DeepSeek V3.1 is het hybride tekstmodel van DeepSeek: dezelfde benoemde editie ondersteunt antwoorden met en zonder denkmodus via verschillende instellingen van de chattemplate. De producent benadrukt verbeterd toolgebruik, agenttaken en redeneerefficiëntie ten opzichte van zijn eerdere model. Het accepteert geschreven instructies en tekstcontext en genereert een antwoord, code of inhoud van toolaanroepen. De oorspronkelijke V3.1-identiteit staat los van Terminus, V3.2 en de V4-familie.
De modelkaart vermeldt in totaal 671 miljard parameters, 37 miljard actieve parameters en een context van 128K voor zowel de basiseditie als de nagetrainde editie. V3.1 bouwt voort op de oorspronkelijke V3-basis met uitgebreide training op lange documenten vóór de natraining. De mixture-of-experts- en latent-attention-structuur volgt de V3-architectuur. Die ontwerpfeiten verklaren het tekstprofiel voor lange contexten zonder het contextgetal in een afzonderlijke specificatie voor maximale uitvoer te veranderen.
De modus zonder denken bereidt een direct antwoord voor, terwijl de denkmodus een redeneerfase vóór het antwoord start. De template van de producent gebruikt een afsluitende denkmarkering voor directe antwoorden en een openende denkmarkering voor de huidige redeneerbeurt. In een gesprek met meerdere beurten wordt eerdere redeneerinhoud verwijderd, terwijl eindantwoorden en de afsluitende markering in de context blijven. Dit is de oorspronkelijke V3.1-regel voor geschiedenis, apart van de latere V3.2-regel die redeneringen over toolgerelateerde berichten heen bewaart.
Standaardtoolaanroepen zijn gedocumenteerd in de modus zonder denken. De toepassing levert functienamen, beschrijvingen en parameterschema's aan; het model geeft een gekozen toolnaam en JSON-argumenten terug in de toolaanroepweergave van de producent. De toepassing voert de handeling uit en geeft het resultaat terug. Geef tools specifieke doelen en houd de ontvangen waarneming gekoppeld aan de aanroep, zodat de volgende modelstap over bewijsmateriaal beschikt in plaats van een aanname dat een actie heeft plaatsgevonden.
Zoeken in denkmodus gebruikt een afzonderlijk gespecialiseerd zoekagentformaat. DeepSeek documenteert een door de gebruiker aangeleverde zoektool voor vragen die externe of actuele informatie vereisen, met herhaalde aanroepen en waarnemingen over verschillende beurten. Zoeken is dus onderdeel van de omringende workflow, geen bewering dat een tekstantwoord zelfstandig op het web heeft gebrowsed. Bepaal de vraag, de broncriteria en het benodigde eindantwoord voordat de zoektaak begint.
Geef bij programmeren het relevante fragment of de bestanden, het waargenomen gedrag, het verwachte gedrag en de te behouden voorwaarden mee. Een voorbeeldopdracht is: “Identificeer de oorzaak van deze fout voor de aangeleverde invoer, stel een gerichte correctie voor en leg uit welke voorwaarde de wijziging afhandelt.” Label bij een documenttaak de bronsecties en vraag om een vergelijking met expliciete vereisten. Eis dat het eindantwoord de brononderbouwde conclusie onderscheidt van een voorgestelde volgende actie.
De producent traint V3.1 met het UE8M0 FP8-schaalformaat voor gewichten en activaties. De lokale aanbevelingen duiden ook precisiegevoelige parameters aan die correct moeten worden verwerkt. Dat zijn kenmerken van de gepubliceerde producentreferentie, geen bewering over de gekozen precisie of implementatie van elke toepassing. Een afgeleid model, een gekwantiseerde variant en het latere Terminus-checkpoint blijven afzonderlijke keuzes naast de benoemde oorspronkelijke V3.1-editie.
