DeepSeek V4 Flash 0423 ialah edisi Flash bernama yang dikekalkan untuk tugasan pengekodan, penaakulan dan ejen berasaskan teks. Rujukan keluarga model pengeluarnya ialah DeepSeek-V4-Flash, model campuran pakar yang lebih kecil dalam siri V4. Ia menerima arahan bertulis serta konteks dan menghasilkan teks yang boleh mengandungi penjelasan, kod atau cadangan operasi alat. Penamaan 0423 kekal berasingan daripada kad Latest yang berubah mengikut keluaran serta edisi Flash bernama lain.
Jadual keluarga V4 Flash yang diterbitkan menyenaraikan sejumlah 284 bilion parameter, 13 bilion parameter aktif dan konteks sejuta token. Mekanisme perhatiannya menggabungkan Compressed Sparse Attention dan Heavily Compressed Attention untuk mengendalikan jujukan sumber yang lebih panjang dengan cekap. Hiperhubungan yang dikekang oleh manifold menyokong perambatan merentas lapisan, dan pengeluar menerangkan proses pascalatihan dua peringkat yang membangunkan pakar khusus domain sebelum menggabungkan kemahiran mereka. Ciri keluarga ini menyokong tugasan bertulis yang menggabungkan konteks sumber yang besar dengan soalan terfokus.
Profil arahan keluarga V4 mempunyai mod Non-think, Think High dan Think Max. Non-think ditujukan untuk respons rutin yang langsung, High untuk analisis logik serta perancangan dan Max untuk usaha penaakulan lanjutan. Mod ini mempengaruhi cara penaakulan disediakan dan dipisahkan daripada jawapan akhir. DeepSeek mengesyorkan sekurang-kurangnya konteks 384K untuk penggunaan Think Max secara setempat serta temperature 1.0 dengan top-p 1.0 dalam rujukan setempatnya. Itu ialah cadangan konfigurasi pengeluar, yang berbeza daripada had maksimum output sejagat atau kawalan yang didedahkan oleh setiap aplikasi.
Untuk tugasan perisian, berikan teks sumber yang berkaitan, tingkah laku yang diperhatikan dan hasil yang dikehendaki. Contoh arahan ialah: “Laksanakan perubahan yang diterangkan, kekalkan nama fungsi awam dan jelaskan keadaan yang dikendalikan oleh penyelesaian itu.” Untuk analisis, labelkan dokumen dan takrifkan kriteria perbandingan. Konteks yang besar hanya berguna jika soalan dan artifak akhir yang diperlukan kekal jelas, jadi kenal pasti bahagian yang penting dan bukannya bergantung pada model untuk menyimpulkan tujuan himpunan bahan yang panjang.
Pengeluar membekalkan pengekodan mesej dan format output khusus V4 untuk perbualan, penaakulan serta penggunaan alat. Keluarannya tidak menyediakan templat sembang berformat Jinja. Perwakilan perbualan yang betul mengekalkan perbezaan antara tugasan pengguna, cadangan model dan hasil alat yang dikembalikan. Fungsi yang dipilih dilaksanakan oleh aplikasi yang mengendalikan model, yang kemudiannya membekalkan pemerhatian untuk langkah penaakulan seterusnya.
Sediakan tugasan berbilang langkah dengan artifak akhir dan peraturan penyiapan: perubahan tertentu, perbandingan berasaskan sumber atau set medan yang ditakrifkan untuk diekstrak. Nyatakan tindakan yang dibenarkan dan kekalkan nama, andaian serta syarat penting dalam teks. Minta jawapan akhir mengenal pasti kesimpulan yang dapat dibuat daripada bahan yang dibekalkan dan bahagian yang masih kekurangan maklumat. Untuk dokumen yang panjang atau petikan repositori, kekalkan label sumber supaya hasil dapat merujuk petikan atau fragmen yang berkaitan.
