DeepSeek V3.1 is het hybride tekstmodel van DeepSeek: dezelfde editie met deze specifieke naam ondersteunt antwoorden met en zonder redeneren via verschillende instellingen van het chatsjabloon. De producent benadrukt verbeterd toolgebruik, agenttaken en efficiënter redeneren ten opzichte van het eerdere model. Het accepteert schriftelijke instructies en tekstcontext en genereert een antwoord, code of inhoud voor toolaanroepen. De oorspronkelijke V3.1-identiteit staat los van Terminus, V3.2 en de V4-familie.
De modelkaart vermeldt in totaal 671 miljard parameters, 37 miljard actieve parameters en een context van 128K voor zowel de basis- als de natrainingseditie. V3.1 bouwt voort op de oorspronkelijke V3-basis met uitgebreide training op lange documenten vóór de natraining. De mixture-of-experts- en latent-attention-structuur volgt de V3-architectuur. Deze ontwerpfeiten verklaren het tekstprofiel met lange context zonder het contextgetal in een afzonderlijke specificatie voor maximale uitvoer te veranderen.
De modus zonder redeneren bereidt een direct antwoord voor, terwijl de denkmodus vóór het antwoord een redeneerfase start. Het sjabloon van de producent gebruikt een afsluitende denkmarkering voor directe antwoorden en een openende denkmarkering voor de huidige redeneerbeurt. In een gesprek met meerdere beurten wordt eerdere redeneerinhoud verwijderd, terwijl eindantwoorden en de afsluitende markering in de context blijven. Dit is de oorspronkelijke geschiedenisregel van V3.1, onderscheiden van de latere V3.2-regel die redeneringen over toolgerelateerde berichten heen behoudt.
Standaardtoolaanroepen zijn gedocumenteerd in de modus zonder redeneren. De applicatie levert functienamen, beschrijvingen en parameterschema's; het model geeft een geselecteerde toolnaam en JSON-argumenten terug in de representatie voor toolaanroepen van de producent. De applicatie voert de bewerking uit en geeft het resultaat terug. Geef tools specifieke doelen en houd de teruggegeven waarneming gekoppeld aan de aanroep, zodat de volgende modelstap bewijs heeft in plaats van een aanname dat een handeling heeft plaatsgevonden.
Zoeken in denkmodus gebruikt een afzonderlijk gespecialiseerd zoekagentformaat. DeepSeek documenteert een door de gebruiker geleverde zoektool voor vragen die externe of actuele informatie vereisen, met herhaalde aanroepen en waarnemingen over meerdere beurten. Zoeken maakt daarom deel uit van de omringende workflow en is geen bewering dat een tekstantwoord zelfstandig het web heeft doorzocht. Definieer de vraag, de broncriteria en het benodigde eindantwoord voordat de zoektaak begint.
Lever voor programmeren het relevante fragment of de bestanden, het waargenomen gedrag, het verwachte gedrag en de te behouden beperkingen aan. Een voorbeeldopdracht is: “Identificeer de oorzaak van deze fout voor de aangeleverde invoer, stel een gerichte correctie voor en leg de voorwaarde uit die de wijziging afhandelt.” Label bij een documenttaak bronsecties en vraag om een vergelijking aan de hand van expliciete vereisten. Eis dat het eindantwoord de door bronnen ondersteunde conclusie onderscheidt van een voorgestelde volgende handeling.
De producent traint V3.1 met het UE8M0 FP8-schaalformaat voor gewichten en activaties. De lokale aanbevelingen benoemen ook precisiegevoelige parameters die correct moeten worden behandeld. Dit zijn kenmerken van de gepubliceerde referentie van de producent, geen bewering over de gekozen precisie of implementatie van elke applicatie. Een afgeleid model, een gekwantiseerde variant en het latere Terminus-checkpoint blijven afzonderlijke keuzes naast de oorspronkelijke V3.1-editie met deze specifieke naam.
Bereid langer werk voor met een duidelijke vraag, bronlabels en een afgebakend eindresultaat. Plan het gesprek, de brontekst, het redeneren en de uitvoer binnen de gedocumenteerde context en behoud alleen relevant bewijs terwijl de taak groeit. Specificeer voor een agent de toegestane handelingen en het criterium dat het resultaat als voltooid markeert. Het bruikbare eindresultaat is een controleerbaar tekstantwoord, codevoorstel of door bronnen onderbouwde analyse die gekoppeld is aan de invoer en de waarnemingen die de applicatie daadwerkelijk heeft teruggegeven.
