{ "aboutHtml": "

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.

", "aboutText": "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.\n\nDSA 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.\n\nKad 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.\n\nKad 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.\n\nUntuk 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.\n\nPelaksanaan 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.\n\nTugasan 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f1787a481953bb933030dbd11f92dc5364072f1537842eb1bc360f4ae50247dc", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
DS

DeepSeek: DeepSeek V3.2 Exp

DeepSeek /deepseek-v3.2-exp-thinking

Pengenalan

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
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.

Tersedia di Ailoot · input & kaedah

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions
Input
text
Output
text
Format output
json atau SSE
MedanJenisKeperluanNilai & hadLalai
MedanmodelJenisstringKeperluanDiperlukanNilai & had
deepseek-v3.2-exp-thinking
Lalai—
MedanmessagesJenismessage[]KeperluanDiperlukanNilai & had
Item minimum: 1
Lalai—
Medanmessages[].roleJenisstringKeperluanDiperlukanNilai & had
Bergantung pada model
Lalai—
Medanmessages[].contentJenisstringKeperluanPilihanNilai & had
Terpakai apabila: Perbualan teks
Lalai—
MedanstreamJenisbooleanKeperluanPilihanNilai & hadLalaifalse
Gabungan bahan input

Teks · Teks UTF8

messages[].content

Parameter kaedah dan kitar hayat
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, messages
Parametermaterial_typesKontraktext
ParametermessagesKontraktatasusunan mesej dengan struktur role/content
Parameterfile_materialKontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan
Parameteroptional_controlsKontrakstream
Parametercontrol_scopeKontrakPerbualan teks; stream ialah nilai boolean dengan false sebagai lalai.
Parameteroutput_modalitiesKontraktext
Parameterhosted_operationsKontrakfalse
Parametermultimodal_input_bindingKontraknull

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

KonfigurasiJadual kadarCaj
KonfigurasiKadar asas tokenJadual kadarKadar asasCaj
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\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"deepseek-v3.2-exp-thinking","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\n

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
MedanJenis
Medanchoices[].indexJenisinteger
Medanchoices[].message.contentJenisstring|null
Medanchoices[].message.tool_callsJenistool_call[]
Medanchoices[].message.reasoning_contentJenisstring
Medanchoices[].message.reasoning_detailsJenisobject|array
Medanchoices[].finish_reasonJenisstring|null
MedanusageJenisobject
Ralat dan langkah seterusnya
ResponsSyaratLangkah seterusnya
Respons400 · invalid_request_errorSyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sahLangkah 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