Gunakan edisi bernama 0423 untuk tugasan pengekodan, penaakulan dan ejen berasaskan teks; pilih edisi Vision Exp yang berasingan untuk kerja yang melibatkan pemahaman imej. Hasil boleh digunakan semula sebagai teks, kod atau rekod analisis setelah dibandingkan dengan keperluan yang dibekalkan dan bukti sumber; cadangan yang dijana kekal berbeza daripada tindakan atau hasil pengesahan yang benar-benar telah dilaksanakan oleh aplikasi.
", "aboutText": "DeepSeek V4 Flash 0423 ialah edisi Flash bernama yang dikekalkan untuk tugasan pengekodan, penaakulan dan ejen berasaskan teks. Rujukan keluarga model pengeluarnya ialah DeepSeek-V4-Flash, model campuran pakar yang lebih kecil dalam siri V4. Ia menerima arahan bertulis serta konteks dan menghasilkan teks yang boleh mengandungi penjelasan, kod atau cadangan operasi alat. Penamaan 0423 kekal berasingan daripada kad Latest yang berubah mengikut keluaran serta edisi Flash bernama lain.\n\nJadual keluarga V4 Flash yang diterbitkan menyenaraikan sejumlah 284 bilion parameter, 13 bilion parameter aktif dan konteks sejuta token. Mekanisme perhatiannya menggabungkan Compressed Sparse Attention dan Heavily Compressed Attention untuk mengendalikan jujukan sumber yang lebih panjang dengan cekap. Hiperhubungan yang dikekang oleh manifold menyokong perambatan merentas lapisan, dan pengeluar menerangkan proses pascalatihan dua peringkat yang membangunkan pakar khusus domain sebelum menggabungkan kemahiran mereka. Ciri keluarga ini menyokong tugasan bertulis yang menggabungkan konteks sumber yang besar dengan soalan terfokus.\n\nProfil arahan keluarga V4 mempunyai mod Non-think, Think High dan Think Max. Non-think ditujukan untuk respons rutin yang langsung, High untuk analisis logik serta perancangan dan Max untuk usaha penaakulan lanjutan. Mod ini mempengaruhi cara penaakulan disediakan dan dipisahkan daripada jawapan akhir. DeepSeek mengesyorkan sekurang-kurangnya konteks 384K untuk penggunaan Think Max secara setempat serta temperature 1.0 dengan top-p 1.0 dalam rujukan setempatnya. Itu ialah cadangan konfigurasi pengeluar, yang berbeza daripada had maksimum output sejagat atau kawalan yang didedahkan oleh setiap aplikasi.\n\nUntuk tugasan perisian, berikan teks sumber yang berkaitan, tingkah laku yang diperhatikan dan hasil yang dikehendaki. Contoh arahan ialah: “Laksanakan perubahan yang diterangkan, kekalkan nama fungsi awam dan jelaskan keadaan yang dikendalikan oleh penyelesaian itu.” Untuk analisis, labelkan dokumen dan takrifkan kriteria perbandingan. Konteks yang besar hanya berguna jika soalan dan artifak akhir yang diperlukan kekal jelas, jadi kenal pasti bahagian yang penting dan bukannya bergantung pada model untuk menyimpulkan tujuan himpunan bahan yang panjang.\n\nPengeluar membekalkan pengekodan mesej dan format output khusus V4 untuk perbualan, penaakulan serta penggunaan alat. Keluarannya tidak menyediakan templat sembang berformat Jinja. Perwakilan perbualan yang betul mengekalkan perbezaan antara tugasan pengguna, cadangan model dan hasil alat yang dikembalikan. Fungsi yang dipilih dilaksanakan oleh aplikasi yang mengendalikan model, yang kemudiannya membekalkan pemerhatian untuk langkah penaakulan seterusnya.\n\nSediakan tugasan berbilang langkah dengan artifak akhir dan peraturan penyiapan: perubahan tertentu, perbandingan berasaskan sumber atau set medan yang ditakrifkan untuk diekstrak. Nyatakan tindakan yang dibenarkan dan kekalkan nama, andaian serta syarat penting dalam teks. Minta jawapan akhir mengenal pasti kesimpulan yang dapat dibuat daripada bahan yang dibekalkan dan bahagian yang masih kekurangan maklumat. Untuk dokumen yang panjang atau petikan repositori, kekalkan label sumber supaya hasil dapat merujuk petikan atau fragmen yang berkaitan.