DeepSeek V3 to oryginalny model tekstowy DeepSeek typu mixture-of-experts do ogólnej pracy językowej, programowania i rozumowania. Przyjmuje pisemne instrukcje i kontekst tekstowy oraz zwraca odpowiedź, szkic, wyjaśnienie lub kod. Karta modelu podaje 671 miliardów parametrów głównego modelu ogółem, z czego 37 miliardów jest aktywnych dla każdego tokena. Nazwany oryginalny V3 pozostaje odrębny od V3-0324, V3.1 i V3.2, których aktualizacje dodają własne funkcje i profile promptów.
Architektura łączy Multi-head Latent Attention z DeepSeekMoE. Uwaga latentna kompresuje informacje wykorzystywane przez mechanizm uwagi, a rzadki wybór ekspertów aktywuje tylko część modelu dla każdego tokena. V3 wprowadza również równoważenie obciążenia bez dodatkowej funkcji straty i cel treningowy przewidywania wielu tokenów. Opublikowany pakiet modelu zawiera osobny moduł przewidywania wielu tokenów z 14 miliardami parametrów oprócz głównego modelu o 671 miliardach parametrów, co wyjaśnia, dlaczego sumy pakietu mogą różnić się od liczby parametrów architektury głównego modelu.
DeepSeek trenuje wstępnie V3 na 14,8 biliona tokenów, a następnie stosuje nadzorowane dostrajanie i uczenie ze wzmocnieniem. Proces dodatkowego treningu przenosi wzorce weryfikacji i refleksji z rodziny R1 do standardowej odpowiedzi modelu językowego, kontrolując styl i długość wyjścia. Jest to wkład treningowy, odrębny od wyboru samego R1 lub późniejszego hybrydowego szablonu myślenia V3.1. Przygotuj potrzebny format końcowej odpowiedzi, zamiast zakładać sposób prezentacji rozumowania z innego wydania.
Tabela modelu producenta podaje kontekst 128K zarówno dla V3 Base, jak i wydania V3 po dodatkowym treningu. Ten kontekst może łączyć pytanie z obszernymi dokumentami lub kodem, przy czym historia rozmowy i odpowiedź również potrzebują miejsca. Oznacz źródła i wskaż właściwe pytanie. Okno kontekstu jest ograniczeniem pojemności, a nie poleceniem przesyłania niepowiązanych materiałów lub żądania niepotrzebnie długiej odpowiedzi.
W praktycznym zadaniu programistycznym dostarcz odpowiednią funkcję, oczekiwane zachowanie, ważne ograniczenia i wejście demonstrujące problem. Poproś o proponowaną poprawkę i wyjaśnienie powiązane z dostarczonym kodem. W analizie dokumentów podaj nazwane sekcje i jasne kryteria porównania. Przykładowe wytyczne brzmią: „Wyodrębnij wymagania, wskaż, które z nich realizuje ta propozycja, i przytocz odpowiedni fragment dla każdego ustalenia. Zakończ zwięzłą listą brakujących szczegółów”.
Zadaniom pisarskim i redakcyjnym służy jawne określenie odbiorców, tonu i zestawu faktów do zachowania. Poproś o podsumowanie, przeredagowanie, tłumaczenie lub wyjaśnienie i podaj obowiązkowe nazwy oraz terminologię. Żądana lista pól lub odpowiedź w formie JSON nadal jest wygenerowaną treścią wymagającą oceny; sama nazwa modelu nie potwierdza mechanizmu ustrukturyzowanego wyjścia lub wykonywania narzędzi otaczającej aplikacji. Jeśli aplikacja dostarcza narzędzia, odróżniaj każdą zwróconą obserwację od działania zaproponowanego przez model.
