DeepSeek V4 Flash Vision Exp is het experimentele multimodale model van DeepSeek binnen de V4-familie. Het bouwt voort op V4 Flash door visuele modules en verdere training voor beeldbegrip toe te voegen. De invoer combineert afbeeldingen met tekst en de uitvoer is tekst. Het gedocumenteerde doel verbindt multimodaal agentwerk met tekstgebaseerde agenttaken. Dat maakt het bruikbaar wanneer de informatie die een assistent nodig heeft zichtbaar is op een schermafbeelding, grafiek of andere aangeleverde afbeelding.
De referentie van de producent beschrijft een vision-encoder en aligner die verbonden zijn met DFlash-attention, mixture-of-experts-componenten, hyperverbindingen en een DSpark-pad. De visuele modules zetten beeldinformatie om in een vorm die het taalmodel naast de geschreven vraag kan gebruiken. Dat verschilt van het tekst-only-profiel van V4 Flash dat in de kaart wordt aangehaald en waarvan de vergelijking multimodale elementen apart behandelt. Vision Exp is een benoemde editie, geen instructie om willekeurige mediaondersteuning aan een ander Flash-model toe te voegen.
De referentie voor het promptformaat ondersteunt afwisselend ingevoegde beeldinhoud, gesprekken met meerdere beurten, toolaanroepen en denkmodi. Prompts zonder denkmodus kunnen een direct antwoord vragen; prompts met denkmodus kunnen een instelling voor redeneerinspanning gebruiken, waaronder het gedocumenteerde Max-voorbeeld. Afbeeldingen worden in exact dezelfde volgorde vastgelegd als waarin ze in de prompt verschijnen. Nummer of label meerdere invoerafbeeldingen en vermeld op welke afbeelding een vraag betrekking heeft, zodat een visuele vergelijking haar verbinding met de bron behoudt.
De gepubliceerde configuratie stelt max_position_embeddings in op 1,048,576. Dat is een positielimiet in de modelconfiguratie, geen afzonderlijke specificatie voor maximale uitvoer. Bereid een gerichte reeks afbeeldingen en een precieze vraag voor en houd de prompt, het gesprek en het gegenereerde antwoord binnen de limieten van de gekozen workflow van de producent.
Geef voor een praktische interfacetaak de huidige schermafbeelding, de bedoelde gebruikersactie en een eventuele relevante tekstspecificatie mee. Een voorbeeldopdracht is: “Duid de zichtbare bedieningselementen aan die nodig zijn om deze instelling te wijzigen. Gebruik hun weergegeven labels, leg de volgende actie uit en vermeld welk deel van het scherm die ondersteunt.” Vraag bij een grafiek afzonderlijk naar de zichtbare waarden en verbanden en naar een afgeleide interpretatie. Lever, wanneer kleine tekst belangrijk is, een leesbare uitsnede aan met voldoende omringende context om de functie ervan te herkennen.
In een agenttoepassing kan het model een toolhandeling voorstellen nadat het de afbeelding en instructie heeft geïnterpreteerd. De omringende toepassing voert die handeling uit, geeft de waarneming terug en levert indien nodig de volgende visuele toestand aan. Bepaal het doel van de tool en de toegelaten acties. Een voorgestelde klik, een geschreven coördinaat of gegenereerde code blijft een tekstresultaat totdat de toepassing de bijbehorende handeling uitvoert; gebruik de resulterende waarneming als bewijsmateriaal voor de volgende stap.
Vraag bij een eindproduct op basis van bronnen om de afbeelding en het zichtbare detail achter elke bevinding aan te duiden. Houd overgenomen tekst apart van uitleg en een voorgestelde actie apart van een voltooide actie. Voeg bij een opdracht om een schermafbeelding in code om te zetten de relevante brontekst, het bedoelde gedrag en het vereiste eindproduct toe. Het profiel van dit model is beeld- en tekstbegrip met tekstuitvoer, niet beeldcreatie, spraaksynthese of een veronderstelde workflow voor videoanalyse.
