DeepSeek V4 Flash Vision Exp is het experimentele multimodale model van DeepSeek in de V4-familie. Het bouwt voort op V4 Flash door visuele modules en verdere training voor visueel begrip toe te voegen. De invoer combineert afbeeldingen met tekst en de uitvoer is tekst. Het gedocumenteerde doel verbindt multimodaal agentwerk met tekstgebaseerde agenttaken, waardoor het bruikbaar is wanneer de informatie die een assistent nodig heeft zichtbaar is in een schermafbeelding, grafiek of andere aangeleverde afbeelding.
De referentie van de producent beschrijft een vision-encoder en aligner die verbonden zijn met DFlash-aandacht, mixture-of-experts-componenten, hyperverbindingen en een DSpark-pad. De visuele modules zetten afbeeldingsinformatie om in een vorm die het taalmodel naast de schriftelijke vraag kan gebruiken. Dit verschilt van het V4 Flash-profiel voor uitsluitend tekst dat in de kaart wordt aangehaald, waarvan de vergelijking multimodale elementen afzonderlijk behandelt. Vision Exp is een editie met een eigen naam in plaats van een instructie om willekeurige mediaondersteuning aan een ander Flash-model toe te voegen.
De referentie voor het promptformaat ondersteunt afwisselend opgenomen afbeeldingsinhoud, gesprekken met meerdere beurten, toolaanroepen en denkmodi. Prompts zonder redeneren kunnen om een direct antwoord vragen; denkprompts kunnen een instelling voor redeneerinspanning gebruiken, waaronder het gedocumenteerde Max-voorbeeld. Afbeeldingen worden vastgelegd in precies de volgorde waarin ze in de prompt verschijnen. Nummer of label meerdere invoeritems en geef aan op welke afbeelding een vraag betrekking heeft, zodat een visuele vergelijking aan de bron gekoppeld blijft.
De gepubliceerde configuratie stelt max_position_embeddings in op 1,048,576. Dat is een positielimiet in de modelconfiguratie, geen afzonderlijke specificatie voor maximale uitvoer. Bereid een gerichte set afbeeldingen en een nauwkeurige vraag voor en houd de prompt, het gesprek en het gegenereerde antwoord binnen de limieten van de geselecteerde workflow van de producent.
Lever voor een praktische interfacetaak de huidige schermafbeelding, de beoogde gebruikershandeling en een eventuele relevante tekstspecificatie aan. Een voorbeeldopdracht is: “Identificeer de zichtbare bedieningselementen die nodig zijn om deze instelling te wijzigen. Gebruik de getoonde labels, leg de volgende handeling uit en geef aan welk deel van het scherm dit ondersteunt.” Vraag voor een grafiek om de zichtbare waarden en verbanden afzonderlijk van een afgeleide interpretatie. Lever als kleine tekst belangrijk is een leesbare uitsnede aan, samen met voldoende omliggende context om de rol ervan te bepalen.
In een agentapplicatie kan het model na interpretatie van de afbeelding en instructie een toolbewerking voorstellen. De omringende applicatie voert die bewerking uit, geeft de waarneming terug en levert zo nodig de volgende visuele toestand. Definieer het doel van de tool en de toegestane handelingen. Een voorgestelde klik, een geschreven coördinaat of gegenereerde code blijft een tekstresultaat totdat de applicatie de bijbehorende bewerking uitvoert; gebruik de resulterende waarneming als bewijs voor de volgende stap.
Vraag voor een op bronnen gebaseerd eindresultaat om bij elke bevinding de afbeelding en het zichtbare detail erachter te benoemen. Houd geëxtraheerde tekst gescheiden van een uitleg en een voorgestelde handeling gescheiden van een voltooide handeling. Voeg voor een opdracht om een schermafbeelding in code om te zetten de relevante brontekst, het beoogde gedrag en het vereiste eindresultaat toe. Het profiel van dit model is begrip van afbeeldingen en tekst met tekstuitvoer, geen beeldcreatie, spraaksynthese of veronderstelde workflow voor videoanalyse.
