan konteks teks serta mengembalikan jawapan, draf, penerangan atau kod. Kad model menyenaraikan jumlah 671 bilion parameter model utama dengan 37 bilion aktif bagi setiap token. V3 asal yang bernama kekal berasingan daripada V3-0324, V3.1 dan V3.2, yang kemas kininya menambah ciri serta profil prompt masing-masing.
Seni binanya menggabungkan Multi-head Latent Attention dengan DeepSeekMoE. Perhatian terpendam memampatkan maklumat yang digunakan oleh perhatian, manakala pemilihan sebilangan kecil pakar mengaktifkan hanya sebahagian model bagi setiap token. V3 turut memperkenalkan pengimbangan beban tanpa fungsi kerugian tambahan dan objektif latihan ramalan berbilang token. Pakej model yang diterbitkan merangkumi modul ramalan berbilang token berasingan dengan 14 bilion parameter selain model utama 671 bilion parameter, yang menjelaskan mengapa jumlah pakej boleh berbeza daripada bilangan parameter dalam seni bina model utama.
DeepSeek melatih awal V3 pada 14.8 trilion token dan kemudian menggunakan penalaan halus terselia serta pembelajaran pengukuhan. Proses latihan susulan membawa corak pengesahan dan refleksi daripada keluarga R1 ke dalam jawapan model bahasa standard sambil mengawal gaya dan panjang output. Ini ialah sumbangan latihan, yang berbeza daripada memilih R1 sendiri atau templat berfikir hibrid V3.1 yang kemudian. Sediakan format jawapan akhir yang anda perlukan dan bukannya mengandaikan satu penyampaian penaakulan daripada edisi lain.
Jadual model pengeluar memberikan konteks 128K untuk V3 Base dan edisi V3 selepas latihan. Konteks itu boleh menggabungkan soalan dengan bahan dokumen atau kod yang banyak, manakala sejarah perbualan dan jawapan turut memerlukan ruang. Labelkan sumber dan kenal pasti soalan yang relevan. Tetingkap konteks ialah had kapasiti, bukan arahan untuk menyerahkan bahan tidak berkaitan atau meminta jawapan yang terlalu panjang tanpa keperluan.
Untuk tugasan kod praktikal, berikan fungsi yang relevan, tingkah laku yang dijangka, kekangan penting dan input yang menunjukkan masalah. Minta pembetulan yang dicadangkan dan penerangan yang dikaitkan dengan kod yang diberikan. Untuk analisis dokumen, berikan bahagian bernama dan kriteria perbandingan yang jelas. Ringkasan tugasan contoh ialah: “Ekstrak keperluan, kenal pasti keperluan yang ditangani oleh cadangan ini dan petik petikan yang sepadan bagi setiap dapatan. Akhiri dengan senarai ringkas butiran yang hilang.”
Tugasan penulisan dan penyuntingan mendapat manfaat daripada pembaca sasaran, nada dan set fakta yang mesti dikekalkan secara jelas. Minta ringkasan, penulisan semula, terjemahan atau penerangan dan nyatakan nama serta istilah wajib. Senarai medan yang diminta atau jawapan berbentuk JSON masih perlu disemak sebagai kandungan janaan; nama model sahaja tidak melayakkan mekanisme output berstruktur atau pelaksanaan alat aplikasi sekeliling. Jika aplikasi membekalkan alat, bezakan setiap pemerhatian yang dikembalikan daripada tindakan yang dicadangkan model.
Pengeluar menerbitkan bahan model FP8 dan menerangkan pilihan ketepatan atau pelaksanaan lain dalam rujukannya. Pilihan pelaksanaan itu berasingan daripada tugasan pada peringkat sumber dan tidak sepatutnya diandaikan daripada nama model yang dipaparkan. Output model boleh berupa kod, tetapi menjana kod itu tidak menjalankannya; penerangan tentang sumber tidak membuktikan bahawa carian luaran dilakukan. Gunakan petikan sumber sebenar dan hasil aplikasi yang diperhatikan apabila jawapan memerlukan bukti itu.