Producent publikuje materiały modelu FP8 i opisuje inne opcje precyzji lub wykonania w swojej referencji. Te wybory implementacyjne są odrębne od zadania dotyczącego źródeł i nie należy wnioskować o nich z wyświetlanej nazwy modelu. Wyjściem modelu może być kod, ale jego wygenerowanie go nie uruchamia; wyjaśnienie źródła nie dowodzi wykonania zewnętrznego wyszukiwania. Używaj rzeczywistych fragmentów źródłowych i zaobserwowanych wyników aplikacji, gdy odpowiedź wymaga takich dowodów.
Aby uzyskać użyteczny wynik, zdefiniuj końcowy materiał i warunki jego ukończenia. Oddzielaj ustalenia poparte źródłami, założenia i proponowane zmiany, a następnie oceń wygenerowaną odpowiedź względem dostarczonych materiałów. Dłuższa rozmowa może dopracować jedną część szkicu, zachowując zatwierdzone fakty i ograniczenia. Materiałem końcowym jest możliwy do oceny tekst lub kod dla określonego zadania, z zachowaniem oryginalnej tożsamości V3 zamiast niejawnego przejmowania opcji sterowania późniejszego wydania.
", "aboutText": "DeepSeek V3 to oryginalny model tekstowy DeepSeek typu mixture-of-experts do ogólnej pracy językowej, programowania i rozumowania. Przyjmuje pisemne instrukcje i kontekst tekstowy oraz zwraca odpowiedź, szkic, wyjaśnienie lub kod. Karta modelu podaje 671 miliardów parametrów głównego modelu ogółem, z czego 37 miliardów jest aktywnych dla każdego tokena. Nazwany oryginalny V3 pozostaje odrębny od V3-0324, V3.1 i V3.2, których aktualizacje dodają własne funkcje i profile promptów.\n\nArchitektura łączy Multi-head Latent Attention z DeepSeekMoE. Uwaga latentna kompresuje informacje wykorzystywane przez mechanizm uwagi, a rzadki wybór ekspertów aktywuje tylko część modelu dla każdego tokena. V3 wprowadza również równoważenie obciążenia bez dodatkowej funkcji straty i cel treningowy przewidywania wielu tokenów. Opublikowany pakiet modelu zawiera osobny moduł przewidywania wielu tokenów z 14 miliardami parametrów oprócz głównego modelu o 671 miliardach parametrów, co wyjaśnia, dlaczego sumy pakietu mogą różnić się od liczby parametrów architektury głównego modelu.\n\nDeepSeek trenuje wstępnie V3 na 14,8 biliona tokenów, a następnie stosuje nadzorowane dostrajanie i uczenie ze wzmocnieniem. Proces dodatkowego treningu przenosi wzorce weryfikacji i refleksji z rodziny R1 do standardowej odpowiedzi modelu językowego, kontrolując styl i długość wyjścia. Jest to wkład treningowy, odrębny od wyboru samego R1 lub późniejszego hybrydowego szablonu myślenia V3.1. Przygotuj potrzebny format końcowej odpowiedzi, zamiast zakładać sposób prezentacji rozumowania z innego wydania.\n\nTabela modelu producenta podaje kontekst 128K zarówno dla V3 Base, jak i wydania V3 po dodatkowym treningu. Ten kontekst może łączyć pytanie z obszernymi dokumentami lub kodem, przy czym historia rozmowy i odpowiedź również potrzebują miejsca. Oznacz źródła i wskaż właściwe pytanie. Okno kontekstu jest ograniczeniem pojemności, a nie poleceniem przesyłania niepowiązanych materiałów lub żądania niepotrzebnie długiej odpowiedzi.\n\nW praktycznym zadaniu programistycznym dostarcz odpowiednią funkcję, oczekiwane zachowanie, ważne ograniczenia i wejście demonstrujące problem. Poproś o proponowaną poprawkę i wyjaśnienie powiązane z dostarczonym kodem. W analizie dokumentów podaj nazwane sekcje i jasne kryteria porównania. Przykładowe wytyczne brzmią: „Wyodrębnij wymagania, wskaż, które z nich realizuje ta propozycja, i przytocz odpowiedni fragment dla każdego ustalenia. Zakończ zwięzłą listą brakujących szczegółów”.