", "aboutText": "DeepSeek V4 Flash Vision Exp is het experimentele multimodale model van DeepSeek in de V4-familie. Het bouwt voort op V4 Flash door visuele modules en verdere training voor visueel begrip toe te voegen. De invoer combineert afbeeldingen met tekst en de uitvoer is tekst. Het gedocumenteerde doel verbindt multimodaal agentwerk met tekstgebaseerde agenttaken, waardoor het bruikbaar is wanneer de informatie die een assistent nodig heeft zichtbaar is in een schermafbeelding, grafiek of andere aangeleverde afbeelding.\n\nDe referentie van de producent beschrijft een vision-encoder en aligner die verbonden zijn met DFlash-aandacht, mixture-of-experts-componenten, hyperverbindingen en een DSpark-pad. De visuele modules zetten afbeeldingsinformatie om in een vorm die het taalmodel naast de schriftelijke vraag kan gebruiken. Dit verschilt van het V4 Flash-profiel voor uitsluitend tekst dat in de kaart wordt aangehaald, waarvan de vergelijking multimodale elementen afzonderlijk behandelt. Vision Exp is een editie met een eigen naam in plaats van een instructie om willekeurige mediaondersteuning aan een ander Flash-model toe te voegen.\n\nDe referentie voor het promptformaat ondersteunt afwisselend opgenomen afbeeldingsinhoud, gesprekken met meerdere beurten, toolaanroepen en denkmodi. Prompts zonder redeneren kunnen om een direct antwoord vragen; denkprompts kunnen een instelling voor redeneerinspanning gebruiken, waaronder het gedocumenteerde Max-voorbeeld. Afbeeldingen worden vastgelegd in precies de volgorde waarin ze in de prompt verschijnen. Nummer of label meerdere invoeritems en geef aan op welke afbeelding een vraag betrekking heeft, zodat een visuele vergelijking aan de bron gekoppeld blijft.\n\nDe gepubliceerde configuratie stelt max_position_embeddings in op 1,048,576. Dat is een positielimiet in de modelconfiguratie, geen afzonderlijke specificatie voor maximale uitvoer. Bereid een gerichte set afbeeldingen en een nauwkeurige vraag voor en houd de prompt, het gesprek en het gegenereerde antwoord binnen de limieten van de geselecteerde workflow van de producent.\n\nLever voor een praktische interfacetaak de huidige schermafbeelding, de beoogde gebruikershandeling en een eventuele relevante tekstspecificatie aan. Een voorbeeldopdracht is: “Identificeer de zichtbare bedieningselementen die nodig zijn om deze instelling te wijzigen. Gebruik de getoonde labels, leg de volgende handeling uit en geef aan welk deel van het scherm dit ondersteunt.” Vraag voor een grafiek om de zichtbare waarden en verbanden afzonderlijk van een afgeleide interpretatie. Lever als kleine tekst belangrijk is een leesbare uitsnede aan, samen met voldoende omliggende context om de rol ervan te bepalen.\n\nIn een agentapplicatie kan het model na interpretatie van de afbeelding en instructie een toolbewerking voorstellen. De omringende applicatie voert die bewerking uit, geeft de waarneming terug en levert zo nodig de volgende visuele toestand. Definieer het doel van de tool en de toegestane handelingen. Een voorgestelde klik, een geschreven coördinaat of gegenereerde code blijft een tekstresultaat totdat de applicatie de bijbehorende bewerking uitvoert; gebruik de resulterende waarneming als bewijs voor de volgende stap.\n\nVraag voor een op bronnen gebaseerd eindresultaat om bij elke bevinding de afbeelding en het zichtbare detail erachter te benoemen. Houd geëxtraheerde tekst gescheiden van een uitleg en een voorgestelde handeling gescheiden van een voltooide handeling. Voeg voor een opdracht om een schermafbeelding in code om te zetten de relevante brontekst, het beoogde gedrag en het vereiste eindresultaat toe. Het profiel van dit model is begrip van afbeeldingen en tekst met tekstuitvoer, geen beeldcreatie, spraaksynthese of veronderstelde workflow voor videoanalyse.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "801cf05513a2056ed961e0e10cead910e7bdba2dac63cf725e3de8244393b7a2", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl", "methods": [ { "html": "deepseek/deepseek-v4-flash-vision-expDeepSeek V4 Flash Vision Exp combineert afbeeldingen en tekst voor visueel begrip en multimodale agenttaken. Het voegt visuele modules toe aan de V4 Flash-architectuur en geeft tekst terug, met ondersteuning voor op afbeeldingen gebaseerde uitleg, analyse en voorgestelde toolhandelingen.