Untuk hasil yang berguna, takrifkan artifak akhir dan syarat yang menjadikannya lengkap. Asingkan dapatan yang disokong sumber, andaian dan perubahan yang dicadangkan, kemudian semak jawapan janaan berdasarkan bahan yang diberikan. Perbualan yang lebih panjang boleh menambah baik satu bahagian draf sambil mengekalkan fakta dan kekangan yang diluluskan. Hasil serahan ialah artifak teks atau kod yang boleh disemak bagi tugasan yang dinyatakan, dengan identiti V3 asal dikekalkan dan bukannya meminjam kawalan edisi kemudian secara senyap.
", "aboutText": "DeepSeek V3 ialah model teks campuran pakar asal DeepSeek untuk kerja bahasa umum, pengekodan dan penaakulan. Ia menerima arahan bertulis dan konteks teks serta mengembalikan jawapan, draf, penerangan atau kod. Kad model menyenaraikan jumlah 671 bilion parameter model utama dengan 37 bilion aktif bagi setiap token. V3 asal yang bernama kekal berasingan daripada V3-0324, V3.1 dan V3.2, yang kemas kininya menambah ciri serta profil prompt masing-masing.\n\nSeni binanya menggabungkan Multi-head Latent Attention dengan DeepSeekMoE. Perhatian terpendam memampatkan maklumat yang digunakan oleh perhatian, manakala pemilihan sebilangan kecil pakar mengaktifkan hanya sebahagian model bagi setiap token. V3 turut memperkenalkan pengimbangan beban tanpa fungsi kerugian tambahan dan objektif latihan ramalan berbilang token. Pakej model yang diterbitkan merangkumi modul ramalan berbilang token berasingan dengan 14 bilion parameter selain model utama 671 bilion parameter, yang menjelaskan mengapa jumlah pakej boleh berbeza daripada bilangan parameter dalam seni bina model utama.\n\nDeepSeek melatih awal V3 pada 14.8 trilion token dan kemudian menggunakan penalaan halus terselia serta pembelajaran pengukuhan. Proses latihan susulan membawa corak pengesahan dan refleksi daripada keluarga R1 ke dalam jawapan model bahasa standard sambil mengawal gaya dan panjang output. Ini ialah sumbangan latihan, yang berbeza daripada memilih R1 sendiri atau templat berfikir hibrid V3.1 yang kemudian. Sediakan format jawapan akhir yang anda perlukan dan bukannya mengandaikan satu penyampaian penaakulan daripada edisi lain.\n\nJadual model pengeluar memberikan konteks 128K untuk V3 Base dan edisi V3 selepas latihan. Konteks itu boleh menggabungkan soalan dengan bahan dokumen atau kod yang banyak, manakala sejarah perbualan dan jawapan turut memerlukan ruang. Labelkan sumber dan kenal pasti soalan yang relevan. Tetingkap konteks ialah had kapasiti, bukan arahan untuk menyerahkan bahan tidak berkaitan atau meminta jawapan yang terlalu panjang tanpa keperluan.\n\nUntuk tugasan kod praktikal, berikan fungsi yang relevan, tingkah laku yang dijangka, kekangan penting dan input yang menunjukkan masalah. Minta pembetulan yang dicadangkan dan penerangan yang dikaitkan dengan kod yang diberikan. Untuk analisis dokumen, berikan bahagian bernama dan kriteria perbandingan yang jelas. Ringkasan tugasan contoh ialah: “Ekstrak keperluan, kenal pasti keperluan yang ditangani oleh cadangan ini dan petik petikan yang sepadan bagi setiap dapatan. Akhiri dengan senarai ringkas butiran yang hilang.”\n\nTugasan penulisan dan penyuntingan mendapat manfaat daripada pembaca sasaran, nada dan set fakta yang mesti dikekalkan secara jelas. Minta ringkasan, penulisan semula, terjemahan atau penerangan dan nyatakan nama serta istilah wajib. Senarai medan yang diminta atau jawapan berbentuk JSON masih perlu disemak sebagai kandungan janaan; nama model sahaja tidak melayakkan mekanisme output berstruktur atau pelaksanaan alat aplikasi sekeliling. Jika aplikasi membekalkan alat, bezakan setiap pemerhatian yang dikembalikan daripada tindakan yang dicadangkan model.