\n\nGunakan edisi bernama 0423 untuk tugasan pengekodan, penaakulan dan ejen berasaskan teks; pilih edisi Vision Exp yang berasingan untuk kerja yang melibatkan pemahaman imej. Hasil boleh digunakan semula sebagai teks, kod atau rekod analisis setelah dibandingkan dengan keperluan yang dibekalkan dan bukti sumber; cadangan yang dijana kekal berbeza daripada tindakan atau hasil pengesahan yang benar-benar telah dilaksanakan oleh aplikasi.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Fix pagination at an exact boundary\n\nA Python pager uses pages = total // size + 1. For total=20 and size=10 it reports three pages, but the product requires two; for total=0 it requires zero. Replace only the calculation, assuming total >= 0 and size > 0. Include assertions for totals 0, 1, 20 and 21.A replacement calculation, a brief rationale and four assertions.Both an exact multiple and zero must avoid the extra page.deepseek/deepseek-v4-flashDeepSeek V4 Flash 0423 ialah edisi V4 Flash bernama untuk kerja teks, pengekodan dan penaakulan. Keluarga model pengeluarnya menggunakan mekanisme perhatian termampat dan tiga mod usaha penaakulan untuk tugasan konteks panjang serta ejen, manakala identiti 0423 kekal berasingan daripada Latest.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek V4 Flash 0423 ialah edisi Flash bernama yang dikekalkan untuk tugasan pengekodan, penaakulan dan ejen berasaskan teks. Rujukan keluarga model pengeluarnya ialah DeepSeek-V4-Flash, model campuran pakar yang lebih kecil dalam siri V4. Ia menerima arahan bertulis serta konteks dan menghasilkan teks yang boleh mengandungi penjelasan, kod atau cadangan operasi alat. Penamaan 0423 kekal berasingan daripada kad Latest yang berubah mengikut keluaran serta edisi Flash bernama lain.
Jadual keluarga V4 Flash yang diterbitkan menyenaraikan sejumlah 284 bilion parameter, 13 bilion parameter aktif dan konteks sejuta token. Mekanisme perhatiannya menggabungkan Compressed Sparse Attention dan Heavily Compressed Attention untuk mengendalikan jujukan sumber yang lebih panjang dengan cekap. Hiperhubungan yang dikekang oleh manifold menyokong perambatan merentas lapisan, dan pengeluar menerangkan proses pascalatihan dua peringkat yang membangunkan pakar khusus domain sebelum menggabungkan kemahiran mereka. Ciri keluarga ini menyokong tugasan bertulis yang menggabungkan konteks sumber yang besar dengan soalan terfokus.
Profil arahan keluarga V4 mempunyai mod Non-think, Think High dan Think Max. Non-think ditujukan untuk respons rutin yang langsung, High untuk analisis logik serta perancangan dan Max untuk usaha penaakulan lanjutan. Mod ini mempengaruhi cara penaakulan disediakan dan dipisahkan daripada jawapan akhir. DeepSeek mengesyorkan sekurang-kurangnya konteks 384K untuk penggunaan Think Max secara setempat serta temperature 1.0 dengan top-p 1.0 dalam rujukan setempatnya. Itu ialah cadangan konfigurasi pengeluar, yang berbeza daripada had maksimum output sejagat atau kawalan yang didedahkan oleh setiap aplikasi.
Untuk tugasan perisian, berikan teks sumber yang berkaitan, tingkah laku yang diperhatikan dan hasil yang dikehendaki. Contoh arahan ialah: “Laksanakan perubahan yang diterangkan, kekalkan nama fungsi awam dan jelaskan keadaan yang dikendalikan oleh penyelesaian itu.” Untuk analisis, labelkan dokumen dan takrifkan kriteria perbandingan. Konteks yang besar hanya berguna jika soalan dan artifak akhir yang diperlukan kekal jelas, jadi kenal pasti bahagian yang penting dan bukannya bergantung pada model untuk menyimpulkan tujuan himpunan bahan yang panjang.
Pengeluar membekalkan pengekodan mesej dan format output khusus V4 untuk perbualan, penaakulan serta penggunaan alat. Keluarannya tidak menyediakan templat sembang berformat Jinja. Perwakilan perbualan yang betul mengekalkan perbezaan antara tugasan pengguna, cadangan model dan hasil alat yang dikembalikan. Fungsi yang dipilih dilaksanakan oleh aplikasi yang mengendalikan model, yang kemudiannya membekalkan pemerhatian untuk langkah penaakulan seterusnya.
Sediakan tugasan berbilang langkah dengan artifak akhir dan peraturan penyiapan: perubahan tertentu, perbandingan berasaskan sumber atau set medan yang ditakrifkan untuk diekstrak. Nyatakan tindakan yang dibenarkan dan kekalkan nama, andaian serta syarat penting dalam teks. Minta jawapan akhir mengenal pasti kesimpulan yang dapat dibuat daripada bahan yang dibekalkan dan bahagian yang masih kekurangan maklumat. Untuk dokumen yang panjang atau petikan repositori, kekalkan label sumber supaya hasil dapat merujuk petikan atau fragmen yang berkaitan.
Gunakan edisi bernama 0423 untuk tugasan pengekodan, penaakulan dan ejen berasaskan teks; pilih edisi Vision Exp yang berasingan untuk kerja yang melibatkan pemahaman imej. Hasil boleh digunakan semula sebagai teks, kod atau rekod analisis setelah dibandingkan dengan keperluan yang dibekalkan dan bukti sumber; cadangan yang dijana kekal berbeza daripada tindakan atau hasil pengesahan yang benar-benar telah dilaksanakan oleh aplikasi.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek/deepseek-v4-flash | 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 $0.00044 / 1K token Output · Token output $0.00132 / 1K token Input · Bacaan cache $0.00006 / 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 $0.00044 / 1K token Output · Token output $0.00132 / 1K token Input · Bacaan cache $0.00006 / 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-v4-flash", "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-v4-flash',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-v4-flash',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-v4-flash
Gunakan laluan kaedah yang dipaparkan di atas.
deepseek/deepseek-v4-flashDeepSeek V4 Flash 0423 ialah edisi V4 Flash bernama untuk kerja teks, pengekodan dan penaakulan. Keluarga model pengeluarnya menggunakan mekanisme perhatian termampat dan tiga mod usaha penaakulan untuk tugasan konteks panjang serta ejen, manakala identiti 0423 kekal berasingan daripada Latest.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek V4 Flash 0423 ialah edisi Flash bernama yang dikekalkan untuk tugasan pengekodan, penaakulan dan ejen berasaskan teks. Rujukan keluarga model pengeluarnya ialah DeepSeek-V4-Flash, model campuran pakar yang lebih kecil dalam siri V4. Ia menerima arahan bertulis serta konteks dan menghasilkan teks yang boleh mengandungi penjelasan, kod atau cadangan operasi alat. Penamaan 0423 kekal berasingan daripada kad Latest yang berubah mengikut keluaran serta edisi Flash bernama lain.
Jadual keluarga V4 Flash yang diterbitkan menyenaraikan sejumlah 284 bilion parameter, 13 bilion parameter aktif dan konteks sejuta token. Mekanisme perhatiannya menggabungkan Compressed Sparse Attention dan Heavily Compressed Attention untuk mengendalikan jujukan sumber yang lebih panjang dengan cekap. Hiperhubungan yang dikekang oleh manifold menyokong perambatan merentas lapisan, dan pengeluar menerangkan proses pascalatihan dua peringkat yang membangunkan pakar khusus domain sebelum menggabungkan kemahiran mereka. Ciri keluarga ini menyokong tugasan bertulis yang menggabungkan konteks sumber yang besar dengan soalan terfokus.
