DeepSeek V3.2 is het tekstmodel van DeepSeek voor redeneren en agentwerk, met de nadruk op efficiënte verwerking van lange contexten. De producent groepeert de belangrijkste wijzigingen rond DeepSeek Sparse Attention, een opgeschaald framework voor reinforcement learning en een pipeline voor het trainen van agenttaken. Het accepteert geschreven vragen en context en produceert tekst, waaronder een antwoord, code of inhoud van toolaanroepen. Het staat los van de eerdere V3.2 Exp-release en de afzonderlijke Speciale-redeneervariant.
DeepSeek Sparse Attention voegt een indexeerder en fijnmazige tokenselectie toe aan de architectuur voor latent attention. Bij een lange reeks selecteert de indexeerder de eerdere tokeninformatie die voor de hoofdberekening van attention wordt gebruikt. Volgens het rapport is dit de architectuurwijziging ten opzichte van V3.1 Terminus en gebruikt het dezelfde architectuur als V3.2 Exp. De gepubliceerde context bedraagt 128K tokens. Die biedt ruimte voor omvangrijk bronmateriaal en een doorlopende taak, terwijl gegenereerde redeneringen en toolgeschiedenis ook beschikbare context innemen.
De natraining omvat zowel antwoorden met als zonder denkmodus voor wiskunde, programmeren, logisch redeneren, algemene agenttaken, programmeren met agents en zoeken. Domeinspecialisten leveren gegevens die in het uiteindelijke model worden samengebracht, gevolgd door gemengde reinforcement learning. Voor een gewone vraag kan een direct antwoord passen; bij een moeilijk probleem kan de denkworkflow een oplossing ontwikkelen voordat het eindresultaat wordt gepresenteerd. Specificeer het vereiste antwoord of eindproduct los van de tussenliggende redenering.
Een belangrijke wijziging in deze editie is denken met tools. Het bijgewerkte chatformaat laat redeneringen doorlopen tijdens een taak met toolaanroepen, in plaats van analyse en actie als ongerelateerde fasen te behandelen. Een door het model gekozen handeling wordt uitgevoerd door de toepassing, die het resultaat voor de volgende stap teruggeeft. De toolcontextregel van de producent bewaart historische redeneringen zolang alleen toolgerelateerde berichten worden toegevoegd; wanneer een nieuw gebruikersbericht binnenkomt, verwijdert ze die redeneringen en bewaart ze toolaanroepen en resultaten. Correct onderscheiden gespreksrollen zijn van belang voor dat gedrag.
Geef bij programmeren het bronfragment of de relevante bestanden, het waargenomen probleem, het verwachte resultaat en de voorwaarden die de wijziging moet bewaren mee. Een voorbeeldopdracht is: “Gebruik de aangeleverde code en toolresultaten om de oorzaak te vinden, stel de kleinste correctie voor en geef de uiteindelijke patch terug met het ondersteunende validatieresultaat.” Beschrijf bij een zoektaak de vraag, het benodigde bewijsmateriaal en wanneer een antwoord als voltooid geldt. Zoek- en uitvoeringstools worden door de omringende toepassing geleverd, niet door de tekst alleen.
De producent beveelt voor lokaal gebruik temperature 1.0 en top-p 0.95 aan. V3.2 introduceert een herziene weergave van toolaanroepen en een specifieke berichtencoder. De developer-rol is voorbehouden aan de zoekagenttemplate van de producent en de officiële API accepteert die rol niet. De referentieparser verwacht correct gevormde uitvoer en herstelt geen foutieve resultaten; wanneer een toepassing gegenereerde velden of toolargumenten gebruikt, moet ze de structuur controleren voordat ze ermee handelt.
Het technische rapport noemt lange redeneertrajecten en overbodige zelfverificatie als praktische beperkingen. Een agenttaak kan de grens van 128K bereiken, ook wanneer het oorspronkelijke bronmateriaal past, doordat tooluitvoer en herhaalde redeneringen zich opstapelen. Houd een beknopt overzicht van relevante waarnemingen bij en maak het eindproduct expliciet. Voeg voor kennisgevoelig werk gezaghebbend materiaal toe of bied een geschikte zoektool aan, in plaats van te verwachten dat trainingskennis elk feit vastlegt.
DeepSeek V3.2 Speciale is een afzonderlijke variant voor diep redeneren met veel rekenwerk en ondersteunt volgens de modelkaart geen toolaanroepen. De functies ervan mogen niet als het standaardtoolprofiel van V3.2 worden gebruikt. Ook de latere V4-generatie en de experimentele voorganger hebben afzonderlijke identiteiten en configuratiekeuzes. Behoud de benoemde V3.2-editie bij vergelijkingen van taken waarbij het model en het promptformaat van belang zijn.
Label bij een praktische analyse op basis van bronnen het materiaal en vraag een conclusie die door de relevante passages wordt ondersteund, waarbij aannames en ontbrekende informatie apart blijven. Vermeld voor een agent de toegelaten functies, het verwachte eindresultaat en het voltooiingscriterium. Zo wordt de redeneer- en toolworkflow van het model voorbereid rond een beoordeelbaar tekst-, code- of analyseresultaat dat aan het aangeleverde bewijsmateriaal is gekoppeld.
", "aboutText": "DeepSeek V3.2 is het tekstmodel van DeepSeek voor redeneren en agentwerk, met de nadruk op efficiënte verwerking van lange contexten. De producent groepeert de belangrijkste wijzigingen rond DeepSeek Sparse Attention, een opgeschaald framework voor reinforcement learning en een pipeline voor het trainen van agenttaken. Het accepteert geschreven vragen en context en produceert tekst, waaronder een antwoord, code of inhoud van toolaanroepen. Het staat los van de eerdere V3.2 Exp-release en de afzonderlijke Speciale-redeneervariant.\n\nDeepSeek Sparse Attention voegt een indexeerder en fijnmazige tokenselectie toe aan de architectuur voor latent attention. Bij een lange reeks selecteert de indexeerder de eerdere tokeninformatie die voor de hoofdberekening van attention wordt gebruikt. Volgens het rapport is dit de architectuurwijziging ten opzichte van V3.1 Terminus en gebruikt het dezelfde architectuur als V3.2 Exp. De gepubliceerde context bedraagt 128K tokens. Die biedt ruimte voor omvangrijk bronmateriaal en een doorlopende taak, terwijl gegenereerde redeneringen en toolgeschiedenis ook beschikbare context innemen.\n\nDe natraining omvat zowel antwoorden met als zonder denkmodus voor wiskunde, programmeren, logisch redeneren, algemene agenttaken, programmeren met agents en zoeken. Domeinspecialisten leveren gegevens die in het uiteindelijke model worden samengebracht, gevolgd door gemengde reinforcement learning. Voor een gewone vraag kan een direct antwoord passen; bij een moeilijk probleem kan de denkworkflow een oplossing ontwikkelen voordat het eindresultaat wordt gepresenteerd. Specificeer het vereiste antwoord of eindproduct los van de tussenliggende redenering.\n\nEen belangrijke wijziging in deze editie is denken met tools. Het bijgewerkte chatformaat laat redeneringen doorlopen tijdens een taak met toolaanroepen, in plaats van analyse en actie als ongerelateerde fasen te behandelen. Een door het model gekozen handeling wordt uitgevoerd door de toepassing, die het resultaat voor de volgende stap teruggeeft. De toolcontextregel van de producent bewaart historische redeneringen zolang alleen toolgerelateerde berichten worden toegevoegd; wanneer een nieuw gebruikersbericht binnenkomt, verwijdert ze die redeneringen en bewaart ze toolaanroepen en resultaten. Correct onderscheiden gespreksrollen zijn van belang voor dat gedrag.\n\nGeef bij programmeren het bronfragment of de relevante bestanden, het waargenomen probleem, het verwachte resultaat en de voorwaarden die de wijziging moet bewaren mee. Een voorbeeldopdracht is: “Gebruik de aangeleverde code en toolresultaten om de oorzaak te vinden, stel de kleinste correctie voor en geef de uiteindelijke patch terug met het ondersteunende validatieresultaat.” Beschrijf bij een zoektaak de vraag, het benodigde bewijsmateriaal en wanneer een antwoord als voltooid geldt. Zoek- en uitvoeringstools worden door de omringende toepassing geleverd, niet door de tekst alleen.\n\nDe producent beveelt voor lokaal gebruik temperature 1.0 en top-p 0.95 aan. V3.2 introduceert een herziene weergave van toolaanroepen en een specifieke berichtencoder. De developer-rol is voorbehouden aan de zoekagenttemplate van de producent en de officiële API accepteert die rol niet. De referentieparser verwacht correct gevormde uitvoer en herstelt geen foutieve resultaten; wanneer een toepassing gegenereerde velden of toolargumenten gebruikt, moet ze de structuur controleren voordat ze ermee handelt.\n\nHet technische rapport noemt lange redeneertrajecten en overbodige zelfverificatie als praktische beperkingen. Een agenttaak kan de grens van 128K bereiken, ook wanneer het oorspronkelijke bronmateriaal past, doordat tooluitvoer en herhaalde redeneringen zich opstapelen. Houd een beknopt overzicht van relevante waarnemingen bij en maak het eindproduct expliciet. Voeg voor kennisgevoelig werk gezaghebbend materiaal toe of bied een geschikte zoektool aan, in plaats van te verwachten dat trainingskennis elk feit vastlegt.\n\nDeepSeek V3.2 Speciale is een afzonderlijke variant voor diep redeneren met veel rekenwerk en ondersteunt volgens de modelkaart geen toolaanroepen. De functies ervan mogen niet als het standaardtoolprofiel van V3.2 worden gebruikt. Ook de latere V4-generatie en de experimentele voorganger hebben afzonderlijke identiteiten en configuratiekeuzes. Behoud de benoemde V3.2-editie bij vergelijkingen van taken waarbij het model en het promptformaat van belang zijn.\n\nLabel bij een praktische analyse op basis van bronnen het materiaal en vraag een conclusie die door de relevante passages wordt ondersteund, waarbij aannames en ontbrekende informatie apart blijven. Vermeld voor een agent de toegelaten functies, het verwachte eindresultaat en het voltooiingscriterium. Zo wordt de redeneer- en toolworkflow van het model voorbereid rond een beoordeelbaar tekst-, code- of analyseresultaat dat aan het aangeleverde bewijsmateriaal is gekoppeld.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "85e507bff3d25714a0dacc2709f8d20147ea6de9f963197eaffcdb1d4d023475", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl-be", "methods": [ { "html": "deepseek-v3.2-thinkingDeepSeek V3.2 combineert tekstredeneren met toolgebruik en analyse van lange contexten. De architectuur met sparse attention en het bijgewerkte gespreksformaat ondersteunen programmeren, zoeken en agenttaken in meerdere stappen, met een context van 128K en afzonderlijke workflows voor denken en directe antwoorden.
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 is het tekstmodel van DeepSeek voor redeneren en agentwerk, met de nadruk op efficiënte verwerking van lange contexten. De producent groepeert de belangrijkste wijzigingen rond DeepSeek Sparse Attention, een opgeschaald framework voor reinforcement learning en een pipeline voor het trainen van agenttaken. Het accepteert geschreven vragen en context en produceert tekst, waaronder een antwoord, code of inhoud van toolaanroepen. Het staat los van de eerdere V3.2 Exp-release en de afzonderlijke Speciale-redeneervariant.
DeepSeek Sparse Attention voegt een indexeerder en fijnmazige tokenselectie toe aan de architectuur voor latent attention. Bij een lange reeks selecteert de indexeerder de eerdere tokeninformatie die voor de hoofdberekening van attention wordt gebruikt. Volgens het rapport is dit de architectuurwijziging ten opzichte van V3.1 Terminus en gebruikt het dezelfde architectuur als V3.2 Exp. De gepubliceerde context bedraagt 128K tokens. Die biedt ruimte voor omvangrijk bronmateriaal en een doorlopende taak, terwijl gegenereerde redeneringen en toolgeschiedenis ook beschikbare context innemen.
De natraining omvat zowel antwoorden met als zonder denkmodus voor wiskunde, programmeren, logisch redeneren, algemene agenttaken, programmeren met agents en zoeken. Domeinspecialisten leveren gegevens die in het uiteindelijke model worden samengebracht, gevolgd door gemengde reinforcement learning. Voor een gewone vraag kan een direct antwoord passen; bij een moeilijk probleem kan de denkworkflow een oplossing ontwikkelen voordat het eindresultaat wordt gepresenteerd. Specificeer het vereiste antwoord of eindproduct los van de tussenliggende redenering.
Een belangrijke wijziging in deze editie is denken met tools. Het bijgewerkte chatformaat laat redeneringen doorlopen tijdens een taak met toolaanroepen, in plaats van analyse en actie als ongerelateerde fasen te behandelen. Een door het model gekozen handeling wordt uitgevoerd door de toepassing, die het resultaat voor de volgende stap teruggeeft. De toolcontextregel van de producent bewaart historische redeneringen zolang alleen toolgerelateerde berichten worden toegevoegd; wanneer een nieuw gebruikersbericht binnenkomt, verwijdert ze die redeneringen en bewaart ze toolaanroepen en resultaten. Correct onderscheiden gespreksrollen zijn van belang voor dat gedrag.
Geef bij programmeren het bronfragment of de relevante bestanden, het waargenomen probleem, het verwachte resultaat en de voorwaarden die de wijziging moet bewaren mee. Een voorbeeldopdracht is: “Gebruik de aangeleverde code en toolresultaten om de oorzaak te vinden, stel de kleinste correctie voor en geef de uiteindelijke patch terug met het ondersteunende validatieresultaat.” Beschrijf bij een zoektaak de vraag, het benodigde bewijsmateriaal en wanneer een antwoord als voltooid geldt. Zoek- en uitvoeringstools worden door de omringende toepassing geleverd, niet door de tekst alleen.
De producent beveelt voor lokaal gebruik temperature 1.0 en top-p 0.95 aan. V3.2 introduceert een herziene weergave van toolaanroepen en een specifieke berichtencoder. De developer-rol is voorbehouden aan de zoekagenttemplate van de producent en de officiële API accepteert die rol niet. De referentieparser verwacht correct gevormde uitvoer en herstelt geen foutieve resultaten; wanneer een toepassing gegenereerde velden of toolargumenten gebruikt, moet ze de structuur controleren voordat ze ermee handelt.
Het technische rapport noemt lange redeneertrajecten en overbodige zelfverificatie als praktische beperkingen. Een agenttaak kan de grens van 128K bereiken, ook wanneer het oorspronkelijke bronmateriaal past, doordat tooluitvoer en herhaalde redeneringen zich opstapelen. Houd een beknopt overzicht van relevante waarnemingen bij en maak het eindproduct expliciet. Voeg voor kennisgevoelig werk gezaghebbend materiaal toe of bied een geschikte zoektool aan, in plaats van te verwachten dat trainingskennis elk feit vastlegt.
DeepSeek V3.2 Speciale is een afzonderlijke variant voor diep redeneren met veel rekenwerk en ondersteunt volgens de modelkaart geen toolaanroepen. De functies ervan mogen niet als het standaardtoolprofiel van V3.2 worden gebruikt. Ook de latere V4-generatie en de experimentele voorganger hebben afzonderlijke identiteiten en configuratiekeuzes. Behoud de benoemde V3.2-editie bij vergelijkingen van taken waarbij het model en het promptformaat van belang zijn.
Label bij een praktische analyse op basis van bronnen het materiaal en vraag een conclusie die door de relevante passages wordt ondersteund, waarbij aannames en ontbrekende informatie apart blijven. Vermeld voor een agent de toegelaten functies, het verwachte eindresultaat en het voltooiingscriterium. Zo wordt de redeneer- en toolworkflow van het model voorbereid rond een beoordeelbaar tekst-, code- of analyseresultaat dat aan het aangeleverde bewijsmateriaal is gekoppeld.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek-v3.2-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-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-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-thinking
/chat/completions