deepseek-v3.2-exp-thinking

", "method_identity": { "effective_request_model_id": "deepseek-v3.2-exp-thinking", "fmt": "chat", "http": "POST", "path": "/v1/chat/completions", "request_model_id": "deepseek-v3.2-exp-thinking", "route_label": "Ultra" }, "method_key": "Ultra|chat|/v1/chat/completions|deepseek-v3.2-exp-thinking", "ordinal": 0, "rawMethod": { "available": null, "cache_read": 0, "cache_write": 0, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every choice and its content/tool calls/reasoning. In SSE assemble deltas by choice/tool index, retain the final finish reason and usage.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "errors": [ { "code": null, "condition": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [ "Model context is not an output cap.", "Send the conversation as text messages. Stream must be a boolean; omitted stream defaults to false." ], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/chat/completions" }, "job_read": null, "mode": "synchronous_or_streamed", "unknown": "Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan." }, "material_combinations": [ { "mode": "text", "representation": "messages[].content", "required_material": "Teks UTF8" } ], "operation_modes": [ "conversation" ], "outputs": { "all_results": "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.", "family": "text", "fields": [ { "description": null, "name": "choices[].index", "type": "integer" }, { "description": null, "name": "choices[].message.content", "type": "string|null" }, { "description": null, "name": "choices[].message.tool_calls", "type": "tool_call[]" }, { "description": null, "name": "choices[].message.reasoning_content", "type": "string" }, { "description": null, "name": "choices[].message.reasoning_details", "type": "object|array" }, { "description": null, "name": "choices[].finish_reason", "type": "string|null" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json atau SSE" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "deepseek-v3.2-exp-thinking" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "messages", "required": true, "type": "message[]" }, { "availability": "model_dependent", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].role", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].content", "required": false, "type": "string", "when": "Perbualan teks" }, { "availability": "source_interface", "default": false, "default_known": true, "enum": null, "enum_known": false, "name": "stream", "required": false, "type": "boolean" } ], "profile_binding": "Text conversation at the exact model ID and method path.", "unsupported": [ "additional models/models list", "plugins", "route", "hosted tools; ordinary client function tools remain separate", "non-text output modalities", "provider.options overrides", "one-hour prompt-cache TTL" ] }, "hints": [ "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." ], "input": { "content_type": "application/json", "control_scope": "Perbualan teks; stream ialah nilai boolean dengan false sebagai lalai.", "file_material": "dokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan", "hosted_operations": false, "material_types": [ "text" ], "messages": "tatasusunan mesej dengan struktur role/content", "multimodal_input_binding": null, "optional_controls": [ "stream" ], "output_modalities": [ "text" ], "required": [ "model", "messages" ] }, "lifecycle": { "mode": "synchronous_or_streamed", "unknown": "preserve original request id; no generic chat job retrieval path" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/chat/completions" }, "method_aliases": [ "/chat/completions" ], "operation_modes": [ "text_chat" ], "output": { "content": "choices[].message.content or stream delta", "family": "text", "format": "json or supported SSE", "tool_calls": "retain actual returned function calls" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Kadar asas token", "units": [ { "amount": "0.00058000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000058", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.00086000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.00000086", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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-v3.2-exp-thinking\",\"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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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-v3.2-exp-thinking\", 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\"))\n", "label": "Python SDK · all choices", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "chat", "hints": [ "Send exact model ID with messages.", "Context length is not an output cap.", "A text file may supply literal text; image/audio/file-object inputs need exact binding." ], "http": "POST", "in": 0.58, "input": [ "text" ], "label": "OpenAI Chat", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [ "/chat/completions" ], "out": 0.86, "output": [ "text" ], "path": "/v1/chat/completions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00058000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000058", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.00086000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.00000086", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "deepseek-v3.2-exp-thinking", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00058000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000058", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.00086000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.00000086", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "deepseek-v3.2-exp-thinking", "nativeProvenance": { "input_facts_canonical_sha256": "426d3b41574eb1c27363ad00492ab20337fcfef0035c85824b36c94f70c0df8d", "input_html_sha256": "fd8a11ae7563aaf79ae9a6b06b36393c424624b35a0bfb7f54156d20a8924a63", "private_audit_sha256": "3a20032b91b5334787de8c7113220930664385be72c9316e7db83915d8f374e7", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/deepseek-v3-2-exp-thinking/", "description": "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.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/deepseek-v3-2-exp-thinking/index.md", "title": "DeepSeek: DeepSeek V3.2 Exp — Ailoot", "url": "https://ailoot.ai/models/ms/deepseek-v3-2-exp-thinking/" }, "rawModel": { "about": "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.\n\nDSA 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.\n\nKad 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.\n\nKad 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.\n\nUntuk 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.\n\nPelaksanaan 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.