DeepSeek V3.1 Terminus er DeepSeeks oppdatering av V3.1-tekstmodellprofilen. Den beholder de opprinnelige egenskapene og håndterer samtidig uønsket blanding av kinesisk og engelsk, sporadiske unormale tegn og atferden til kode- og søkeagenter. Inndataene er en skriftlig oppgave og kildekontekst; utdataene er tekst, som kan omfatte en forklaring, foreslått kode eller agentrelatert innhold. Den navngitte Terminus-utgaven holdes atskilt fra opprinnelig V3.1 og de senere utgavene med sparsom attention.
Den arvede V3.1-profilen er hybrid: én modell kan svare i modus med eller uten tenkning gjennom chatmalen. Den publiserte modelltabellen for V3.1 oppgir totalt 671 milliarder parametere, 37 milliarder aktive parametere og en kontekst på 128K. Terminus beskriver samme modellstruktur som V3 og viser til V3.1 for samtalemalen utenfor den reviderte søkeagentarbeidsflyten. Disse referansene knytter oppdateringen til den underliggende familien samtidig som dens egne endringer bevares.
For en direkte kodeassistent støtter den arvede malen standard verktøykall i modus uten tenkning, med navngitte funksjoner og JSON-argumenter basert på de innsendte verktøydefinisjonene. Modellen foreslår operasjonen, applikasjonen utfører den og returnerer observasjonen. Søk i tenkemodus følger et spesialisert søkeagentformat. Terminus oppdaterer denne søkemalen og verktøysettet, så søkeforløpet bør bruke Terminus-referansen fremfor en uvedkommende mal fra en annen utgave.
Språklig konsistens er en praktisk forskjell ved utgaven. For en dokumentoppgave på kinesisk eller engelsk angir du svarenes språk, begrepene som må beholde opprinnelig stavemåte, og kildeavsnittene som skal brukes. Et illustrerende oppdrag er: «Skriv forklaringen på engelsk, bevar de oppgitte variabelnavnene og unngå å oversette API-feltnavnene. Baser hvert funn på den innsendte spesifikasjonen.» Oppdateringen retter seg mot uønsket språkbytte, mens oppdraget ditt fortsatt definerer hvilket flerspråklig materiale som er tilsiktet.
Modellen kan bruke et søkeverktøy levert av brukeren for spørsmål som krever ekstern eller oppdatert informasjon. Legg ved forskningsspørsmålet, kriteriene for nyttige kilder og sluttleveransen. En kodeoppgave bør inneholde relevant fragment, observert oppførsel og forventet resultat. Hold verktøyresultater knyttet til operasjonen som frembrakte dem, og be sluttsvaret identifisere dokumentasjonen bak en foreslått endring eller konklusjon.
Produsenten registrerer en presisjonsdetalj som er spesifikk for sjekkpunktet: parametrene for attention-utdataprojeksjonen følger ikke UE8M0 FP8-skalaformatet som brukes i V3.1-utgaven. Dette er et hensyn i referanseimplementasjonen, ikke en endring av oppgavens språk, modalitet eller svarformat. Det er en grunn til å bevare Terminus som egen utgave og unngå å behandle alle V3.1-sjekkpunkter som identiske presisjonsprofiler.
For lengre arbeid budsjetterer du kildematerialet, samtalen og det genererte svaret innenfor familiens kontekst på 128K. Merk dokumentdeler og kodefragmenter, slik at et resultat kan vise tilbake til riktig dokumentasjon. I en oppgave med flere trinn definerer du tillatte handlinger, nødvendig artefakt og fullføringskriteriet. Det nyttige resultatet er et konsistent tekstsvar, et kodeforslag eller en kildeunderbygd analyse som kan vurderes mot inndataene og de faktiske verktøyobservasjonene.
