DeepSeek V3 is het oorspronkelijke mixture-of-experts-tekstmodel van DeepSeek voor algemeen taalgebruik, programmeren en redeneren. Het ontvangt geschreven instructies en tekstcontext en levert een antwoord, concepttekst, uitleg of code. De modelkaart vermeldt in totaal 671 miljard parameters voor het hoofdmodel, waarvan er per token 37 miljard actief zijn. De oorspronkelijke editie met de naam V3 blijft onderscheiden van V3-0324, V3.1 en V3.2, waarvan de updates elk eigen functies en promptprofielen toevoegen.
De architectuur combineert Multi-head Latent Attention met DeepSeekMoE. Latente aandacht comprimeert de informatie die aandacht gebruikt, terwijl de schaarse selectie van experts per token slechts een deel van het model activeert. V3 introduceert ook belastingverdeling zonder aanvullende verliesfunctie en een trainingsdoel voor het voorspellen van meerdere tokens. Het gepubliceerde modelpakket bevat naast het hoofdmodel met 671 miljard parameters een afzonderlijke module met 14 miljard parameters voor het voorspellen van meerdere tokens. Dat verklaart waarom het totale aantal parameters van het pakket kan afwijken van het aantal in de architectuur van het hoofdmodel.
DeepSeek traint V3 vooraf op 14,8 biljoen tokens en gebruikt vervolgens gesuperviseerde fijnafstemming en reinforcement learning. De natraining brengt verificatie- en reflectiepatronen uit de R1-familie over naar een standaardantwoord van een taalmodel, terwijl de stijl en lengte van de uitvoer worden gestuurd. Dit is een bijdrage aan de training en staat los van het kiezen van R1 zelf of van het latere hybride denksjabloon van V3.1. Bereid het gewenste formaat van het uiteindelijke antwoord voor, in plaats van aan te nemen dat de redeneerweergave van een andere editie ook hier geldt.
De modeltabel van de producent vermeldt een context van 128K voor zowel V3 Base als de nagetrainde V3-editie. In die context kan een vraag worden gecombineerd met omvangrijk document- of codemateriaal, terwijl ook de gespreksgeschiedenis en het antwoord ruimte nodig hebben. Geef de bronnen een label en benoem de relevante vraag. Een contextvenster is een capaciteitsgrens, geen instructie om ongerelateerd materiaal in te dienen of om een onnodig lang antwoord te vragen.
Lever voor een praktische programmeertaak de relevante functie, het verwachte gedrag, belangrijke randvoorwaarden en de invoer die het probleem aantoont. Vraag om een voorgestelde correctie en een uitleg die naar de aangeleverde code verwijst. Geef voor documentanalyse benoemde secties en duidelijke vergelijkingscriteria. Een voorbeeldopdracht is: “Haal de eisen uit de tekst, bepaal welke daarvan in dit voorstel worden behandeld en citeer voor elke bevinding de bijbehorende passage. Sluit af met een beknopte lijst van ontbrekende details.”
Schrijf- en redactietaken hebben baat bij een expliciete doelgroep, toon en verzameling feiten die behouden moeten blijven. Vraag om een samenvatting, herschrijving, vertaling of uitleg en benoem de verplichte namen en terminologie. Een gevraagde lijst met velden of een antwoord in JSON-vorm moet nog steeds als gegenereerde inhoud worden gecontroleerd; de modelnaam alleen kwalificeert het mechanisme voor gestructureerde uitvoer of tooluitvoering van de omringende toepassing niet. Als een toepassing tools aanbiedt, houd dan elke teruggegeven waarneming gescheiden van de actie die het model heeft voorgesteld.
De fabrikant publiceert FP8-modelmateriaal en beschrijft in de referentiedocumentatie andere opties voor precisie of uitvoering. Die implementatiekeuzes staan los van de taak op bronniveau en mogen niet uit de weergegeven modelnaam worden afgeleid. De uitvoer van het model kan code zijn, maar het genereren van die code voert de code niet uit; een uitleg van een bron bewijst niet dat er extern is gezocht. Gebruik daadwerkelijke bronpassages en waargenomen toepassingsresultaten wanneer het antwoord dat bewijs nodig heeft.