\n\nTugasan 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.", "alias_of": null, "aliases": [], "author": "DeepSeek", "capabilities": { "context_length": 163840, "manufacturer_input": [ "text" ], "manufacturer_output": [ "text" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00058000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000058", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.00086000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.00000086", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "Maklumat lengkap tentang harga konfigurasi terdapat dalam butiran." } ], "ctx": null, "formats": [ "chat" ], "id": "deepseek-v3.2-exp-thinking", "input": [ "text" ], "kind": "text", "max_out": null, "methods": [ { "available": null, "cache_read": 0, "cache_write": 0, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every choice and its content/tool calls/reasoning. In SSE assemble deltas by choice/tool index, retain the final finish reason and usage.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "errors": [ { "code": null, "condition": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [ "Model context is not an output cap.", "Send the conversation as text messages. Stream must be a boolean; omitted stream defaults to false." ], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/chat/completions" }, "job_read": null, "mode": "synchronous_or_streamed", "unknown": "Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan." }, "material_combinations": [ { "mode": "text", "representation": "messages[].content", "required_material": "Teks UTF8" } ], "operation_modes": [ "conversation" ], "outputs": { "all_results": "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.", "family": "text", "fields": [ { "description": null, "name": "choices[].index", "type": "integer" }, { "description": null, "name": "choices[].message.content", "type": "string|null" }, { "description": null, "name": "choices[].message.tool_calls", "type": "tool_call[]" }, { "description": null, "name": "choices[].message.reasoning_content", "type": "string" }, { "description": null, "name": "choices[].message.reasoning_details", "type": "object|array" }, { "description": null, "name": "choices[].finish_reason", "type": "string|null" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json atau SSE" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "deepseek-v3.2-exp-thinking" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "messages", "required": true, "type": "message[]" }, { "availability": "model_dependent", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].role", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].content", "required": false, "type": "string", "when": "Perbualan teks" }, { "availability": "source_interface", "default": false, "default_known": true, "enum": null, "enum_known": false, "name": "stream", "required": false, "type": "boolean" } ], "profile_binding": "Text conversation at the exact model ID and method path.", "unsupported": [ "additional models/models list", "plugins", "route", "hosted tools; ordinary client function tools remain separate", "non-text output modalities", "provider.options overrides", "one-hour prompt-cache TTL" ] }, "hints": [ "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." ], "input": { "content_type": "application/json", "control_scope": "Perbualan teks; stream ialah nilai boolean dengan false sebagai lalai.", "file_material": "dokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan", "hosted_operations": false, "material_types": [ "text" ], "messages": "tatasusunan mesej dengan struktur role/content", "multimodal_input_binding": null, "optional_controls": [ "stream" ], "output_modalities": [ "text" ], "required": [ "model", "messages" ] }, "lifecycle": { "mode": "synchronous_or_streamed", "unknown": "preserve original request id; no generic chat job retrieval path" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/chat/completions" }, "method_aliases": [ "/chat/completions" ], "operation_modes": [ "text_chat" ], "output": { "content": "choices[].message.content or stream delta", "family": "text", "format": "json or supported SSE", "tool_calls": "retain actual returned function calls" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Kadar asas token", "units": [ { "amount": "0.00058000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000058", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.00086000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.00000086", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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-v3.2-exp-thinking\",\"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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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-v3.2-exp-thinking\", 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\"))\n", "label": "Python SDK · all choices", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "chat", "hints": [ "Send exact model ID with messages.", "Context length is not an output cap.", "A text file may supply literal text; image/audio/file-object inputs need exact binding." ], "http": "POST", "in": 0.58, "input": [ "text" ], "label": "OpenAI Chat", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [ "/chat/completions" ], "out": 0.86, "output": [ "text" ], "path": "/v1/chat/completions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00058000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000058", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.00086000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.00000086", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "deepseek-v3.2-exp-thinking", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00058000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000058", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.00086000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.00000086", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "deepseek-v3.2-exp-thinking", "request_model_id": "deepseek-v3.2-exp-thinking", "route_label": "Ultra" } ], "name": "DeepSeek: DeepSeek V3.2 Exp", "price": { "in": 0.58, "in_label": null, "out": 0.86, "out_label": null, "scope_label": "Token rates", "sort_in": 0.58, "sort_out": 0.86, "varies": false }, "short": "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." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "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.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "077442724a21e2ad556f1580ae22a2e4b9dedbd1e1003fa61c8865b73922c7eb", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "61c8bad5bb59be48bd26eb23432bc7662a1b9dc02aab6b64051f8df171a47c2e" }