DeepSeek V3.2 Exp er DeepSeeks eksperimentelle tekstmodellutgave, bygget på V3.1 Terminus. Den definerende endringen er DeepSeek Sparse Attention, innført for å undersøke mer effektiv trening og inferens for lange tekstsekvenser. Oppgaven er fortsatt tekstbasert: skriftlige instrukser og kontekst gir et tekstsvar, kode eller agentrelaterte utdata. Dette er forskningsutgaven med sparsom oppmerksomhet, adskilt fra den endelige V3.2-modellen og dens senere format for tenking med verktøy.
DSA bruker en lettvektsindekserer og finmasket tokenutvelgelse, slik at hovedberegningen av oppmerksomhet fokuserer på utvalgt informasjon fra tidligere tokener. DeepSeek samordnet bevisst den eksperimentelle treningskonfigurasjonen med V3.1 Terminus for å isolere arkitekturendringen. V3.2-rapporten bekrefter at endelig V3.2 og V3.2 Exp deler denne arkitekturen, og beskriver videre trening fra Terminus-grunnlaget med 128K-kontekst. Den publiserte eksperimentelle profilen bruker denne innstillingen for lang kontekst på 128K.
Produsentens eksperimentelle modellkort beholder resonnering og agentarbeid i omfanget, samtidig som den foregående modellens oppgaveprofil bevares. Kildebelegget dekker resonnering uten verktøy og agentbasert verktøybruk som separate arbeidsflyter. Forbered et klart spørsmål, relevant kildekontekst og ønsket sluttform. Hvis oppgaven bruker et verktøy, gir applikasjonen definisjonen og returnerer resultatet; modellens foreslåtte handling er ikke det samme som en operasjon som allerede er utført.
Det endelige V3.2-kortet innfører et revidert format for verktøykall og beskriver eksplisitt tenking med verktøy. Disse oppdateringene tilhører den endelige utgivelsen og må ikke behandles som hele samhandlingskontrakten for den eksperimentelle utgaven. For V3.2 Exp beholder du utgavens egen meldingsformatering og den arvede Terminus-oppgavekonteksten, i stedet for å anta at et lignende navn gjør alle senere kontroller eller roller utskiftbare.
For en sammenligning av lange dokumenter merker du hver kilde og identifiserer delene som er relevante for spørsmålet. En illustrativ beskrivelse er: «Sammenlign disse kravene med den foreslåtte implementasjonen, identifiser hvert avvik og siter avsnittet som dokumenterer det. Avslutt med en prioritert rettelsesliste.» For kode gir du den feilende oppførselen, det relevante utdraget og forventet resultat, og ber deretter om en avgrenset endring med en klar forklaring. Kildenes oppsett og regelen for ferdigstillelse hjelper med å styre en langkontekstoppgave mot en brukbar leveranse.
Produsentens referanseimplementasjon inkluderer indeksereren for sparsom oppmerksomhet, og modellkortet dokumenterer en viktig implementasjonsrettelse: indeksererens RoPE bruker et ikke-flettet oppsett, mens modulen for latent oppmerksomhet forventer et flettet oppsett. Dette er en detalj i produsentens referanse som er relevant for trofast modellkjøring, ikke en annen brukerprompt eller en ny funksjon. Det betyr også at et modellnavn alene ikke beskriver hvordan alle implementasjoner håndterer den eksperimentelle arkitekturen.
En videreført agentoppgave må budsjettere kildetekst, samtale, generert resonnering og verktøyobservasjoner sammen. Hold nyttige observasjoner organisert, og be om at sluttresultatet skiller mellom kildebelegg, antakelser og foreslåtte handlinger. For et kildeavhengig faktaresultat gir du det autoritative materialet eller et egnet verktøy i stedet for å støtte deg på bred treningskunnskap. Utdataene er fortsatt tekst, kode eller en analytisk post som kan kontrolleres mot oppgaven og inndataene.