", "aboutText": "DeepSeek V3.1 Terminus er DeepSeeks oppdatering av V3.1-tekstmodellprofilen. Den beholder de opprinnelige egenskapene og håndterer samtidig uønsket blanding av kinesisk og engelsk, sporadiske unormale tegn og atferden til kode- og søkeagenter. Inndataene er en skriftlig oppgave og kildekontekst; utdataene er tekst, som kan omfatte en forklaring, foreslått kode eller agentrelatert innhold. Den navngitte Terminus-utgaven holdes atskilt fra opprinnelig V3.1 og de senere utgavene med sparsom attention.\n\nDen arvede V3.1-profilen er hybrid: én modell kan svare i modus med eller uten tenkning gjennom chatmalen. Den publiserte modelltabellen for V3.1 oppgir totalt 671 milliarder parametere, 37 milliarder aktive parametere og en kontekst på 128K. Terminus beskriver samme modellstruktur som V3 og viser til V3.1 for samtalemalen utenfor den reviderte søkeagentarbeidsflyten. Disse referansene knytter oppdateringen til den underliggende familien samtidig som dens egne endringer bevares.\n\nFor en direkte kodeassistent støtter den arvede malen standard verktøykall i modus uten tenkning, med navngitte funksjoner og JSON-argumenter basert på de innsendte verktøydefinisjonene. Modellen foreslår operasjonen, applikasjonen utfører den og returnerer observasjonen. Søk i tenkemodus følger et spesialisert søkeagentformat. Terminus oppdaterer denne søkemalen og verktøysettet, så søkeforløpet bør bruke Terminus-referansen fremfor en uvedkommende mal fra en annen utgave.\n\nSpråklig konsistens er en praktisk forskjell ved utgaven. For en dokumentoppgave på kinesisk eller engelsk angir du svarenes språk, begrepene som må beholde opprinnelig stavemåte, og kildeavsnittene som skal brukes. Et illustrerende oppdrag er: «Skriv forklaringen på engelsk, bevar de oppgitte variabelnavnene og unngå å oversette API-feltnavnene. Baser hvert funn på den innsendte spesifikasjonen.» Oppdateringen retter seg mot uønsket språkbytte, mens oppdraget ditt fortsatt definerer hvilket flerspråklig materiale som er tilsiktet.\n\nModellen kan bruke et søkeverktøy levert av brukeren for spørsmål som krever ekstern eller oppdatert informasjon. Legg ved forskningsspørsmålet, kriteriene for nyttige kilder og sluttleveransen. En kodeoppgave bør inneholde relevant fragment, observert oppførsel og forventet resultat. Hold verktøyresultater knyttet til operasjonen som frembrakte dem, og be sluttsvaret identifisere dokumentasjonen bak en foreslått endring eller konklusjon.\n\nProdusenten registrerer en presisjonsdetalj som er spesifikk for sjekkpunktet: parametrene for attention-utdataprojeksjonen følger ikke UE8M0 FP8-skalaformatet som brukes i V3.1-utgaven. Dette er et hensyn i referanseimplementasjonen, ikke en endring av oppgavens språk, modalitet eller svarformat. Det er en grunn til å bevare Terminus som egen utgave og unngå å behandle alle V3.1-sjekkpunkter som identiske presisjonsprofiler.\n\nFor lengre arbeid budsjetterer du kildematerialet, samtalen og det genererte svaret innenfor familiens kontekst på 128K. Merk dokumentdeler og kodefragmenter, slik at et resultat kan vise tilbake til riktig dokumentasjon. I en oppgave med flere trinn definerer du tillatte handlinger, nødvendig artefakt og fullføringskriteriet. Det nyttige resultatet er et konsistent tekstsvar, et kodeforslag eller en kildeunderbygd analyse som kan vurderes mot inndataene og de faktiske verktøyobservasjonene.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Explain a field rule in English\n\nWrite an English explanation of this validation rule for an integration guide: "retry_count must be a nonnegative integer; retry_after_ms may be omitted; when present, it must be a positive integer." Preserve the field names exactly. Add one valid and one invalid example as plain text, explaining the invalid field without translating identifiers.An English paragraph plus two labelled examples and a specific validation explanation.Check that retry_count accepts zero while retry_after_ms does not.deepseek/deepseek-v3.1-terminusDeepSeek V3.1 Terminus forbedrer V3.1-tekstmodellens språklige konsistens og atferden til kode- og søkeagenter. Den beholder hybridprofilen med tenkning og direkte svar, med en kontekst på 128K og en oppdatert søkeagentmal som holdes atskilt fra senere V3.2-formater.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
DeepSeek V3.1 Terminus er DeepSeeks oppdatering av V3.1-tekstmodellprofilen. Den beholder de opprinnelige egenskapene og håndterer samtidig uønsket blanding av kinesisk og engelsk, sporadiske unormale tegn og atferden til kode- og søkeagenter. Inndataene er en skriftlig oppgave og kildekontekst; utdataene er tekst, som kan omfatte en forklaring, foreslått kode eller agentrelatert innhold. Den navngitte Terminus-utgaven holdes atskilt fra opprinnelig V3.1 og de senere utgavene med sparsom attention.
