DeepSeek V3.2 ialah model teks DeepSeek untuk penaakulan dan kerja ejen, dengan penekanan pada pemprosesan konteks panjang yang cekap. Pengeluar menyusun perubahan utamanya berasaskan DeepSeek Sparse Attention, rangka kerja pembelajaran pengukuhan yang diperbesar skalanya dan saluran proses latihan tugasan ejen. Ia menerima soalan bertulis serta konteks dan menghasilkan teks, termasuk jawapan, kod atau kandungan panggilan alat. Ia berbeza daripada keluaran V3.2 Exp yang terdahulu dan varian penaakulan Speciale yang berasingan.
DeepSeek Sparse Attention menambah pengindeks dan pemilihan token terperinci pada seni bina perhatian laten. Untuk jujukan yang panjang, pengindeks memilih maklumat token terdahulu yang digunakan oleh pengiraan perhatian utama. Laporan menyatakan bahawa inilah perubahan seni bina daripada V3.1 Terminus dan bahawa ia menggunakan seni bina yang sama seperti V3.2 Exp. Konteksnya yang diterbitkan ialah 128K token, yang menyokong bahan sumber yang besar serta tugasan berterusan, manakala penaakulan yang dijana dan sejarah alat turut menggunakan konteks yang tersedia.
Pascalatihan merangkumi respons berfikir dan tanpa pemikiran dalam matematik, pengaturcaraan, penaakulan logik, tugasan ejen umum, pengekodan oleh ejen dan carian. Pakar domain membekalkan data yang digabungkan ke dalam model akhir, diikuti pembelajaran pengukuhan campuran. Untuk soalan biasa, jawapan langsung mungkin sesuai; untuk masalah yang sukar, aliran kerja berfikir boleh membangunkan penyelesaian sebelum menyampaikan hasil akhir. Nyatakan jawapan atau artifak yang diperlukan secara berasingan daripada penaakulan perantaraan.
Perubahan besar dalam edisi ini ialah berfikir dengan alat. Format sembang yang dikemas kini membolehkan penaakulan diteruskan sepanjang tugasan pemanggilan alat dan bukannya menganggap analisis serta tindakan sebagai peringkat yang tidak berkaitan. Operasi yang dipilih oleh model dilaksanakan oleh aplikasi, yang mengembalikan hasilnya untuk langkah seterusnya. Peraturan konteks alat pengeluar mengekalkan penaakulan terdahulu selagi hanya mesej berkaitan alat ditambahkan; apabila mesej pengguna baharu tiba, penaakulan itu dibuang sementara panggilan alat dan hasilnya dikekalkan. Pembezaan peranan perbualan yang betul penting untuk tingkah laku itu.
Untuk pengekodan, berikan fragmen sumber atau fail yang berkaitan, masalah yang diperhatikan, hasil yang dijangkakan dan syarat yang mesti dikekalkan oleh perubahan. Contoh taklimat ialah: “Gunakan kod dan hasil alat yang dibekalkan untuk mencari punca, cadangkan pembetulan paling kecil dan kembalikan tampalan akhir berserta hasil pengesahan yang menyokongnya.” Untuk tugasan carian, terangkan soalan, bukti yang diperlukan dan syarat yang menjadikan jawapan lengkap. Alat carian dan pelaksanaan dibekalkan oleh aplikasi yang mengendalikan model, bukannya oleh teks semata-mata.
Pengeluar mengesyorkan temperature 1.0 dan top-p 0.95 untuk penggunaan setempat. V3.2 memperkenalkan perwakilan panggilan alat yang disemak semula serta pengekod mesej khusus. Peranan developer dikhaskan untuk templat ejen carian pengeluar, dan API rasmi tidak menerima peranan itu. Penghurai rujukan menjangkakan output dengan format yang betul dan tidak membaiki hasil yang cacat formatnya; apabila aplikasi menggunakan medan yang dijana atau argumen alat, ia patut memeriksa strukturnya sebelum bertindak berdasarkan hasil tersebut.
