DeepSeek V3.2 to tekstowy model DeepSeek do rozumowania i pracy agentowej, z naciskiem na efektywne przetwarzanie długiego kontekstu. Producent grupuje główne zmiany wokół DeepSeek Sparse Attention, rozbudowanej struktury uczenia ze wzmocnieniem i procesu treningu zadań agentowych. Model przyjmuje pisemne pytania i kontekst oraz generuje tekst, w tym odpowiedź, kod lub treść wywołania narzędzia. Różni się od wcześniejszego wydania V3.2 Exp i odrębnego wariantu rozumowania Speciale.
DeepSeek Sparse Attention dodaje indeksator i precyzyjny wybór tokenów do architektury uwagi latentnej. W przypadku długiej sekwencji indeksator wybiera informacje z wcześniejszych tokenów używane w głównym obliczeniu uwagi. Raport określa to jako zmianę architektury względem V3.1 Terminus i wskazuje tę samą architekturę co w V3.2 Exp. Opublikowany kontekst wynosi 128K tokenów, co pozwala obsługiwać obszerne materiały źródłowe i kontynuowane zadanie, przy czym wygenerowane rozumowanie i historia narzędzi również zużywają dostępny kontekst.
Dodatkowy trening obejmuje odpowiedzi z myśleniem i bez myślenia w matematyce, programowaniu, rozumowaniu logicznym, ogólnych zadaniach agentowych, programowaniu agentowym i wyszukiwaniu. Specjaliści dziedzinowi dostarczają dane konsolidowane w końcowym modelu, po czym następuje mieszane uczenie ze wzmocnieniem. Przy zwykłym pytaniu właściwa może być bezpośrednia odpowiedź; przy trudnym problemie proces myślenia może opracować rozwiązanie przed przedstawieniem końcowego wyniku. Określ wymaganą odpowiedź lub materiał niezależnie od pośredniego rozumowania.
Istotną zmianą wydania jest myślenie z narzędziami. Zaktualizowany format czatu pozwala kontynuować rozumowanie w zadaniu z wywołaniami narzędzi zamiast traktować analizę i działanie jako niepowiązane etapy. Operację wybraną przez model wykonuje aplikacja, która zwraca jej wynik do następnego kroku. Reguła producenta dotycząca kontekstu narzędzi zachowuje wcześniejsze rozumowanie, gdy dodawane są wyłącznie wiadomości związane z narzędziami; po nadejściu nowej wiadomości użytkownika usuwa to rozumowanie, zachowując wywołania narzędzi i wyniki. Prawidłowe rozróżnienie ról rozmowy ma znaczenie dla tego zachowania.
W przypadku programowania podaj fragment źródła lub istotne pliki, zaobserwowany problem, oczekiwany wynik i warunki, które zmiana musi zachować. Przykładowe wytyczne brzmią: „Wykorzystaj dostarczony kod i wyniki narzędzi, aby znaleźć przyczynę, zaproponować najmniejszą poprawkę i zwrócić końcową łatkę wraz z potwierdzającym ją wynikiem walidacji”. Przy wyszukiwaniu opisz pytanie, wymagane dowody i kryterium ukończonej odpowiedzi. Narzędzia wyszukiwania i wykonywania operacji dostarcza otaczająca aplikacja, a nie sam tekst.
Producent zaleca lokalnie temperaturę 1.0 i top-p 0.95. V3.2 wprowadza zmienioną reprezentację wywołań narzędzi i dedykowany enkoder wiadomości. Rola developer jest zastrzeżona dla szablonu agenta wyszukującego producenta, a oficjalne API nie akceptuje tej roli. Referencyjny parser oczekuje poprawnie sformowanego wyjścia i nie naprawia błędnych wyników; gdy aplikacja używa wygenerowanych pól lub argumentów narzędzi, powinna sprawdzić ich strukturę przed podjęciem działania.
Raport techniczny wskazuje długie przebiegi rozumowania i nadmiarową samoweryfikację jako praktyczne ograniczenia. Zadanie agentowe może osiągnąć granicę 128K, nawet gdy oryginalne materiały źródłowe się mieszczą, ponieważ wyniki narzędzi i powtarzane rozumowanie się kumulują. Prowadź zwięzły zapis istotnych obserwacji i jasno określ końcowy materiał. W pracy wymagającej wiedzy dołącz autorytatywne materiały lub zapewnij odpowiednie narzędzie wyszukiwania, zamiast oczekiwać, że wiedza z treningu określi każdy fakt.
DeepSeek V3.2 Speciale jest odrębnym wariantem pogłębionego rozumowania o dużych wymaganiach obliczeniowych i według karty modelu nie obsługuje wywołań narzędzi. Jego funkcji nie należy traktować jako standardowego profilu narzędzi V3.2. Podobnie późniejsza generacja V4 i eksperymentalny poprzednik mają odrębne tożsamości i opcje konfiguracji. Zachowuj nazwane wydanie V3.2 podczas porównywania zadań, w których znaczenie mają model i format promptów.
W praktycznej analizie opartej na źródłach oznacz materiały i poproś o wniosek poparty odpowiednimi fragmentami, oddzielając założenia i brakujące informacje. W przypadku agenta określ dozwolone funkcje, oczekiwany końcowy wynik i kryterium ukończenia. Przygotowuje to proces rozumowania i użycia narzędzi modelu do wytworzenia możliwego do oceny tekstu, kodu lub analizy powiązanych z dostarczonymi dowodami.
", "aboutText": "DeepSeek V3.2 to tekstowy model DeepSeek do rozumowania i pracy agentowej, z naciskiem na efektywne przetwarzanie długiego kontekstu. Producent grupuje główne zmiany wokół DeepSeek Sparse Attention, rozbudowanej struktury uczenia ze wzmocnieniem i procesu treningu zadań agentowych. Model przyjmuje pisemne pytania i kontekst oraz generuje tekst, w tym odpowiedź, kod lub treść wywołania narzędzia. Różni się od wcześniejszego wydania V3.2 Exp i odrębnego wariantu rozumowania Speciale.\n\nDeepSeek Sparse Attention dodaje indeksator i precyzyjny wybór tokenów do architektury uwagi latentnej. W przypadku długiej sekwencji indeksator wybiera informacje z wcześniejszych tokenów używane w głównym obliczeniu uwagi. Raport określa to jako zmianę architektury względem V3.1 Terminus i wskazuje tę samą architekturę co w V3.2 Exp. Opublikowany kontekst wynosi 128K tokenów, co pozwala obsługiwać obszerne materiały źródłowe i kontynuowane zadanie, przy czym wygenerowane rozumowanie i historia narzędzi również zużywają dostępny kontekst.\n\nDodatkowy trening obejmuje odpowiedzi z myśleniem i bez myślenia w matematyce, programowaniu, rozumowaniu logicznym, ogólnych zadaniach agentowych, programowaniu agentowym i wyszukiwaniu. Specjaliści dziedzinowi dostarczają dane konsolidowane w końcowym modelu, po czym następuje mieszane uczenie ze wzmocnieniem. Przy zwykłym pytaniu właściwa może być bezpośrednia odpowiedź; przy trudnym problemie proces myślenia może opracować rozwiązanie przed przedstawieniem końcowego wyniku. Określ wymaganą odpowiedź lub materiał niezależnie od pośredniego rozumowania.\n\nIstotną zmianą wydania jest myślenie z narzędziami. Zaktualizowany format czatu pozwala kontynuować rozumowanie w zadaniu z wywołaniami narzędzi zamiast traktować analizę i działanie jako niepowiązane etapy. Operację wybraną przez model wykonuje aplikacja, która zwraca jej wynik do następnego kroku. Reguła producenta dotycząca kontekstu narzędzi zachowuje wcześniejsze rozumowanie, gdy dodawane są wyłącznie wiadomości związane z narzędziami; po nadejściu nowej wiadomości użytkownika usuwa to rozumowanie, zachowując wywołania narzędzi i wyniki. Prawidłowe rozróżnienie ról rozmowy ma znaczenie dla tego zachowania.\n\nW przypadku programowania podaj fragment źródła lub istotne pliki, zaobserwowany problem, oczekiwany wynik i warunki, które zmiana musi zachować. Przykładowe wytyczne brzmią: „Wykorzystaj dostarczony kod i wyniki narzędzi, aby znaleźć przyczynę, zaproponować najmniejszą poprawkę i zwrócić końcową łatkę wraz z potwierdzającym ją wynikiem walidacji”. Przy wyszukiwaniu opisz pytanie, wymagane dowody i kryterium ukończonej odpowiedzi. Narzędzia wyszukiwania i wykonywania operacji dostarcza otaczająca aplikacja, a nie sam tekst.\n\nProducent zaleca lokalnie temperaturę 1.0 i top-p 0.95. V3.2 wprowadza zmienioną reprezentację wywołań narzędzi i dedykowany enkoder wiadomości. Rola developer jest zastrzeżona dla szablonu agenta wyszukującego producenta, a oficjalne API nie akceptuje tej roli. Referencyjny parser oczekuje poprawnie sformowanego wyjścia i nie naprawia błędnych wyników; gdy aplikacja używa wygenerowanych pól lub argumentów narzędzi, powinna sprawdzić ich strukturę przed podjęciem działania.\n\nRaport techniczny wskazuje długie przebiegi rozumowania i nadmiarową samoweryfikację jako praktyczne ograniczenia. Zadanie agentowe może osiągnąć granicę 128K, nawet gdy oryginalne materiały źródłowe się mieszczą, ponieważ wyniki narzędzi i powtarzane rozumowanie się kumulują. Prowadź zwięzły zapis istotnych obserwacji i jasno określ końcowy materiał. W pracy wymagającej wiedzy dołącz autorytatywne materiały lub zapewnij odpowiednie narzędzie wyszukiwania, zamiast oczekiwać, że wiedza z treningu określi każdy fakt.\n\nDeepSeek V3.2 Speciale jest odrębnym wariantem pogłębionego rozumowania o dużych wymaganiach obliczeniowych i według karty modelu nie obsługuje wywołań narzędzi. Jego funkcji nie należy traktować jako standardowego profilu narzędzi V3.2. Podobnie późniejsza generacja V4 i eksperymentalny poprzednik mają odrębne tożsamości i opcje konfiguracji. Zachowuj nazwane wydanie V3.2 podczas porównywania zadań, w których znaczenie mają model i format promptów.\n\nW praktycznej analizie opartej na źródłach oznacz materiały i poproś o wniosek poparty odpowiednimi fragmentami, oddzielając założenia i brakujące informacje. W przypadku agenta określ dozwolone funkcje, oczekiwany końcowy wynik i kryterium ukończenia. Przygotowuje to proces rozumowania i użycia narzędzi modelu do wytworzenia możliwego do oceny tekstu, kodu lub analizy powiązanych z dostarczonymi dowodami.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9cf37b00ab5bde2af470047c6611aa7d5acb5dd323b4e5fb6eac65aeffa9f831", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "deepseek-v3.2-thinkingDeepSeek V3.2 łączy rozumowanie tekstowe z użyciem narzędzi i analizą długiego kontekstu. Architektura uwagi rzadkiej i zaktualizowany format rozmowy wspierają programowanie, wyszukiwanie i wieloetapowe zadania agentowe, z kontekstem 128K i odrębnymi procesami myślenia oraz bezpośredniej odpowiedzi.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
DeepSeek V3.2 to tekstowy model DeepSeek do rozumowania i pracy agentowej, z naciskiem na efektywne przetwarzanie długiego kontekstu. Producent grupuje główne zmiany wokół DeepSeek Sparse Attention, rozbudowanej struktury uczenia ze wzmocnieniem i procesu treningu zadań agentowych. Model przyjmuje pisemne pytania i kontekst oraz generuje tekst, w tym odpowiedź, kod lub treść wywołania narzędzia. Różni się od wcześniejszego wydania V3.2 Exp i odrębnego wariantu rozumowania Speciale.
DeepSeek Sparse Attention dodaje indeksator i precyzyjny wybór tokenów do architektury uwagi latentnej. W przypadku długiej sekwencji indeksator wybiera informacje z wcześniejszych tokenów używane w głównym obliczeniu uwagi. Raport określa to jako zmianę architektury względem V3.1 Terminus i wskazuje tę samą architekturę co w V3.2 Exp. Opublikowany kontekst wynosi 128K tokenów, co pozwala obsługiwać obszerne materiały źródłowe i kontynuowane zadanie, przy czym wygenerowane rozumowanie i historia narzędzi również zużywają dostępny kontekst.
Dodatkowy trening obejmuje odpowiedzi z myśleniem i bez myślenia w matematyce, programowaniu, rozumowaniu logicznym, ogólnych zadaniach agentowych, programowaniu agentowym i wyszukiwaniu. Specjaliści dziedzinowi dostarczają dane konsolidowane w końcowym modelu, po czym następuje mieszane uczenie ze wzmocnieniem. Przy zwykłym pytaniu właściwa może być bezpośrednia odpowiedź; przy trudnym problemie proces myślenia może opracować rozwiązanie przed przedstawieniem końcowego wyniku. Określ wymaganą odpowiedź lub materiał niezależnie od pośredniego rozumowania.
Istotną zmianą wydania jest myślenie z narzędziami. Zaktualizowany format czatu pozwala kontynuować rozumowanie w zadaniu z wywołaniami narzędzi zamiast traktować analizę i działanie jako niepowiązane etapy. Operację wybraną przez model wykonuje aplikacja, która zwraca jej wynik do następnego kroku. Reguła producenta dotycząca kontekstu narzędzi zachowuje wcześniejsze rozumowanie, gdy dodawane są wyłącznie wiadomości związane z narzędziami; po nadejściu nowej wiadomości użytkownika usuwa to rozumowanie, zachowując wywołania narzędzi i wyniki. Prawidłowe rozróżnienie ról rozmowy ma znaczenie dla tego zachowania.
W przypadku programowania podaj fragment źródła lub istotne pliki, zaobserwowany problem, oczekiwany wynik i warunki, które zmiana musi zachować. Przykładowe wytyczne brzmią: „Wykorzystaj dostarczony kod i wyniki narzędzi, aby znaleźć przyczynę, zaproponować najmniejszą poprawkę i zwrócić końcową łatkę wraz z potwierdzającym ją wynikiem walidacji”. Przy wyszukiwaniu opisz pytanie, wymagane dowody i kryterium ukończonej odpowiedzi. Narzędzia wyszukiwania i wykonywania operacji dostarcza otaczająca aplikacja, a nie sam tekst.
Producent zaleca lokalnie temperaturę 1.0 i top-p 0.95. V3.2 wprowadza zmienioną reprezentację wywołań narzędzi i dedykowany enkoder wiadomości. Rola developer jest zastrzeżona dla szablonu agenta wyszukującego producenta, a oficjalne API nie akceptuje tej roli. Referencyjny parser oczekuje poprawnie sformowanego wyjścia i nie naprawia błędnych wyników; gdy aplikacja używa wygenerowanych pól lub argumentów narzędzi, powinna sprawdzić ich strukturę przed podjęciem działania.
Raport techniczny wskazuje długie przebiegi rozumowania i nadmiarową samoweryfikację jako praktyczne ograniczenia. Zadanie agentowe może osiągnąć granicę 128K, nawet gdy oryginalne materiały źródłowe się mieszczą, ponieważ wyniki narzędzi i powtarzane rozumowanie się kumulują. Prowadź zwięzły zapis istotnych obserwacji i jasno określ końcowy materiał. W pracy wymagającej wiedzy dołącz autorytatywne materiały lub zapewnij odpowiednie narzędzie wyszukiwania, zamiast oczekiwać, że wiedza z treningu określi każdy fakt.
DeepSeek V3.2 Speciale jest odrębnym wariantem pogłębionego rozumowania o dużych wymaganiach obliczeniowych i według karty modelu nie obsługuje wywołań narzędzi. Jego funkcji nie należy traktować jako standardowego profilu narzędzi V3.2. Podobnie późniejsza generacja V4 i eksperymentalny poprzednik mają odrębne tożsamości i opcje konfiguracji. Zachowuj nazwane wydanie V3.2 podczas porównywania zadań, w których znaczenie mają model i format promptów.
W praktycznej analizie opartej na źródłach oznacz materiały i poproś o wniosek poparty odpowiednimi fragmentami, oddzielając założenia i brakujące informacje. W przypadku agenta określ dozwolone funkcje, oczekiwany końcowy wynik i kryterium ukończenia. Przygotowuje to proces rozumowania i użycia narzędzi modelu do wytworzenia możliwego do oceny tekstu, kodu lub analizy powiązanych z dostarczonymi dowodami.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity deepseek-v3.2-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-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-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-thinking
/chat/completions