Definieer voor een bruikbaar resultaat het uiteindelijke artefact en de voorwaarden waaronder het compleet is. Houd door bronnen ondersteunde bevindingen, aannames en voorgestelde wijzigingen gescheiden en controleer het gegenereerde antwoord vervolgens aan de hand van het aangeleverde materiaal. In een langer gesprek kan één deel van de concepttekst worden verfijnd, terwijl goedgekeurde feiten en randvoorwaarden behouden blijven. Het resultaat is een controleerbaar tekst- of codeartefact voor de opgegeven taak, met behoud van de oorspronkelijke V3-identiteit, zonder ongemerkt besturingselementen van een latere editie over te nemen.
", "aboutText": "DeepSeek V3 is het oorspronkelijke mixture-of-experts-tekstmodel van DeepSeek voor algemeen taalgebruik, programmeren en redeneren. Het ontvangt geschreven instructies en tekstcontext en levert een antwoord, concepttekst, uitleg of code. De modelkaart vermeldt in totaal 671 miljard parameters voor het hoofdmodel, waarvan er per token 37 miljard actief zijn. De oorspronkelijke editie met de naam V3 blijft onderscheiden van V3-0324, V3.1 en V3.2, waarvan de updates elk eigen functies en promptprofielen toevoegen.\n\nDe architectuur combineert Multi-head Latent Attention met DeepSeekMoE. Latente aandacht comprimeert de informatie die aandacht gebruikt, terwijl de schaarse selectie van experts per token slechts een deel van het model activeert. V3 introduceert ook belastingverdeling zonder aanvullende verliesfunctie en een trainingsdoel voor het voorspellen van meerdere tokens. Het gepubliceerde modelpakket bevat naast het hoofdmodel met 671 miljard parameters een afzonderlijke module met 14 miljard parameters voor het voorspellen van meerdere tokens. Dat verklaart waarom het totale aantal parameters van het pakket kan afwijken van het aantal in de architectuur van het hoofdmodel.\n\nDeepSeek traint V3 vooraf op 14,8 biljoen tokens en gebruikt vervolgens gesuperviseerde fijnafstemming en reinforcement learning. De natraining brengt verificatie- en reflectiepatronen uit de R1-familie over naar een standaardantwoord van een taalmodel, terwijl de stijl en lengte van de uitvoer worden gestuurd. Dit is een bijdrage aan de training en staat los van het kiezen van R1 zelf of van het latere hybride denksjabloon van V3.1. Bereid het gewenste formaat van het uiteindelijke antwoord voor, in plaats van aan te nemen dat de redeneerweergave van een andere editie ook hier geldt.\n\nDe modeltabel van de producent vermeldt een context van 128K voor zowel V3 Base als de nagetrainde V3-editie. In die context kan een vraag worden gecombineerd met omvangrijk document- of codemateriaal, terwijl ook de gespreksgeschiedenis en het antwoord ruimte nodig hebben. Geef de bronnen een label en benoem de relevante vraag. Een contextvenster is een capaciteitsgrens, geen instructie om ongerelateerd materiaal in te dienen of om een onnodig lang antwoord te vragen.\n\nLever voor een praktische programmeertaak de relevante functie, het verwachte gedrag, belangrijke randvoorwaarden en de invoer die het probleem aantoont. Vraag om een voorgestelde correctie en een uitleg die naar de aangeleverde code verwijst. Geef voor documentanalyse benoemde secties en duidelijke vergelijkingscriteria. Een voorbeeldopdracht is: “Haal de eisen uit de tekst, bepaal welke daarvan in dit voorstel worden behandeld en citeer voor elke bevinding de bijbehorende passage. Sluit af met een beknopte lijst van ontbrekende details.”