", "aboutText": "DeepSeek V3.1 is het hybride tekstmodel van DeepSeek: dezelfde editie met deze specifieke naam ondersteunt antwoorden met en zonder redeneren via verschillende instellingen van het chatsjabloon. De producent benadrukt verbeterd toolgebruik, agenttaken en efficiënter redeneren ten opzichte van het eerdere model. Het accepteert schriftelijke instructies en tekstcontext en genereert een antwoord, code of inhoud voor toolaanroepen. De oorspronkelijke V3.1-identiteit staat los van Terminus, V3.2 en de V4-familie.\n\nDe modelkaart vermeldt in totaal 671 miljard parameters, 37 miljard actieve parameters en een context van 128K voor zowel de basis- als de natrainingseditie. V3.1 bouwt voort op de oorspronkelijke V3-basis met uitgebreide training op lange documenten vóór de natraining. De mixture-of-experts- en latent-attention-structuur volgt de V3-architectuur. Deze ontwerpfeiten verklaren het tekstprofiel met lange context zonder het contextgetal in een afzonderlijke specificatie voor maximale uitvoer te veranderen.\n\nDe modus zonder redeneren bereidt een direct antwoord voor, terwijl de denkmodus vóór het antwoord een redeneerfase start. Het sjabloon van de producent gebruikt een afsluitende denkmarkering voor directe antwoorden en een openende denkmarkering voor de huidige redeneerbeurt. In een gesprek met meerdere beurten wordt eerdere redeneerinhoud verwijderd, terwijl eindantwoorden en de afsluitende markering in de context blijven. Dit is de oorspronkelijke geschiedenisregel van V3.1, onderscheiden van de latere V3.2-regel die redeneringen over toolgerelateerde berichten heen behoudt.\n\nStandaardtoolaanroepen zijn gedocumenteerd in de modus zonder redeneren. De applicatie levert functienamen, beschrijvingen en parameterschema's; het model geeft een geselecteerde toolnaam en JSON-argumenten terug in de representatie voor toolaanroepen van de producent. De applicatie voert de bewerking uit en geeft het resultaat terug. Geef tools specifieke doelen en houd de teruggegeven waarneming gekoppeld aan de aanroep, zodat de volgende modelstap bewijs heeft in plaats van een aanname dat een handeling heeft plaatsgevonden.\n\nZoeken in denkmodus gebruikt een afzonderlijk gespecialiseerd zoekagentformaat. DeepSeek documenteert een door de gebruiker geleverde zoektool voor vragen die externe of actuele informatie vereisen, met herhaalde aanroepen en waarnemingen over meerdere beurten. Zoeken maakt daarom deel uit van de omringende workflow en is geen bewering dat een tekstantwoord zelfstandig het web heeft doorzocht. Definieer de vraag, de broncriteria en het benodigde eindantwoord voordat de zoektaak begint.\n\nLever voor programmeren het relevante fragment of de bestanden, het waargenomen gedrag, het verwachte gedrag en de te behouden beperkingen aan. Een voorbeeldopdracht is: “Identificeer de oorzaak van deze fout voor de aangeleverde invoer, stel een gerichte correctie voor en leg de voorwaarde uit die de wijziging afhandelt.” Label bij een documenttaak bronsecties en vraag om een vergelijking aan de hand van expliciete vereisten. Eis dat het eindantwoord de door bronnen ondersteunde conclusie onderscheidt van een voorgestelde volgende handeling.\n\nDe producent traint V3.1 met het UE8M0 FP8-schaalformaat voor gewichten en activaties. De lokale aanbevelingen benoemen ook precisiegevoelige parameters die correct moeten worden behandeld. Dit zijn kenmerken van de gepubliceerde referentie van de producent, geen bewering over de gekozen precisie of implementatie van elke applicatie. Een afgeleid model, een gekwantiseerde variant en het latere Terminus-checkpoint blijven afzonderlijke keuzes naast de oorspronkelijke V3.1-editie met deze specifieke naam.\n\nBereid langer werk voor met een duidelijke vraag, bronlabels en een afgebakend eindresultaat. Plan het gesprek, de brontekst, het redeneren en de uitvoer binnen de gedocumenteerde context en behoud alleen relevant bewijs terwijl de taak groeit. Specificeer voor een agent de toegestane handelingen en het criterium dat het resultaat als voltooid markeert. Het bruikbare eindresultaat is een controleerbaar tekstantwoord, codevoorstel of door bronnen onderbouwde analyse die gekoppeld is aan de invoer en de waarnemingen die de applicatie daadwerkelijk heeft teruggegeven.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "8c648bbf9dcc442171056abc22c2d1cfab2bd744cbec1dd5285dea82b8bae5ee", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl", "methods": [ { "html": "deepseek-v3.1-thinkingDeepSeek V3.1 is een hybride tekstmodel met denkmodi en modi voor directe antwoorden in één editie. De context van 128K en het verbeterde toolgebruiksprofiel ondersteunen programmeren, documentanalyse en zoekfunctionaliteit die door de applicatie wordt geleverd, met tekst of voorgestelde toolaanroepen als resultaat.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
DeepSeek V3.1 is het hybride tekstmodel van DeepSeek: dezelfde editie met deze specifieke naam ondersteunt antwoorden met en zonder redeneren via verschillende instellingen van het chatsjabloon. De producent benadrukt verbeterd toolgebruik, agenttaken en efficiënter redeneren ten opzichte van het eerdere model. Het accepteert schriftelijke instructies en tekstcontext en genereert een antwoord, code of inhoud voor toolaanroepen. De oorspronkelijke V3.1-identiteit staat los van Terminus, V3.2 en de V4-familie.
