DeepSeek V3.1 er DeepSeeks hybride tekstmodell: den samme navngitte utgaven støtter svar med og uten tenkning gjennom ulike innstillinger i chatmalen. Produsenten fremhever forbedret verktøybruk, agentoppgaver og resonneringseffektivitet sammenlignet med den tidligere modellen. Den tar imot skriftlige instruksjoner og tekstkontekst og genererer et svar, kode eller innhold for verktøykall. Den opprinnelige V3.1-identiteten er atskilt fra Terminus, V3.2 og V4-familien.
Modellkortet oppgir totalt 671 milliarder parametere, 37 milliarder aktive parametere og en kontekst på 128K for både grunnutgaven og den ettertrente utgaven. V3.1 bygger på det opprinnelige V3-grunnlaget med utvidet trening på lange dokumenter før ettertrening. Strukturen med mixture-of-experts og latent attention følger V3-arkitekturen. Disse designfaktaene forklarer tekstprofilen med lang kontekst uten å gjøre konteksttallet til en separat spesifikasjon for maksimal utdatalengde.
Modus uten tenkning utarbeider et direkte svar, mens tenkemodus starter en resonneringsfase før svaret. Produsentmalen bruker en avsluttende tenkemarkør for direkte svar og en innledende tenkemarkør for den gjeldende resonneringsturen. I en samtale over flere turer forkastes tidligere resonneringsinnhold, mens sluttsvar og den avsluttende markøren forblir i konteksten. Dette er den opprinnelige historikkregelen for V3.1, atskilt fra den senere V3.2-regelen som bevarer resonnering på tvers av verktøyrelaterte meldinger.
Standard verktøykall er dokumentert i modus uten tenkning. Applikasjonen leverer funksjonsnavn, beskrivelser og parameterskjemaer; modellen returnerer et valgt verktøynavn og JSON-argumenter i produsentens representasjon av verktøykall. Applikasjonen utfører operasjonen og returnerer resultatet. Gi verktøy konkrete formål og hold den returnerte observasjonen knyttet til kallet, slik at neste modelltrinn har dokumentasjon fremfor en antakelse om at en handling fant sted.
Søk i tenkemodus bruker et separat spesialisert søkeagentformat. DeepSeek dokumenterer et brukerlevert søkeverktøy for spørsmål som krever ekstern eller oppdatert informasjon, med gjentatte kall og observasjoner over flere turer. Søk er derfor del av arbeidsflyten rundt modellen, ikke en påstand om at et tekstsvar selvstendig surfet på nettet. Definer spørsmålet, kildekriteriene og sluttsvaret du trenger før søkeoppgaven starter.
For koding legger du ved relevant fragment eller filer, observert oppførsel, forventet oppførsel og begrensninger som skal bevares. Et illustrerende oppdrag er: «Identifiser årsaken til denne feilen for de innsendte inndataene, foreslå en avgrenset retting og forklar vilkåret endringen håndterer.» For en dokumentoppgave merker du kildedeler og ber om en sammenligning mot uttrykkelige krav. Krev at sluttsvaret skiller den kildeunderbygde konklusjonen fra en foreslått neste handling.
Produsenten trener V3.1 med UE8M0 FP8-skalaformatet for vekter og aktiveringer. De lokale anbefalingene identifiserer også presisjonsfølsomme parametere som må håndteres korrekt. Dette er egenskaper ved den publiserte produsentreferansen, ikke en påstand om hver applikasjons valgte presisjon eller implementasjon. Et avledet produkt, en kvantisert variant og det senere Terminus-sjekkpunktet forblir separate valg fra den navngitte opprinnelige V3.1-utgaven.
Klargjør lengre arbeid med et tydelig spørsmål, kildeetiketter og en definert sluttartefakt. Budsjetter samtale, kildetekst, resonnering og utdata innenfor den dokumenterte konteksten, og behold bare relevant dokumentasjon etter hvert som oppgaven vokser. For en agent angir du tillatte handlinger og kriteriet som markerer at resultatet er fullført. Den nyttige leveransen er et tekstsvar som kan vurderes, et kodeforslag eller en kildeunderbygd analyse knyttet til inndataene og observasjonene applikasjonen faktisk returnerte.