\n\nSchrijf- en redactietaken hebben baat bij een expliciete doelgroep, toon en verzameling feiten die behouden moeten blijven. Vraag om een samenvatting, herschrijving, vertaling of uitleg en benoem de verplichte namen en terminologie. Een gevraagde lijst met velden of een antwoord in JSON-vorm moet nog steeds als gegenereerde inhoud worden gecontroleerd; de modelnaam alleen kwalificeert het mechanisme voor gestructureerde uitvoer of tooluitvoering van de omringende toepassing niet. Als een toepassing tools aanbiedt, houd dan elke teruggegeven waarneming gescheiden van de actie die het model heeft voorgesteld.\n\nDe fabrikant publiceert FP8-modelmateriaal en beschrijft in de referentiedocumentatie andere opties voor precisie of uitvoering. Die implementatiekeuzes staan los van de taak op bronniveau en mogen niet uit de weergegeven modelnaam worden afgeleid. De uitvoer van het model kan code zijn, maar het genereren van die code voert de code niet uit; een uitleg van een bron bewijst niet dat er extern is gezocht. Gebruik daadwerkelijke bronpassages en waargenomen toepassingsresultaten wanneer het antwoord dat bewijs nodig heeft.\n\nDefinieer voor een bruikbaar resultaat het uiteindelijke artefact en de voorwaarden waaronder het compleet is. Houd door bronnen ondersteunde bevindingen, aannames en voorgestelde wijzigingen gescheiden en controleer het gegenereerde antwoord vervolgens aan de hand van het aangeleverde materiaal. In een langer gesprek kan één deel van de concepttekst worden verfijnd, terwijl goedgekeurde feiten en randvoorwaarden behouden blijven. Het resultaat is een controleerbaar tekst- of codeartefact voor de opgegeven taak, met behoud van de oorspronkelijke V3-identiteit, zonder ongemerkt besturingselementen van een latere editie over te nemen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2afd7ae6444793bca762aa276b50b5ed6dabd4fd2eb1e1ad78c39f1d70d5e70e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl", "methods": [ { "html": "deepseek-chatDeepSeek V3 is het oorspronkelijke tekstmodel van DeepSeek voor programmeren, schrijven, vragen en brongebaseerde analyse. De mixture-of-experts-architectuur heeft in totaal 671B parameters, waarvan 37B actief, met een context van 128K en natraining die redeneerpatronen uit R1 verwerkt.
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 is het oorspronkelijke mixture-of-experts-tekstmodel van DeepSeek voor algemeen taalgebruik, programmeren en redeneren. Het ontvangt geschreven instructies en tekstcontext en levert een antwoord, concepttekst, uitleg of code. De modelkaart vermeldt in totaal 671 miljard parameters voor het hoofdmodel, waarvan er per token 37 miljard actief zijn. De oorspronkelijke editie met de naam V3 blijft onderscheiden van V3-0324, V3.1 en V3.2, waarvan de updates elk eigen functies en promptprofielen toevoegen.
De architectuur combineert Multi-head Latent Attention met DeepSeekMoE. Latente aandacht comprimeert de informatie die aandacht gebruikt, terwijl de schaarse selectie van experts per token slechts een deel van het model activeert. V3 introduceert ook belastingverdeling zonder aanvullende verliesfunctie en een trainingsdoel voor het voorspellen van meerdere tokens. Het gepubliceerde modelpakket bevat naast het hoofdmodel met 671 miljard parameters een afzonderlijke module met 14 miljard parameters voor het voorspellen van meerdere tokens. Dat verklaart waarom het totale aantal parameters van het pakket kan afwijken van het aantal in de architectuur van het hoofdmodel.