", "aboutText": "DeepSeek V4 Flash Vision Exp is het experimentele multimodale model van DeepSeek binnen de V4-familie. Het bouwt voort op V4 Flash door visuele modules en verdere training voor beeldbegrip toe te voegen. De invoer combineert afbeeldingen met tekst en de uitvoer is tekst. Het gedocumenteerde doel verbindt multimodaal agentwerk met tekstgebaseerde agenttaken. Dat maakt het bruikbaar wanneer de informatie die een assistent nodig heeft zichtbaar is op een schermafbeelding, grafiek of andere aangeleverde afbeelding.\n\nDe referentie van de producent beschrijft een vision-encoder en aligner die verbonden zijn met DFlash-attention, mixture-of-experts-componenten, hyperverbindingen en een DSpark-pad. De visuele modules zetten beeldinformatie om in een vorm die het taalmodel naast de geschreven vraag kan gebruiken. Dat verschilt van het tekst-only-profiel van V4 Flash dat in de kaart wordt aangehaald en waarvan de vergelijking multimodale elementen apart behandelt. Vision Exp is een benoemde editie, geen instructie om willekeurige mediaondersteuning aan een ander Flash-model toe te voegen.\n\nDe referentie voor het promptformaat ondersteunt afwisselend ingevoegde beeldinhoud, gesprekken met meerdere beurten, toolaanroepen en denkmodi. Prompts zonder denkmodus kunnen een direct antwoord vragen; prompts met denkmodus kunnen een instelling voor redeneerinspanning gebruiken, waaronder het gedocumenteerde Max-voorbeeld. Afbeeldingen worden in exact dezelfde volgorde vastgelegd als waarin ze in de prompt verschijnen. Nummer of label meerdere invoerafbeeldingen en vermeld op welke afbeelding een vraag betrekking heeft, zodat een visuele vergelijking haar verbinding met de bron behoudt.\n\nDe gepubliceerde configuratie stelt max_position_embeddings in op 1,048,576. Dat is een positielimiet in de modelconfiguratie, geen afzonderlijke specificatie voor maximale uitvoer. Bereid een gerichte reeks afbeeldingen en een precieze vraag voor en houd de prompt, het gesprek en het gegenereerde antwoord binnen de limieten van de gekozen workflow van de producent.\n\nGeef voor een praktische interfacetaak de huidige schermafbeelding, de bedoelde gebruikersactie en een eventuele relevante tekstspecificatie mee. Een voorbeeldopdracht is: “Duid de zichtbare bedieningselementen aan die nodig zijn om deze instelling te wijzigen. Gebruik hun weergegeven labels, leg de volgende actie uit en vermeld welk deel van het scherm die ondersteunt.” Vraag bij een grafiek afzonderlijk naar de zichtbare waarden en verbanden en naar een afgeleide interpretatie. Lever, wanneer kleine tekst belangrijk is, een leesbare uitsnede aan met voldoende omringende context om de functie ervan te herkennen.\n\nIn een agenttoepassing kan het model een toolhandeling voorstellen nadat het de afbeelding en instructie heeft geïnterpreteerd. De omringende toepassing voert die handeling uit, geeft de waarneming terug en levert indien nodig de volgende visuele toestand aan. Bepaal het doel van de tool en de toegelaten acties. Een voorgestelde klik, een geschreven coördinaat of gegenereerde code blijft een tekstresultaat totdat de toepassing de bijbehorende handeling uitvoert; gebruik de resulterende waarneming als bewijsmateriaal voor de volgende stap.\n\nVraag bij een eindproduct op basis van bronnen om de afbeelding en het zichtbare detail achter elke bevinding aan te duiden. Houd overgenomen tekst apart van uitleg en een voorgestelde actie apart van een voltooide actie. Voeg bij een opdracht om een schermafbeelding in code om te zetten de relevante brontekst, het bedoelde gedrag en het vereiste eindproduct toe. Het profiel van dit model is beeld- en tekstbegrip met tekstuitvoer, niet beeldcreatie, spraaksynthese of een veronderstelde workflow voor videoanalyse.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9ae7626cda3f0d511d77b74d4d6b00569e0926e7290deeae974f43824ec6d786", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl-be", "methods": [ { "html": "deepseek/deepseek-v4-flash-vision-expDeepSeek V4 Flash Vision Exp combineert afbeeldingen en tekst voor beeldbegrip en multimodale agenttaken. Het voegt visuele modules toe aan de V4 Flash-architectuur en levert tekst, voor beeldonderbouwde uitleg, analyse en voorgestelde toolacties.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
DeepSeek V4 Flash Vision Exp is het experimentele multimodale model van DeepSeek binnen de V4-familie. Het bouwt voort op V4 Flash door visuele modules en verdere training voor beeldbegrip toe te voegen. De invoer combineert afbeeldingen met tekst en de uitvoer is tekst. Het gedocumenteerde doel verbindt multimodaal agentwerk met tekstgebaseerde agenttaken. Dat maakt het bruikbaar wanneer de informatie die een assistent nodig heeft zichtbaar is op een schermafbeelding, grafiek of andere aangeleverde afbeelding.