Den arvede V3.1-profilen er hybrid: én modell kan svare i modus med eller uten tenkning gjennom chatmalen. Den publiserte modelltabellen for V3.1 oppgir totalt 671 milliarder parametere, 37 milliarder aktive parametere og en kontekst på 128K. Terminus beskriver samme modellstruktur som V3 og viser til V3.1 for samtalemalen utenfor den reviderte søkeagentarbeidsflyten. Disse referansene knytter oppdateringen til den underliggende familien samtidig som dens egne endringer bevares.
For en direkte kodeassistent støtter den arvede malen standard verktøykall i modus uten tenkning, med navngitte funksjoner og JSON-argumenter basert på de innsendte verktøydefinisjonene. Modellen foreslår operasjonen, applikasjonen utfører den og returnerer observasjonen. Søk i tenkemodus følger et spesialisert søkeagentformat. Terminus oppdaterer denne søkemalen og verktøysettet, så søkeforløpet bør bruke Terminus-referansen fremfor en uvedkommende mal fra en annen utgave.
Språklig konsistens er en praktisk forskjell ved utgaven. For en dokumentoppgave på kinesisk eller engelsk angir du svarenes språk, begrepene som må beholde opprinnelig stavemåte, og kildeavsnittene som skal brukes. Et illustrerende oppdrag er: «Skriv forklaringen på engelsk, bevar de oppgitte variabelnavnene og unngå å oversette API-feltnavnene. Baser hvert funn på den innsendte spesifikasjonen.» Oppdateringen retter seg mot uønsket språkbytte, mens oppdraget ditt fortsatt definerer hvilket flerspråklig materiale som er tilsiktet.
Modellen kan bruke et søkeverktøy levert av brukeren for spørsmål som krever ekstern eller oppdatert informasjon. Legg ved forskningsspørsmålet, kriteriene for nyttige kilder og sluttleveransen. En kodeoppgave bør inneholde relevant fragment, observert oppførsel og forventet resultat. Hold verktøyresultater knyttet til operasjonen som frembrakte dem, og be sluttsvaret identifisere dokumentasjonen bak en foreslått endring eller konklusjon.
Produsenten registrerer en presisjonsdetalj som er spesifikk for sjekkpunktet: parametrene for attention-utdataprojeksjonen følger ikke UE8M0 FP8-skalaformatet som brukes i V3.1-utgaven. Dette er et hensyn i referanseimplementasjonen, ikke en endring av oppgavens språk, modalitet eller svarformat. Det er en grunn til å bevare Terminus som egen utgave og unngå å behandle alle V3.1-sjekkpunkter som identiske presisjonsprofiler.
For lengre arbeid budsjetterer du kildematerialet, samtalen og det genererte svaret innenfor familiens kontekst på 128K. Merk dokumentdeler og kodefragmenter, slik at et resultat kan vise tilbake til riktig dokumentasjon. I en oppgave med flere trinn definerer du tillatte handlinger, nødvendig artefakt og fullføringskriteriet. Det nyttige resultatet er et konsistent tekstsvar, et kodeforslag eller en kildeunderbygd analyse som kan vurderes mot inndataene og de faktiske verktøyobservasjonene.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser deepseek/deepseek-v3.1-terminus | 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 $0.001144 / 1K tokener Utdata · Utgående tokener $0.00343 / 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/deepseek-v3.1-terminus", "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-v3.1-terminus',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-v3.1-terminus',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-v3.1-terminus
Bruk metodestiene som vises ovenfor.
deepseek/deepseek-v3.1-terminusDeepSeek V3.1 Terminus forbedrer V3.1-tekstmodellens språklige konsistens og atferden til kode- og søkeagenter. Den beholder hybridprofilen med tenkning og direkte svar, med en kontekst på 128K og en oppdatert søkeagentmal som holdes atskilt fra senere V3.2-formater.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
DeepSeek V3.1 Terminus er DeepSeeks oppdatering av V3.1-tekstmodellprofilen. Den beholder de opprinnelige egenskapene og håndterer samtidig uønsket blanding av kinesisk og engelsk, sporadiske unormale tegn og atferden til kode- og søkeagenter. Inndataene er en skriftlig oppgave og kildekontekst; utdataene er tekst, som kan omfatte en forklaring, foreslått kode eller agentrelatert innhold. Den navngitte Terminus-utgaven holdes atskilt fra opprinnelig V3.1 og de senere utgavene med sparsom attention.