", "aboutText": "DeepSeek V3.2 Exp er DeepSeeks eksperimentelle tekstmodellutgave, bygget på V3.1 Terminus. Den definerende endringen er DeepSeek Sparse Attention, innført for å undersøke mer effektiv trening og inferens for lange tekstsekvenser. Oppgaven er fortsatt tekstbasert: skriftlige instrukser og kontekst gir et tekstsvar, kode eller agentrelaterte utdata. Dette er forskningsutgaven med sparsom oppmerksomhet, adskilt fra den endelige V3.2-modellen og dens senere format for tenking med verktøy.\n\nDSA bruker en lettvektsindekserer og finmasket tokenutvelgelse, slik at hovedberegningen av oppmerksomhet fokuserer på utvalgt informasjon fra tidligere tokener. DeepSeek samordnet bevisst den eksperimentelle treningskonfigurasjonen med V3.1 Terminus for å isolere arkitekturendringen. V3.2-rapporten bekrefter at endelig V3.2 og V3.2 Exp deler denne arkitekturen, og beskriver videre trening fra Terminus-grunnlaget med 128K-kontekst. Den publiserte eksperimentelle profilen bruker denne innstillingen for lang kontekst på 128K.\n\nProdusentens eksperimentelle modellkort beholder resonnering og agentarbeid i omfanget, samtidig som den foregående modellens oppgaveprofil bevares. Kildebelegget dekker resonnering uten verktøy og agentbasert verktøybruk som separate arbeidsflyter. Forbered et klart spørsmål, relevant kildekontekst og ønsket sluttform. Hvis oppgaven bruker et verktøy, gir applikasjonen definisjonen og returnerer resultatet; modellens foreslåtte handling er ikke det samme som en operasjon som allerede er utført.\n\nDet endelige V3.2-kortet innfører et revidert format for verktøykall og beskriver eksplisitt tenking med verktøy. Disse oppdateringene tilhører den endelige utgivelsen og må ikke behandles som hele samhandlingskontrakten for den eksperimentelle utgaven. For V3.2 Exp beholder du utgavens egen meldingsformatering og den arvede Terminus-oppgavekonteksten, i stedet for å anta at et lignende navn gjør alle senere kontroller eller roller utskiftbare.\n\nFor en sammenligning av lange dokumenter merker du hver kilde og identifiserer delene som er relevante for spørsmålet. En illustrativ beskrivelse er: «Sammenlign disse kravene med den foreslåtte implementasjonen, identifiser hvert avvik og siter avsnittet som dokumenterer det. Avslutt med en prioritert rettelsesliste.» For kode gir du den feilende oppførselen, det relevante utdraget og forventet resultat, og ber deretter om en avgrenset endring med en klar forklaring. Kildenes oppsett og regelen for ferdigstillelse hjelper med å styre en langkontekstoppgave mot en brukbar leveranse.\n\nProdusentens referanseimplementasjon inkluderer indeksereren for sparsom oppmerksomhet, og modellkortet dokumenterer en viktig implementasjonsrettelse: indeksererens RoPE bruker et ikke-flettet oppsett, mens modulen for latent oppmerksomhet forventer et flettet oppsett. Dette er en detalj i produsentens referanse som er relevant for trofast modellkjøring, ikke en annen brukerprompt eller en ny funksjon. Det betyr også at et modellnavn alene ikke beskriver hvordan alle implementasjoner håndterer den eksperimentelle arkitekturen.\n\nEn videreført agentoppgave må budsjettere kildetekst, samtale, generert resonnering og verktøyobservasjoner sammen. Hold nyttige observasjoner organisert, og be om at sluttresultatet skiller mellom kildebelegg, antakelser og foreslåtte handlinger. For et kildeavhengig faktaresultat gir du det autoritative materialet eller et egnet verktøy i stedet for å støtte deg på bred treningskunnskap. Utdataene er fortsatt tekst, kode eller en analytisk post som kan kontrolleres mot oppgaven og inndataene.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "790b35f3d7d4640763ca5973ea3a0c64e5e541408b136ce10923a89a9b751572", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "deepseek-v3.2-exp-thinkingDeepSeek V3.2 Exp er utgaven med sparsom attention bygget på V3.1 Terminus. Den behandler tekst for resonnering, koding og agentoppgaver mens den utforsker mer effektiv attention for lang kontekst, med en produsentkontekst på 128K og en egen identitet atskilt fra den endelige V3.2-utgaven.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
DeepSeek V3.2 Exp er DeepSeeks eksperimentelle tekstmodellutgave, bygget på V3.1 Terminus. Den definerende endringen er DeepSeek Sparse Attention, innført for å undersøke mer effektiv trening og inferens for lange tekstsekvenser. Oppgaven er fortsatt tekstbasert: skriftlige instrukser og kontekst gir et tekstsvar, kode eller agentrelaterte utdata. Dette er forskningsutgaven med sparsom oppmerksomhet, adskilt fra den endelige V3.2-modellen og dens senere format for tenking med verktøy.