Laporan teknikal mengenal pasti laluan penaakulan yang panjang dan pengesahan kendiri yang berulang sebagai batasan praktikal. Tugasan ejen boleh mencapai had 128K walaupun bahan sumber asal muat, kerana output alat dan penaakulan berulang terkumpul. Simpan rekod ringkas pemerhatian yang berkaitan dan nyatakan artifak akhir dengan jelas. Untuk kerja yang bergantung pada ketepatan pengetahuan, lampirkan bahan berwibawa atau sediakan alat carian yang sesuai dan bukannya mengharapkan pengetahuan latihan menentukan setiap fakta.
DeepSeek V3.2 Speciale ialah varian penaakulan mendalam berasingan dengan penggunaan pengiraan tinggi dan, menurut kad model, tidak menyokong pemanggilan alat. Cirinya tidak patut digunakan sebagai profil alat V3.2 standard. Begitu juga, generasi V4 yang terkemudian dan pendahulu eksperimen mempunyai identiti serta pilihan konfigurasi yang berasingan. Kekalkan edisi V3.2 bernama apabila membandingkan tugasan yang model dan format promnya penting.
Untuk analisis praktikal berasaskan sumber, labelkan bahan dan minta kesimpulan yang disokong oleh petikan berkaitan, dengan andaian serta maklumat yang tiada dikekalkan secara berasingan. Untuk ejen, nyatakan fungsi yang dibenarkan, hasil akhir yang dijangkakan dan kriteria penyiapan. Ini menyediakan aliran kerja penaakulan dan alat model untuk menghasilkan artifak teks, kod atau analisis yang boleh disemak serta dikaitkan dengan bukti yang dibekalkan.
", "aboutText": "DeepSeek V3.2 ialah model teks DeepSeek untuk penaakulan dan kerja ejen, dengan penekanan pada pemprosesan konteks panjang yang cekap. Pengeluar menyusun perubahan utamanya berasaskan DeepSeek Sparse Attention, rangka kerja pembelajaran pengukuhan yang diperbesar skalanya dan saluran proses latihan tugasan ejen. Ia menerima soalan bertulis serta konteks dan menghasilkan teks, termasuk jawapan, kod atau kandungan panggilan alat. Ia berbeza daripada keluaran V3.2 Exp yang terdahulu dan varian penaakulan Speciale yang berasingan.\n\nDeepSeek Sparse Attention menambah pengindeks dan pemilihan token terperinci pada seni bina perhatian laten. Untuk jujukan yang panjang, pengindeks memilih maklumat token terdahulu yang digunakan oleh pengiraan perhatian utama. Laporan menyatakan bahawa inilah perubahan seni bina daripada V3.1 Terminus dan bahawa ia menggunakan seni bina yang sama seperti V3.2 Exp. Konteksnya yang diterbitkan ialah 128K token, yang menyokong bahan sumber yang besar serta tugasan berterusan, manakala penaakulan yang dijana dan sejarah alat turut menggunakan konteks yang tersedia.\n\nPascalatihan merangkumi respons berfikir dan tanpa pemikiran dalam matematik, pengaturcaraan, penaakulan logik, tugasan ejen umum, pengekodan oleh ejen dan carian. Pakar domain membekalkan data yang digabungkan ke dalam model akhir, diikuti pembelajaran pengukuhan campuran. Untuk soalan biasa, jawapan langsung mungkin sesuai; untuk masalah yang sukar, aliran kerja berfikir boleh membangunkan penyelesaian sebelum menyampaikan hasil akhir. Nyatakan jawapan atau artifak yang diperlukan secara berasingan daripada penaakulan perantaraan.\n\nPerubahan besar dalam edisi ini ialah berfikir dengan alat. Format sembang yang dikemas kini membolehkan penaakulan diteruskan sepanjang tugasan pemanggilan alat dan bukannya menganggap analisis serta tindakan sebagai peringkat yang tidak berkaitan. Operasi yang dipilih oleh model dilaksanakan oleh aplikasi, yang mengembalikan hasilnya untuk langkah seterusnya. Peraturan konteks alat pengeluar mengekalkan penaakulan terdahulu selagi hanya mesej berkaitan alat ditambahkan; apabila mesej pengguna baharu tiba, penaakulan itu dibuang sementara panggilan alat dan hasilnya dikekalkan. Pembezaan peranan perbualan yang betul penting untuk tingkah laku itu.