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.
", "aboutText": "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.\n\nDSA 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.\n\nEksperymentalna 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.\n\nKońcowa 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.\n\nPrzy 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.\n\nImplementacja 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.\n\nKontynuowane 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "12ec567cf330936bcae63782bbd6eda5343d0b367f86ec8c388cdbaeb9519f13", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "deepseek-v3.2-exp-thinkingDeepSeek 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.
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.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity deepseek-v3.2-exp-thinking | 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 $0.00058 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00086 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"deepseek-v3.2-exp-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-v3.2-exp-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 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-v3.2-exp-thinking
/chat/completions