DSA bruker en lettvektsindekserer og finmasket tokenutvelgelse, slik at hovedberegningen av oppmerksomhet fokuserer på utvalgt informasjon fra tidligere tokener. DeepSeek samordnet bevisst den eksperimentelle treningskonfigurasjonen med V3.1 Terminus for å isolere arkitekturendringen. V3.2-rapporten bekrefter at endelig V3.2 og V3.2 Exp deler denne arkitekturen, og beskriver videre trening fra Terminus-grunnlaget med 128K-kontekst. Den publiserte eksperimentelle profilen bruker denne innstillingen for lang kontekst på 128K.
Produsentens eksperimentelle modellkort beholder resonnering og agentarbeid i omfanget, samtidig som den foregående modellens oppgaveprofil bevares. Kildebelegget dekker resonnering uten verktøy og agentbasert verktøybruk som separate arbeidsflyter. Forbered et klart spørsmål, relevant kildekontekst og ønsket sluttform. Hvis oppgaven bruker et verktøy, gir applikasjonen definisjonen og returnerer resultatet; modellens foreslåtte handling er ikke det samme som en operasjon som allerede er utført.
Det endelige V3.2-kortet innfører et revidert format for verktøykall og beskriver eksplisitt tenking med verktøy. Disse oppdateringene tilhører den endelige utgivelsen og må ikke behandles som hele samhandlingskontrakten for den eksperimentelle utgaven. For V3.2 Exp beholder du utgavens egen meldingsformatering og den arvede Terminus-oppgavekonteksten, i stedet for å anta at et lignende navn gjør alle senere kontroller eller roller utskiftbare.
For en sammenligning av lange dokumenter merker du hver kilde og identifiserer delene som er relevante for spørsmålet. En illustrativ beskrivelse er: «Sammenlign disse kravene med den foreslåtte implementasjonen, identifiser hvert avvik og siter avsnittet som dokumenterer det. Avslutt med en prioritert rettelsesliste.» For kode gir du den feilende oppførselen, det relevante utdraget og forventet resultat, og ber deretter om en avgrenset endring med en klar forklaring. Kildenes oppsett og regelen for ferdigstillelse hjelper med å styre en langkontekstoppgave mot en brukbar leveranse.
Produsentens referanseimplementasjon inkluderer indeksereren for sparsom oppmerksomhet, og modellkortet dokumenterer en viktig implementasjonsrettelse: indeksererens RoPE bruker et ikke-flettet oppsett, mens modulen for latent oppmerksomhet forventer et flettet oppsett. Dette er en detalj i produsentens referanse som er relevant for trofast modellkjøring, ikke en annen brukerprompt eller en ny funksjon. Det betyr også at et modellnavn alene ikke beskriver hvordan alle implementasjoner håndterer den eksperimentelle arkitekturen.
En videreført agentoppgave må budsjettere kildetekst, samtale, generert resonnering og verktøyobservasjoner sammen. Hold nyttige observasjoner organisert, og be om at sluttresultatet skiller mellom kildebelegg, antakelser og foreslåtte handlinger. For et kildeavhengig faktaresultat gir du det autoritative materialet eller et egnet verktøy i stedet for å støtte deg på bred treningskunnskap. Utdataene er fortsatt tekst, kode eller en analytisk post som kan kontrolleres mot oppgaven og inndataene.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser deepseek-v3.2-exp-thinking | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
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 |
Parametercontrol_scope | AvtaleTekstsamtale; stream er en boolsk verdi med false som standard. |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Metodealiaser: /chat/completions
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 $0.00058 / 1K tokener Utdata · Utgående tokener $0.00086 / 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-v3.2-exp-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\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-v3.2-exp-thinking", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\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-v3.2-exp-thinking
/chat/completions