DeepSeek: DeepSeek V3.2 Exp
DeepSeek V3.2 Exp ialah edisi perhatian jarang yang dibina berasaskan V3.1 Terminus. Ia memproses teks untuk tugasan penaakulan, pengekodan dan ejen sambil meneroka mekanisme perhatian konteks panjang yang lebih cekap, dengan konteks 128K daripada pengeluar dan identiti yang berasingan daripada keluaran muktamad V3.2.
Tentang model
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek V3.2 Exp ialah edisi model teks eksperimen DeepSeek yang dibina atas V3.1 Terminus. Perubahan utamanya ialah DeepSeek Sparse Attention, yang diperkenalkan untuk mengkaji latihan dan inferens lebih cekap bagi jujukan teks panjang. Tugasan kekal berasaskan teks: arahan bertulis dan konteks menghasilkan jawapan teks, kod atau output berkaitan ejen. Ini ialah edisi penyelidikan sparse attention, yang berasingan daripada model V3.2 akhir dan format thinking-with-tools yang diperkenalkan kemudian.
DSA menggunakan pengindeks ringan dan pemilihan token terperinci supaya pengiraan perhatian utama tertumpu pada maklumat token terdahulu yang dipilih. DeepSeek sengaja menyelaraskan konfigurasi latihan eksperimen dengan V3.1 Terminus untuk mengasingkan perubahan seni bina. Laporan V3.2 mengesahkan bahawa V3.2 akhir dan V3.2 Exp berkongsi seni bina ini serta menerangkan latihan berterusan daripada asas Terminus berkonteks 128K. Profil eksperimen yang diterbitkan menggunakan tetapan konteks panjang 128K tersebut.
Kad eksperimen pengeluar mengekalkan penaakulan dan kerja ejen dalam skop sambil memelihara profil tugasan model terdahulu. Buktinya merangkumi penaakulan tanpa alat dan penggunaan alat oleh ejen sebagai aliran kerja berbeza. Sediakan soalan yang jelas, konteks sumber berkaitan dan bentuk akhir yang diingini. Jika tugasan menggunakan alat, aplikasi membekalkan definisinya dan mengembalikan hasil; tindakan yang dicadangkan model tidak sama dengan operasi yang sudah dilaksanakan.
Kad V3.2 akhir memperkenalkan format panggilan alat yang disemak dan menerangkan thinking dengan alat secara jelas. Kemas kini itu ialah sebahagian daripada keluaran akhir dan tidak patut dianggap sebagai keseluruhan kontrak interaksi edisi eksperimen. Untuk V3.2 Exp, kekalkan format mesej edisinya sendiri dan konteks tugasan yang diwarisi daripada Terminus, bukan menganggap nama serupa menjadikan setiap kawalan atau peranan kemudian saling ganti.
Untuk perbandingan dokumen panjang, labelkan setiap sumber dan kenal pasti bahagian yang berkaitan dengan soalan. Contoh arahan ialah: “Bandingkan keperluan ini dengan pelaksanaan yang dicadangkan, kenal pasti setiap ketidakpadanan dan petik bahagian yang membuktikannya. Akhiri dengan senarai pembetulan mengikut keutamaan.” Untuk kod, berikan tingkah laku yang gagal, fragmen berkaitan dan hasil yang dijangka, kemudian minta perubahan berfokus dengan penjelasan yang jelas. Susunan sumber dan peraturan penyelesaian membantu mengarahkan tugasan konteks panjang kepada hasil yang boleh digunakan.
Pelaksanaan rujukan pengeluar merangkumi pengindeks sparse attention, dan kadnya merekodkan pembetulan pelaksanaan penting: RoPE pengindeks menggunakan susunan non-interleaved, manakala modul latent attention menjangkakan susunan interleaved. Ini ialah butiran rujukan pengeluar yang berkaitan dengan pelaksanaan model secara setia, bukan gesaan pengguna yang berbeza atau keupayaan baharu. Ini turut bermakna nama model sahaja tidak menerangkan pengendalian seni bina eksperimen dalam setiap pelaksanaan.