Profil arahan keluarga V4 mempunyai mod Non-think, Think High dan Think Max. Non-think ditujukan untuk respons rutin yang langsung, High untuk analisis logik serta perancangan dan Max untuk usaha penaakulan lanjutan. Mod ini mempengaruhi cara penaakulan disediakan dan dipisahkan daripada jawapan akhir. DeepSeek mengesyorkan sekurang-kurangnya konteks 384K untuk penggunaan Think Max secara setempat serta temperature 1.0 dengan top-p 1.0 dalam rujukan setempatnya. Itu ialah cadangan konfigurasi pengeluar, yang berbeza daripada had maksimum output sejagat atau kawalan yang didedahkan oleh setiap aplikasi.
Untuk tugasan perisian, berikan teks sumber yang berkaitan, tingkah laku yang diperhatikan dan hasil yang dikehendaki. Contoh arahan ialah: “Laksanakan perubahan yang diterangkan, kekalkan nama fungsi awam dan jelaskan keadaan yang dikendalikan oleh penyelesaian itu.” Untuk analisis, labelkan dokumen dan takrifkan kriteria perbandingan. Konteks yang besar hanya berguna jika soalan dan artifak akhir yang diperlukan kekal jelas, jadi kenal pasti bahagian yang penting dan bukannya bergantung pada model untuk menyimpulkan tujuan himpunan bahan yang panjang.
Pengeluar membekalkan pengekodan mesej dan format output khusus V4 untuk perbualan, penaakulan serta penggunaan alat. Keluarannya tidak menyediakan templat sembang berformat Jinja. Perwakilan perbualan yang betul mengekalkan perbezaan antara tugasan pengguna, cadangan model dan hasil alat yang dikembalikan. Fungsi yang dipilih dilaksanakan oleh aplikasi yang mengendalikan model, yang kemudiannya membekalkan pemerhatian untuk langkah penaakulan seterusnya.
Sediakan tugasan berbilang langkah dengan artifak akhir dan peraturan penyiapan: perubahan tertentu, perbandingan berasaskan sumber atau set medan yang ditakrifkan untuk diekstrak. Nyatakan tindakan yang dibenarkan dan kekalkan nama, andaian serta syarat penting dalam teks. Minta jawapan akhir mengenal pasti kesimpulan yang dapat dibuat daripada bahan yang dibekalkan dan bahagian yang masih kekurangan maklumat. Untuk dokumen yang panjang atau petikan repositori, kekalkan label sumber supaya hasil dapat merujuk petikan atau fragmen yang berkaitan.
Gunakan edisi bernama 0423 untuk tugasan pengekodan, penaakulan dan ejen berasaskan teks; pilih edisi Vision Exp yang berasingan untuk kerja yang melibatkan pemahaman imej. Hasil boleh digunakan semula sebagai teks, kod atau rekod analisis setelah dibandingkan dengan keperluan yang dibekalkan dan bukti sumber; cadangan yang dijana kekal berbeza daripada tindakan atau hasil pengesahan yang benar-benar telah dilaksanakan oleh aplikasi.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek/deepseek-v4-flash | 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 $0.00044 / 1K token Output · Token output $0.00132 / 1K token Input · Bacaan cache $0.00006 / 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 $0.00044 / 1K token Output · Token output $0.00132 / 1K token Input · Bacaan cache $0.00006 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "deepseek/deepseek-v4-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-v4-flash', '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-v4-flash', '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-v4-flash
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Fix pagination at an exact boundary\n\nA Python pager uses pages = total // size + 1. For total=20 and size=10 it reports three pages, but the product requires two; for total=0 it requires zero. Replace only the calculation, assuming total >= 0 and size > 0. Include assertions for totals 0, 1, 20 and 21.A replacement calculation, a brief rationale and four assertions.Both an exact multiple and zero must avoid the extra page.