De referentie van de producent beschrijft een vision-encoder en aligner die verbonden zijn met DFlash-attention, mixture-of-experts-componenten, hyperverbindingen en een DSpark-pad. De visuele modules zetten beeldinformatie om in een vorm die het taalmodel naast de geschreven vraag kan gebruiken. Dat verschilt van het tekst-only-profiel van V4 Flash dat in de kaart wordt aangehaald en waarvan de vergelijking multimodale elementen apart behandelt. Vision Exp is een benoemde editie, geen instructie om willekeurige mediaondersteuning aan een ander Flash-model toe te voegen.
De referentie voor het promptformaat ondersteunt afwisselend ingevoegde beeldinhoud, gesprekken met meerdere beurten, toolaanroepen en denkmodi. Prompts zonder denkmodus kunnen een direct antwoord vragen; prompts met denkmodus kunnen een instelling voor redeneerinspanning gebruiken, waaronder het gedocumenteerde Max-voorbeeld. Afbeeldingen worden in exact dezelfde volgorde vastgelegd als waarin ze in de prompt verschijnen. Nummer of label meerdere invoerafbeeldingen en vermeld op welke afbeelding een vraag betrekking heeft, zodat een visuele vergelijking haar verbinding met de bron behoudt.
De gepubliceerde configuratie stelt max_position_embeddings in op 1,048,576. Dat is een positielimiet in de modelconfiguratie, geen afzonderlijke specificatie voor maximale uitvoer. Bereid een gerichte reeks afbeeldingen en een precieze vraag voor en houd de prompt, het gesprek en het gegenereerde antwoord binnen de limieten van de gekozen workflow van de producent.
Geef voor een praktische interfacetaak de huidige schermafbeelding, de bedoelde gebruikersactie en een eventuele relevante tekstspecificatie mee. Een voorbeeldopdracht is: “Duid de zichtbare bedieningselementen aan die nodig zijn om deze instelling te wijzigen. Gebruik hun weergegeven labels, leg de volgende actie uit en vermeld welk deel van het scherm die ondersteunt.” Vraag bij een grafiek afzonderlijk naar de zichtbare waarden en verbanden en naar een afgeleide interpretatie. Lever, wanneer kleine tekst belangrijk is, een leesbare uitsnede aan met voldoende omringende context om de functie ervan te herkennen.
In een agenttoepassing kan het model een toolhandeling voorstellen nadat het de afbeelding en instructie heeft geïnterpreteerd. De omringende toepassing voert die handeling uit, geeft de waarneming terug en levert indien nodig de volgende visuele toestand aan. Bepaal het doel van de tool en de toegelaten acties. Een voorgestelde klik, een geschreven coördinaat of gegenereerde code blijft een tekstresultaat totdat de toepassing de bijbehorende handeling uitvoert; gebruik de resulterende waarneming als bewijsmateriaal voor de volgende stap.
Vraag bij een eindproduct op basis van bronnen om de afbeelding en het zichtbare detail achter elke bevinding aan te duiden. Houd overgenomen tekst apart van uitleg en een voorgestelde actie apart van een voltooide actie. Voeg bij een opdracht om een schermafbeelding in code om te zetten de relevante brontekst, het bedoelde gedrag en het vereiste eindproduct toe. Het profiel van dit model is beeld- en tekstbegrip met tekstuitvoer, niet beeldcreatie, spraaksynthese of een veronderstelde workflow voor videoanalyse.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek/deepseek-v4-flash-vision-exp | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Tekstgesprek | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
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 |
Parametercontrol_scope | ContractTekstgesprek; stream is een booleaanse waarde en is standaard false. |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Methodealiasnamen: /chat/completions
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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00088 / 1K tokens Uitvoer · Uitvoertokens $0.00264 / 1K tokens Invoer · Cache lezen $0.000028 / 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-v4-flash-vision-exp","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/deepseek-v4-flash-vision-exp", 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 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-v4-flash-vision-exp
/chat/completions
deepseek/deepseek-v4-flash-vision-expDeepSeek V4 Flash Vision Exp combineert afbeeldingen en tekst voor beeldbegrip en multimodale agenttaken. Het voegt visuele modules toe aan de V4 Flash-architectuur en levert tekst, voor beeldonderbouwde uitleg, analyse en voorgestelde toolacties.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
DeepSeek V4 Flash Vision Exp is het experimentele multimodale model van DeepSeek binnen de V4-familie. Het bouwt voort op V4 Flash door visuele modules en verdere training voor beeldbegrip toe te voegen. De invoer combineert afbeeldingen met tekst en de uitvoer is tekst. Het gedocumenteerde doel verbindt multimodaal agentwerk met tekstgebaseerde agenttaken. Dat maakt het bruikbaar wanneer de informatie die een assistent nodig heeft zichtbaar is op een schermafbeelding, grafiek of andere aangeleverde afbeelding.