\n\nPengeluar menerbitkan bahan model FP8 dan menerangkan pilihan ketepatan atau pelaksanaan lain dalam rujukannya. Pilihan pelaksanaan itu berasingan daripada tugasan pada peringkat sumber dan tidak sepatutnya diandaikan daripada nama model yang dipaparkan. Output model boleh berupa kod, tetapi menjana kod itu tidak menjalankannya; penerangan tentang sumber tidak membuktikan bahawa carian luaran dilakukan. Gunakan petikan sumber sebenar dan hasil aplikasi yang diperhatikan apabila jawapan memerlukan bukti itu.\n\nUntuk hasil yang berguna, takrifkan artifak akhir dan syarat yang menjadikannya lengkap. Asingkan dapatan yang disokong sumber, andaian dan perubahan yang dicadangkan, kemudian semak jawapan janaan berdasarkan bahan yang diberikan. Perbualan yang lebih panjang boleh menambah baik satu bahagian draf sambil mengekalkan fakta dan kekangan yang diluluskan. Hasil serahan ialah artifak teks atau kod yang boleh disemak bagi tugasan yang dinyatakan, dengan identiti V3 asal dikekalkan dan bukannya meminjam kawalan edisi kemudian secara senyap.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f03fcf2a58811860534d751ebd4b6ca48e2aca0dffcaa8231475d3fb385a7db0", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "deepseek-chatDeepSeek V3 ialah model teks asal DeepSeek untuk pengekodan, penulisan, soalan dan analisis berasaskan sumber. Seni bina campuran pakarnya mempunyai jumlah 671B dan 37B parameter aktif, dengan konteks 128K serta latihan susulan yang menggabungkan corak penaakulan daripada R1.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek V3 ialah model teks campuran pakar asal DeepSeek untuk kerja bahasa umum, pengekodan dan penaakulan. Ia menerima arahan bertulis dan konteks teks serta mengembalikan jawapan, draf, penerangan atau kod. Kad model menyenaraikan jumlah 671 bilion parameter model utama dengan 37 bilion aktif bagi setiap token. V3 asal yang bernama kekal berasingan daripada V3-0324, V3.1 dan V3.2, yang kemas kininya menambah ciri serta profil prompt masing-masing.
Seni binanya menggabungkan Multi-head Latent Attention dengan DeepSeekMoE. Perhatian terpendam memampatkan maklumat yang digunakan oleh perhatian, manakala pemilihan sebilangan kecil pakar mengaktifkan hanya sebahagian model bagi setiap token. V3 turut memperkenalkan pengimbangan beban tanpa fungsi kerugian tambahan dan objektif latihan ramalan berbilang token. Pakej model yang diterbitkan merangkumi modul ramalan berbilang token berasingan dengan 14 bilion parameter selain model utama 671 bilion parameter, yang menjelaskan mengapa jumlah pakej boleh berbeza daripada bilangan parameter dalam seni bina model utama.
DeepSeek melatih awal V3 pada 14.8 trilion token dan kemudian menggunakan penalaan halus terselia serta pembelajaran pengukuhan. Proses latihan susulan membawa corak pengesahan dan refleksi daripada keluarga R1 ke dalam jawapan model bahasa standard sambil mengawal gaya dan panjang output. Ini ialah sumbangan latihan, yang berbeza daripada memilih R1 sendiri atau templat berfikir hibrid V3.1 yang kemudian. Sediakan format jawapan akhir yang anda perlukan dan bukannya mengandaikan satu penyampaian penaakulan daripada edisi lain.
