DeepSeek: DeepSeek V3.2 Exp

DeepSeek V3.2 Exp to wydanie z uwagą rzadką zbudowane na V3.1 Terminus. Przetwarza tekst w zadaniach rozumowania, programowania i agentowych, badając efektywniejszą uwagę dla długiego kontekstu, z kontekstem producenta 128K i tożsamością odrębną od końcowego wydania V3.2.

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions deepseek-v3.2-exp-thinking

O modelu

Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.

DeepSeek V3.2 Exp to eksperymentalne wydanie tekstowego modelu DeepSeek oparte na V3.1 Terminus. Jego zasadniczą zmianą jest DeepSeek Sparse Attention, wprowadzone w celu badania wydajniejszego treningu i wnioskowania dla rozbudowanych sekwencji tekstowych. Zadanie nadal pozostaje tekstowe: pisemne instrukcje i kontekst prowadzą do tekstowej odpowiedzi, kodu lub wyniku pracy agentowej. To badawcze wydanie z rzadką uwagą, odrębne od końcowego modelu V3.2 i jego późniejszego formatu rozumowania z narzędziami.

DSA wykorzystuje lekki moduł indeksujący i precyzyjny wybór tokenów, aby główne obliczenia uwagi koncentrowały się na wybranych wcześniejszych informacjach tokenowych. DeepSeek celowo dopasował eksperymentalną konfigurację treningu do V3.1 Terminus, aby wyodrębnić zmianę architektury. Raport V3.2 potwierdza, że końcowy V3.2 i V3.2 Exp współdzielą tę architekturę, oraz opisuje kontynuowanie treningu na bazie Terminus z kontekstem 128K. Opublikowany profil eksperymentalny korzysta z tego ustawienia długiego kontekstu 128K.

Eksperymentalna karta producenta obejmuje rozumowanie i pracę agentową, zachowując profil zadań wcześniejszego modelu. Materiał dowodowy rozróżnia rozumowanie bez narzędzi i agentowe użycie narzędzi. Przygotuj jasne pytanie, istotny kontekst źródłowy i oczekiwaną formę wyniku. Jeśli zadanie wymaga narzędzia, aplikacja dostarcza jego definicję i zwraca rezultat; działanie proponowane przez model nie jest tym samym co operacja już wykonana.

Końcowa karta V3.2 wprowadza zmieniony format wywołań narzędzi i wyraźnie opisuje rozumowanie z narzędziami. Te aktualizacje należą do końcowego wydania i nie powinny być traktowane jako pełny kontrakt interakcji wersji eksperymentalnej. Dla V3.2 Exp zachowuj własne formatowanie wiadomości tego wydania i odziedziczony kontekst zadań Terminus, zamiast zakładać, że podobna nazwa czyni wszystkie późniejsze ustawienia i role zamiennymi.

Przy porównywaniu długich dokumentów oznacz każde źródło i wskaż sekcje istotne dla pytania. Przykładowe polecenie może brzmieć: „Porównaj te wymagania z proponowaną implementacją, wskaż każdą rozbieżność i przytocz fragment, który ją potwierdza. Zakończ listą poprawek według priorytetu”. Przy kodzie podaj błędne zachowanie, odpowiedni fragment i oczekiwany wynik, a następnie poproś o konkretną zmianę z jasnym wyjaśnieniem. Układ źródeł i kryterium ukończenia pomagają skierować zadanie z długim kontekstem ku użytecznemu rezultatowi.

Implementacja referencyjna producenta zawiera moduł indeksujący rzadką uwagę, a karta odnotowuje ważną poprawkę implementacyjną: RoPE tego modułu korzysta z układu bez przeplotu, podczas gdy moduł uwagi latentnej oczekuje układu z przeplotem. To szczegół referencji producenta istotny dla wiernego wykonania modelu, a nie inne polecenie użytkownika czy nowa funkcja. Oznacza to również, że sama nazwa modelu nie opisuje sposobu obsługi eksperymentalnej architektury w każdej implementacji.

Kontynuowane zadanie agentowe musi wspólnie uwzględniać budżet tekstu źródłowego, rozmowy, wygenerowanego rozumowania i obserwacji z narzędzi. Porządkuj użyteczne obserwacje i poproś, aby końcowa odpowiedź odróżniała dowody, założenia i proponowane działania. Gdy wynik faktograficzny zależy od źródeł, dostarcz wiarygodny materiał lub odpowiednie narzędzie, zamiast polegać na ogólnej wiedzy z treningu. Wynikiem pozostaje tekst, kod lub zapis analizy, który można sprawdzić względem zadania i jego danych wejściowych.

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions deepseek-v3.2-exp-thinking

deepseek-v3.2-exp-thinking

DeepSeek /deepseek-v3.2-exp-thinking

Start

Akceptowane dane wejściowe: Tekst
Wyniki: Tekst

Dostępne w Ailoot · dane wejściowe i metody

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions

Wejście: text
Wyjście: text
Format wyjściowy: json lub SSE

Pole	Typ	Wymaganie	Wartości i limity	Domyślnie
Pole`model`	Typ`string`	WymaganieWymagane	Wartości i limity deepseek-v3.2-exp-thinking	Domyślnie—
Pole`messages`	Typ`message[]`	WymaganieWymagane	Wartości i limity Minimalna liczba elementów: 1	Domyślnie—
Pole`messages[].role`	Typ`string`	WymaganieWymagane	Wartości i limity Zależy od modelu	Domyślnie—
Pole`messages[].content`	Typ`string`	WymaganieOpcjonalne	Wartości i limity Obowiązuje, gdy: Rozmowa tekstowa	Domyślnie—
Pole`stream`	Typ`boolean`	WymaganieOpcjonalne	Wartości i limity	Domyślniefalse

Kombinacje materiałów wejściowych

Tekst · tekst UTF8

messages[].content

Parametry i cykl życia metody

Parametr	Kontrakt
Parametr`content_type`	Kontraktapplication/json
Parametr`required`	Kontraktmodel, messages
Parametr`material_types`	Kontrakttext
Parametr`messages`	Kontrakttablica wiadomości o strukturze role/content
Parametr`file_material`	Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku
Parametr`optional_controls`	Kontraktstream
Parametr`control_scope`	KontraktRozmowa tekstowa; stream jest wartością logiczną i domyślnie wynosi false.
Parametr`output_modalities`	Kontrakttext
Parametr`hosted_operations`	Kontraktfalse
Parametr`multimodal_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.

Cennik

Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.

Tryb szybki: Nie określono Gdy wybrany jest tryb szybki
Tryb flex: Nie określono Gdy wybrany jest tryb flex
Maksymalna intensywność rozumowania: Nie określono Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default)

Stawki Ailoot

Ceny według konfiguracji

Konfiguracja	Tabela stawek	Opłata
KonfiguracjaPodstawowe stawki za tokeny	Tabela stawekStawka podstawowa	Opłata Wejście · Tokeny wejściowe $0.00058 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00086 / 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 →

Przykładowe żądania

Ailoot Ultra · OpenAI Chat

curlPython SDK

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model":"deepseek-v3.2-exp-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("choices",[]):
    if x.get("message",{}).get("content"): print(x["message"]["content"])
PY_RESULT

from openai import OpenAI
import os

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model="deepseek-v3.2-exp-thinking", messages=[{"role":"user","content":"hello"}], stream=False)
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

save_result(result.to_dict(mode="json"))

Odbieranie i zapisywanie wyników

Ailoot Ultra · OpenAI Chat

json lub SSE

Zachowaj wszystkie ukończone wyniki

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.

Jeśli trzeba sprawdzić pierwotną odpowiedź

Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.

Pola odpowiedzi

Pole	Typ
Pole`choices[].index`	Typinteger
Pole`choices[].message.content`	Typstring\|null
Pole`choices[].message.tool_calls`	Typtool_call[]
Pole`choices[].message.reasoning_content`	Typstring
Pole`choices[].message.reasoning_details`	Typobject\|array
Pole`choices[].finish_reason`	Typstring\|null
Pole`usage`	Typobject

Błędy i dalsze kroki

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.

Aliasy

Aliasy modelu

Ailoot Ultra deepseek-v3.2-exp-thinking

Aliasy ścieżek metod

/chat/completions

Powiązane ID modeli

deepseek-v3.2-exp-thinking

FAQ · DeepSeek: DeepSeek V3.2 Exp

Jakie dane wejściowe i wyniki są dostępne?: POST /v1/chat/completions · deepseek-v3.2-exp-thinking: text → text
Jakich pól używa żądanie?: POST /v1/chat/completions · deepseek-v3.2-exp-thinking: model, messages, stream
Jakie limity obowiązują?: POST /v1/chat/completions · deepseek-v3.2-exp-thinking: messages.min_items: 1

DeepSeek: DeepSeek V3.2 Exp