Den arvede V3.1-profilen er hybrid: én modell kan svare i modus med eller uten tenkning gjennom chatmalen. Den publiserte modelltabellen for V3.1 oppgir totalt 671 milliarder parametere, 37 milliarder aktive parametere og en kontekst på 128K. Terminus beskriver samme modellstruktur som V3 og viser til V3.1 for samtalemalen utenfor den reviderte søkeagentarbeidsflyten. Disse referansene knytter oppdateringen til den underliggende familien samtidig som dens egne endringer bevares.
For en direkte kodeassistent støtter den arvede malen standard verktøykall i modus uten tenkning, med navngitte funksjoner og JSON-argumenter basert på de innsendte verktøydefinisjonene. Modellen foreslår operasjonen, applikasjonen utfører den og returnerer observasjonen. Søk i tenkemodus følger et spesialisert søkeagentformat. Terminus oppdaterer denne søkemalen og verktøysettet, så søkeforløpet bør bruke Terminus-referansen fremfor en uvedkommende mal fra en annen utgave.
Språklig konsistens er en praktisk forskjell ved utgaven. For en dokumentoppgave på kinesisk eller engelsk angir du svarenes språk, begrepene som må beholde opprinnelig stavemåte, og kildeavsnittene som skal brukes. Et illustrerende oppdrag er: «Skriv forklaringen på engelsk, bevar de oppgitte variabelnavnene og unngå å oversette API-feltnavnene. Baser hvert funn på den innsendte spesifikasjonen.» Oppdateringen retter seg mot uønsket språkbytte, mens oppdraget ditt fortsatt definerer hvilket flerspråklig materiale som er tilsiktet.
Modellen kan bruke et søkeverktøy levert av brukeren for spørsmål som krever ekstern eller oppdatert informasjon. Legg ved forskningsspørsmålet, kriteriene for nyttige kilder og sluttleveransen. En kodeoppgave bør inneholde relevant fragment, observert oppførsel og forventet resultat. Hold verktøyresultater knyttet til operasjonen som frembrakte dem, og be sluttsvaret identifisere dokumentasjonen bak en foreslått endring eller konklusjon.
Produsenten registrerer en presisjonsdetalj som er spesifikk for sjekkpunktet: parametrene for attention-utdataprojeksjonen følger ikke UE8M0 FP8-skalaformatet som brukes i V3.1-utgaven. Dette er et hensyn i referanseimplementasjonen, ikke en endring av oppgavens språk, modalitet eller svarformat. Det er en grunn til å bevare Terminus som egen utgave og unngå å behandle alle V3.1-sjekkpunkter som identiske presisjonsprofiler.
For lengre arbeid budsjetterer du kildematerialet, samtalen og det genererte svaret innenfor familiens kontekst på 128K. Merk dokumentdeler og kodefragmenter, slik at et resultat kan vise tilbake til riktig dokumentasjon. I en oppgave med flere trinn definerer du tillatte handlinger, nødvendig artefakt og fullføringskriteriet. Det nyttige resultatet er et konsistent tekstsvar, et kodeforslag eller en kildeunderbygd analyse som kan vurderes mot inndataene og de faktiske verktøyobservasjonene.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser deepseek/deepseek-v3.1-terminus | 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 $0.001144 / 1K tokener Utdata · Utgående tokener $0.00343 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "deepseek/deepseek-v3.1-terminus",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-v3.1-terminus', '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-v3.1-terminus', '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-v3.1-terminus
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Explain a field rule in English\n\nWrite an English explanation of this validation rule for an integration guide: "retry_count must be a nonnegative integer; retry_after_ms may be omitted; when present, it must be a positive integer." Preserve the field names exactly. Add one valid and one invalid example as plain text, explaining the invalid field without translating identifiers.An English paragraph plus two labelled examples and a specific validation explanation.Check that retry_count accepts zero while retry_after_ms does not.