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 Flash Vision Exp is het experimentele multimodale model van DeepSeek in de V4-familie. Het bouwt voort op V4 Flash door visuele modules en verdere training voor visueel begrip toe te voegen. De invoer combineert afbeeldingen met tekst en de uitvoer is tekst. Het gedocumenteerde doel verbindt multimodaal agentwerk met tekstgebaseerde agenttaken, waardoor het bruikbaar is wanneer de informatie die een assistent nodig heeft zichtbaar is in een schermafbeelding, grafiek of andere aangeleverde afbeelding.
De referentie van de producent beschrijft een vision-encoder en aligner die verbonden zijn met DFlash-aandacht, mixture-of-experts-componenten, hyperverbindingen en een DSpark-pad. De visuele modules zetten afbeeldingsinformatie om in een vorm die het taalmodel naast de schriftelijke vraag kan gebruiken. Dit verschilt van het V4 Flash-profiel voor uitsluitend tekst dat in de kaart wordt aangehaald, waarvan de vergelijking multimodale elementen afzonderlijk behandelt. Vision Exp is een editie met een eigen naam in plaats van een instructie om willekeurige mediaondersteuning aan een ander Flash-model toe te voegen.
De referentie voor het promptformaat ondersteunt afwisselend opgenomen afbeeldingsinhoud, gesprekken met meerdere beurten, toolaanroepen en denkmodi. Prompts zonder redeneren kunnen om een direct antwoord vragen; denkprompts kunnen een instelling voor redeneerinspanning gebruiken, waaronder het gedocumenteerde Max-voorbeeld. Afbeeldingen worden vastgelegd in precies de volgorde waarin ze in de prompt verschijnen. Nummer of label meerdere invoeritems en geef aan op welke afbeelding een vraag betrekking heeft, zodat een visuele vergelijking aan de bron gekoppeld blijft.
De gepubliceerde configuratie stelt max_position_embeddings in op 1,048,576. Dat is een positielimiet in de modelconfiguratie, geen afzonderlijke specificatie voor maximale uitvoer. Bereid een gerichte set afbeeldingen en een nauwkeurige vraag voor en houd de prompt, het gesprek en het gegenereerde antwoord binnen de limieten van de geselecteerde workflow van de producent.
Lever voor een praktische interfacetaak de huidige schermafbeelding, de beoogde gebruikershandeling en een eventuele relevante tekstspecificatie aan. Een voorbeeldopdracht is: “Identificeer de zichtbare bedieningselementen die nodig zijn om deze instelling te wijzigen. Gebruik de getoonde labels, leg de volgende handeling uit en geef aan welk deel van het scherm dit ondersteunt.” Vraag voor een grafiek om de zichtbare waarden en verbanden afzonderlijk van een afgeleide interpretatie. Lever als kleine tekst belangrijk is een leesbare uitsnede aan, samen met voldoende omliggende context om de rol ervan te bepalen.
In een agentapplicatie kan het model na interpretatie van de afbeelding en instructie een toolbewerking voorstellen. De omringende applicatie voert die bewerking uit, geeft de waarneming terug en levert zo nodig de volgende visuele toestand. Definieer het doel van de tool en de toegestane handelingen. Een voorgestelde klik, een geschreven coördinaat of gegenereerde code blijft een tekstresultaat totdat de applicatie de bijbehorende bewerking uitvoert; gebruik de resulterende waarneming als bewijs voor de volgende stap.
Vraag voor een op bronnen gebaseerd eindresultaat om bij elke bevinding de afbeelding en het zichtbare detail erachter te benoemen. Houd geëxtraheerde tekst gescheiden van een uitleg en een voorgestelde handeling gescheiden van een voltooide handeling. Voeg voor een opdracht om een schermafbeelding in code om te zetten de relevante brontekst, het beoogde gedrag en het vereiste eindresultaat toe. Het profiel van dit model is begrip van afbeeldingen en tekst met tekstuitvoer, geen beeldcreatie, spraaksynthese of veronderstelde workflow voor videoanalyse.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek/deepseek-v4-flash-vision-exp | 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 $0.00088 / 1K tokens Uitvoer · Uitvoertokens $0.00264 / 1K tokens Invoer · Cache lezen $0.000028 / 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-v4-flash-vision-exp","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-v4-flash-vision-exp", 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/deepseek-v4-flash-vision-exp
/chat/completions
deepseek/deepseek-v4-flash-vision-expDeepSeek V4 Flash Vision Exp combineert afbeeldingen en tekst voor visueel begrip en multimodale agenttaken. Het voegt visuele modules toe aan de V4 Flash-architectuur en geeft tekst terug, met ondersteuning voor op afbeeldingen gebaseerde uitleg, analyse en voorgestelde toolhandelingen.