Jadual model pengeluar memberikan konteks 128K untuk V3 Base dan edisi V3 selepas latihan. Konteks itu boleh menggabungkan soalan dengan bahan dokumen atau kod yang banyak, manakala sejarah perbualan dan jawapan turut memerlukan ruang. Labelkan sumber dan kenal pasti soalan yang relevan. Tetingkap konteks ialah had kapasiti, bukan arahan untuk menyerahkan bahan tidak berkaitan atau meminta jawapan yang terlalu panjang tanpa keperluan.
Untuk tugasan kod praktikal, berikan fungsi yang relevan, tingkah laku yang dijangka, kekangan penting dan input yang menunjukkan masalah. Minta pembetulan yang dicadangkan dan penerangan yang dikaitkan dengan kod yang diberikan. Untuk analisis dokumen, berikan bahagian bernama dan kriteria perbandingan yang jelas. Ringkasan tugasan contoh ialah: “Ekstrak keperluan, kenal pasti keperluan yang ditangani oleh cadangan ini dan petik petikan yang sepadan bagi setiap dapatan. Akhiri dengan senarai ringkas butiran yang hilang.”
Tugasan penulisan dan penyuntingan mendapat manfaat daripada pembaca sasaran, nada dan set fakta yang mesti dikekalkan secara jelas. Minta ringkasan, penulisan semula, terjemahan atau penerangan dan nyatakan nama serta istilah wajib. Senarai medan yang diminta atau jawapan berbentuk JSON masih perlu disemak sebagai kandungan janaan; nama model sahaja tidak melayakkan mekanisme output berstruktur atau pelaksanaan alat aplikasi sekeliling. Jika aplikasi membekalkan alat, bezakan setiap pemerhatian yang dikembalikan daripada tindakan yang dicadangkan model.
Pengeluar menerbitkan bahan model FP8 dan menerangkan pilihan ketepatan atau pelaksanaan lain dalam rujukannya. Pilihan pelaksanaan itu berasingan daripada tugasan pada peringkat sumber dan tidak sepatutnya diandaikan daripada nama model yang dipaparkan. Output model boleh berupa kod, tetapi menjana kod itu tidak menjalankannya; penerangan tentang sumber tidak membuktikan bahawa carian luaran dilakukan. Gunakan petikan sumber sebenar dan hasil aplikasi yang diperhatikan apabila jawapan memerlukan bukti itu.
Untuk hasil yang berguna, takrifkan artifak akhir dan syarat yang menjadikannya lengkap. Asingkan dapatan yang disokong sumber, andaian dan perubahan yang dicadangkan, kemudian semak jawapan janaan berdasarkan bahan yang diberikan. Perbualan yang lebih panjang boleh menambah baik satu bahagian draf sambil mengekalkan fakta dan kekangan yang diluluskan. Hasil serahan ialah artifak teks atau kod yang boleh disemak bagi tugasan yang dinyatakan, dengan identiti V3 asal dikekalkan dan bukannya meminjam kawalan edisi kemudian secara senyap.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek-chat | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Perbualan teks | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream |
Parametercontrol_scope | KontrakPerbualan teks; stream ialah nilai boolean dengan false sebagai lalai. |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Alias kaedah: /chat/completions
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.00064 / 1K token Output · Token output $0.00178 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"deepseek-chat","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="deepseek-chat", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek-chatDeepSeek V3 ialah model teks asal DeepSeek untuk pengekodan, penulisan, soalan dan analisis berasaskan sumber. Seni bina campuran pakarnya mempunyai jumlah 671B dan 37B parameter aktif, dengan konteks 128K serta latihan susulan yang menggabungkan corak penaakulan daripada R1.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek V3 ialah model teks campuran pakar asal DeepSeek untuk kerja bahasa umum, pengekodan dan penaakulan. Ia menerima arahan bertulis dan konteks teks serta mengembalikan jawapan, draf, penerangan atau kod. Kad model menyenaraikan jumlah 671 bilion parameter model utama dengan 37 bilion aktif bagi setiap token. V3 asal yang bernama kekal berasingan daripada V3-0324, V3.1 dan V3.2, yang kemas kininya menambah ciri serta profil prompt masing-masing.