\n\nUntuk pengekodan, berikan fragmen sumber atau fail yang berkaitan, masalah yang diperhatikan, hasil yang dijangkakan dan syarat yang mesti dikekalkan oleh perubahan. Contoh taklimat ialah: “Gunakan kod dan hasil alat yang dibekalkan untuk mencari punca, cadangkan pembetulan paling kecil dan kembalikan tampalan akhir berserta hasil pengesahan yang menyokongnya.” Untuk tugasan carian, terangkan soalan, bukti yang diperlukan dan syarat yang menjadikan jawapan lengkap. Alat carian dan pelaksanaan dibekalkan oleh aplikasi yang mengendalikan model, bukannya oleh teks semata-mata.\n\nPengeluar mengesyorkan temperature 1.0 dan top-p 0.95 untuk penggunaan setempat. V3.2 memperkenalkan perwakilan panggilan alat yang disemak semula serta pengekod mesej khusus. Peranan developer dikhaskan untuk templat ejen carian pengeluar, dan API rasmi tidak menerima peranan itu. Penghurai rujukan menjangkakan output dengan format yang betul dan tidak membaiki hasil yang cacat formatnya; apabila aplikasi menggunakan medan yang dijana atau argumen alat, ia patut memeriksa strukturnya sebelum bertindak berdasarkan hasil tersebut.\n\nLaporan teknikal mengenal pasti laluan penaakulan yang panjang dan pengesahan kendiri yang berulang sebagai batasan praktikal. Tugasan ejen boleh mencapai had 128K walaupun bahan sumber asal muat, kerana output alat dan penaakulan berulang terkumpul. Simpan rekod ringkas pemerhatian yang berkaitan dan nyatakan artifak akhir dengan jelas. Untuk kerja yang bergantung pada ketepatan pengetahuan, lampirkan bahan berwibawa atau sediakan alat carian yang sesuai dan bukannya mengharapkan pengetahuan latihan menentukan setiap fakta.\n\nDeepSeek V3.2 Speciale ialah varian penaakulan mendalam berasingan dengan penggunaan pengiraan tinggi dan, menurut kad model, tidak menyokong pemanggilan alat. Cirinya tidak patut digunakan sebagai profil alat V3.2 standard. Begitu juga, generasi V4 yang terkemudian dan pendahulu eksperimen mempunyai identiti serta pilihan konfigurasi yang berasingan. Kekalkan edisi V3.2 bernama apabila membandingkan tugasan yang model dan format promnya penting.\n\nUntuk analisis praktikal berasaskan sumber, labelkan bahan dan minta kesimpulan yang disokong oleh petikan berkaitan, dengan andaian serta maklumat yang tiada dikekalkan secara berasingan. Untuk ejen, nyatakan fungsi yang dibenarkan, hasil akhir yang dijangkakan dan kriteria penyiapan. Ini menyediakan aliran kerja penaakulan dan alat model untuk menghasilkan artifak teks, kod atau analisis yang boleh disemak serta dikaitkan dengan bukti yang dibekalkan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Repair an overwritten grouped total\n\nReview this Python fragment: totals = {}\nfor row in rows:\n totals[row['team']] = row['hours']\n For rows with teams A, B, A and hours 2, 3, 4, the last A overwrites the first. Return a minimal accumulation fix, explain the state changes and propose assertions for repeated teams and empty input.Corrected grouping code, a short state trace and two assertions with concrete inputs.Repeated teams accumulate all hours while an empty list returns an empty mapping.deepseek/deepseek-v3.2DeepSeek V3.2 menggabungkan penaakulan teks dengan penggunaan alat dan analisis konteks panjang. Seni bina perhatian jarang serta format perbualannya yang dikemas kini menyokong pengekodan, carian dan tugasan ejen berbilang langkah, dengan konteks 128K serta aliran kerja berfikir dan respons langsung yang berasingan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek V3.2 ialah model teks DeepSeek untuk penaakulan dan kerja ejen, dengan penekanan pada pemprosesan konteks panjang yang cekap. Pengeluar menyusun perubahan utamanya berasaskan DeepSeek Sparse Attention, rangka kerja pembelajaran pengukuhan yang diperbesar skalanya dan saluran proses latihan tugasan ejen. Ia menerima soalan bertulis serta konteks dan menghasilkan teks, termasuk jawapan, kod atau kandungan panggilan alat. Ia berbeza daripada keluaran V3.2 Exp yang terdahulu dan varian penaakulan Speciale yang berasingan.
