DeepSeek V4.1 Flash is vanaf het ontwerp multimodaal: een visuele encoder zet de afbeelding om in een representatie die samen met de tekst wordt verwerkt. Het resultaat is tekstueel. Visueel begrip, programmeren en agenttaken zijn voorzien; de context bereikt een miljoen tokens.
Het hoofdnetwerk bevat 552 miljard parameters. De causale encoder en decoder hebben elk 20 lagen. Bij invoerverwerking zijn 8 miljard parameters per token actief, bij generatie 16 miljard. Deze scheiding is ontworpen voor taken waarbij het invoermateriaal veel omvangrijker is dan het antwoord.
Gecomprimeerde sparse aandacht hergebruikt gegevens tussen lagen en beperkt herhaald zoeken naar belangrijke contextdelen. Ontbrekende toestanden van lokale aandacht worden hersteld vanuit een recent fragment. Het conditionele Engram-geheugen bevat 196 miljard parameters en raadpleegt zijn vermeldingen via sparse zoekacties op basis van tokens. Dit is een afzonderlijk geheugenblok, geen nieuwe aanduiding voor de omvang van het hoofdnetwerk. Elke expertlaag heeft één gedeelde expert en 384 gerouteerde experts; per token worden zes gerouteerde experts gekozen. Verder worden gewijzigde verbindingen tussen lagen en DSpark voor speculatieve decodering gebruikt.
Het model is vanaf nul getraind op een multimodaal corpus van 45 biljoen tokens. De daaropvolgende voorbereiding volgt deze volgorde: leren van voorbeelden, reinforcement learning en daarna distillatie op de eigen sequenties van het model.
DeepSeek schaalt gegevens van synthetische taken, werkomgevingen en agenttrajecten op. De voorbereiding verbindt de taak zelf, de beschikbare omgeving en de manier om het resultaat te controleren; gegevens worden gefilterd, ontdubbeld en naar moeilijkheid geselecteerd. Dit is de organisatie van de training, niet automatische beschikbaarheid van externe tools bij een modelaanroep.
Redeneren wordt ingesteld met een geheel getal van 1 tot 100. Deze doorlopende schaal bepaalt de analyse-inspanning; diepgaand redeneren kan meer tijd en tokens vereisen.
Het modelformaat voorziet in gesprekken met meerdere beurten, toolaanroepen, opgeslagen redeneringen en afwisseling van tekst en afbeeldingen. De toepassing voert de tools uit; de verkregen resultaten worden materiaal voor de volgende stap.
Het antwoord blijft tekstueel. De visuele mogelijkheden vereisen een passende invoermethode. De contextomvang en aanbevolen generatielengte leggen geen universele maximale antwoordgrootte vast.
", "aboutText": "### Tekst en afbeeldingen gezamenlijk verwerken\n\nDeepSeek V4.1 Flash is vanaf het ontwerp multimodaal: een visuele encoder zet de afbeelding om in een representatie die samen met de tekst wordt verwerkt. Het resultaat is tekstueel. Visueel begrip, programmeren en agenttaken zijn voorzien; de context bereikt een miljoen tokens.\n\n### Een architectuur voor omvangrijke invoer\n\nHet hoofdnetwerk bevat 552 miljard parameters. De causale encoder en decoder hebben elk 20 lagen. Bij invoerverwerking zijn 8 miljard parameters per token actief, bij generatie 16 miljard. Deze scheiding is ontworpen voor taken waarbij het invoermateriaal veel omvangrijker is dan het antwoord.\n\nGecomprimeerde sparse aandacht hergebruikt gegevens tussen lagen en beperkt herhaald zoeken naar belangrijke contextdelen. Ontbrekende toestanden van lokale aandacht worden hersteld vanuit een recent fragment. Het conditionele Engram-geheugen bevat 196 miljard parameters en raadpleegt zijn vermeldingen via sparse zoekacties op basis van tokens. Dit is een afzonderlijk geheugenblok, geen nieuwe aanduiding voor de omvang van het hoofdnetwerk. Elke expertlaag heeft één gedeelde expert en 384 gerouteerde experts; per token worden zes gerouteerde experts gekozen. Verder worden gewijzigde verbindingen tussen lagen en DSpark voor speculatieve decodering gebruikt.\n\n### Training en agentomgevingen\n\nHet model is vanaf nul getraind op een multimodaal corpus van 45 biljoen tokens. De daaropvolgende voorbereiding volgt deze volgorde: leren van voorbeelden, reinforcement learning en daarna distillatie op de eigen sequenties van het model.