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 Flash Vision Exp is het experimentele multimodale model van DeepSeek in de V4-familie. Het bouwt voort op V4 Flash door visuele modules en verdere training voor visueel begrip toe te voegen. De invoer combineert afbeeldingen met tekst en de uitvoer is tekst. Het gedocumenteerde doel verbindt multimodaal agentwerk met tekstgebaseerde agenttaken, waardoor het bruikbaar is wanneer de informatie die een assistent nodig heeft zichtbaar is in een schermafbeelding, grafiek of andere aangeleverde afbeelding.
De referentie van de producent beschrijft een vision-encoder en aligner die verbonden zijn met DFlash-aandacht, mixture-of-experts-componenten, hyperverbindingen en een DSpark-pad. De visuele modules zetten afbeeldingsinformatie om in een vorm die het taalmodel naast de schriftelijke vraag kan gebruiken. Dit verschilt van het V4 Flash-profiel voor uitsluitend tekst dat in de kaart wordt aangehaald, waarvan de vergelijking multimodale elementen afzonderlijk behandelt. Vision Exp is een editie met een eigen naam in plaats van een instructie om willekeurige mediaondersteuning aan een ander Flash-model toe te voegen.
De referentie voor het promptformaat ondersteunt afwisselend opgenomen afbeeldingsinhoud, gesprekken met meerdere beurten, toolaanroepen en denkmodi. Prompts zonder redeneren kunnen om een direct antwoord vragen; denkprompts kunnen een instelling voor redeneerinspanning gebruiken, waaronder het gedocumenteerde Max-voorbeeld. Afbeeldingen worden vastgelegd in precies de volgorde waarin ze in de prompt verschijnen. Nummer of label meerdere invoeritems en geef aan op welke afbeelding een vraag betrekking heeft, zodat een visuele vergelijking aan de bron gekoppeld blijft.
De gepubliceerde configuratie stelt max_position_embeddings in op 1,048,576. Dat is een positielimiet in de modelconfiguratie, geen afzonderlijke specificatie voor maximale uitvoer. Bereid een gerichte set afbeeldingen en een nauwkeurige vraag voor en houd de prompt, het gesprek en het gegenereerde antwoord binnen de limieten van de geselecteerde workflow van de producent.
Lever voor een praktische interfacetaak de huidige schermafbeelding, de beoogde gebruikershandeling en een eventuele relevante tekstspecificatie aan. Een voorbeeldopdracht is: “Identificeer de zichtbare bedieningselementen die nodig zijn om deze instelling te wijzigen. Gebruik de getoonde labels, leg de volgende handeling uit en geef aan welk deel van het scherm dit ondersteunt.” Vraag voor een grafiek om de zichtbare waarden en verbanden afzonderlijk van een afgeleide interpretatie. Lever als kleine tekst belangrijk is een leesbare uitsnede aan, samen met voldoende omliggende context om de rol ervan te bepalen.
In een agentapplicatie kan het model na interpretatie van de afbeelding en instructie een toolbewerking voorstellen. De omringende applicatie voert die bewerking uit, geeft de waarneming terug en levert zo nodig de volgende visuele toestand. Definieer het doel van de tool en de toegestane handelingen. Een voorgestelde klik, een geschreven coördinaat of gegenereerde code blijft een tekstresultaat totdat de applicatie de bijbehorende bewerking uitvoert; gebruik de resulterende waarneming als bewijs voor de volgende stap.
Vraag voor een op bronnen gebaseerd eindresultaat om bij elke bevinding de afbeelding en het zichtbare detail erachter te benoemen. Houd geëxtraheerde tekst gescheiden van een uitleg en een voorgestelde handeling gescheiden van een voltooide handeling. Voeg voor een opdracht om een schermafbeelding in code om te zetten de relevante brontekst, het beoogde gedrag en het vereiste eindresultaat toe. Het profiel van dit model is begrip van afbeeldingen en tekst met tekstuitvoer, geen beeldcreatie, spraaksynthese of veronderstelde workflow voor videoanalyse.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek/deepseek-v4-flash-vision-exp | 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 $0.00088 / 1K tokens Uitvoer · Uitvoertokens $0.00264 / 1K tokens Invoer · Cache lezen $0.000028 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "deepseek/deepseek-v4-flash-vision-exp",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-v4-flash-vision-exp', '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-v4-flash-vision-exp', '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/deepseek-v4-flash-vision-exp
/chat/completions