Seni binanya menggabungkan Multi-head Latent Attention dengan DeepSeekMoE. Perhatian terpendam memampatkan maklumat yang digunakan oleh perhatian, manakala pemilihan sebilangan kecil pakar mengaktifkan hanya sebahagian model bagi setiap token. V3 turut memperkenalkan pengimbangan beban tanpa fungsi kerugian tambahan dan objektif latihan ramalan berbilang token. Pakej model yang diterbitkan merangkumi modul ramalan berbilang token berasingan dengan 14 bilion parameter selain model utama 671 bilion parameter, yang menjelaskan mengapa jumlah pakej boleh berbeza daripada bilangan parameter dalam seni bina model utama.
DeepSeek melatih awal V3 pada 14.8 trilion token dan kemudian menggunakan penalaan halus terselia serta pembelajaran pengukuhan. Proses latihan susulan membawa corak pengesahan dan refleksi daripada keluarga R1 ke dalam jawapan model bahasa standard sambil mengawal gaya dan panjang output. Ini ialah sumbangan latihan, yang berbeza daripada memilih R1 sendiri atau templat berfikir hibrid V3.1 yang kemudian. Sediakan format jawapan akhir yang anda perlukan dan bukannya mengandaikan satu penyampaian penaakulan daripada edisi lain.
Jadual model pengeluar memberikan konteks 128K untuk V3 Base dan edisi V3 selepas latihan. Konteks itu boleh menggabungkan soalan dengan bahan dokumen atau kod yang banyak, manakala sejarah perbualan dan jawapan turut memerlukan ruang. Labelkan sumber dan kenal pasti soalan yang relevan. Tetingkap konteks ialah had kapasiti, bukan arahan untuk menyerahkan bahan tidak berkaitan atau meminta jawapan yang terlalu panjang tanpa keperluan.
Untuk tugasan kod praktikal, berikan fungsi yang relevan, tingkah laku yang dijangka, kekangan penting dan input yang menunjukkan masalah. Minta pembetulan yang dicadangkan dan penerangan yang dikaitkan dengan kod yang diberikan. Untuk analisis dokumen, berikan bahagian bernama dan kriteria perbandingan yang jelas. Ringkasan tugasan contoh ialah: “Ekstrak keperluan, kenal pasti keperluan yang ditangani oleh cadangan ini dan petik petikan yang sepadan bagi setiap dapatan. Akhiri dengan senarai ringkas butiran yang hilang.”
Tugasan penulisan dan penyuntingan mendapat manfaat daripada pembaca sasaran, nada dan set fakta yang mesti dikekalkan secara jelas. Minta ringkasan, penulisan semula, terjemahan atau penerangan dan nyatakan nama serta istilah wajib. Senarai medan yang diminta atau jawapan berbentuk JSON masih perlu disemak sebagai kandungan janaan; nama model sahaja tidak melayakkan mekanisme output berstruktur atau pelaksanaan alat aplikasi sekeliling. Jika aplikasi membekalkan alat, bezakan setiap pemerhatian yang dikembalikan daripada tindakan yang dicadangkan model.
Pengeluar menerbitkan bahan model FP8 dan menerangkan pilihan ketepatan atau pelaksanaan lain dalam rujukannya. Pilihan pelaksanaan itu berasingan daripada tugasan pada peringkat sumber dan tidak sepatutnya diandaikan daripada nama model yang dipaparkan. Output model boleh berupa kod, tetapi menjana kod itu tidak menjalankannya; penerangan tentang sumber tidak membuktikan bahawa carian luaran dilakukan. Gunakan petikan sumber sebenar dan hasil aplikasi yang diperhatikan apabila jawapan memerlukan bukti itu.