Bereid langer werk voor met een duidelijke vraag, bronlabels en een afgebakend eindproduct. Plan het gesprek, de brontekst, de redenering en de uitvoer binnen de gedocumenteerde context en bewaar alleen relevant bewijsmateriaal naarmate de taak groeit. Geef voor een agent de toegelaten acties aan en het criterium dat het resultaat als voltooid markeert. Het bruikbare eindproduct is een beoordeelbaar tekstantwoord, codevoorstel of brononderbouwde analyse die verbonden is met de invoer en de waarnemingen die de toepassing daadwerkelijk heeft teruggegeven.
", "aboutText": "DeepSeek V3.1 is het hybride tekstmodel van DeepSeek: dezelfde benoemde editie ondersteunt antwoorden met en zonder denkmodus via verschillende instellingen van de chattemplate. De producent benadrukt verbeterd toolgebruik, agenttaken en redeneerefficiëntie ten opzichte van zijn eerdere model. Het accepteert geschreven instructies en tekstcontext en genereert een antwoord, code of inhoud van toolaanroepen. De oorspronkelijke V3.1-identiteit staat los van Terminus, V3.2 en de V4-familie.\n\nDe modelkaart vermeldt in totaal 671 miljard parameters, 37 miljard actieve parameters en een context van 128K voor zowel de basiseditie als de nagetrainde editie. V3.1 bouwt voort op de oorspronkelijke V3-basis met uitgebreide training op lange documenten vóór de natraining. De mixture-of-experts- en latent-attention-structuur volgt de V3-architectuur. Die ontwerpfeiten verklaren het tekstprofiel voor lange contexten zonder het contextgetal in een afzonderlijke specificatie voor maximale uitvoer te veranderen.\n\nDe modus zonder denken bereidt een direct antwoord voor, terwijl de denkmodus een redeneerfase vóór het antwoord start. De template van de producent gebruikt een afsluitende denkmarkering voor directe antwoorden en een openende denkmarkering voor de huidige redeneerbeurt. In een gesprek met meerdere beurten wordt eerdere redeneerinhoud verwijderd, terwijl eindantwoorden en de afsluitende markering in de context blijven. Dit is de oorspronkelijke V3.1-regel voor geschiedenis, apart van de latere V3.2-regel die redeneringen over toolgerelateerde berichten heen bewaart.\n\nStandaardtoolaanroepen zijn gedocumenteerd in de modus zonder denken. De toepassing levert functienamen, beschrijvingen en parameterschema's aan; het model geeft een gekozen toolnaam en JSON-argumenten terug in de toolaanroepweergave van de producent. De toepassing voert de handeling uit en geeft het resultaat terug. Geef tools specifieke doelen en houd de ontvangen waarneming gekoppeld aan de aanroep, zodat de volgende modelstap over bewijsmateriaal beschikt in plaats van een aanname dat een actie heeft plaatsgevonden.\n\nZoeken in denkmodus gebruikt een afzonderlijk gespecialiseerd zoekagentformaat. DeepSeek documenteert een door de gebruiker aangeleverde zoektool voor vragen die externe of actuele informatie vereisen, met herhaalde aanroepen en waarnemingen over verschillende beurten. Zoeken is dus onderdeel van de omringende workflow, geen bewering dat een tekstantwoord zelfstandig op het web heeft gebrowsed. Bepaal de vraag, de broncriteria en het benodigde eindantwoord voordat de zoektaak begint.\n\nGeef bij programmeren het relevante fragment of de bestanden, het waargenomen gedrag, het verwachte gedrag en de te behouden voorwaarden mee. Een voorbeeldopdracht is: “Identificeer de oorzaak van deze fout voor de aangeleverde invoer, stel een gerichte correctie voor en leg uit welke voorwaarde de wijziging afhandelt.” Label bij een documenttaak de bronsecties en vraag om een vergelijking met expliciete vereisten. Eis dat het eindantwoord de brononderbouwde conclusie onderscheidt van een voorgestelde volgende actie.