DeepSeek traint V3 vooraf op 14,8 biljoen tokens en gebruikt vervolgens gesuperviseerde fijnafstemming en reinforcement learning. De natraining brengt verificatie- en reflectiepatronen uit de R1-familie over naar een standaardantwoord van een taalmodel, terwijl de stijl en lengte van de uitvoer worden gestuurd. Dit is een bijdrage aan de training en staat los van het kiezen van R1 zelf of van het latere hybride denksjabloon van V3.1. Bereid het gewenste formaat van het uiteindelijke antwoord voor, in plaats van aan te nemen dat de redeneerweergave van een andere editie ook hier geldt.
De modeltabel van de producent vermeldt een context van 128K voor zowel V3 Base als de nagetrainde V3-editie. In die context kan een vraag worden gecombineerd met omvangrijk document- of codemateriaal, terwijl ook de gespreksgeschiedenis en het antwoord ruimte nodig hebben. Geef de bronnen een label en benoem de relevante vraag. Een contextvenster is een capaciteitsgrens, geen instructie om ongerelateerd materiaal in te dienen of om een onnodig lang antwoord te vragen.
Lever voor een praktische programmeertaak de relevante functie, het verwachte gedrag, belangrijke randvoorwaarden en de invoer die het probleem aantoont. Vraag om een voorgestelde correctie en een uitleg die naar de aangeleverde code verwijst. Geef voor documentanalyse benoemde secties en duidelijke vergelijkingscriteria. Een voorbeeldopdracht is: “Haal de eisen uit de tekst, bepaal welke daarvan in dit voorstel worden behandeld en citeer voor elke bevinding de bijbehorende passage. Sluit af met een beknopte lijst van ontbrekende details.”
Schrijf- en redactietaken hebben baat bij een expliciete doelgroep, toon en verzameling feiten die behouden moeten blijven. Vraag om een samenvatting, herschrijving, vertaling of uitleg en benoem de verplichte namen en terminologie. Een gevraagde lijst met velden of een antwoord in JSON-vorm moet nog steeds als gegenereerde inhoud worden gecontroleerd; de modelnaam alleen kwalificeert het mechanisme voor gestructureerde uitvoer of tooluitvoering van de omringende toepassing niet. Als een toepassing tools aanbiedt, houd dan elke teruggegeven waarneming gescheiden van de actie die het model heeft voorgesteld.
De fabrikant publiceert FP8-modelmateriaal en beschrijft in de referentiedocumentatie andere opties voor precisie of uitvoering. Die implementatiekeuzes staan los van de taak op bronniveau en mogen niet uit de weergegeven modelnaam worden afgeleid. De uitvoer van het model kan code zijn, maar het genereren van die code voert de code niet uit; een uitleg van een bron bewijst niet dat er extern is gezocht. Gebruik daadwerkelijke bronpassages en waargenomen toepassingsresultaten wanneer het antwoord dat bewijs nodig heeft.
Definieer voor een bruikbaar resultaat het uiteindelijke artefact en de voorwaarden waaronder het compleet is. Houd door bronnen ondersteunde bevindingen, aannames en voorgestelde wijzigingen gescheiden en controleer het gegenereerde antwoord vervolgens aan de hand van het aangeleverde materiaal. In een langer gesprek kan één deel van de concepttekst worden verfijnd, terwijl goedgekeurde feiten en randvoorwaarden behouden blijven. Het resultaat is een controleerbaar tekst- of codeartefact voor de opgegeven taak, met behoud van de oorspronkelijke V3-identiteit, zonder ongemerkt besturingselementen van een latere editie over te nemen.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek-chat | 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 $0.00064 / 1K tokens Uitvoer · Uitvoertokens $0.00178 / 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-chat","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-chat", 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-chat, deepseek/deepseek-chat
/chat/completions
deepseek-chatDeepSeek V3 is het oorspronkelijke tekstmodel van DeepSeek voor programmeren, schrijven, vragen en brongebaseerde analyse. De mixture-of-experts-architectuur heeft in totaal 671B parameters, waarvan 37B actief, met een context van 128K en natraining die redeneerpatronen uit R1 verwerkt.