Untuk hasil yang berguna, takrifkan artifak akhir dan syarat yang menjadikannya lengkap. Asingkan dapatan yang disokong sumber, andaian dan perubahan yang dicadangkan, kemudian semak jawapan janaan berdasarkan bahan yang diberikan. Perbualan yang lebih panjang boleh menambah baik satu bahagian draf sambil mengekalkan fakta dan kekangan yang diluluskan. Hasil serahan ialah artifak teks atau kod yang boleh disemak bagi tugasan yang dinyatakan, dengan identiti V3 asal dikekalkan dan bukannya meminjam kawalan edisi kemudian secara senyap.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek-chat | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.00064 / 1K token Output · Token output $0.00178 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 ialah model teks asal DeepSeek untuk pengekodan, penulisan, soalan dan analisis berasaskan sumber. Seni bina campuran pakarnya mempunyai jumlah 671B dan 37B parameter aktif, dengan konteks 128K serta latihan susulan yang menggabungkan corak penaakulan daripada R1.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek V3 ialah model teks campuran pakar asal DeepSeek untuk kerja bahasa umum, pengekodan dan penaakulan. Ia menerima arahan bertulis dan konteks teks serta mengembalikan jawapan, draf, penerangan atau kod. Kad model menyenaraikan jumlah 671 bilion parameter model utama dengan 37 bilion aktif bagi setiap token. V3 asal yang bernama kekal berasingan daripada V3-0324, V3.1 dan V3.2, yang kemas kininya menambah ciri serta profil prompt masing-masing.
Seni binanya menggabungkan Multi-head Latent Attention dengan DeepSeekMoE. Perhatian terpendam memampatkan maklumat yang digunakan oleh perhatian, manakala pemilihan sebilangan kecil pakar mengaktifkan hanya sebahagian model bagi setiap token. V3 turut memperkenalkan pengimbangan beban tanpa fungsi kerugian tambahan dan objektif latihan ramalan berbilang token. Pakej model yang diterbitkan merangkumi modul ramalan berbilang token berasingan dengan 14 bilion parameter selain model utama 671 bilion parameter, yang menjelaskan mengapa jumlah pakej boleh berbeza daripada bilangan parameter dalam seni bina model utama.
DeepSeek melatih awal V3 pada 14.8 trilion token dan kemudian menggunakan penalaan halus terselia serta pembelajaran pengukuhan. Proses latihan susulan membawa corak pengesahan dan refleksi daripada keluarga R1 ke dalam jawapan model bahasa standard sambil mengawal gaya dan panjang output. Ini ialah sumbangan latihan, yang berbeza daripada memilih R1 sendiri atau templat berfikir hibrid V3.1 yang kemudian. Sediakan format jawapan akhir yang anda perlukan dan bukannya mengandaikan satu penyampaian penaakulan daripada edisi lain.
Jadual model pengeluar memberikan konteks 128K untuk V3 Base dan edisi V3 selepas latihan. Konteks itu boleh menggabungkan soalan dengan bahan dokumen atau kod yang banyak, manakala sejarah perbualan dan jawapan turut memerlukan ruang. Labelkan sumber dan kenal pasti soalan yang relevan. Tetingkap konteks ialah had kapasiti, bukan arahan untuk menyerahkan bahan tidak berkaitan atau meminta jawapan yang terlalu panjang tanpa keperluan.