\n\nDeepSeek schaalt gegevens van synthetische taken, werkomgevingen en agenttrajecten op. De voorbereiding verbindt de taak zelf, de beschikbare omgeving en de manier om het resultaat te controleren; gegevens worden gefilterd, ontdubbeld en naar moeilijkheid geselecteerd. Dit is de organisatie van de training, niet automatische beschikbaarheid van externe tools bij een modelaanroep.\n\n### Regelbare analysediepte\n\nRedeneren wordt ingesteld met een geheel getal van 1 tot 100. Deze doorlopende schaal bepaalt de analyse-inspanning; diepgaand redeneren kan meer tijd en tokens vereisen.\n\n### Het gesprek voortzetten en acties uitvoeren\n\nHet modelformaat voorziet in gesprekken met meerdere beurten, toolaanroepen, opgeslagen redeneringen en afwisseling van tekst en afbeeldingen. De toepassing voert de tools uit; de verkregen resultaten worden materiaal voor de volgende stap.\n\nHet antwoord blijft tekstueel. De visuele mogelijkheden vereisen een passende invoermethode. De contextomvang en aanbevolen generatielengte leggen geen universele maximale antwoordgrootte vast.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Trace a data-loss bug from a text log\n\nUse this log and code sketch to identify the likely lost-update mechanism: A reads stock=5; B reads stock=5; A writes 4; B writes 4. Both requests call read(), subtract one, then write(). Explain the failure, propose one atomic update strategy and a concurrent test. Do not assume a specific database or execute anything.A causal diagnosis, database-neutral pseudocode for an atomic decrement and a concurrent-test scenario with the expected final count.The test expects stock 3 after two successful decrements from 5, with a stated insufficient-stock rule.deepseek-ai/deepseek-v4.1-flashDeepSeek V4.1 Flash is een multimodaal model voor analyse van tekst en afbeeldingen, programmeren en agentwerk met een lange context.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
DeepSeek V4.1 Flash is vanaf het ontwerp multimodaal: een visuele encoder zet de afbeelding om in een representatie die samen met de tekst wordt verwerkt. Het resultaat is tekstueel. Visueel begrip, programmeren en agenttaken zijn voorzien; de context bereikt een miljoen tokens.
Het hoofdnetwerk bevat 552 miljard parameters. De causale encoder en decoder hebben elk 20 lagen. Bij invoerverwerking zijn 8 miljard parameters per token actief, bij generatie 16 miljard. Deze scheiding is ontworpen voor taken waarbij het invoermateriaal veel omvangrijker is dan het antwoord.
Gecomprimeerde sparse aandacht hergebruikt gegevens tussen lagen en beperkt herhaald zoeken naar belangrijke contextdelen. Ontbrekende toestanden van lokale aandacht worden hersteld vanuit een recent fragment. Het conditionele Engram-geheugen bevat 196 miljard parameters en raadpleegt zijn vermeldingen via sparse zoekacties op basis van tokens. Dit is een afzonderlijk geheugenblok, geen nieuwe aanduiding voor de omvang van het hoofdnetwerk. Elke expertlaag heeft één gedeelde expert en 384 gerouteerde experts; per token worden zes gerouteerde experts gekozen. Verder worden gewijzigde verbindingen tussen lagen en DSpark voor speculatieve decodering gebruikt.
Het model is vanaf nul getraind op een multimodaal corpus van 45 biljoen tokens. De daaropvolgende voorbereiding volgt deze volgorde: leren van voorbeelden, reinforcement learning en daarna distillatie op de eigen sequenties van het model.
DeepSeek schaalt gegevens van synthetische taken, werkomgevingen en agenttrajecten op. De voorbereiding verbindt de taak zelf, de beschikbare omgeving en de manier om het resultaat te controleren; gegevens worden gefilterd, ontdubbeld en naar moeilijkheid geselecteerd. Dit is de organisatie van de training, niet automatische beschikbaarheid van externe tools bij een modelaanroep.
Redeneren wordt ingesteld met een geheel getal van 1 tot 100. Deze doorlopende schaal bepaalt de analyse-inspanning; diepgaand redeneren kan meer tijd en tokens vereisen.
Het modelformaat voorziet in gesprekken met meerdere beurten, toolaanroepen, opgeslagen redeneringen en afwisseling van tekst en afbeeldingen. De toepassing voert de tools uit; de verkregen resultaten worden materiaal voor de volgende stap.
Het antwoord blijft tekstueel. De visuele mogelijkheden vereisen een passende invoermethode. De contextomvang en aanbevolen generatielengte leggen geen universele maximale antwoordgrootte vast.
POST /v1/messagestexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek-ai/deepseek-v4.1-flash | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring|content_block[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldsystem | Typestring|content_block[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten Minimum: 1 Limiet geldt voor: exacte bovengrens van het gekozen model/de gekozen modelkaart | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop_sequences | Typestring[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typetool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].name | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: tool opgegeven | Standaard— |
Veldtools[].description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].input_schema | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldthinking.type | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldthinking.budget_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldoutput_config.effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmetadata | Typeobject | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldcache_control | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Tekst · UTF8-tekst
messages[].content of een blok met type=text
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Parametertext_file_material | Contractwerkelijke UTF-8-inhoud ingevoegd als tekst; bestands-ID’s/URLs vereisen afzonderlijke exacte ondersteuning |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/messagesAiloot 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: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-ai/deepseek-v4.1-flash", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="deepseek-ai/deepseek-v4.1-flash",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "deepseek-ai/deepseek-v4.1-flash",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='deepseek-ai/deepseek-v4.1-flash',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\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 deepseek-ai/deepseek-v4.1-flash
Gebruik de hierboven getoonde methodepaden.
deepseek-ai/deepseek-v4.1-flashDeepSeek V4.1 Flash is een multimodaal model voor analyse van tekst en afbeeldingen, programmeren en agentwerk met een lange context.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
DeepSeek V4.1 Flash is vanaf het ontwerp multimodaal: een visuele encoder zet de afbeelding om in een representatie die samen met de tekst wordt verwerkt. Het resultaat is tekstueel. Visueel begrip, programmeren en agenttaken zijn voorzien; de context bereikt een miljoen tokens.
Het hoofdnetwerk bevat 552 miljard parameters. De causale encoder en decoder hebben elk 20 lagen. Bij invoerverwerking zijn 8 miljard parameters per token actief, bij generatie 16 miljard. Deze scheiding is ontworpen voor taken waarbij het invoermateriaal veel omvangrijker is dan het antwoord.
Gecomprimeerde sparse aandacht hergebruikt gegevens tussen lagen en beperkt herhaald zoeken naar belangrijke contextdelen. Ontbrekende toestanden van lokale aandacht worden hersteld vanuit een recent fragment. Het conditionele Engram-geheugen bevat 196 miljard parameters en raadpleegt zijn vermeldingen via sparse zoekacties op basis van tokens. Dit is een afzonderlijk geheugenblok, geen nieuwe aanduiding voor de omvang van het hoofdnetwerk. Elke expertlaag heeft één gedeelde expert en 384 gerouteerde experts; per token worden zes gerouteerde experts gekozen. Verder worden gewijzigde verbindingen tussen lagen en DSpark voor speculatieve decodering gebruikt.
Het model is vanaf nul getraind op een multimodaal corpus van 45 biljoen tokens. De daaropvolgende voorbereiding volgt deze volgorde: leren van voorbeelden, reinforcement learning en daarna distillatie op de eigen sequenties van het model.
DeepSeek schaalt gegevens van synthetische taken, werkomgevingen en agenttrajecten op. De voorbereiding verbindt de taak zelf, de beschikbare omgeving en de manier om het resultaat te controleren; gegevens worden gefilterd, ontdubbeld en naar moeilijkheid geselecteerd. Dit is de organisatie van de training, niet automatische beschikbaarheid van externe tools bij een modelaanroep.
Redeneren wordt ingesteld met een geheel getal van 1 tot 100. Deze doorlopende schaal bepaalt de analyse-inspanning; diepgaand redeneren kan meer tijd en tokens vereisen.
Het modelformaat voorziet in gesprekken met meerdere beurten, toolaanroepen, opgeslagen redeneringen en afwisseling van tekst en afbeeldingen. De toepassing voert de tools uit; de verkregen resultaten worden materiaal voor de volgende stap.
Het antwoord blijft tekstueel. De visuele mogelijkheden vereisen een passende invoermethode. De contextomvang en aanbevolen generatielengte leggen geen universele maximale antwoordgrootte vast.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek-ai/deepseek-v4.1-flash | 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 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— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametermaterial_types | Contracttext |
Parameterrequired | Contractmodel, messages |
Parameteroptional_controls | Contractnull |
Parametercontent_type | Contractapplication/json |
Parametertext_file_material | Contractwerkelijke UTF-8-inhoud ingevoegd als tekst; bestands-ID’s/URLs vereisen afzonderlijke exacte ondersteuning |
Levenscyclus: exact retained published method
De methodestructuren en ID’s zijn exact; de mogelijkheden van de leverancier staan los van toelating.
POST /v1/chat/completionsAiloot 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}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-ai/deepseek-v4.1-flash", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="deepseek-ai/deepseek-v4.1-flash",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "deepseek-ai/deepseek-v4.1-flash",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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-ai/deepseek-v4.1-flash',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 deepseek-ai/deepseek-v4.1-flash
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Trace a data-loss bug from a text log\n\nUse this log and code sketch to identify the likely lost-update mechanism: A reads stock=5; B reads stock=5; A writes 4; B writes 4. Both requests call read(), subtract one, then write(). Explain the failure, propose one atomic update strategy and a concurrent test. Do not assume a specific database or execute anything.A causal diagnosis, database-neutral pseudocode for an atomic decrement and a concurrent-test scenario with the expected final count.The test expects stock 3 after two successful decrements from 5, with a stated insufficient-stock rule.