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 is het oorspronkelijke mixture-of-experts-tekstmodel van DeepSeek voor algemeen taalgebruik, programmeren en redeneren. Het ontvangt geschreven instructies en tekstcontext en levert een antwoord, concepttekst, uitleg of code. De modelkaart vermeldt in totaal 671 miljard parameters voor het hoofdmodel, waarvan er per token 37 miljard actief zijn. De oorspronkelijke editie met de naam V3 blijft onderscheiden van V3-0324, V3.1 en V3.2, waarvan de updates elk eigen functies en promptprofielen toevoegen.
De architectuur combineert Multi-head Latent Attention met DeepSeekMoE. Latente aandacht comprimeert de informatie die aandacht gebruikt, terwijl de schaarse selectie van experts per token slechts een deel van het model activeert. V3 introduceert ook belastingverdeling zonder aanvullende verliesfunctie en een trainingsdoel voor het voorspellen van meerdere tokens. Het gepubliceerde modelpakket bevat naast het hoofdmodel met 671 miljard parameters een afzonderlijke module met 14 miljard parameters voor het voorspellen van meerdere tokens. Dat verklaart waarom het totale aantal parameters van het pakket kan afwijken van het aantal in de architectuur van het hoofdmodel.
DeepSeek traint V3 vooraf op 14,8 biljoen tokens en gebruikt vervolgens gesuperviseerde fijnafstemming en reinforcement learning. De natraining brengt verificatie- en reflectiepatronen uit de R1-familie over naar een standaardantwoord van een taalmodel, terwijl de stijl en lengte van de uitvoer worden gestuurd. Dit is een bijdrage aan de training en staat los van het kiezen van R1 zelf of van het latere hybride denksjabloon van V3.1. Bereid het gewenste formaat van het uiteindelijke antwoord voor, in plaats van aan te nemen dat de redeneerweergave van een andere editie ook hier geldt.
De modeltabel van de producent vermeldt een context van 128K voor zowel V3 Base als de nagetrainde V3-editie. In die context kan een vraag worden gecombineerd met omvangrijk document- of codemateriaal, terwijl ook de gespreksgeschiedenis en het antwoord ruimte nodig hebben. Geef de bronnen een label en benoem de relevante vraag. Een contextvenster is een capaciteitsgrens, geen instructie om ongerelateerd materiaal in te dienen of om een onnodig lang antwoord te vragen.
Lever voor een praktische programmeertaak de relevante functie, het verwachte gedrag, belangrijke randvoorwaarden en de invoer die het probleem aantoont. Vraag om een voorgestelde correctie en een uitleg die naar de aangeleverde code verwijst. Geef voor documentanalyse benoemde secties en duidelijke vergelijkingscriteria. Een voorbeeldopdracht is: “Haal de eisen uit de tekst, bepaal welke daarvan in dit voorstel worden behandeld en citeer voor elke bevinding de bijbehorende passage. Sluit af met een beknopte lijst van ontbrekende details.”
Schrijf- en redactietaken hebben baat bij een expliciete doelgroep, toon en verzameling feiten die behouden moeten blijven. Vraag om een samenvatting, herschrijving, vertaling of uitleg en benoem de verplichte namen en terminologie. Een gevraagde lijst met velden of een antwoord in JSON-vorm moet nog steeds als gegenereerde inhoud worden gecontroleerd; de modelnaam alleen kwalificeert het mechanisme voor gestructureerde uitvoer of tooluitvoering van de omringende toepassing niet. Als een toepassing tools aanbiedt, houd dan elke teruggegeven waarneming gescheiden van de actie die het model heeft voorgesteld.
De fabrikant publiceert FP8-modelmateriaal en beschrijft in de referentiedocumentatie andere opties voor precisie of uitvoering. Die implementatiekeuzes staan los van de taak op bronniveau en mogen niet uit de weergegeven modelnaam worden afgeleid. De uitvoer van het model kan code zijn, maar het genereren van die code voert de code niet uit; een uitleg van een bron bewijst niet dat er extern is gezocht. Gebruik daadwerkelijke bronpassages en waargenomen toepassingsresultaten wanneer het antwoord dat bewijs nodig heeft.
Definieer voor een bruikbaar resultaat het uiteindelijke artefact en de voorwaarden waaronder het compleet is. Houd door bronnen ondersteunde bevindingen, aannames en voorgestelde wijzigingen gescheiden en controleer het gegenereerde antwoord vervolgens aan de hand van het aangeleverde materiaal. In een langer gesprek kan één deel van de concepttekst worden verfijnd, terwijl goedgekeurde feiten en randvoorwaarden behouden blijven. Het resultaat is een controleerbaar tekst- of codeartefact voor de opgegeven taak, met behoud van de oorspronkelijke V3-identiteit, zonder ongemerkt besturingselementen van een latere editie over te nemen.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek-chat | 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 $0.00064 / 1K tokens Uitvoer · Uitvoertokens $0.00178 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-chat', '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-chat', '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-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 is het oorspronkelijke tekstmodel van DeepSeek voor programmeren, schrijven, vragen en brongebaseerde analyse. De mixture-of-experts-architectuur heeft in totaal 671B parameters, waarvan 37B actief, met een context van 128K en natraining die redeneerpatronen uit R1 verwerkt.
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 is het oorspronkelijke mixture-of-experts-tekstmodel van DeepSeek voor algemeen taalgebruik, programmeren en redeneren. Het ontvangt geschreven instructies en tekstcontext en levert een antwoord, concepttekst, uitleg of code. De modelkaart vermeldt in totaal 671 miljard parameters voor het hoofdmodel, waarvan er per token 37 miljard actief zijn. De oorspronkelijke editie met de naam V3 blijft onderscheiden van V3-0324, V3.1 en V3.2, waarvan de updates elk eigen functies en promptprofielen toevoegen.
De architectuur combineert Multi-head Latent Attention met DeepSeekMoE. Latente aandacht comprimeert de informatie die aandacht gebruikt, terwijl de schaarse selectie van experts per token slechts een deel van het model activeert. V3 introduceert ook belastingverdeling zonder aanvullende verliesfunctie en een trainingsdoel voor het voorspellen van meerdere tokens. Het gepubliceerde modelpakket bevat naast het hoofdmodel met 671 miljard parameters een afzonderlijke module met 14 miljard parameters voor het voorspellen van meerdere tokens. Dat verklaart waarom het totale aantal parameters van het pakket kan afwijken van het aantal in de architectuur van het hoofdmodel.
DeepSeek traint V3 vooraf op 14,8 biljoen tokens en gebruikt vervolgens gesuperviseerde fijnafstemming en reinforcement learning. De natraining brengt verificatie- en reflectiepatronen uit de R1-familie over naar een standaardantwoord van een taalmodel, terwijl de stijl en lengte van de uitvoer worden gestuurd. Dit is een bijdrage aan de training en staat los van het kiezen van R1 zelf of van het latere hybride denksjabloon van V3.1. Bereid het gewenste formaat van het uiteindelijke antwoord voor, in plaats van aan te nemen dat de redeneerweergave van een andere editie ook hier geldt.
De modeltabel van de producent vermeldt een context van 128K voor zowel V3 Base als de nagetrainde V3-editie. In die context kan een vraag worden gecombineerd met omvangrijk document- of codemateriaal, terwijl ook de gespreksgeschiedenis en het antwoord ruimte nodig hebben. Geef de bronnen een label en benoem de relevante vraag. Een contextvenster is een capaciteitsgrens, geen instructie om ongerelateerd materiaal in te dienen of om een onnodig lang antwoord te vragen.
Lever voor een praktische programmeertaak de relevante functie, het verwachte gedrag, belangrijke randvoorwaarden en de invoer die het probleem aantoont. Vraag om een voorgestelde correctie en een uitleg die naar de aangeleverde code verwijst. Geef voor documentanalyse benoemde secties en duidelijke vergelijkingscriteria. Een voorbeeldopdracht is: “Haal de eisen uit de tekst, bepaal welke daarvan in dit voorstel worden behandeld en citeer voor elke bevinding de bijbehorende passage. Sluit af met een beknopte lijst van ontbrekende details.”
Schrijf- en redactietaken hebben baat bij een expliciete doelgroep, toon en verzameling feiten die behouden moeten blijven. Vraag om een samenvatting, herschrijving, vertaling of uitleg en benoem de verplichte namen en terminologie. Een gevraagde lijst met velden of een antwoord in JSON-vorm moet nog steeds als gegenereerde inhoud worden gecontroleerd; de modelnaam alleen kwalificeert het mechanisme voor gestructureerde uitvoer of tooluitvoering van de omringende toepassing niet. Als een toepassing tools aanbiedt, houd dan elke teruggegeven waarneming gescheiden van de actie die het model heeft voorgesteld.
De fabrikant publiceert FP8-modelmateriaal en beschrijft in de referentiedocumentatie andere opties voor precisie of uitvoering. Die implementatiekeuzes staan los van de taak op bronniveau en mogen niet uit de weergegeven modelnaam worden afgeleid. De uitvoer van het model kan code zijn, maar het genereren van die code voert de code niet uit; een uitleg van een bron bewijst niet dat er extern is gezocht. Gebruik daadwerkelijke bronpassages en waargenomen toepassingsresultaten wanneer het antwoord dat bewijs nodig heeft.
Definieer voor een bruikbaar resultaat het uiteindelijke artefact en de voorwaarden waaronder het compleet is. Houd door bronnen ondersteunde bevindingen, aannames en voorgestelde wijzigingen gescheiden en controleer het gegenereerde antwoord vervolgens aan de hand van het aangeleverde materiaal. In een langer gesprek kan één deel van de concepttekst worden verfijnd, terwijl goedgekeurde feiten en randvoorwaarden behouden blijven. Het resultaat is een controleerbaar tekst- of codeartefact voor de opgegeven taak, met behoud van de oorspronkelijke V3-identiteit, zonder ongemerkt besturingselementen van een latere editie over te nemen.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek/deepseek-chat | 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 $0.00064 / 1K tokens Uitvoer · Uitvoertokens $0.00178 / 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/deepseek-chat","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-chat", 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-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 is het oorspronkelijke tekstmodel van DeepSeek voor programmeren, schrijven, vragen en brongebaseerde analyse. De mixture-of-experts-architectuur heeft in totaal 671B parameters, waarvan 37B actief, met een context van 128K en natraining die redeneerpatronen uit R1 verwerkt.
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 is het oorspronkelijke mixture-of-experts-tekstmodel van DeepSeek voor algemeen taalgebruik, programmeren en redeneren. Het ontvangt geschreven instructies en tekstcontext en levert een antwoord, concepttekst, uitleg of code. De modelkaart vermeldt in totaal 671 miljard parameters voor het hoofdmodel, waarvan er per token 37 miljard actief zijn. De oorspronkelijke editie met de naam V3 blijft onderscheiden van V3-0324, V3.1 en V3.2, waarvan de updates elk eigen functies en promptprofielen toevoegen.
De architectuur combineert Multi-head Latent Attention met DeepSeekMoE. Latente aandacht comprimeert de informatie die aandacht gebruikt, terwijl de schaarse selectie van experts per token slechts een deel van het model activeert. V3 introduceert ook belastingverdeling zonder aanvullende verliesfunctie en een trainingsdoel voor het voorspellen van meerdere tokens. Het gepubliceerde modelpakket bevat naast het hoofdmodel met 671 miljard parameters een afzonderlijke module met 14 miljard parameters voor het voorspellen van meerdere tokens. Dat verklaart waarom het totale aantal parameters van het pakket kan afwijken van het aantal in de architectuur van het hoofdmodel.