\n\nDe producent traint V3.1 met het UE8M0 FP8-schaalformaat voor gewichten en activaties. De lokale aanbevelingen duiden ook precisiegevoelige parameters aan die correct moeten worden verwerkt. Dat zijn kenmerken van de gepubliceerde producentreferentie, geen bewering over de gekozen precisie of implementatie van elke toepassing. Een afgeleid model, een gekwantiseerde variant en het latere Terminus-checkpoint blijven afzonderlijke keuzes naast de benoemde oorspronkelijke V3.1-editie.\n\nBereid langer werk voor met een duidelijke vraag, bronlabels en een afgebakend eindproduct. Plan het gesprek, de brontekst, de redenering en de uitvoer binnen de gedocumenteerde context en bewaar alleen relevant bewijsmateriaal naarmate de taak groeit. Geef voor een agent de toegelaten acties aan en het criterium dat het resultaat als voltooid markeert. Het bruikbare eindproduct is een beoordeelbaar tekstantwoord, codevoorstel of brononderbouwde analyse die verbonden is met de invoer en de waarnemingen die de toepassing daadwerkelijk heeft teruggegeven.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
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 is een hybride tekstmodel met een denkmodus en een modus voor directe antwoorden in één editie. De context van 128K en het verbeterde toolgebruikprofiel ondersteunen programmeren, documentanalyse en zoeken via de toepassing, met tekst of voorgestelde toolaanroepen als resultaat.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
DeepSeek V3.1 is het hybride tekstmodel van DeepSeek: dezelfde benoemde editie ondersteunt antwoorden met en zonder denkmodus via verschillende instellingen van de chattemplate. De producent benadrukt verbeterd toolgebruik, agenttaken en redeneerefficiëntie ten opzichte van zijn eerdere model. Het accepteert geschreven instructies en tekstcontext en genereert een antwoord, code of inhoud van toolaanroepen. De oorspronkelijke V3.1-identiteit staat los van Terminus, V3.2 en de V4-familie.
De modelkaart vermeldt in totaal 671 miljard parameters, 37 miljard actieve parameters en een context van 128K voor zowel de basiseditie als de nagetrainde editie. V3.1 bouwt voort op de oorspronkelijke V3-basis met uitgebreide training op lange documenten vóór de natraining. De mixture-of-experts- en latent-attention-structuur volgt de V3-architectuur. Die ontwerpfeiten verklaren het tekstprofiel voor lange contexten zonder het contextgetal in een afzonderlijke specificatie voor maximale uitvoer te veranderen.
De modus zonder denken bereidt een direct antwoord voor, terwijl de denkmodus een redeneerfase vóór het antwoord start. De template van de producent gebruikt een afsluitende denkmarkering voor directe antwoorden en een openende denkmarkering voor de huidige redeneerbeurt. In een gesprek met meerdere beurten wordt eerdere redeneerinhoud verwijderd, terwijl eindantwoorden en de afsluitende markering in de context blijven. Dit is de oorspronkelijke V3.1-regel voor geschiedenis, apart van de latere V3.2-regel die redeneringen over toolgerelateerde berichten heen bewaart.
Standaardtoolaanroepen zijn gedocumenteerd in de modus zonder denken. De toepassing levert functienamen, beschrijvingen en parameterschema's aan; het model geeft een gekozen toolnaam en JSON-argumenten terug in de toolaanroepweergave van de producent. De toepassing voert de handeling uit en geeft het resultaat terug. Geef tools specifieke doelen en houd de ontvangen waarneming gekoppeld aan de aanroep, zodat de volgende modelstap over bewijsmateriaal beschikt in plaats van een aanname dat een actie heeft plaatsgevonden.