", "aboutText": "DeepSeek V3.1 er DeepSeeks hybride tekstmodell: den samme navngitte utgaven støtter svar med og uten tenkning gjennom ulike innstillinger i chatmalen. Produsenten fremhever forbedret verktøybruk, agentoppgaver og resonneringseffektivitet sammenlignet med den tidligere modellen. Den tar imot skriftlige instruksjoner og tekstkontekst og genererer et svar, kode eller innhold for verktøykall. Den opprinnelige V3.1-identiteten er atskilt fra Terminus, V3.2 og V4-familien.\n\nModellkortet oppgir totalt 671 milliarder parametere, 37 milliarder aktive parametere og en kontekst på 128K for både grunnutgaven og den ettertrente utgaven. V3.1 bygger på det opprinnelige V3-grunnlaget med utvidet trening på lange dokumenter før ettertrening. Strukturen med mixture-of-experts og latent attention følger V3-arkitekturen. Disse designfaktaene forklarer tekstprofilen med lang kontekst uten å gjøre konteksttallet til en separat spesifikasjon for maksimal utdatalengde.\n\nModus uten tenkning utarbeider et direkte svar, mens tenkemodus starter en resonneringsfase før svaret. Produsentmalen bruker en avsluttende tenkemarkør for direkte svar og en innledende tenkemarkør for den gjeldende resonneringsturen. I en samtale over flere turer forkastes tidligere resonneringsinnhold, mens sluttsvar og den avsluttende markøren forblir i konteksten. Dette er den opprinnelige historikkregelen for V3.1, atskilt fra den senere V3.2-regelen som bevarer resonnering på tvers av verktøyrelaterte meldinger.\n\nStandard verktøykall er dokumentert i modus uten tenkning. Applikasjonen leverer funksjonsnavn, beskrivelser og parameterskjemaer; modellen returnerer et valgt verktøynavn og JSON-argumenter i produsentens representasjon av verktøykall. Applikasjonen utfører operasjonen og returnerer resultatet. Gi verktøy konkrete formål og hold den returnerte observasjonen knyttet til kallet, slik at neste modelltrinn har dokumentasjon fremfor en antakelse om at en handling fant sted.\n\nSøk i tenkemodus bruker et separat spesialisert søkeagentformat. DeepSeek dokumenterer et brukerlevert søkeverktøy for spørsmål som krever ekstern eller oppdatert informasjon, med gjentatte kall og observasjoner over flere turer. Søk er derfor del av arbeidsflyten rundt modellen, ikke en påstand om at et tekstsvar selvstendig surfet på nettet. Definer spørsmålet, kildekriteriene og sluttsvaret du trenger før søkeoppgaven starter.\n\nFor koding legger du ved relevant fragment eller filer, observert oppførsel, forventet oppførsel og begrensninger som skal bevares. Et illustrerende oppdrag er: «Identifiser årsaken til denne feilen for de innsendte inndataene, foreslå en avgrenset retting og forklar vilkåret endringen håndterer.» For en dokumentoppgave merker du kildedeler og ber om en sammenligning mot uttrykkelige krav. Krev at sluttsvaret skiller den kildeunderbygde konklusjonen fra en foreslått neste handling.\n\nProdusenten trener V3.1 med UE8M0 FP8-skalaformatet for vekter og aktiveringer. De lokale anbefalingene identifiserer også presisjonsfølsomme parametere som må håndteres korrekt. Dette er egenskaper ved den publiserte produsentreferansen, ikke en påstand om hver applikasjons valgte presisjon eller implementasjon. Et avledet produkt, en kvantisert variant og det senere Terminus-sjekkpunktet forblir separate valg fra den navngitte opprinnelige V3.1-utgaven.\n\nKlargjør lengre arbeid med et tydelig spørsmål, kildeetiketter og en definert sluttartefakt. Budsjetter samtale, kildetekst, resonnering og utdata innenfor den dokumenterte konteksten, og behold bare relevant dokumentasjon etter hvert som oppgaven vokser. For en agent angir du tillatte handlinger og kriteriet som markerer at resultatet er fullført. Den nyttige leveransen er et tekstsvar som kan vurderes, et kodeforslag eller en kildeunderbygd analyse knyttet til inndataene og observasjonene applikasjonen faktisk returnerte.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Fix a pagination boundary\n\nFind the bug in this Python pagination helper: def page(items, offset, limit): return items[offset:limit]. For items=[10,20,30,40,50], offset=2 and limit=2, the expected result is [30,40]. Return a focused patch and tests for a nonzero offset, an empty list and a page extending past the list end.A corrected function and three runnable unit-test examples with explicit expected results.Check that the slice endpoint is derived from offset plus limit and all three boundary cases preserve list slicing behavior.deepseek/deepseek-chat-v3.1DeepSeek V3.1 er en hybrid tekstmodell med moduser for tenkning og direkte svar i én utgave. Konteksten på 128K og den forbedrede profilen for verktøybruk støtter koding, dokumentanalyse og søk levert av applikasjonen, med tekst eller foreslåtte verktøykall som resultat.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
DeepSeek V3.1 er DeepSeeks hybride tekstmodell: den samme navngitte utgaven støtter svar med og uten tenkning gjennom ulike innstillinger i chatmalen. Produsenten fremhever forbedret verktøybruk, agentoppgaver og resonneringseffektivitet sammenlignet med den tidligere modellen. Den tar imot skriftlige instruksjoner og tekstkontekst og genererer et svar, kode eller innhold for verktøykall. Den opprinnelige V3.1-identiteten er atskilt fra Terminus, V3.2 og V4-familien.