De referentie van de producent beschrijft een vision-encoder en aligner die verbonden zijn met DFlash-attention, mixture-of-experts-componenten, hyperverbindingen en een DSpark-pad. De visuele modules zetten beeldinformatie om in een vorm die het taalmodel naast de geschreven vraag kan gebruiken. Dat verschilt van het tekst-only-profiel van V4 Flash dat in de kaart wordt aangehaald en waarvan de vergelijking multimodale elementen apart behandelt. Vision Exp is een benoemde editie, geen instructie om willekeurige mediaondersteuning aan een ander Flash-model toe te voegen.
De referentie voor het promptformaat ondersteunt afwisselend ingevoegde beeldinhoud, gesprekken met meerdere beurten, toolaanroepen en denkmodi. Prompts zonder denkmodus kunnen een direct antwoord vragen; prompts met denkmodus kunnen een instelling voor redeneerinspanning gebruiken, waaronder het gedocumenteerde Max-voorbeeld. Afbeeldingen worden in exact dezelfde volgorde vastgelegd als waarin ze in de prompt verschijnen. Nummer of label meerdere invoerafbeeldingen en vermeld op welke afbeelding een vraag betrekking heeft, zodat een visuele vergelijking haar verbinding met de bron behoudt.
De gepubliceerde configuratie stelt max_position_embeddings in op 1,048,576. Dat is een positielimiet in de modelconfiguratie, geen afzonderlijke specificatie voor maximale uitvoer. Bereid een gerichte reeks afbeeldingen en een precieze vraag voor en houd de prompt, het gesprek en het gegenereerde antwoord binnen de limieten van de gekozen workflow van de producent.
Geef voor een praktische interfacetaak de huidige schermafbeelding, de bedoelde gebruikersactie en een eventuele relevante tekstspecificatie mee. Een voorbeeldopdracht is: “Duid de zichtbare bedieningselementen aan die nodig zijn om deze instelling te wijzigen. Gebruik hun weergegeven labels, leg de volgende actie uit en vermeld welk deel van het scherm die ondersteunt.” Vraag bij een grafiek afzonderlijk naar de zichtbare waarden en verbanden en naar een afgeleide interpretatie. Lever, wanneer kleine tekst belangrijk is, een leesbare uitsnede aan met voldoende omringende context om de functie ervan te herkennen.
In een agenttoepassing kan het model een toolhandeling voorstellen nadat het de afbeelding en instructie heeft geïnterpreteerd. De omringende toepassing voert die handeling uit, geeft de waarneming terug en levert indien nodig de volgende visuele toestand aan. Bepaal het doel van de tool en de toegelaten acties. Een voorgestelde klik, een geschreven coördinaat of gegenereerde code blijft een tekstresultaat totdat de toepassing de bijbehorende handeling uitvoert; gebruik de resulterende waarneming als bewijsmateriaal voor de volgende stap.
Vraag bij een eindproduct op basis van bronnen om de afbeelding en het zichtbare detail achter elke bevinding aan te duiden. Houd overgenomen tekst apart van uitleg en een voorgestelde actie apart van een voltooide actie. Voeg bij een opdracht om een schermafbeelding in code om te zetten de relevante brontekst, het bedoelde gedrag en het vereiste eindproduct toe. Het profiel van dit model is beeld- en tekstbegrip met tekstuitvoer, niet beeldcreatie, spraaksynthese of een veronderstelde workflow voor videoanalyse.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek/deepseek-v4-flash-vision-exp | 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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00088 / 1K tokens Uitvoer · Uitvoertokens $0.00264 / 1K tokens Invoer · Cache lezen $0.000028 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "deepseek/deepseek-v4-flash-vision-exp",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-v4-flash-vision-exp', '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-v4-flash-vision-exp', '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-v4-flash-vision-exp
/chat/completions