\n\nZadaniom pisarskim i redakcyjnym służy jawne określenie odbiorców, tonu i zestawu faktów do zachowania. Poproś o podsumowanie, przeredagowanie, tłumaczenie lub wyjaśnienie i podaj obowiązkowe nazwy oraz terminologię. Żądana lista pól lub odpowiedź w formie JSON nadal jest wygenerowaną treścią wymagającą oceny; sama nazwa modelu nie potwierdza mechanizmu ustrukturyzowanego wyjścia lub wykonywania narzędzi otaczającej aplikacji. Jeśli aplikacja dostarcza narzędzia, odróżniaj każdą zwróconą obserwację od działania zaproponowanego przez model.\n\nProducent publikuje materiały modelu FP8 i opisuje inne opcje precyzji lub wykonania w swojej referencji. Te wybory implementacyjne są odrębne od zadania dotyczącego źródeł i nie należy wnioskować o nich z wyświetlanej nazwy modelu. Wyjściem modelu może być kod, ale jego wygenerowanie go nie uruchamia; wyjaśnienie źródła nie dowodzi wykonania zewnętrznego wyszukiwania. Używaj rzeczywistych fragmentów źródłowych i zaobserwowanych wyników aplikacji, gdy odpowiedź wymaga takich dowodów.\n\nAby uzyskać użyteczny wynik, zdefiniuj końcowy materiał i warunki jego ukończenia. Oddzielaj ustalenia poparte źródłami, założenia i proponowane zmiany, a następnie oceń wygenerowaną odpowiedź względem dostarczonych materiałów. Dłuższa rozmowa może dopracować jedną część szkicu, zachowując zatwierdzone fakty i ograniczenia. Materiałem końcowym jest możliwy do oceny tekst lub kod dla określonego zadania, z zachowaniem oryginalnej tożsamości V3 zamiast niejawnego przejmowania opcji sterowania późniejszego wydania.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "3c1304092805f6cd8da58672220859299cf3343f01f561a547b131cff97d0239", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "deepseek-chatDeepSeek V3 to oryginalny model tekstowy DeepSeek do programowania, pisania, pytań i analizy opartej na źródłach. Architektura mixture-of-experts ma 671 miliardów parametrów ogółem i 37 miliardów aktywnych, z kontekstem 128K i dodatkowym treningiem uwzględniającym wzorce rozumowania R1.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
DeepSeek V3 to oryginalny model tekstowy DeepSeek typu mixture-of-experts do ogólnej pracy językowej, programowania i rozumowania. Przyjmuje pisemne instrukcje i kontekst tekstowy oraz zwraca odpowiedź, szkic, wyjaśnienie lub kod. Karta modelu podaje 671 miliardów parametrów głównego modelu ogółem, z czego 37 miliardów jest aktywnych dla każdego tokena. Nazwany oryginalny V3 pozostaje odrębny od V3-0324, V3.1 i V3.2, których aktualizacje dodają własne funkcje i profile promptów.
Architektura łączy Multi-head Latent Attention z DeepSeekMoE. Uwaga latentna kompresuje informacje wykorzystywane przez mechanizm uwagi, a rzadki wybór ekspertów aktywuje tylko część modelu dla każdego tokena. V3 wprowadza również równoważenie obciążenia bez dodatkowej funkcji straty i cel treningowy przewidywania wielu tokenów. Opublikowany pakiet modelu zawiera osobny moduł przewidywania wielu tokenów z 14 miliardami parametrów oprócz głównego modelu o 671 miliardach parametrów, co wyjaśnia, dlaczego sumy pakietu mogą różnić się od liczby parametrów architektury głównego modelu.