DeepSeek Sparse Attention menambah pengindeks dan pemilihan token terperinci pada seni bina perhatian laten. Untuk jujukan yang panjang, pengindeks memilih maklumat token terdahulu yang digunakan oleh pengiraan perhatian utama. Laporan menyatakan bahawa inilah perubahan seni bina daripada V3.1 Terminus dan bahawa ia menggunakan seni bina yang sama seperti V3.2 Exp. Konteksnya yang diterbitkan ialah 128K token, yang menyokong bahan sumber yang besar serta tugasan berterusan, manakala penaakulan yang dijana dan sejarah alat turut menggunakan konteks yang tersedia.
Pascalatihan merangkumi respons berfikir dan tanpa pemikiran dalam matematik, pengaturcaraan, penaakulan logik, tugasan ejen umum, pengekodan oleh ejen dan carian. Pakar domain membekalkan data yang digabungkan ke dalam model akhir, diikuti pembelajaran pengukuhan campuran. Untuk soalan biasa, jawapan langsung mungkin sesuai; untuk masalah yang sukar, aliran kerja berfikir boleh membangunkan penyelesaian sebelum menyampaikan hasil akhir. Nyatakan jawapan atau artifak yang diperlukan secara berasingan daripada penaakulan perantaraan.
Perubahan besar dalam edisi ini ialah berfikir dengan alat. Format sembang yang dikemas kini membolehkan penaakulan diteruskan sepanjang tugasan pemanggilan alat dan bukannya menganggap analisis serta tindakan sebagai peringkat yang tidak berkaitan. Operasi yang dipilih oleh model dilaksanakan oleh aplikasi, yang mengembalikan hasilnya untuk langkah seterusnya. Peraturan konteks alat pengeluar mengekalkan penaakulan terdahulu selagi hanya mesej berkaitan alat ditambahkan; apabila mesej pengguna baharu tiba, penaakulan itu dibuang sementara panggilan alat dan hasilnya dikekalkan. Pembezaan peranan perbualan yang betul penting untuk tingkah laku itu.
Untuk pengekodan, berikan fragmen sumber atau fail yang berkaitan, masalah yang diperhatikan, hasil yang dijangkakan dan syarat yang mesti dikekalkan oleh perubahan. Contoh taklimat ialah: “Gunakan kod dan hasil alat yang dibekalkan untuk mencari punca, cadangkan pembetulan paling kecil dan kembalikan tampalan akhir berserta hasil pengesahan yang menyokongnya.” Untuk tugasan carian, terangkan soalan, bukti yang diperlukan dan syarat yang menjadikan jawapan lengkap. Alat carian dan pelaksanaan dibekalkan oleh aplikasi yang mengendalikan model, bukannya oleh teks semata-mata.
Pengeluar mengesyorkan temperature 1.0 dan top-p 0.95 untuk penggunaan setempat. V3.2 memperkenalkan perwakilan panggilan alat yang disemak semula serta pengekod mesej khusus. Peranan developer dikhaskan untuk templat ejen carian pengeluar, dan API rasmi tidak menerima peranan itu. Penghurai rujukan menjangkakan output dengan format yang betul dan tidak membaiki hasil yang cacat formatnya; apabila aplikasi menggunakan medan yang dijana atau argumen alat, ia patut memeriksa strukturnya sebelum bertindak berdasarkan hasil tersebut.
Laporan teknikal mengenal pasti laluan penaakulan yang panjang dan pengesahan kendiri yang berulang sebagai batasan praktikal. Tugasan ejen boleh mencapai had 128K walaupun bahan sumber asal muat, kerana output alat dan penaakulan berulang terkumpul. Simpan rekod ringkas pemerhatian yang berkaitan dan nyatakan artifak akhir dengan jelas. Untuk kerja yang bergantung pada ketepatan pengetahuan, lampirkan bahan berwibawa atau sediakan alat carian yang sesuai dan bukannya mengharapkan pengetahuan latihan menentukan setiap fakta.
DeepSeek V3.2 Speciale ialah varian penaakulan mendalam berasingan dengan penggunaan pengiraan tinggi dan, menurut kad model, tidak menyokong pemanggilan alat. Cirinya tidak patut digunakan sebagai profil alat V3.2 standard. Begitu juga, generasi V4 yang terkemudian dan pendahulu eksperimen mempunyai identiti serta pilihan konfigurasi yang berasingan. Kekalkan edisi V3.2 bernama apabila membandingkan tugasan yang model dan format promnya penting.
Untuk analisis praktikal berasaskan sumber, labelkan bahan dan minta kesimpulan yang disokong oleh petikan berkaitan, dengan andaian serta maklumat yang tiada dikekalkan secara berasingan. Untuk ejen, nyatakan fungsi yang dibenarkan, hasil akhir yang dijangkakan dan kriteria penyiapan. Ini menyediakan aliran kerja penaakulan dan alat model untuk menghasilkan artifak teks, kod atau analisis yang boleh disemak serta dikaitkan dengan bukti yang dibekalkan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek/deepseek-v3.2 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
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, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
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.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.000572 / 1K token Output · Token output $0.0016 / 1K token Input · Bacaan cache $0.00028 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.000572 / 1K token Output · Token output $0.0016 / 1K token Input · Bacaan cache $0.00028 / 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-v3.2", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\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-v3.2',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\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"))\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/deepseek-v3.2',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 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/deepseek-v3.2
Gunakan laluan kaedah yang dipaparkan di atas.
deepseek/deepseek-v3.2DeepSeek V3.2 menggabungkan penaakulan teks dengan penggunaan alat dan analisis konteks panjang. Seni bina perhatian jarang serta format perbualannya yang dikemas kini menyokong pengekodan, carian dan tugasan ejen berbilang langkah, dengan konteks 128K serta aliran kerja berfikir dan respons langsung yang berasingan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek V3.2 ialah model teks DeepSeek untuk penaakulan dan kerja ejen, dengan penekanan pada pemprosesan konteks panjang yang cekap. Pengeluar menyusun perubahan utamanya berasaskan DeepSeek Sparse Attention, rangka kerja pembelajaran pengukuhan yang diperbesar skalanya dan saluran proses latihan tugasan ejen. Ia menerima soalan bertulis serta konteks dan menghasilkan teks, termasuk jawapan, kod atau kandungan panggilan alat. Ia berbeza daripada keluaran V3.2 Exp yang terdahulu dan varian penaakulan Speciale yang berasingan.
DeepSeek Sparse Attention menambah pengindeks dan pemilihan token terperinci pada seni bina perhatian laten. Untuk jujukan yang panjang, pengindeks memilih maklumat token terdahulu yang digunakan oleh pengiraan perhatian utama. Laporan menyatakan bahawa inilah perubahan seni bina daripada V3.1 Terminus dan bahawa ia menggunakan seni bina yang sama seperti V3.2 Exp. Konteksnya yang diterbitkan ialah 128K token, yang menyokong bahan sumber yang besar serta tugasan berterusan, manakala penaakulan yang dijana dan sejarah alat turut menggunakan konteks yang tersedia.
Pascalatihan merangkumi respons berfikir dan tanpa pemikiran dalam matematik, pengaturcaraan, penaakulan logik, tugasan ejen umum, pengekodan oleh ejen dan carian. Pakar domain membekalkan data yang digabungkan ke dalam model akhir, diikuti pembelajaran pengukuhan campuran. Untuk soalan biasa, jawapan langsung mungkin sesuai; untuk masalah yang sukar, aliran kerja berfikir boleh membangunkan penyelesaian sebelum menyampaikan hasil akhir. Nyatakan jawapan atau artifak yang diperlukan secara berasingan daripada penaakulan perantaraan.