De modelkaart vermeldt in totaal 671 miljard parameters, 37 miljard actieve parameters en een context van 128K voor zowel de basis- als de natrainingseditie. V3.1 bouwt voort op de oorspronkelijke V3-basis met uitgebreide training op lange documenten vóór de natraining. De mixture-of-experts- en latent-attention-structuur volgt de V3-architectuur. Deze ontwerpfeiten verklaren het tekstprofiel met lange context zonder het contextgetal in een afzonderlijke specificatie voor maximale uitvoer te veranderen.
De modus zonder redeneren bereidt een direct antwoord voor, terwijl de denkmodus vóór het antwoord een redeneerfase start. Het sjabloon van de producent gebruikt een afsluitende denkmarkering voor directe antwoorden en een openende denkmarkering voor de huidige redeneerbeurt. In een gesprek met meerdere beurten wordt eerdere redeneerinhoud verwijderd, terwijl eindantwoorden en de afsluitende markering in de context blijven. Dit is de oorspronkelijke geschiedenisregel van V3.1, onderscheiden van de latere V3.2-regel die redeneringen over toolgerelateerde berichten heen behoudt.
Standaardtoolaanroepen zijn gedocumenteerd in de modus zonder redeneren. De applicatie levert functienamen, beschrijvingen en parameterschema's; het model geeft een geselecteerde toolnaam en JSON-argumenten terug in de representatie voor toolaanroepen van de producent. De applicatie voert de bewerking uit en geeft het resultaat terug. Geef tools specifieke doelen en houd de teruggegeven waarneming gekoppeld aan de aanroep, zodat de volgende modelstap bewijs heeft in plaats van een aanname dat een handeling heeft plaatsgevonden.
Zoeken in denkmodus gebruikt een afzonderlijk gespecialiseerd zoekagentformaat. DeepSeek documenteert een door de gebruiker geleverde zoektool voor vragen die externe of actuele informatie vereisen, met herhaalde aanroepen en waarnemingen over meerdere beurten. Zoeken maakt daarom deel uit van de omringende workflow en is geen bewering dat een tekstantwoord zelfstandig het web heeft doorzocht. Definieer de vraag, de broncriteria en het benodigde eindantwoord voordat de zoektaak begint.
Lever voor programmeren het relevante fragment of de bestanden, het waargenomen gedrag, het verwachte gedrag en de te behouden beperkingen aan. Een voorbeeldopdracht is: “Identificeer de oorzaak van deze fout voor de aangeleverde invoer, stel een gerichte correctie voor en leg de voorwaarde uit die de wijziging afhandelt.” Label bij een documenttaak bronsecties en vraag om een vergelijking aan de hand van expliciete vereisten. Eis dat het eindantwoord de door bronnen ondersteunde conclusie onderscheidt van een voorgestelde volgende handeling.
De producent traint V3.1 met het UE8M0 FP8-schaalformaat voor gewichten en activaties. De lokale aanbevelingen benoemen ook precisiegevoelige parameters die correct moeten worden behandeld. Dit zijn kenmerken van de gepubliceerde referentie van de producent, geen bewering over de gekozen precisie of implementatie van elke applicatie. Een afgeleid model, een gekwantiseerde variant en het latere Terminus-checkpoint blijven afzonderlijke keuzes naast de oorspronkelijke V3.1-editie met deze specifieke naam.
Bereid langer werk voor met een duidelijke vraag, bronlabels en een afgebakend eindresultaat. Plan het gesprek, de brontekst, het redeneren en de uitvoer binnen de gedocumenteerde context en behoud alleen relevant bewijs terwijl de taak groeit. Specificeer voor een agent de toegestane handelingen en het criterium dat het resultaat als voltooid markeert. Het bruikbare eindresultaat is een controleerbaar tekstantwoord, codevoorstel of door bronnen onderbouwde analyse die gekoppeld is aan de invoer en de waarnemingen die de applicatie daadwerkelijk heeft teruggegeven.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek-v3.1-thinking | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Tekstgesprek | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream |
Parametercontrol_scope | ContractTekstgesprek; stream is een booleaanse waarde en is standaard false. |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Methodealiasnamen: /chat/completions
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.000572 / 1K tokens Uitvoer · Uitvoertokens $0.0023 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"deepseek-v3.1-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="deepseek-v3.1-thinking", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra deepseek-v3.1-thinking
/chat/completions