DeepSeek trenuje wstępnie V3 na 14,8 biliona tokenów, a następnie stosuje nadzorowane dostrajanie i uczenie ze wzmocnieniem. Proces dodatkowego treningu przenosi wzorce weryfikacji i refleksji z rodziny R1 do standardowej odpowiedzi modelu językowego, kontrolując styl i długość wyjścia. Jest to wkład treningowy, odrębny od wyboru samego R1 lub późniejszego hybrydowego szablonu myślenia V3.1. Przygotuj potrzebny format końcowej odpowiedzi, zamiast zakładać sposób prezentacji rozumowania z innego wydania.
Tabela modelu producenta podaje kontekst 128K zarówno dla V3 Base, jak i wydania V3 po dodatkowym treningu. Ten kontekst może łączyć pytanie z obszernymi dokumentami lub kodem, przy czym historia rozmowy i odpowiedź również potrzebują miejsca. Oznacz źródła i wskaż właściwe pytanie. Okno kontekstu jest ograniczeniem pojemności, a nie poleceniem przesyłania niepowiązanych materiałów lub żądania niepotrzebnie długiej odpowiedzi.
W praktycznym zadaniu programistycznym dostarcz odpowiednią funkcję, oczekiwane zachowanie, ważne ograniczenia i wejście demonstrujące problem. Poproś o proponowaną poprawkę i wyjaśnienie powiązane z dostarczonym kodem. W analizie dokumentów podaj nazwane sekcje i jasne kryteria porównania. Przykładowe wytyczne brzmią: „Wyodrębnij wymagania, wskaż, które z nich realizuje ta propozycja, i przytocz odpowiedni fragment dla każdego ustalenia. Zakończ zwięzłą listą brakujących szczegółów”.
Zadaniom pisarskim i redakcyjnym służy jawne określenie odbiorców, tonu i zestawu faktów do zachowania. Poproś o podsumowanie, przeredagowanie, tłumaczenie lub wyjaśnienie i podaj obowiązkowe nazwy oraz terminologię. Żądana lista pól lub odpowiedź w formie JSON nadal jest wygenerowaną treścią wymagającą oceny; sama nazwa modelu nie potwierdza mechanizmu ustrukturyzowanego wyjścia lub wykonywania narzędzi otaczającej aplikacji. Jeśli aplikacja dostarcza narzędzia, odróżniaj każdą zwróconą obserwację od działania zaproponowanego przez model.
Producent publikuje materiały modelu FP8 i opisuje inne opcje precyzji lub wykonania w swojej referencji. Te wybory implementacyjne są odrębne od zadania dotyczącego źródeł i nie należy wnioskować o nich z wyświetlanej nazwy modelu. Wyjściem modelu może być kod, ale jego wygenerowanie go nie uruchamia; wyjaśnienie źródła nie dowodzi wykonania zewnętrznego wyszukiwania. Używaj rzeczywistych fragmentów źródłowych i zaobserwowanych wyników aplikacji, gdy odpowiedź wymaga takich dowodów.
Aby uzyskać użyteczny wynik, zdefiniuj końcowy materiał i warunki jego ukończenia. Oddzielaj ustalenia poparte źródłami, założenia i proponowane zmiany, a następnie oceń wygenerowaną odpowiedź względem dostarczonych materiałów. Dłuższa rozmowa może dopracować jedną część szkicu, zachowując zatwierdzone fakty i ograniczenia. Materiałem końcowym jest możliwy do oceny tekst lub kod dla określonego zadania, z zachowaniem oryginalnej tożsamości V3 zamiast niejawnego przejmowania opcji sterowania późniejszego wydania.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity deepseek-chat | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Rozmowa tekstowa | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream |
Parametrcontrol_scope | KontraktRozmowa tekstowa; stream jest wartością logiczną i domyślnie wynosi false. |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Aliasy metody: /chat/completions
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.00064 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00178 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek-chatDeepSeek V3 to oryginalny model tekstowy DeepSeek do programowania, pisania, pytań i analizy opartej na źródłach. Architektura mixture-of-experts ma 671 miliardów parametrów ogółem i 37 miliardów aktywnych, z kontekstem 128K i dodatkowym treningiem uwzględniającym wzorce rozumowania R1.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
DeepSeek V3 to oryginalny model tekstowy DeepSeek typu mixture-of-experts do ogólnej pracy językowej, programowania i rozumowania. Przyjmuje pisemne instrukcje i kontekst tekstowy oraz zwraca odpowiedź, szkic, wyjaśnienie lub kod. Karta modelu podaje 671 miliardów parametrów głównego modelu ogółem, z czego 37 miliardów jest aktywnych dla każdego tokena. Nazwany oryginalny V3 pozostaje odrębny od V3-0324, V3.1 i V3.2, których aktualizacje dodają własne funkcje i profile promptów.
Architektura łączy Multi-head Latent Attention z DeepSeekMoE. Uwaga latentna kompresuje informacje wykorzystywane przez mechanizm uwagi, a rzadki wybór ekspertów aktywuje tylko część modelu dla każdego tokena. V3 wprowadza również równoważenie obciążenia bez dodatkowej funkcji straty i cel treningowy przewidywania wielu tokenów. Opublikowany pakiet modelu zawiera osobny moduł przewidywania wielu tokenów z 14 miliardami parametrów oprócz głównego modelu o 671 miliardach parametrów, co wyjaśnia, dlaczego sumy pakietu mogą różnić się od liczby parametrów architektury głównego modelu.
DeepSeek trenuje wstępnie V3 na 14,8 biliona tokenów, a następnie stosuje nadzorowane dostrajanie i uczenie ze wzmocnieniem. Proces dodatkowego treningu przenosi wzorce weryfikacji i refleksji z rodziny R1 do standardowej odpowiedzi modelu językowego, kontrolując styl i długość wyjścia. Jest to wkład treningowy, odrębny od wyboru samego R1 lub późniejszego hybrydowego szablonu myślenia V3.1. Przygotuj potrzebny format końcowej odpowiedzi, zamiast zakładać sposób prezentacji rozumowania z innego wydania.
Tabela modelu producenta podaje kontekst 128K zarówno dla V3 Base, jak i wydania V3 po dodatkowym treningu. Ten kontekst może łączyć pytanie z obszernymi dokumentami lub kodem, przy czym historia rozmowy i odpowiedź również potrzebują miejsca. Oznacz źródła i wskaż właściwe pytanie. Okno kontekstu jest ograniczeniem pojemności, a nie poleceniem przesyłania niepowiązanych materiałów lub żądania niepotrzebnie długiej odpowiedzi.
W praktycznym zadaniu programistycznym dostarcz odpowiednią funkcję, oczekiwane zachowanie, ważne ograniczenia i wejście demonstrujące problem. Poproś o proponowaną poprawkę i wyjaśnienie powiązane z dostarczonym kodem. W analizie dokumentów podaj nazwane sekcje i jasne kryteria porównania. Przykładowe wytyczne brzmią: „Wyodrębnij wymagania, wskaż, które z nich realizuje ta propozycja, i przytocz odpowiedni fragment dla każdego ustalenia. Zakończ zwięzłą listą brakujących szczegółów”.
Zadaniom pisarskim i redakcyjnym służy jawne określenie odbiorców, tonu i zestawu faktów do zachowania. Poproś o podsumowanie, przeredagowanie, tłumaczenie lub wyjaśnienie i podaj obowiązkowe nazwy oraz terminologię. Żądana lista pól lub odpowiedź w formie JSON nadal jest wygenerowaną treścią wymagającą oceny; sama nazwa modelu nie potwierdza mechanizmu ustrukturyzowanego wyjścia lub wykonywania narzędzi otaczającej aplikacji. Jeśli aplikacja dostarcza narzędzia, odróżniaj każdą zwróconą obserwację od działania zaproponowanego przez model.
Producent publikuje materiały modelu FP8 i opisuje inne opcje precyzji lub wykonania w swojej referencji. Te wybory implementacyjne są odrębne od zadania dotyczącego źródeł i nie należy wnioskować o nich z wyświetlanej nazwy modelu. Wyjściem modelu może być kod, ale jego wygenerowanie go nie uruchamia; wyjaśnienie źródła nie dowodzi wykonania zewnętrznego wyszukiwania. Używaj rzeczywistych fragmentów źródłowych i zaobserwowanych wyników aplikacji, gdy odpowiedź wymaga takich dowodów.
Aby uzyskać użyteczny wynik, zdefiniuj końcowy materiał i warunki jego ukończenia. Oddzielaj ustalenia poparte źródłami, założenia i proponowane zmiany, a następnie oceń wygenerowaną odpowiedź względem dostarczonych materiałów. Dłuższa rozmowa może dopracować jedną część szkicu, zachowując zatwierdzone fakty i ograniczenia. Materiałem końcowym jest możliwy do oceny tekst lub kod dla określonego zadania, z zachowaniem oryginalnej tożsamości V3 zamiast niejawnego przejmowania opcji sterowania późniejszego wydania.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity deepseek-chat | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.00064 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00178 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 to oryginalny model tekstowy DeepSeek do programowania, pisania, pytań i analizy opartej na źródłach. Architektura mixture-of-experts ma 671 miliardów parametrów ogółem i 37 miliardów aktywnych, z kontekstem 128K i dodatkowym treningiem uwzględniającym wzorce rozumowania R1.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
DeepSeek V3 to oryginalny model tekstowy DeepSeek typu mixture-of-experts do ogólnej pracy językowej, programowania i rozumowania. Przyjmuje pisemne instrukcje i kontekst tekstowy oraz zwraca odpowiedź, szkic, wyjaśnienie lub kod. Karta modelu podaje 671 miliardów parametrów głównego modelu ogółem, z czego 37 miliardów jest aktywnych dla każdego tokena. Nazwany oryginalny V3 pozostaje odrębny od V3-0324, V3.1 i V3.2, których aktualizacje dodają własne funkcje i profile promptów.
Architektura łączy Multi-head Latent Attention z DeepSeekMoE. Uwaga latentna kompresuje informacje wykorzystywane przez mechanizm uwagi, a rzadki wybór ekspertów aktywuje tylko część modelu dla każdego tokena. V3 wprowadza również równoważenie obciążenia bez dodatkowej funkcji straty i cel treningowy przewidywania wielu tokenów. Opublikowany pakiet modelu zawiera osobny moduł przewidywania wielu tokenów z 14 miliardami parametrów oprócz głównego modelu o 671 miliardach parametrów, co wyjaśnia, dlaczego sumy pakietu mogą różnić się od liczby parametrów architektury głównego modelu.
DeepSeek trenuje wstępnie V3 na 14,8 biliona tokenów, a następnie stosuje nadzorowane dostrajanie i uczenie ze wzmocnieniem. Proces dodatkowego treningu przenosi wzorce weryfikacji i refleksji z rodziny R1 do standardowej odpowiedzi modelu językowego, kontrolując styl i długość wyjścia. Jest to wkład treningowy, odrębny od wyboru samego R1 lub późniejszego hybrydowego szablonu myślenia V3.1. Przygotuj potrzebny format końcowej odpowiedzi, zamiast zakładać sposób prezentacji rozumowania z innego wydania.
Tabela modelu producenta podaje kontekst 128K zarówno dla V3 Base, jak i wydania V3 po dodatkowym treningu. Ten kontekst może łączyć pytanie z obszernymi dokumentami lub kodem, przy czym historia rozmowy i odpowiedź również potrzebują miejsca. Oznacz źródła i wskaż właściwe pytanie. Okno kontekstu jest ograniczeniem pojemności, a nie poleceniem przesyłania niepowiązanych materiałów lub żądania niepotrzebnie długiej odpowiedzi.
W praktycznym zadaniu programistycznym dostarcz odpowiednią funkcję, oczekiwane zachowanie, ważne ograniczenia i wejście demonstrujące problem. Poproś o proponowaną poprawkę i wyjaśnienie powiązane z dostarczonym kodem. W analizie dokumentów podaj nazwane sekcje i jasne kryteria porównania. Przykładowe wytyczne brzmią: „Wyodrębnij wymagania, wskaż, które z nich realizuje ta propozycja, i przytocz odpowiedni fragment dla każdego ustalenia. Zakończ zwięzłą listą brakujących szczegółów”.
Zadaniom pisarskim i redakcyjnym służy jawne określenie odbiorców, tonu i zestawu faktów do zachowania. Poproś o podsumowanie, przeredagowanie, tłumaczenie lub wyjaśnienie i podaj obowiązkowe nazwy oraz terminologię. Żądana lista pól lub odpowiedź w formie JSON nadal jest wygenerowaną treścią wymagającą oceny; sama nazwa modelu nie potwierdza mechanizmu ustrukturyzowanego wyjścia lub wykonywania narzędzi otaczającej aplikacji. Jeśli aplikacja dostarcza narzędzia, odróżniaj każdą zwróconą obserwację od działania zaproponowanego przez model.
Producent publikuje materiały modelu FP8 i opisuje inne opcje precyzji lub wykonania w swojej referencji. Te wybory implementacyjne są odrębne od zadania dotyczącego źródeł i nie należy wnioskować o nich z wyświetlanej nazwy modelu. Wyjściem modelu może być kod, ale jego wygenerowanie go nie uruchamia; wyjaśnienie źródła nie dowodzi wykonania zewnętrznego wyszukiwania. Używaj rzeczywistych fragmentów źródłowych i zaobserwowanych wyników aplikacji, gdy odpowiedź wymaga takich dowodów.
Aby uzyskać użyteczny wynik, zdefiniuj końcowy materiał i warunki jego ukończenia. Oddzielaj ustalenia poparte źródłami, założenia i proponowane zmiany, a następnie oceń wygenerowaną odpowiedź względem dostarczonych materiałów. Dłuższa rozmowa może dopracować jedną część szkicu, zachowując zatwierdzone fakty i ograniczenia. Materiałem końcowym jest możliwy do oceny tekst lub kod dla określonego zadania, z zachowaniem oryginalnej tożsamości V3 zamiast niejawnego przejmowania opcji sterowania późniejszego wydania.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity deepseek/deepseek-chat | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Rozmowa tekstowa | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream |
Parametrcontrol_scope | KontraktRozmowa tekstowa; stream jest wartością logiczną i domyślnie wynosi false. |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Aliasy metody: /chat/completions
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.00064 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00178 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 to oryginalny model tekstowy DeepSeek do programowania, pisania, pytań i analizy opartej na źródłach. Architektura mixture-of-experts ma 671 miliardów parametrów ogółem i 37 miliardów aktywnych, z kontekstem 128K i dodatkowym treningiem uwzględniającym wzorce rozumowania R1.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
DeepSeek V3 to oryginalny model tekstowy DeepSeek typu mixture-of-experts do ogólnej pracy językowej, programowania i rozumowania. Przyjmuje pisemne instrukcje i kontekst tekstowy oraz zwraca odpowiedź, szkic, wyjaśnienie lub kod. Karta modelu podaje 671 miliardów parametrów głównego modelu ogółem, z czego 37 miliardów jest aktywnych dla każdego tokena. Nazwany oryginalny V3 pozostaje odrębny od V3-0324, V3.1 i V3.2, których aktualizacje dodają własne funkcje i profile promptów.
Architektura łączy Multi-head Latent Attention z DeepSeekMoE. Uwaga latentna kompresuje informacje wykorzystywane przez mechanizm uwagi, a rzadki wybór ekspertów aktywuje tylko część modelu dla każdego tokena. V3 wprowadza również równoważenie obciążenia bez dodatkowej funkcji straty i cel treningowy przewidywania wielu tokenów. Opublikowany pakiet modelu zawiera osobny moduł przewidywania wielu tokenów z 14 miliardami parametrów oprócz głównego modelu o 671 miliardach parametrów, co wyjaśnia, dlaczego sumy pakietu mogą różnić się od liczby parametrów architektury głównego modelu.
DeepSeek trenuje wstępnie V3 na 14,8 biliona tokenów, a następnie stosuje nadzorowane dostrajanie i uczenie ze wzmocnieniem. Proces dodatkowego treningu przenosi wzorce weryfikacji i refleksji z rodziny R1 do standardowej odpowiedzi modelu językowego, kontrolując styl i długość wyjścia. Jest to wkład treningowy, odrębny od wyboru samego R1 lub późniejszego hybrydowego szablonu myślenia V3.1. Przygotuj potrzebny format końcowej odpowiedzi, zamiast zakładać sposób prezentacji rozumowania z innego wydania.
Tabela modelu producenta podaje kontekst 128K zarówno dla V3 Base, jak i wydania V3 po dodatkowym treningu. Ten kontekst może łączyć pytanie z obszernymi dokumentami lub kodem, przy czym historia rozmowy i odpowiedź również potrzebują miejsca. Oznacz źródła i wskaż właściwe pytanie. Okno kontekstu jest ograniczeniem pojemności, a nie poleceniem przesyłania niepowiązanych materiałów lub żądania niepotrzebnie długiej odpowiedzi.
W praktycznym zadaniu programistycznym dostarcz odpowiednią funkcję, oczekiwane zachowanie, ważne ograniczenia i wejście demonstrujące problem. Poproś o proponowaną poprawkę i wyjaśnienie powiązane z dostarczonym kodem. W analizie dokumentów podaj nazwane sekcje i jasne kryteria porównania. Przykładowe wytyczne brzmią: „Wyodrębnij wymagania, wskaż, które z nich realizuje ta propozycja, i przytocz odpowiedni fragment dla każdego ustalenia. Zakończ zwięzłą listą brakujących szczegółów”.
Zadaniom pisarskim i redakcyjnym służy jawne określenie odbiorców, tonu i zestawu faktów do zachowania. Poproś o podsumowanie, przeredagowanie, tłumaczenie lub wyjaśnienie i podaj obowiązkowe nazwy oraz terminologię. Żądana lista pól lub odpowiedź w formie JSON nadal jest wygenerowaną treścią wymagającą oceny; sama nazwa modelu nie potwierdza mechanizmu ustrukturyzowanego wyjścia lub wykonywania narzędzi otaczającej aplikacji. Jeśli aplikacja dostarcza narzędzia, odróżniaj każdą zwróconą obserwację od działania zaproponowanego przez model.
Producent publikuje materiały modelu FP8 i opisuje inne opcje precyzji lub wykonania w swojej referencji. Te wybory implementacyjne są odrębne od zadania dotyczącego źródeł i nie należy wnioskować o nich z wyświetlanej nazwy modelu. Wyjściem modelu może być kod, ale jego wygenerowanie go nie uruchamia; wyjaśnienie źródła nie dowodzi wykonania zewnętrznego wyszukiwania. Używaj rzeczywistych fragmentów źródłowych i zaobserwowanych wyników aplikacji, gdy odpowiedź wymaga takich dowodów.
Aby uzyskać użyteczny wynik, zdefiniuj końcowy materiał i warunki jego ukończenia. Oddzielaj ustalenia poparte źródłami, założenia i proponowane zmiany, a następnie oceń wygenerowaną odpowiedź względem dostarczonych materiałów. Dłuższa rozmowa może dopracować jedną część szkicu, zachowując zatwierdzone fakty i ograniczenia. Materiałem końcowym jest możliwy do oceny tekst lub kod dla określonego zadania, z zachowaniem oryginalnej tożsamości V3 zamiast niejawnego przejmowania opcji sterowania późniejszego wydania.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity deepseek/deepseek-chat | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.00064 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00178 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "deepseek/deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions