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": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b34016386ea05c70550bd934388ed51cb9d4f367d6a750a6f44635c83fe9aff0", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl", "methods": [ { "html": "deepseek/deepseek-v4.1-flash:batchDeepSeek 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/batchestexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldendpoint | Typestring | VereisteVereist | Waarden en limieten /v1/chat/completions | Standaard— |
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek/deepseek-v4.1-flash:batch | Standaard— |
Veldrequests | Typebatch_item[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldrequests[].custom_id | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldrequests[].body.messages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldcompletion_window | Typestring | VereisteOptioneel | Waarden en limieten 24h | Standaard— |
Veldprovider | Typeobject|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldrequests[].body.model | Typestring | VereisteOptioneel | Waarden en limieten deepseek/deepseek-v4.1-flash:batch, deepseek/deepseek-v4.1-flash | Standaard— |
Veldprovider.only | Typestring[] | VereisteOptioneel | Waarden en limieten deepinfra/fp8 | Standaard— |
Veldprovider.allow_fallbacks | Typeboolean|null | VereisteOptioneel | Waarden en limieten false, null | Standaard— |
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractendpoint, model, requests |
Parametermaterial_types | Contracttext |
Parameterrepresentation | Contractinline requests[]; elk item bevat custom_id en body |
Parameterrequest_endpoint_profile | Contract/v1/chat/completions |
Parameterfile_material | ContractDe aanroeper mag daadwerkelijke JSONL-inhoud in UTF-8 lokaal in requests[] inlezen. Er wordt geen uploaddoel (purpose), input_file_id of bestandsverwijzing gebruikt. Ontbrekend of leeg klantmateriaal stopt de voorbereiding vóór POST. |
Parameterserialization_order | Contractendpoint, model, provider (indien opgegeven), completion_window (indien opgegeven), requests als laatste |
Parameteroptional_controls | Contractprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | ContractBody’s voor tekstaanvragen via Chat Completions in de gedocumenteerde inline Batch-envelop. |
Levenscyclus: asynchronous
GET /v1/batches/{operation_id} · de daadwerkelijke response.id uit het oorspronkelijke aanmaakantwoord; dezelfde gebruiker/sleutel/groep
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.000224 / 1K tokens Uitvoer · Uitvoertokens $0.000672 / 1K tokens Invoer · Cache lezen $0.00000672 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.000224 / 1K tokens Uitvoer · Uitvoertokens $0.000672 / 1K tokens Invoer · Cache lezen $0.00000672 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"deepseek/deepseek-v4.1-flash:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['deepseek/deepseek-v4.1-flash:batch', 'deepseek/deepseek-v4.1-flash']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"deepseek/deepseek-v4.1-flash:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\ninline results[].response.body JSON
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nBewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar de volledige oorspronkelijke status-JSON, elk resultaat/custom_id en de volledige antwoord- of foutbody. Sla voltooide results[] zonder filtering op als JSONL.
Bewaar de oorspronkelijke bewerkings-ID. Bij 503 result_pending_check hoort X-Should-Retry:false; dien een oorspronkelijke batch met onbekende uitkomst nooit opnieuw in.
| Veld | Type |
|---|---|
Veldresults[].custom_id | Typestring |
Veldresults[].response.body.choices[].message.content | Typestring|null |
Veldresults[].error | Typeobject|null |
Veldusage | Typeobject|null |
Veldid | Typestring |
Veldmodel | Typestring |
Veldendpoint | Typestring |
Veldstatus | Typestring |
Veldrequest_counts | Typeobject |
Veldresults[].id | Typestring |
Veldresults[].response.status_code | Typeinteger |
Veldresults[].response.request_id | Typestring |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeOngeldige gedocumenteerde inline envelop, dubbele sleutels, ongeldige itemidentiteit of een conflict met de geconfigureerde modelmogelijkheden. | Volgende stapCorrigeer de aangegeven velden voordat u een nieuwe aanvraag indient. |
Antwoord401 · authentication_error | VoorwaardeOngeldige API-sleutel. | Volgende stapGebruik de geautoriseerde Ailoot-sleutel. |
Antwoord403 · permission_error | VoorwaardeBatch-groep niet beschikbaar. | Volgende stapControleer de toegangsrechten van de sleutel/groep. |
Antwoord422 · invalid_request_error | VoorwaardeBij Batch worden kosten van het saldo afgeschreven; aanmaken via een abonnement wordt geweigerd. | Volgende stapGebruik de geautoriseerde groep waarvoor kosten van het saldo worden afgeschreven. |
Antwoord422 · price_unavailable | VoorwaardeVoor de Batch-invoer kan geen prijsopgave worden berekend. | Volgende stapBewaar het antwoord; gebruik de gedocumenteerde invoer voor deze familie. |
Antwoord402 · billing_error | VoorwaardeBatch-reservering niet beschikbaar. | Volgende stapLos het toelatingsprobleem op voordat u een nieuwe aanvraag indient. |
Antwoord503 · price_unavailable | VoorwaardePrijs voor de Batch-methode/native tarieven niet beschikbaar. | Volgende stapBewaar het antwoord; vervang de prijzen niet. |
Antwoord503 · api_error | VoorwaardeDe exacte leveranciersroute is niet beschikbaar. | Volgende stapBewaar het antwoord voor herstel van de route. |
Antwoord503 · result_pending_check | VoorwaardeHet oorspronkelijke resultaat moet worden gecontroleerd; X-Should-Retry:false. | Volgende stapBewaar de oorspronkelijke operation_id/id en lees de status ervan uit; herhaal de oorspronkelijke POST nooit. |
Antwoord404 · not_found | VoorwaardeDe bewerking voor de Batch-status ontbreekt of is eigendom van een andere identiteit. | Volgende stapGebruik exact de oorspronkelijke id en dezelfde gebruiker/sleutel/groep. |
Ailoot Ultra deepseek/deepseek-v4.1-flash:batch
Gebruik de hierboven getoonde methodepaden.