Untuk tugasan kod praktikal, berikan fungsi yang relevan, tingkah laku yang dijangka, kekangan penting dan input yang menunjukkan masalah. Minta pembetulan yang dicadangkan dan penerangan yang dikaitkan dengan kod yang diberikan. Untuk analisis dokumen, berikan bahagian bernama dan kriteria perbandingan yang jelas. Ringkasan tugasan contoh ialah: “Ekstrak keperluan, kenal pasti keperluan yang ditangani oleh cadangan ini dan petik petikan yang sepadan bagi setiap dapatan. Akhiri dengan senarai ringkas butiran yang hilang.”
Tugasan penulisan dan penyuntingan mendapat manfaat daripada pembaca sasaran, nada dan set fakta yang mesti dikekalkan secara jelas. Minta ringkasan, penulisan semula, terjemahan atau penerangan dan nyatakan nama serta istilah wajib. Senarai medan yang diminta atau jawapan berbentuk JSON masih perlu disemak sebagai kandungan janaan; nama model sahaja tidak melayakkan mekanisme output berstruktur atau pelaksanaan alat aplikasi sekeliling. Jika aplikasi membekalkan alat, bezakan setiap pemerhatian yang dikembalikan daripada tindakan yang dicadangkan model.
Pengeluar menerbitkan bahan model FP8 dan menerangkan pilihan ketepatan atau pelaksanaan lain dalam rujukannya. Pilihan pelaksanaan itu berasingan daripada tugasan pada peringkat sumber dan tidak sepatutnya diandaikan daripada nama model yang dipaparkan. Output model boleh berupa kod, tetapi menjana kod itu tidak menjalankannya; penerangan tentang sumber tidak membuktikan bahawa carian luaran dilakukan. Gunakan petikan sumber sebenar dan hasil aplikasi yang diperhatikan apabila jawapan memerlukan bukti itu.
Untuk hasil yang berguna, takrifkan artifak akhir dan syarat yang menjadikannya lengkap. Asingkan dapatan yang disokong sumber, andaian dan perubahan yang dicadangkan, kemudian semak jawapan janaan berdasarkan bahan yang diberikan. Perbualan yang lebih panjang boleh menambah baik satu bahagian draf sambil mengekalkan fakta dan kekangan yang diluluskan. Hasil serahan ialah artifak teks atau kod yang boleh disemak bagi tugasan yang dinyatakan, dengan identiti V3 asal dikekalkan dan bukannya meminjam kawalan edisi kemudian secara senyap.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek/deepseek-chat | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Perbualan teks | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream |
Parametercontrol_scope | KontrakPerbualan teks; stream ialah nilai boolean dengan false sebagai lalai. |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Alias kaedah: /chat/completions
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.00064 / 1K token Output · Token output $0.00178 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"deepseek/deepseek-chat","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="deepseek/deepseek-chat", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 ialah model teks asal DeepSeek untuk pengekodan, penulisan, soalan dan analisis berasaskan sumber. Seni bina campuran pakarnya mempunyai jumlah 671B dan 37B parameter aktif, dengan konteks 128K serta latihan susulan yang menggabungkan corak penaakulan daripada R1.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek V3 ialah model teks campuran pakar asal DeepSeek untuk kerja bahasa umum, pengekodan dan penaakulan. Ia menerima arahan bertulis dan konteks teks serta mengembalikan jawapan, draf, penerangan atau kod. Kad model menyenaraikan jumlah 671 bilion parameter model utama dengan 37 bilion aktif bagi setiap token. V3 asal yang bernama kekal berasingan daripada V3-0324, V3.1 dan V3.2, yang kemas kininya menambah ciri serta profil prompt masing-masing.
Seni binanya menggabungkan Multi-head Latent Attention dengan DeepSeekMoE. Perhatian terpendam memampatkan maklumat yang digunakan oleh perhatian, manakala pemilihan sebilangan kecil pakar mengaktifkan hanya sebahagian model bagi setiap token. V3 turut memperkenalkan pengimbangan beban tanpa fungsi kerugian tambahan dan objektif latihan ramalan berbilang token. Pakej model yang diterbitkan merangkumi modul ramalan berbilang token berasingan dengan 14 bilion parameter selain model utama 671 bilion parameter, yang menjelaskan mengapa jumlah pakej boleh berbeza daripada bilangan parameter dalam seni bina model utama.
DeepSeek melatih awal V3 pada 14.8 trilion token dan kemudian menggunakan penalaan halus terselia serta pembelajaran pengukuhan. Proses latihan susulan membawa corak pengesahan dan refleksi daripada keluarga R1 ke dalam jawapan model bahasa standard sambil mengawal gaya dan panjang output. Ini ialah sumbangan latihan, yang berbeza daripada memilih R1 sendiri atau templat berfikir hibrid V3.1 yang kemudian. Sediakan format jawapan akhir yang anda perlukan dan bukannya mengandaikan satu penyampaian penaakulan daripada edisi lain.
Jadual model pengeluar memberikan konteks 128K untuk V3 Base dan edisi V3 selepas latihan. Konteks itu boleh menggabungkan soalan dengan bahan dokumen atau kod yang banyak, manakala sejarah perbualan dan jawapan turut memerlukan ruang. Labelkan sumber dan kenal pasti soalan yang relevan. Tetingkap konteks ialah had kapasiti, bukan arahan untuk menyerahkan bahan tidak berkaitan atau meminta jawapan yang terlalu panjang tanpa keperluan.
Untuk tugasan kod praktikal, berikan fungsi yang relevan, tingkah laku yang dijangka, kekangan penting dan input yang menunjukkan masalah. Minta pembetulan yang dicadangkan dan penerangan yang dikaitkan dengan kod yang diberikan. Untuk analisis dokumen, berikan bahagian bernama dan kriteria perbandingan yang jelas. Ringkasan tugasan contoh ialah: “Ekstrak keperluan, kenal pasti keperluan yang ditangani oleh cadangan ini dan petik petikan yang sepadan bagi setiap dapatan. Akhiri dengan senarai ringkas butiran yang hilang.”
Tugasan penulisan dan penyuntingan mendapat manfaat daripada pembaca sasaran, nada dan set fakta yang mesti dikekalkan secara jelas. Minta ringkasan, penulisan semula, terjemahan atau penerangan dan nyatakan nama serta istilah wajib. Senarai medan yang diminta atau jawapan berbentuk JSON masih perlu disemak sebagai kandungan janaan; nama model sahaja tidak melayakkan mekanisme output berstruktur atau pelaksanaan alat aplikasi sekeliling. Jika aplikasi membekalkan alat, bezakan setiap pemerhatian yang dikembalikan daripada tindakan yang dicadangkan model.
Pengeluar menerbitkan bahan model FP8 dan menerangkan pilihan ketepatan atau pelaksanaan lain dalam rujukannya. Pilihan pelaksanaan itu berasingan daripada tugasan pada peringkat sumber dan tidak sepatutnya diandaikan daripada nama model yang dipaparkan. Output model boleh berupa kod, tetapi menjana kod itu tidak menjalankannya; penerangan tentang sumber tidak membuktikan bahawa carian luaran dilakukan. Gunakan petikan sumber sebenar dan hasil aplikasi yang diperhatikan apabila jawapan memerlukan bukti itu.
Untuk hasil yang berguna, takrifkan artifak akhir dan syarat yang menjadikannya lengkap. Asingkan dapatan yang disokong sumber, andaian dan perubahan yang dicadangkan, kemudian semak jawapan janaan berdasarkan bahan yang diberikan. Perbualan yang lebih panjang boleh menambah baik satu bahagian draf sambil mengekalkan fakta dan kekangan yang diluluskan. Hasil serahan ialah artifak teks atau kod yang boleh disemak bagi tugasan yang dinyatakan, dengan identiti V3 asal dikekalkan dan bukannya meminjam kawalan edisi kemudian secara senyap.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek/deepseek-chat | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.00064 / 1K token Output · Token output $0.00178 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "deepseek/deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions