DeepSeek V2.5 kombinerer DeepSeek V2 Chat og DeepSeek Coder V2 Instruct og samler deres generelle språkferdigheter og kodeferdigheter i én modell. Produsenten beskriver arbeid med skriving og instruksjonsfølging. Den navngitte vertsbaserte profilen på dette kortet oppgir en kontekstlengde på 32 000 tokener.
En skriveprompt kan angi kildeteksten, målgruppen og informasjonen som skal formidles. Be om en forklaring, revidert tekst eller et utkast med en bestemt lengde. Angi hvilke detaljer som må bevares, slik at resultatet kan sammenlignes med kilden.
Ved kodegenerering oppgir du grensesnittet, representative inndata og forventede utdata. Be om en implementasjon og tester for tilfellene du angir. Ved en rettelse tar du med den nøyaktige feilen og ber om en forklaring knyttet til koden du har oppgitt, før en endring foreslås. Gjennomgå og kjør den returnerte koden i målprosjektet.
Produsentens kodelager demonstrerer funksjonskall. Modellen genererer en forespørsel til en funksjon som er beskrevet i prompten; applikasjonen rundt modellen kjører funksjonen og returnerer resultatet. Behold det faktiske funksjonsresultatet i samtalen når du ber om det endelige svaret. Dette beskriver produsentens integrasjonsoppskrift, der operasjonene utføres av applikasjonen.
Kodelageret viser også en promptkonvensjon for JSON-utdata. Definer feltene og typene du ønsker, og oppgi hvordan en manglende verdi skal representeres. Valider den returnerte strukturen og sammenlign innholdet med materialet du har oppgitt, før du bruker det i en annen operasjon. En forespørsel om JSON er fortsatt en oppgave med innhold som må kontrolleres.
Produsenten dokumenterer utfylling av et mellomrom mellom et kodeprefiks og et kodesuffiks med et eget fullføringsformat. Bevar koden rundt og kravene til den manglende delen når du klargjør en slik oppgave. Kodelagerets fullføringsoppskrift og en samtaleforespørsel er forskjellige formater.
DeepSeek V2.5 har en oppdatert samtalemal sammenlignet med DeepSeek V2 Chat. Bruk formatet til den valgte utgaven når du arbeider direkte med de publiserte modellvektene. For denne vertsbaserte profilen må kildetekst, relevant samtale og svar få plass innenfor profilens egen oppgitte kontekst; en eksempelinnstilling for utrulling i kodelageret er et eksempel, ikke en universell grense for svar eller kontekst.
", "aboutText": "DeepSeek V2.5 kombinerer DeepSeek V2 Chat og DeepSeek Coder V2 Instruct og samler deres generelle språkferdigheter og kodeferdigheter i én modell. Produsenten beskriver arbeid med skriving og instruksjonsfølging. Den navngitte vertsbaserte profilen på dette kortet oppgir en kontekstlengde på 32 000 tokener.\n\n### Klargjør en skrive- eller kodeoppgave\n\nEn skriveprompt kan angi kildeteksten, målgruppen og informasjonen som skal formidles. Be om en forklaring, revidert tekst eller et utkast med en bestemt lengde. Angi hvilke detaljer som må bevares, slik at resultatet kan sammenlignes med kilden.\n\nVed kodegenerering oppgir du grensesnittet, representative inndata og forventede utdata. Be om en implementasjon og tester for tilfellene du angir. Ved en rettelse tar du med den nøyaktige feilen og ber om en forklaring knyttet til koden du har oppgitt, før en endring foreslås. Gjennomgå og kjør den returnerte koden i målprosjektet.\n\n### Funksjoner og strukturert tekst\n\nProdusentens kodelager demonstrerer funksjonskall. Modellen genererer en forespørsel til en funksjon som er beskrevet i prompten; applikasjonen rundt modellen kjører funksjonen og returnerer resultatet. Behold det faktiske funksjonsresultatet i samtalen når du ber om det endelige svaret. Dette beskriver produsentens integrasjonsoppskrift, der operasjonene utføres av applikasjonen.\n\nKodelageret viser også en promptkonvensjon for JSON-utdata. Definer feltene og typene du ønsker, og oppgi hvordan en manglende verdi skal representeres. Valider den returnerte strukturen og sammenlign innholdet med materialet du har oppgitt, før du bruker det i en annen operasjon. En forespørsel om JSON er fortsatt en oppgave med innhold som må kontrolleres.\n\n### Bevar kodekontekst og formatet til utgaven\n\nProdusenten dokumenterer utfylling av et mellomrom mellom et kodeprefiks og et kodesuffiks med et eget fullføringsformat. Bevar koden rundt og kravene til den manglende delen når du klargjør en slik oppgave. Kodelagerets fullføringsoppskrift og en samtaleforespørsel er forskjellige formater.\n\nDeepSeek V2.5 har en oppdatert samtalemal sammenlignet med DeepSeek V2 Chat. Bruk formatet til den valgte utgaven når du arbeider direkte med de publiserte modellvektene. For denne vertsbaserte profilen må kildetekst, relevant samtale og svar få plass innenfor profilens egen oppgitte kontekst; en eksempelinnstilling for utrulling i kodelageret er et eksempel, ikke en universell grense for svar eller kontekst.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Fix an empty-input average\n\nFix this Python function: 'def mean(xs): return sum(xs) / len(xs)'. Required behaviour: return None for an empty list and a numeric mean otherwise. Provide the replacement function, then plain assert tests for [], [4], and [2, 6]. Explain the original failure in one sentence. Use only the standard language.A replacement mean function, three assert tests and one sentence about division by zero.The tests cover empty input returning None and the two nonempty means without changing the input list.deepseek-ai/DeepSeek-V2.5DeepSeek V2.5 kombinerer de generelle språkferdighetene til DeepSeek V2 Chat med kodeferdighetene til DeepSeek Coder V2 Instruct. Bruk den til en skriveoppgave, kodeforklaring eller målrettet rettelse; denne navngitte vertsbaserte profilen oppgir en kontekst på 32 000 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
DeepSeek V2.5 kombinerer DeepSeek V2 Chat og DeepSeek Coder V2 Instruct og samler deres generelle språkferdigheter og kodeferdigheter i én modell. Produsenten beskriver arbeid med skriving og instruksjonsfølging. Den navngitte vertsbaserte profilen på dette kortet oppgir en kontekstlengde på 32 000 tokener.
En skriveprompt kan angi kildeteksten, målgruppen og informasjonen som skal formidles. Be om en forklaring, revidert tekst eller et utkast med en bestemt lengde. Angi hvilke detaljer som må bevares, slik at resultatet kan sammenlignes med kilden.
Ved kodegenerering oppgir du grensesnittet, representative inndata og forventede utdata. Be om en implementasjon og tester for tilfellene du angir. Ved en rettelse tar du med den nøyaktige feilen og ber om en forklaring knyttet til koden du har oppgitt, før en endring foreslås. Gjennomgå og kjør den returnerte koden i målprosjektet.
Produsentens kodelager demonstrerer funksjonskall. Modellen genererer en forespørsel til en funksjon som er beskrevet i prompten; applikasjonen rundt modellen kjører funksjonen og returnerer resultatet. Behold det faktiske funksjonsresultatet i samtalen når du ber om det endelige svaret. Dette beskriver produsentens integrasjonsoppskrift, der operasjonene utføres av applikasjonen.
Kodelageret viser også en promptkonvensjon for JSON-utdata. Definer feltene og typene du ønsker, og oppgi hvordan en manglende verdi skal representeres. Valider den returnerte strukturen og sammenlign innholdet med materialet du har oppgitt, før du bruker det i en annen operasjon. En forespørsel om JSON er fortsatt en oppgave med innhold som må kontrolleres.
Produsenten dokumenterer utfylling av et mellomrom mellom et kodeprefiks og et kodesuffiks med et eget fullføringsformat. Bevar koden rundt og kravene til den manglende delen når du klargjør en slik oppgave. Kodelagerets fullføringsoppskrift og en samtaleforespørsel er forskjellige formater.
DeepSeek V2.5 har en oppdatert samtalemal sammenlignet med DeepSeek V2 Chat. Bruk formatet til den valgte utgaven når du arbeider direkte med de publiserte modellvektene. For denne vertsbaserte profilen må kildetekst, relevant samtale og svar få plass innenfor profilens egen oppgitte kontekst; en eksempelinnstilling for utrulling i kodelageret er et eksempel, ikke en universell grense for svar eller kontekst.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser deepseek-ai/DeepSeek-V2.5 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.0006 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-ai/DeepSeek-V2.5", "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-ai/DeepSeek-V2.5',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-ai/DeepSeek-V2.5',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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra deepseek-ai/DeepSeek-V2.5
Bruk metodestiene som vises ovenfor.
deepseek-ai/DeepSeek-V2.5DeepSeek V2.5 kombinerer de generelle språkferdighetene til DeepSeek V2 Chat med kodeferdighetene til DeepSeek Coder V2 Instruct. Bruk den til en skriveoppgave, kodeforklaring eller målrettet rettelse; denne navngitte vertsbaserte profilen oppgir en kontekst på 32 000 tokener.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
DeepSeek V2.5 kombinerer DeepSeek V2 Chat og DeepSeek Coder V2 Instruct og samler deres generelle språkferdigheter og kodeferdigheter i én modell. Produsenten beskriver arbeid med skriving og instruksjonsfølging. Den navngitte vertsbaserte profilen på dette kortet oppgir en kontekstlengde på 32 000 tokener.
En skriveprompt kan angi kildeteksten, målgruppen og informasjonen som skal formidles. Be om en forklaring, revidert tekst eller et utkast med en bestemt lengde. Angi hvilke detaljer som må bevares, slik at resultatet kan sammenlignes med kilden.
Ved kodegenerering oppgir du grensesnittet, representative inndata og forventede utdata. Be om en implementasjon og tester for tilfellene du angir. Ved en rettelse tar du med den nøyaktige feilen og ber om en forklaring knyttet til koden du har oppgitt, før en endring foreslås. Gjennomgå og kjør den returnerte koden i målprosjektet.
Produsentens kodelager demonstrerer funksjonskall. Modellen genererer en forespørsel til en funksjon som er beskrevet i prompten; applikasjonen rundt modellen kjører funksjonen og returnerer resultatet. Behold det faktiske funksjonsresultatet i samtalen når du ber om det endelige svaret. Dette beskriver produsentens integrasjonsoppskrift, der operasjonene utføres av applikasjonen.
Kodelageret viser også en promptkonvensjon for JSON-utdata. Definer feltene og typene du ønsker, og oppgi hvordan en manglende verdi skal representeres. Valider den returnerte strukturen og sammenlign innholdet med materialet du har oppgitt, før du bruker det i en annen operasjon. En forespørsel om JSON er fortsatt en oppgave med innhold som må kontrolleres.
Produsenten dokumenterer utfylling av et mellomrom mellom et kodeprefiks og et kodesuffiks med et eget fullføringsformat. Bevar koden rundt og kravene til den manglende delen når du klargjør en slik oppgave. Kodelagerets fullføringsoppskrift og en samtaleforespørsel er forskjellige formater.
DeepSeek V2.5 har en oppdatert samtalemal sammenlignet med DeepSeek V2 Chat. Bruk formatet til den valgte utgaven når du arbeider direkte med de publiserte modellvektene. For denne vertsbaserte profilen må kildetekst, relevant samtale og svar få plass innenfor profilens egen oppgitte kontekst; en eksempelinnstilling for utrulling i kodelageret er et eksempel, ikke en universell grense for svar eller kontekst.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser deepseek-ai/DeepSeek-V2.5 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0003 / 1K tokener Utdata · Utgående tokener $0.0006 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "deepseek-ai/DeepSeek-V2.5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-ai/DeepSeek-V2.5', '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-ai/DeepSeek-V2.5', '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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra deepseek-ai/DeepSeek-V2.5
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Fix an empty-input average\n\nFix this Python function: 'def mean(xs): return sum(xs) / len(xs)'. Required behaviour: return None for an empty list and a numeric mean otherwise. Provide the replacement function, then plain assert tests for [], [4], and [2, 6]. Explain the original failure in one sentence. Use only the standard language.A replacement mean function, three assert tests and one sentence about division by zero.The tests cover empty input returning None and the two nonempty means without changing the input list.