Zoeken in denkmodus gebruikt een afzonderlijk gespecialiseerd zoekagentformaat. DeepSeek documenteert een door de gebruiker aangeleverde zoektool voor vragen die externe of actuele informatie vereisen, met herhaalde aanroepen en waarnemingen over verschillende beurten. Zoeken is dus onderdeel van de omringende workflow, geen bewering dat een tekstantwoord zelfstandig op het web heeft gebrowsed. Bepaal de vraag, de broncriteria en het benodigde eindantwoord voordat de zoektaak begint.
Geef bij programmeren het relevante fragment of de bestanden, het waargenomen gedrag, het verwachte gedrag en de te behouden voorwaarden mee. Een voorbeeldopdracht is: “Identificeer de oorzaak van deze fout voor de aangeleverde invoer, stel een gerichte correctie voor en leg uit welke voorwaarde de wijziging afhandelt.” Label bij een documenttaak de bronsecties en vraag om een vergelijking met expliciete vereisten. Eis dat het eindantwoord de brononderbouwde conclusie onderscheidt van een voorgestelde volgende actie.
De producent traint V3.1 met het UE8M0 FP8-schaalformaat voor gewichten en activaties. De lokale aanbevelingen duiden ook precisiegevoelige parameters aan die correct moeten worden verwerkt. Dat zijn kenmerken van de gepubliceerde producentreferentie, geen bewering over de gekozen precisie of implementatie van elke toepassing. Een afgeleid model, een gekwantiseerde variant en het latere Terminus-checkpoint blijven afzonderlijke keuzes naast de benoemde oorspronkelijke V3.1-editie.
Bereid langer werk voor met een duidelijke vraag, bronlabels en een afgebakend eindproduct. Plan het gesprek, de brontekst, de redenering en de uitvoer binnen de gedocumenteerde context en bewaar alleen relevant bewijsmateriaal naarmate de taak groeit. Geef voor een agent de toegelaten acties aan en het criterium dat het resultaat als voltooid markeert. Het bruikbare eindproduct is een beoordeelbaar tekstantwoord, codevoorstel of brononderbouwde analyse die verbonden is met de invoer en de waarnemingen die de toepassing daadwerkelijk heeft teruggegeven.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek/deepseek-chat-v3.1 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.000572 / 1K tokens Uitvoer · Uitvoertokens $0.0023 / 1K tokens Invoer · Cache lezen $0.00026 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.000572 / 1K tokens Uitvoer · Uitvoertokens $0.0023 / 1K tokens Invoer · Cache lezen $0.00026 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra deepseek/deepseek-chat-v3.1
Gebruik de hierboven getoonde methodepaden.
deepseek/deepseek-chat-v3.1DeepSeek V3.1 is een hybride tekstmodel met een denkmodus en een modus voor directe antwoorden in één editie. De context van 128K en het verbeterde toolgebruikprofiel ondersteunen programmeren, documentanalyse en zoeken via de toepassing, met tekst of voorgestelde toolaanroepen als resultaat.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
DeepSeek V3.1 is het hybride tekstmodel van DeepSeek: dezelfde benoemde editie ondersteunt antwoorden met en zonder denkmodus via verschillende instellingen van de chattemplate. De producent benadrukt verbeterd toolgebruik, agenttaken en redeneerefficiëntie ten opzichte van zijn eerdere model. Het accepteert geschreven instructies en tekstcontext en genereert een antwoord, code of inhoud van toolaanroepen. De oorspronkelijke V3.1-identiteit staat los van Terminus, V3.2 en de V4-familie.
De modelkaart vermeldt in totaal 671 miljard parameters, 37 miljard actieve parameters en een context van 128K voor zowel de basiseditie als de nagetrainde editie. V3.1 bouwt voort op de oorspronkelijke V3-basis met uitgebreide training op lange documenten vóór de natraining. De mixture-of-experts- en latent-attention-structuur volgt de V3-architectuur. Die ontwerpfeiten verklaren het tekstprofiel voor lange contexten zonder het contextgetal in een afzonderlijke specificatie voor maximale uitvoer te veranderen.
De modus zonder denken bereidt een direct antwoord voor, terwijl de denkmodus een redeneerfase vóór het antwoord start. De template van de producent gebruikt een afsluitende denkmarkering voor directe antwoorden en een openende denkmarkering voor de huidige redeneerbeurt. In een gesprek met meerdere beurten wordt eerdere redeneerinhoud verwijderd, terwijl eindantwoorden en de afsluitende markering in de context blijven. Dit is de oorspronkelijke V3.1-regel voor geschiedenis, apart van de latere V3.2-regel die redeneringen over toolgerelateerde berichten heen bewaart.
Standaardtoolaanroepen zijn gedocumenteerd in de modus zonder denken. De toepassing levert functienamen, beschrijvingen en parameterschema's aan; het model geeft een gekozen toolnaam en JSON-argumenten terug in de toolaanroepweergave van de producent. De toepassing voert de handeling uit en geeft het resultaat terug. Geef tools specifieke doelen en houd de ontvangen waarneming gekoppeld aan de aanroep, zodat de volgende modelstap over bewijsmateriaal beschikt in plaats van een aanname dat een actie heeft plaatsgevonden.
Zoeken in denkmodus gebruikt een afzonderlijk gespecialiseerd zoekagentformaat. DeepSeek documenteert een door de gebruiker aangeleverde zoektool voor vragen die externe of actuele informatie vereisen, met herhaalde aanroepen en waarnemingen over verschillende beurten. Zoeken is dus onderdeel van de omringende workflow, geen bewering dat een tekstantwoord zelfstandig op het web heeft gebrowsed. Bepaal de vraag, de broncriteria en het benodigde eindantwoord voordat de zoektaak begint.
Geef bij programmeren het relevante fragment of de bestanden, het waargenomen gedrag, het verwachte gedrag en de te behouden voorwaarden mee. Een voorbeeldopdracht is: “Identificeer de oorzaak van deze fout voor de aangeleverde invoer, stel een gerichte correctie voor en leg uit welke voorwaarde de wijziging afhandelt.” Label bij een documenttaak de bronsecties en vraag om een vergelijking met expliciete vereisten. Eis dat het eindantwoord de brononderbouwde conclusie onderscheidt van een voorgestelde volgende actie.
De producent traint V3.1 met het UE8M0 FP8-schaalformaat voor gewichten en activaties. De lokale aanbevelingen duiden ook precisiegevoelige parameters aan die correct moeten worden verwerkt. Dat zijn kenmerken van de gepubliceerde producentreferentie, geen bewering over de gekozen precisie of implementatie van elke toepassing. Een afgeleid model, een gekwantiseerde variant en het latere Terminus-checkpoint blijven afzonderlijke keuzes naast de benoemde oorspronkelijke V3.1-editie.
Bereid langer werk voor met een duidelijke vraag, bronlabels en een afgebakend eindproduct. Plan het gesprek, de brontekst, de redenering en de uitvoer binnen de gedocumenteerde context en bewaar alleen relevant bewijsmateriaal naarmate de taak groeit. Geef voor een agent de toegelaten acties aan en het criterium dat het resultaat als voltooid markeert. Het bruikbare eindproduct is een beoordeelbaar tekstantwoord, codevoorstel of brononderbouwde analyse die verbonden is met de invoer en de waarnemingen die de toepassing daadwerkelijk heeft teruggegeven.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek/deepseek-chat-v3.1 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.000572 / 1K tokens Uitvoer · Uitvoertokens $0.0023 / 1K tokens Invoer · Cache lezen $0.00026 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.000572 / 1K tokens Uitvoer · Uitvoertokens $0.0023 / 1K tokens Invoer · Cache lezen $0.00026 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "deepseek/deepseek-chat-v3.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra deepseek/deepseek-chat-v3.1
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
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.