Modellkortet oppgir totalt 671 milliarder parametere, 37 milliarder aktive parametere og en kontekst på 128K for både grunnutgaven og den ettertrente utgaven. V3.1 bygger på det opprinnelige V3-grunnlaget med utvidet trening på lange dokumenter før ettertrening. Strukturen med mixture-of-experts og latent attention følger V3-arkitekturen. Disse designfaktaene forklarer tekstprofilen med lang kontekst uten å gjøre konteksttallet til en separat spesifikasjon for maksimal utdatalengde.
Modus uten tenkning utarbeider et direkte svar, mens tenkemodus starter en resonneringsfase før svaret. Produsentmalen bruker en avsluttende tenkemarkør for direkte svar og en innledende tenkemarkør for den gjeldende resonneringsturen. I en samtale over flere turer forkastes tidligere resonneringsinnhold, mens sluttsvar og den avsluttende markøren forblir i konteksten. Dette er den opprinnelige historikkregelen for V3.1, atskilt fra den senere V3.2-regelen som bevarer resonnering på tvers av verktøyrelaterte meldinger.
Standard verktøykall er dokumentert i modus uten tenkning. Applikasjonen leverer funksjonsnavn, beskrivelser og parameterskjemaer; modellen returnerer et valgt verktøynavn og JSON-argumenter i produsentens representasjon av verktøykall. Applikasjonen utfører operasjonen og returnerer resultatet. Gi verktøy konkrete formål og hold den returnerte observasjonen knyttet til kallet, slik at neste modelltrinn har dokumentasjon fremfor en antakelse om at en handling fant sted.
Søk i tenkemodus bruker et separat spesialisert søkeagentformat. DeepSeek dokumenterer et brukerlevert søkeverktøy for spørsmål som krever ekstern eller oppdatert informasjon, med gjentatte kall og observasjoner over flere turer. Søk er derfor del av arbeidsflyten rundt modellen, ikke en påstand om at et tekstsvar selvstendig surfet på nettet. Definer spørsmålet, kildekriteriene og sluttsvaret du trenger før søkeoppgaven starter.
For koding legger du ved relevant fragment eller filer, observert oppførsel, forventet oppførsel og begrensninger som skal bevares. Et illustrerende oppdrag er: «Identifiser årsaken til denne feilen for de innsendte inndataene, foreslå en avgrenset retting og forklar vilkåret endringen håndterer.» For en dokumentoppgave merker du kildedeler og ber om en sammenligning mot uttrykkelige krav. Krev at sluttsvaret skiller den kildeunderbygde konklusjonen fra en foreslått neste handling.
Produsenten trener V3.1 med UE8M0 FP8-skalaformatet for vekter og aktiveringer. De lokale anbefalingene identifiserer også presisjonsfølsomme parametere som må håndteres korrekt. Dette er egenskaper ved den publiserte produsentreferansen, ikke en påstand om hver applikasjons valgte presisjon eller implementasjon. Et avledet produkt, en kvantisert variant og det senere Terminus-sjekkpunktet forblir separate valg fra den navngitte opprinnelige V3.1-utgaven.
Klargjør lengre arbeid med et tydelig spørsmål, kildeetiketter og en definert sluttartefakt. Budsjetter samtale, kildetekst, resonnering og utdata innenfor den dokumenterte konteksten, og behold bare relevant dokumentasjon etter hvert som oppgaven vokser. For en agent angir du tillatte handlinger og kriteriet som markerer at resultatet er fullført. Den nyttige leveransen er et tekstsvar som kan vurderes, et kodeforslag eller en kildeunderbygd analyse knyttet til inndataene og observasjonene applikasjonen faktisk returnerte.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser deepseek/deepseek-chat-v3.1 | 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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.000572 / 1K tokener Utdata · Utgående tokener $0.0023 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00026 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.000572 / 1K tokener Utdata · Utgående tokener $0.0023 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00026 / 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/deepseek-chat-v3.1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek/deepseek-chat-v3.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek/deepseek-chat-v3.1',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/deepseek-chat-v3.1
Bruk metodestiene som vises ovenfor.
deepseek/deepseek-chat-v3.1DeepSeek V3.1 er en hybrid tekstmodell med moduser for tenkning og direkte svar i én utgave. Konteksten på 128K og den forbedrede profilen for verktøybruk støtter koding, dokumentanalyse og søk levert av applikasjonen, med tekst eller foreslåtte verktøykall som resultat.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
DeepSeek V3.1 er DeepSeeks hybride tekstmodell: den samme navngitte utgaven støtter svar med og uten tenkning gjennom ulike innstillinger i chatmalen. Produsenten fremhever forbedret verktøybruk, agentoppgaver og resonneringseffektivitet sammenlignet med den tidligere modellen. Den tar imot skriftlige instruksjoner og tekstkontekst og genererer et svar, kode eller innhold for verktøykall. Den opprinnelige V3.1-identiteten er atskilt fra Terminus, V3.2 og V4-familien.
