DeepSeek V3.2 Exp is DeepSeek’s experimentele tekstmodeleditie, gebouwd op V3.1 Terminus. De kenmerkende verandering is DeepSeek Sparse Attention, geïntroduceerd om efficiëntere training en inferentie voor uitgebreide tekstreeksen te onderzoeken. De taak blijft tekstgericht: geschreven instructies en context leveren een tekstantwoord, code of agentgerelateerde uitvoer op. Dit is de onderzoekseditie voor sparse attention, los van het uiteindelijke V3.2-model en diens latere formaat voor redeneren met tools.
DSA gebruikt een lichte indexer en fijnmazige tokenselectie, zodat de belangrijkste aandachtsberekening zich richt op geselecteerde informatie uit eerdere tokens. DeepSeek heeft de experimentele trainingsconfiguratie bewust afgestemd op V3.1 Terminus om de architectuurverandering te isoleren. Het V3.2-rapport bevestigt dat de definitieve V3.2 en V3.2 Exp deze architectuur delen en beschrijft verdere training vanuit de Terminus-basis met een context van 128K. Het gepubliceerde experimentele profiel gebruikt die langcontextinstelling van 128K.
De experimentele modelkaart van de ontwikkelaar omvat redenering en agentwerk en behoudt tegelijk het taakprofiel van het eerdere model. De onderbouwing behandelt redeneren zonder tools en agentisch toolgebruik als afzonderlijke workflows. Bereid een duidelijke vraag, relevante broncontext en de gewenste eindvorm voor. Als de taak een tool gebruikt, levert de applicatie de definitie ervan aan en geeft zij het resultaat terug; de voorgestelde handeling van het model is niet hetzelfde als een handeling die al is uitgevoerd.
De definitieve V3.2-modelkaart introduceert een herzien formaat voor toolaanroepen en beschrijft expliciet redeneren met tools. Die aanpassingen horen bij de definitieve release en mogen niet worden beschouwd als de volledige interactieafspraken van de experimentele editie. Behoud bij V3.2 Exp de eigen berichtopmaak en de overgenomen Terminus-taakcontext, in plaats van aan te nemen dat door een vergelijkbare naam elke latere instelling of rol uitwisselbaar is.
Geef bij een vergelijking van lange documenten elke bron een label en benoem de onderdelen die relevant zijn voor de vraag. Een voorbeeldopdracht is: “Vergelijk deze eisen met de voorgestelde implementatie, benoem elke afwijking en citeer de passage die haar aantoont. Sluit af met een geprioriteerde lijst met correcties.” Geef bij code het ongewenste gedrag, het relevante fragment en het verwachte resultaat, en vraag vervolgens om een gerichte wijziging met een duidelijke uitleg. De bronindeling en de regel voor voltooiing helpen een taak met lange context naar een bruikbaar resultaat te sturen.
De referentie-implementatie van de ontwikkelaar bevat de indexer voor sparse attention en de modelkaart vermeldt een belangrijke implementatiecorrectie: RoPE van de indexer gebruikt een niet-vervlochten indeling, terwijl de module voor latent attention een vervlochten indeling verwacht. Dit is een detail uit de referentie van de ontwikkelaar dat van belang is voor een getrouwe uitvoering van het model, geen andere gebruikersprompt of nieuwe functionaliteit. Het betekent ook dat alleen een modelnaam niet beschrijft hoe elke implementatie met de experimentele architectuur omgaat.
Een doorlopende agenttaak moet bronmateriaal, gesprek, gegenereerde redeneringen en toolwaarnemingen samen binnen het budget houden. Organiseer de nuttige waarnemingen en vraag het eindantwoord om onderscheid te maken tussen onderbouwing, aannames en voorgestelde handelingen. Geef voor een feitelijk resultaat dat van bronnen afhangt het gezaghebbende materiaal of een geschikte tool, in plaats van op brede trainingskennis te vertrouwen. De uitvoer blijft een tekst-, code- of analyseresultaat dat aan de taak en de invoer kan worden getoetst.
", "aboutText": "DeepSeek V3.2 Exp is DeepSeek’s experimentele tekstmodeleditie, gebouwd op V3.1 Terminus. De kenmerkende verandering is DeepSeek Sparse Attention, geïntroduceerd om efficiëntere training en inferentie voor uitgebreide tekstreeksen te onderzoeken. De taak blijft tekstgericht: geschreven instructies en context leveren een tekstantwoord, code of agentgerelateerde uitvoer op. Dit is de onderzoekseditie voor sparse attention, los van het uiteindelijke V3.2-model en diens latere formaat voor redeneren met tools.\n\nDSA gebruikt een lichte indexer en fijnmazige tokenselectie, zodat de belangrijkste aandachtsberekening zich richt op geselecteerde informatie uit eerdere tokens. DeepSeek heeft de experimentele trainingsconfiguratie bewust afgestemd op V3.1 Terminus om de architectuurverandering te isoleren. Het V3.2-rapport bevestigt dat de definitieve V3.2 en V3.2 Exp deze architectuur delen en beschrijft verdere training vanuit de Terminus-basis met een context van 128K. Het gepubliceerde experimentele profiel gebruikt die langcontextinstelling van 128K.\n\nDe experimentele modelkaart van de ontwikkelaar omvat redenering en agentwerk en behoudt tegelijk het taakprofiel van het eerdere model. De onderbouwing behandelt redeneren zonder tools en agentisch toolgebruik als afzonderlijke workflows. Bereid een duidelijke vraag, relevante broncontext en de gewenste eindvorm voor. Als de taak een tool gebruikt, levert de applicatie de definitie ervan aan en geeft zij het resultaat terug; de voorgestelde handeling van het model is niet hetzelfde als een handeling die al is uitgevoerd.\n\nDe definitieve V3.2-modelkaart introduceert een herzien formaat voor toolaanroepen en beschrijft expliciet redeneren met tools. Die aanpassingen horen bij de definitieve release en mogen niet worden beschouwd als de volledige interactieafspraken van de experimentele editie. Behoud bij V3.2 Exp de eigen berichtopmaak en de overgenomen Terminus-taakcontext, in plaats van aan te nemen dat door een vergelijkbare naam elke latere instelling of rol uitwisselbaar is.\n\nGeef bij een vergelijking van lange documenten elke bron een label en benoem de onderdelen die relevant zijn voor de vraag. Een voorbeeldopdracht is: “Vergelijk deze eisen met de voorgestelde implementatie, benoem elke afwijking en citeer de passage die haar aantoont. Sluit af met een geprioriteerde lijst met correcties.” Geef bij code het ongewenste gedrag, het relevante fragment en het verwachte resultaat, en vraag vervolgens om een gerichte wijziging met een duidelijke uitleg. De bronindeling en de regel voor voltooiing helpen een taak met lange context naar een bruikbaar resultaat te sturen.\n\nDe referentie-implementatie van de ontwikkelaar bevat de indexer voor sparse attention en de modelkaart vermeldt een belangrijke implementatiecorrectie: RoPE van de indexer gebruikt een niet-vervlochten indeling, terwijl de module voor latent attention een vervlochten indeling verwacht. Dit is een detail uit de referentie van de ontwikkelaar dat van belang is voor een getrouwe uitvoering van het model, geen andere gebruikersprompt of nieuwe functionaliteit. Het betekent ook dat alleen een modelnaam niet beschrijft hoe elke implementatie met de experimentele architectuur omgaat.\n\nEen doorlopende agenttaak moet bronmateriaal, gesprek, gegenereerde redeneringen en toolwaarnemingen samen binnen het budget houden. Organiseer de nuttige waarnemingen en vraag het eindantwoord om onderscheid te maken tussen onderbouwing, aannames en voorgestelde handelingen. Geef voor een feitelijk resultaat dat van bronnen afhangt het gezaghebbende materiaal of een geschikte tool, in plaats van op brede trainingskennis te vertrouwen. De uitvoer blijft een tekst-, code- of analyseresultaat dat aan de taak en de invoer kan worden getoetst.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "35baaaa45b030e14f5f8f535be97c9cb54921ef72d8c8470b4665192cf4236e5", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl-be", "methods": [ { "html": "deepseek-v3.2-exp-thinkingDeepSeek V3.2 Exp is de editie met sparse attention die op V3.1 Terminus is gebouwd. Het verwerkt tekst voor redeneer-, programmeer- en agenttaken en verkent efficiëntere attention voor lange contexten, met een context van 128K bij de producent en een eigen identiteit naast de definitieve V3.2-release.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
DeepSeek V3.2 Exp is DeepSeek’s experimentele tekstmodeleditie, gebouwd op V3.1 Terminus. De kenmerkende verandering is DeepSeek Sparse Attention, geïntroduceerd om efficiëntere training en inferentie voor uitgebreide tekstreeksen te onderzoeken. De taak blijft tekstgericht: geschreven instructies en context leveren een tekstantwoord, code of agentgerelateerde uitvoer op. Dit is de onderzoekseditie voor sparse attention, los van het uiteindelijke V3.2-model en diens latere formaat voor redeneren met tools.
DSA gebruikt een lichte indexer en fijnmazige tokenselectie, zodat de belangrijkste aandachtsberekening zich richt op geselecteerde informatie uit eerdere tokens. DeepSeek heeft de experimentele trainingsconfiguratie bewust afgestemd op V3.1 Terminus om de architectuurverandering te isoleren. Het V3.2-rapport bevestigt dat de definitieve V3.2 en V3.2 Exp deze architectuur delen en beschrijft verdere training vanuit de Terminus-basis met een context van 128K. Het gepubliceerde experimentele profiel gebruikt die langcontextinstelling van 128K.
De experimentele modelkaart van de ontwikkelaar omvat redenering en agentwerk en behoudt tegelijk het taakprofiel van het eerdere model. De onderbouwing behandelt redeneren zonder tools en agentisch toolgebruik als afzonderlijke workflows. Bereid een duidelijke vraag, relevante broncontext en de gewenste eindvorm voor. Als de taak een tool gebruikt, levert de applicatie de definitie ervan aan en geeft zij het resultaat terug; de voorgestelde handeling van het model is niet hetzelfde als een handeling die al is uitgevoerd.
De definitieve V3.2-modelkaart introduceert een herzien formaat voor toolaanroepen en beschrijft expliciet redeneren met tools. Die aanpassingen horen bij de definitieve release en mogen niet worden beschouwd als de volledige interactieafspraken van de experimentele editie. Behoud bij V3.2 Exp de eigen berichtopmaak en de overgenomen Terminus-taakcontext, in plaats van aan te nemen dat door een vergelijkbare naam elke latere instelling of rol uitwisselbaar is.
Geef bij een vergelijking van lange documenten elke bron een label en benoem de onderdelen die relevant zijn voor de vraag. Een voorbeeldopdracht is: “Vergelijk deze eisen met de voorgestelde implementatie, benoem elke afwijking en citeer de passage die haar aantoont. Sluit af met een geprioriteerde lijst met correcties.” Geef bij code het ongewenste gedrag, het relevante fragment en het verwachte resultaat, en vraag vervolgens om een gerichte wijziging met een duidelijke uitleg. De bronindeling en de regel voor voltooiing helpen een taak met lange context naar een bruikbaar resultaat te sturen.
De referentie-implementatie van de ontwikkelaar bevat de indexer voor sparse attention en de modelkaart vermeldt een belangrijke implementatiecorrectie: RoPE van de indexer gebruikt een niet-vervlochten indeling, terwijl de module voor latent attention een vervlochten indeling verwacht. Dit is een detail uit de referentie van de ontwikkelaar dat van belang is voor een getrouwe uitvoering van het model, geen andere gebruikersprompt of nieuwe functionaliteit. Het betekent ook dat alleen een modelnaam niet beschrijft hoe elke implementatie met de experimentele architectuur omgaat.
Een doorlopende agenttaak moet bronmateriaal, gesprek, gegenereerde redeneringen en toolwaarnemingen samen binnen het budget houden. Organiseer de nuttige waarnemingen en vraag het eindantwoord om onderscheid te maken tussen onderbouwing, aannames en voorgestelde handelingen. Geef voor een feitelijk resultaat dat van bronnen afhangt het gezaghebbende materiaal of een geschikte tool, in plaats van op brede trainingskennis te vertrouwen. De uitvoer blijft een tekst-, code- of analyseresultaat dat aan de taak en de invoer kan worden getoetst.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek-v3.2-exp-thinking | 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 $0.00058 / 1K tokens Uitvoer · Uitvoertokens $0.00086 / 1K tokens Invoer · Cache lezen $0 / 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-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 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-v3.2-exp-thinking
/chat/completions