DeepSeek traint V3 vooraf op 14,8 biljoen tokens en gebruikt vervolgens gesuperviseerde fijnafstemming en reinforcement learning. De natraining brengt verificatie- en reflectiepatronen uit de R1-familie over naar een standaardantwoord van een taalmodel, terwijl de stijl en lengte van de uitvoer worden gestuurd. Dit is een bijdrage aan de training en staat los van het kiezen van R1 zelf of van het latere hybride denksjabloon van V3.1. Bereid het gewenste formaat van het uiteindelijke antwoord voor, in plaats van aan te nemen dat de redeneerweergave van een andere editie ook hier geldt.
De modeltabel van de producent vermeldt een context van 128K voor zowel V3 Base als de nagetrainde V3-editie. In die context kan een vraag worden gecombineerd met omvangrijk document- of codemateriaal, terwijl ook de gespreksgeschiedenis en het antwoord ruimte nodig hebben. Geef de bronnen een label en benoem de relevante vraag. Een contextvenster is een capaciteitsgrens, geen instructie om ongerelateerd materiaal in te dienen of om een onnodig lang antwoord te vragen.
Lever voor een praktische programmeertaak de relevante functie, het verwachte gedrag, belangrijke randvoorwaarden en de invoer die het probleem aantoont. Vraag om een voorgestelde correctie en een uitleg die naar de aangeleverde code verwijst. Geef voor documentanalyse benoemde secties en duidelijke vergelijkingscriteria. Een voorbeeldopdracht is: “Haal de eisen uit de tekst, bepaal welke daarvan in dit voorstel worden behandeld en citeer voor elke bevinding de bijbehorende passage. Sluit af met een beknopte lijst van ontbrekende details.”
Schrijf- en redactietaken hebben baat bij een expliciete doelgroep, toon en verzameling feiten die behouden moeten blijven. Vraag om een samenvatting, herschrijving, vertaling of uitleg en benoem de verplichte namen en terminologie. Een gevraagde lijst met velden of een antwoord in JSON-vorm moet nog steeds als gegenereerde inhoud worden gecontroleerd; de modelnaam alleen kwalificeert het mechanisme voor gestructureerde uitvoer of tooluitvoering van de omringende toepassing niet. Als een toepassing tools aanbiedt, houd dan elke teruggegeven waarneming gescheiden van de actie die het model heeft voorgesteld.
De fabrikant publiceert FP8-modelmateriaal en beschrijft in de referentiedocumentatie andere opties voor precisie of uitvoering. Die implementatiekeuzes staan los van de taak op bronniveau en mogen niet uit de weergegeven modelnaam worden afgeleid. De uitvoer van het model kan code zijn, maar het genereren van die code voert de code niet uit; een uitleg van een bron bewijst niet dat er extern is gezocht. Gebruik daadwerkelijke bronpassages en waargenomen toepassingsresultaten wanneer het antwoord dat bewijs nodig heeft.
Definieer voor een bruikbaar resultaat het uiteindelijke artefact en de voorwaarden waaronder het compleet is. Houd door bronnen ondersteunde bevindingen, aannames en voorgestelde wijzigingen gescheiden en controleer het gegenereerde antwoord vervolgens aan de hand van het aangeleverde materiaal. In een langer gesprek kan één deel van de concepttekst worden verfijnd, terwijl goedgekeurde feiten en randvoorwaarden behouden blijven. Het resultaat is een controleerbaar tekst- of codeartefact voor de opgegeven taak, met behoud van de oorspronkelijke V3-identiteit, zonder ongemerkt besturingselementen van een latere editie over te nemen.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek/deepseek-chat | 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 $0.00064 / 1K tokens Uitvoer · Uitvoertokens $0.00178 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "deepseek/deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-chat', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-chat', '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-chat, deepseek/deepseek-chat
/chat/completions