Tugasan ejen yang berterusan perlu mengagihkan ruang bagi teks sumber, perbualan, penaakulan yang dijana dan pemerhatian alat bersama-sama. Susun pemerhatian berguna dan minta jawapan akhir membezakan bukti, andaian dan tindakan yang dicadangkan. Untuk hasil fakta yang bergantung pada sumber, berikan bahan berwibawa atau alat sesuai, bukan bergantung pada pengetahuan latihan umum. Output kekal sebagai teks, kod atau rekod analisis yang boleh disemak terhadap tugasan dan inputnya.
Ailoot Ultra · OpenAI Chat POST /v1/chat/completions deepseek-v3.2-exp-thinking
deepseek-v3.2-exp-thinkingPengenalan
DeepSeek V3.2 Exp ialah edisi perhatian jarang yang dibina berasaskan V3.1 Terminus. Ia memproses teks untuk tugasan penaakulan, pengekodan dan ejen sambil meneroka mekanisme perhatian konteks panjang yang lebih cekap, dengan konteks 128K daripada pengeluar dan identiti yang berasingan daripada keluaran muktamad V3.2.
- Input yang diterima
- Teks
- Hasil
- Teks
Tersedia di Ailoot · input & kaedah
Ailoot Ultra · OpenAI Chat POST /v1/chat/completions
- Input
text- Output
text- Format output
- json atau SSE
| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek-v3.2-exp-thinking | 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 |
Gabungan bahan input
Teks · Teks UTF8
messages[].content
Parameter kaedah dan kitar hayat
| 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.
Pelan harga
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
- Mod pantas
- Tidak dinyatakan Apabila mod pantas dipilih
- Mod flex
- Tidak dinyatakan Apabila mod flex dipilih
- Usaha penaakulan maksimum
- Tidak dinyatakan Apabila usaha penaakulan maksimum menggunakan pelarasan default
Kadar Ailoot
Harga mengikut konfigurasi
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.00058 / 1K token Output · Token output $0.00086 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
Contoh permintaan
Ailoot Ultra · OpenAI Chat
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model":"deepseek-v3.2-exp-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("choices",[]):
if x.get("message",{}).get("content"): print(x["message"]["content"])
PY_RESULT
from openai import OpenAI
import os
if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model="deepseek-v3.2-exp-thinking", messages=[{"role":"user","content":"hello"}], stream=False)
import base64, json
from pathlib import Path
def save_result(data, stem="result"):
# Keep every field, including usage, IDs, reasoning and tool requests.
Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
print(json.dumps(data, ensure_ascii=False, indent=2))
def save_blob(encoded, suffix, label):
raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
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
file = Path(stem + "-" + label + "." + ext)
file.write_bytes(raw)
print("Saved", file)
for index, block in enumerate(data.get("content") or []):
print("Content", index, json.dumps(block, ensure_ascii=False))
for choice in data.get("choices") or []:
print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
for index, item in enumerate(data.get("output") or []):
print("Output", index, json.dumps(item, ensure_ascii=False))
if item.get("type") == "image_generation_call" and item.get("result"):
save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
for ci, candidate in enumerate(data.get("candidates") or []):
for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
blob = part.get("inlineData") or part.get("inline_data")
if blob and blob.get("data"):
mime = blob.get("mimeType") or blob.get("mime_type")
suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))
save_result(result.to_dict(mode="json"))
Terima dan simpan hasil
Ailoot Ultra · OpenAI Chat
json atau SSE
Simpan semua hasil yang selesai
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.
Jika respons asal perlu disemak
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
Medan respons
| 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 |
Ralat dan langkah seterusnya
| 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. |
Alias
Alias model
Ailoot Ultra deepseek-v3.2-exp-thinking
Alias laluan kaedah
/chat/completions
ID pemanggil berkaitan
FAQ · DeepSeek: DeepSeek V3.2 Exp
- Apakah input dan hasil yang tersedia?
POST /v1/chat/completions·deepseek-v3.2-exp-thinking:text→text- Apakah medan yang digunakan oleh permintaan?
POST /v1/chat/completions·deepseek-v3.2-exp-thinking:model,messages,stream- Apakah had yang terpakai?
POST /v1/chat/completions·deepseek-v3.2-exp-thinking:messages.min_items:1