Modellkortet oppgir totalt 671 milliarder parametere, 37 milliarder aktive parametere og en kontekst på 128K for både grunnutgaven og den ettertrente utgaven. V3.1 bygger på det opprinnelige V3-grunnlaget med utvidet trening på lange dokumenter før ettertrening. Strukturen med mixture-of-experts og latent attention følger V3-arkitekturen. Disse designfaktaene forklarer tekstprofilen med lang kontekst uten å gjøre konteksttallet til en separat spesifikasjon for maksimal utdatalengde.
Modus uten tenkning utarbeider et direkte svar, mens tenkemodus starter en resonneringsfase før svaret. Produsentmalen bruker en avsluttende tenkemarkør for direkte svar og en innledende tenkemarkør for den gjeldende resonneringsturen. I en samtale over flere turer forkastes tidligere resonneringsinnhold, mens sluttsvar og den avsluttende markøren forblir i konteksten. Dette er den opprinnelige historikkregelen for V3.1, atskilt fra den senere V3.2-regelen som bevarer resonnering på tvers av verktøyrelaterte meldinger.
Standard verktøykall er dokumentert i modus uten tenkning. Applikasjonen leverer funksjonsnavn, beskrivelser og parameterskjemaer; modellen returnerer et valgt verktøynavn og JSON-argumenter i produsentens representasjon av verktøykall. Applikasjonen utfører operasjonen og returnerer resultatet. Gi verktøy konkrete formål og hold den returnerte observasjonen knyttet til kallet, slik at neste modelltrinn har dokumentasjon fremfor en antakelse om at en handling fant sted.
Søk i tenkemodus bruker et separat spesialisert søkeagentformat. DeepSeek dokumenterer et brukerlevert søkeverktøy for spørsmål som krever ekstern eller oppdatert informasjon, med gjentatte kall og observasjoner over flere turer. Søk er derfor del av arbeidsflyten rundt modellen, ikke en påstand om at et tekstsvar selvstendig surfet på nettet. Definer spørsmålet, kildekriteriene og sluttsvaret du trenger før søkeoppgaven starter.
For koding legger du ved relevant fragment eller filer, observert oppførsel, forventet oppførsel og begrensninger som skal bevares. Et illustrerende oppdrag er: «Identifiser årsaken til denne feilen for de innsendte inndataene, foreslå en avgrenset retting og forklar vilkåret endringen håndterer.» For en dokumentoppgave merker du kildedeler og ber om en sammenligning mot uttrykkelige krav. Krev at sluttsvaret skiller den kildeunderbygde konklusjonen fra en foreslått neste handling.
Produsenten trener V3.1 med UE8M0 FP8-skalaformatet for vekter og aktiveringer. De lokale anbefalingene identifiserer også presisjonsfølsomme parametere som må håndteres korrekt. Dette er egenskaper ved den publiserte produsentreferansen, ikke en påstand om hver applikasjons valgte presisjon eller implementasjon. Et avledet produkt, en kvantisert variant og det senere Terminus-sjekkpunktet forblir separate valg fra den navngitte opprinnelige V3.1-utgaven.
Klargjør lengre arbeid med et tydelig spørsmål, kildeetiketter og en definert sluttartefakt. Budsjetter samtale, kildetekst, resonnering og utdata innenfor den dokumenterte konteksten, og behold bare relevant dokumentasjon etter hvert som oppgaven vokser. For en agent angir du tillatte handlinger og kriteriet som markerer at resultatet er fullført. Den nyttige leveransen er et tekstsvar som kan vurderes, et kodeforslag eller en kildeunderbygd analyse knyttet til inndataene og observasjonene applikasjonen faktisk returnerte.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser deepseek/deepseek-chat-v3.1 | 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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.000572 / 1K tokener Utdata · Utgående tokener $0.0023 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00026 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.000572 / 1K tokener Utdata · Utgående tokener $0.0023 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00026 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "deepseek/deepseek-chat-v3.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-chat-v3.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-chat-v3.1', '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/deepseek-chat-v3.1
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Fix a pagination boundary\n\nFind the bug in this Python pagination helper: def page(items, offset, limit): return items[offset:limit]. For items=[10,20,30,40,50], offset=2 and limit=2, the expected result is [30,40]. Return a focused patch and tests for a nonzero offset, an empty list and a page extending past the list end.A corrected function and three runnable unit-test examples with explicit expected results.Check that the slice endpoint is derived from offset plus limit and all three boundary cases preserve list slicing behavior.