Perubahan besar dalam edisi ini ialah berfikir dengan alat. Format sembang yang dikemas kini membolehkan penaakulan diteruskan sepanjang tugasan pemanggilan alat dan bukannya menganggap analisis serta tindakan sebagai peringkat yang tidak berkaitan. Operasi yang dipilih oleh model dilaksanakan oleh aplikasi, yang mengembalikan hasilnya untuk langkah seterusnya. Peraturan konteks alat pengeluar mengekalkan penaakulan terdahulu selagi hanya mesej berkaitan alat ditambahkan; apabila mesej pengguna baharu tiba, penaakulan itu dibuang sementara panggilan alat dan hasilnya dikekalkan. Pembezaan peranan perbualan yang betul penting untuk tingkah laku itu.
Untuk pengekodan, berikan fragmen sumber atau fail yang berkaitan, masalah yang diperhatikan, hasil yang dijangkakan dan syarat yang mesti dikekalkan oleh perubahan. Contoh taklimat ialah: “Gunakan kod dan hasil alat yang dibekalkan untuk mencari punca, cadangkan pembetulan paling kecil dan kembalikan tampalan akhir berserta hasil pengesahan yang menyokongnya.” Untuk tugasan carian, terangkan soalan, bukti yang diperlukan dan syarat yang menjadikan jawapan lengkap. Alat carian dan pelaksanaan dibekalkan oleh aplikasi yang mengendalikan model, bukannya oleh teks semata-mata.
Pengeluar mengesyorkan temperature 1.0 dan top-p 0.95 untuk penggunaan setempat. V3.2 memperkenalkan perwakilan panggilan alat yang disemak semula serta pengekod mesej khusus. Peranan developer dikhaskan untuk templat ejen carian pengeluar, dan API rasmi tidak menerima peranan itu. Penghurai rujukan menjangkakan output dengan format yang betul dan tidak membaiki hasil yang cacat formatnya; apabila aplikasi menggunakan medan yang dijana atau argumen alat, ia patut memeriksa strukturnya sebelum bertindak berdasarkan hasil tersebut.
Laporan teknikal mengenal pasti laluan penaakulan yang panjang dan pengesahan kendiri yang berulang sebagai batasan praktikal. Tugasan ejen boleh mencapai had 128K walaupun bahan sumber asal muat, kerana output alat dan penaakulan berulang terkumpul. Simpan rekod ringkas pemerhatian yang berkaitan dan nyatakan artifak akhir dengan jelas. Untuk kerja yang bergantung pada ketepatan pengetahuan, lampirkan bahan berwibawa atau sediakan alat carian yang sesuai dan bukannya mengharapkan pengetahuan latihan menentukan setiap fakta.
DeepSeek V3.2 Speciale ialah varian penaakulan mendalam berasingan dengan penggunaan pengiraan tinggi dan, menurut kad model, tidak menyokong pemanggilan alat. Cirinya tidak patut digunakan sebagai profil alat V3.2 standard. Begitu juga, generasi V4 yang terkemudian dan pendahulu eksperimen mempunyai identiti serta pilihan konfigurasi yang berasingan. Kekalkan edisi V3.2 bernama apabila membandingkan tugasan yang model dan format promnya penting.
Untuk analisis praktikal berasaskan sumber, labelkan bahan dan minta kesimpulan yang disokong oleh petikan berkaitan, dengan andaian serta maklumat yang tiada dikekalkan secara berasingan. Untuk ejen, nyatakan fungsi yang dibenarkan, hasil akhir yang dijangkakan dan kriteria penyiapan. Ini menyediakan aliran kerja penaakulan dan alat model untuk menghasilkan artifak teks, kod atau analisis yang boleh disemak serta dikaitkan dengan bukti yang dibekalkan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek/deepseek-v3.2 | 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.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.000572 / 1K token Output · Token output $0.0016 / 1K token Input · Bacaan cache $0.00028 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.000572 / 1K token Output · Token output $0.0016 / 1K token Input · Bacaan cache $0.00028 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "deepseek/deepseek-v3.2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-v3.2', '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-v3.2', '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/deepseek-v3.2
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Repair an overwritten grouped total\n\nReview this Python fragment: totals = {}\nfor row in rows:\n totals[row['team']] = row['hours']\n For rows with teams A, B, A and hours 2, 3, 4, the last A overwrites the first. Return a minimal accumulation fix, explain the state changes and propose assertions for repeated teams and empty input.Corrected grouping code, a short state trace and two assertions with concrete inputs.Repeated teams accumulate all hours while an empty list returns an empty mapping.