DeepSeek V3 é o modelo textual original da DeepSeek com mistura de especialistas para trabalho geral de linguagem, programação e raciocínio. Recebe instruções escritas e contexto textual e devolve uma resposta, um rascunho, uma explicação ou código. A ficha do modelo indica um total de 671 mil milhões de parâmetros do modelo principal, com 37 mil milhões ativos por token. O V3 original identificado mantém-se separado de V3-0324, V3.1 e V3.2, cujas atualizações acrescentam funcionalidades e perfis de pedidos próprios.
A sua arquitetura combina Multi-head Latent Attention com DeepSeekMoE. A atenção latente comprime informação usada pela atenção, enquanto a seleção esparsa de especialistas ativa apenas parte do modelo por token. V3 introduz também equilíbrio de carga sem perda auxiliar e um objetivo de treino de previsão de vários tokens. O pacote publicado do modelo inclui um módulo separado de previsão de vários tokens com 14 mil milhões de parâmetros, além do modelo principal de 671 mil milhões de parâmetros, o que explica por que razão os totais do pacote podem diferir da contagem arquitetural do modelo principal.
A DeepSeek pré-treina V3 com 14.8 biliões de tokens e usa depois afinação supervisionada e aprendizagem por reforço. O processo de pós-treino transporta padrões de verificação e reflexão da família R1 para uma resposta normal de modelo de linguagem, controlando o estilo e a extensão da saída. Esta é uma contribuição do treino, distinta da escolha do próprio R1 ou do template híbrido de pensamento posterior de V3.1. Prepare o formato de resposta final de que precisa, em vez de pressupor uma apresentação de raciocínio de outra edição.
A tabela de modelos do produtor indica um contexto de 128K tanto para V3 Base como para a edição V3 com pós-treino. Esse contexto pode reunir uma pergunta com uma quantidade considerável de documentos ou código, mas o histórico da conversa e a resposta também precisam de espaço. Identifique as fontes e a pergunta relevante. Uma janela de contexto é um limite de capacidade, não uma instrução para enviar material sem relação com a tarefa ou pedir uma resposta desnecessariamente longa.
Para uma tarefa prática de código, forneça a função relevante, o comportamento esperado, as restrições importantes e a entrada que demonstra o problema. Peça uma correção proposta e uma explicação ligada ao código fornecido. Para análise documental, apresente secções identificadas e critérios claros de comparação. Um pedido ilustrativo é: «Extraia os requisitos, identifique quais são contemplados por esta proposta e cite a passagem correspondente para cada conclusão. Termine com uma lista concisa dos pormenores em falta.»
As tarefas de escrita e edição beneficiam de um público, um tom e um conjunto de factos a manter explicitamente definidos. Peça um resumo, uma reescrita, uma tradução ou uma explicação e indique os nomes e a terminologia obrigatórios. Uma lista de campos solicitada ou uma resposta com estrutura JSON continua a precisar de revisão como conteúdo gerado; o nome do modelo, por si só, não qualifica o mecanismo de saída estruturada ou de execução de ferramentas de uma aplicação envolvente. Se uma aplicação fornecer ferramentas, mantenha cada observação devolvida distinta da ação proposta pelo modelo.
O fabricante publica material do modelo em FP8 e descreve outras opções de precisão ou execução na sua referência. Essas escolhas de implementação são separadas da tarefa ao nível da fonte e não devem ser inferidas a partir do nome de modelo apresentado. A saída do modelo pode ser código, mas gerar esse código não o executa; uma explicação de uma fonte não prova que tenha sido feita uma consulta externa. Use passagens reais das fontes e resultados observados da aplicação quando a resposta precisar dessas provas.
Para um resultado útil, defina o resultado final e as condições que determinam a sua conclusão. Mantenha separados os factos sustentados pelas fontes, os pressupostos e as alterações propostas; depois, reveja a resposta gerada à luz do material fornecido. Uma conversa mais longa pode aperfeiçoar uma parte do rascunho, preservando os factos e as restrições aprovados. A entrega é um texto ou código passível de revisão para a tarefa indicada, mantendo a identidade do V3 original em vez de tomar silenciosamente emprestados os controlos de uma edição posterior.
", "aboutText": "DeepSeek V3 é o modelo textual original da DeepSeek com mistura de especialistas para trabalho geral de linguagem, programação e raciocínio. Recebe instruções escritas e contexto textual e devolve uma resposta, um rascunho, uma explicação ou código. A ficha do modelo indica um total de 671 mil milhões de parâmetros do modelo principal, com 37 mil milhões ativos por token. O V3 original identificado mantém-se separado de V3-0324, V3.1 e V3.2, cujas atualizações acrescentam funcionalidades e perfis de pedidos próprios.\n\nA sua arquitetura combina Multi-head Latent Attention com DeepSeekMoE. A atenção latente comprime informação usada pela atenção, enquanto a seleção esparsa de especialistas ativa apenas parte do modelo por token. V3 introduz também equilíbrio de carga sem perda auxiliar e um objetivo de treino de previsão de vários tokens. O pacote publicado do modelo inclui um módulo separado de previsão de vários tokens com 14 mil milhões de parâmetros, além do modelo principal de 671 mil milhões de parâmetros, o que explica por que razão os totais do pacote podem diferir da contagem arquitetural do modelo principal.\n\nA DeepSeek pré-treina V3 com 14.8 biliões de tokens e usa depois afinação supervisionada e aprendizagem por reforço. O processo de pós-treino transporta padrões de verificação e reflexão da família R1 para uma resposta normal de modelo de linguagem, controlando o estilo e a extensão da saída. Esta é uma contribuição do treino, distinta da escolha do próprio R1 ou do template híbrido de pensamento posterior de V3.1. Prepare o formato de resposta final de que precisa, em vez de pressupor uma apresentação de raciocínio de outra edição.\n\nA tabela de modelos do produtor indica um contexto de 128K tanto para V3 Base como para a edição V3 com pós-treino. Esse contexto pode reunir uma pergunta com uma quantidade considerável de documentos ou código, mas o histórico da conversa e a resposta também precisam de espaço. Identifique as fontes e a pergunta relevante. Uma janela de contexto é um limite de capacidade, não uma instrução para enviar material sem relação com a tarefa ou pedir uma resposta desnecessariamente longa.\n\nPara uma tarefa prática de código, forneça a função relevante, o comportamento esperado, as restrições importantes e a entrada que demonstra o problema. Peça uma correção proposta e uma explicação ligada ao código fornecido. Para análise documental, apresente secções identificadas e critérios claros de comparação. Um pedido ilustrativo é: «Extraia os requisitos, identifique quais são contemplados por esta proposta e cite a passagem correspondente para cada conclusão. Termine com uma lista concisa dos pormenores em falta.»\n\nAs tarefas de escrita e edição beneficiam de um público, um tom e um conjunto de factos a manter explicitamente definidos. Peça um resumo, uma reescrita, uma tradução ou uma explicação e indique os nomes e a terminologia obrigatórios. Uma lista de campos solicitada ou uma resposta com estrutura JSON continua a precisar de revisão como conteúdo gerado; o nome do modelo, por si só, não qualifica o mecanismo de saída estruturada ou de execução de ferramentas de uma aplicação envolvente. Se uma aplicação fornecer ferramentas, mantenha cada observação devolvida distinta da ação proposta pelo modelo.\n\nO fabricante publica material do modelo em FP8 e descreve outras opções de precisão ou execução na sua referência. Essas escolhas de implementação são separadas da tarefa ao nível da fonte e não devem ser inferidas a partir do nome de modelo apresentado. A saída do modelo pode ser código, mas gerar esse código não o executa; uma explicação de uma fonte não prova que tenha sido feita uma consulta externa. Use passagens reais das fontes e resultados observados da aplicação quando a resposta precisar dessas provas.\n\nPara um resultado útil, defina o resultado final e as condições que determinam a sua conclusão. Mantenha separados os factos sustentados pelas fontes, os pressupostos e as alterações propostas; depois, reveja a resposta gerada à luz do material fornecido. Uma conversa mais longa pode aperfeiçoar uma parte do rascunho, preservando os factos e as restrições aprovados. A entrega é um texto ou código passível de revisão para a tarefa indicada, mantendo a identidade do V3 original em vez de tomar silenciosamente emprestados os controlos de uma edição posterior.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "6050f08cfd252d0e327d422bb69d0fd9b361b632031e5202e74b960217343c6a", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "deepseek-chatDeepSeek V3 é o modelo textual original da DeepSeek para programação, escrita, perguntas e análise baseada em fontes. A sua arquitetura de mistura de especialistas tem 671B parâmetros no total e 37B ativos, com um contexto de 128K e pós-treino que incorpora padrões de raciocínio de R1.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
DeepSeek V3 é o modelo textual original da DeepSeek com mistura de especialistas para trabalho geral de linguagem, programação e raciocínio. Recebe instruções escritas e contexto textual e devolve uma resposta, um rascunho, uma explicação ou código. A ficha do modelo indica um total de 671 mil milhões de parâmetros do modelo principal, com 37 mil milhões ativos por token. O V3 original identificado mantém-se separado de V3-0324, V3.1 e V3.2, cujas atualizações acrescentam funcionalidades e perfis de pedidos próprios.
A sua arquitetura combina Multi-head Latent Attention com DeepSeekMoE. A atenção latente comprime informação usada pela atenção, enquanto a seleção esparsa de especialistas ativa apenas parte do modelo por token. V3 introduz também equilíbrio de carga sem perda auxiliar e um objetivo de treino de previsão de vários tokens. O pacote publicado do modelo inclui um módulo separado de previsão de vários tokens com 14 mil milhões de parâmetros, além do modelo principal de 671 mil milhões de parâmetros, o que explica por que razão os totais do pacote podem diferir da contagem arquitetural do modelo principal.
A DeepSeek pré-treina V3 com 14.8 biliões de tokens e usa depois afinação supervisionada e aprendizagem por reforço. O processo de pós-treino transporta padrões de verificação e reflexão da família R1 para uma resposta normal de modelo de linguagem, controlando o estilo e a extensão da saída. Esta é uma contribuição do treino, distinta da escolha do próprio R1 ou do template híbrido de pensamento posterior de V3.1. Prepare o formato de resposta final de que precisa, em vez de pressupor uma apresentação de raciocínio de outra edição.
A tabela de modelos do produtor indica um contexto de 128K tanto para V3 Base como para a edição V3 com pós-treino. Esse contexto pode reunir uma pergunta com uma quantidade considerável de documentos ou código, mas o histórico da conversa e a resposta também precisam de espaço. Identifique as fontes e a pergunta relevante. Uma janela de contexto é um limite de capacidade, não uma instrução para enviar material sem relação com a tarefa ou pedir uma resposta desnecessariamente longa.
Para uma tarefa prática de código, forneça a função relevante, o comportamento esperado, as restrições importantes e a entrada que demonstra o problema. Peça uma correção proposta e uma explicação ligada ao código fornecido. Para análise documental, apresente secções identificadas e critérios claros de comparação. Um pedido ilustrativo é: «Extraia os requisitos, identifique quais são contemplados por esta proposta e cite a passagem correspondente para cada conclusão. Termine com uma lista concisa dos pormenores em falta.»
As tarefas de escrita e edição beneficiam de um público, um tom e um conjunto de factos a manter explicitamente definidos. Peça um resumo, uma reescrita, uma tradução ou uma explicação e indique os nomes e a terminologia obrigatórios. Uma lista de campos solicitada ou uma resposta com estrutura JSON continua a precisar de revisão como conteúdo gerado; o nome do modelo, por si só, não qualifica o mecanismo de saída estruturada ou de execução de ferramentas de uma aplicação envolvente. Se uma aplicação fornecer ferramentas, mantenha cada observação devolvida distinta da ação proposta pelo modelo.
O fabricante publica material do modelo em FP8 e descreve outras opções de precisão ou execução na sua referência. Essas escolhas de implementação são separadas da tarefa ao nível da fonte e não devem ser inferidas a partir do nome de modelo apresentado. A saída do modelo pode ser código, mas gerar esse código não o executa; uma explicação de uma fonte não prova que tenha sido feita uma consulta externa. Use passagens reais das fontes e resultados observados da aplicação quando a resposta precisar dessas provas.
Para um resultado útil, defina o resultado final e as condições que determinam a sua conclusão. Mantenha separados os factos sustentados pelas fontes, os pressupostos e as alterações propostas; depois, reveja a resposta gerada à luz do material fornecido. Uma conversa mais longa pode aperfeiçoar uma parte do rascunho, preservando os factos e as restrições aprovados. A entrega é um texto ou código passível de revisão para a tarefa indicada, mantendo a identidade do V3 original em vez de tomar silenciosamente emprestados os controlos de uma edição posterior.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites deepseek-chat | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Conversação textual | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream |
Parâmetrocontrol_scope | ContratoConversação textual; stream é um booleano e tem false como predefinição. |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Aliases do método: /chat/completions
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.00064 / 1K tokens Saída · Tokens de saída $0.00178 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek-chatDeepSeek V3 é o modelo textual original da DeepSeek para programação, escrita, perguntas e análise baseada em fontes. A sua arquitetura de mistura de especialistas tem 671B parâmetros no total e 37B ativos, com um contexto de 128K e pós-treino que incorpora padrões de raciocínio de R1.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
DeepSeek V3 é o modelo textual original da DeepSeek com mistura de especialistas para trabalho geral de linguagem, programação e raciocínio. Recebe instruções escritas e contexto textual e devolve uma resposta, um rascunho, uma explicação ou código. A ficha do modelo indica um total de 671 mil milhões de parâmetros do modelo principal, com 37 mil milhões ativos por token. O V3 original identificado mantém-se separado de V3-0324, V3.1 e V3.2, cujas atualizações acrescentam funcionalidades e perfis de pedidos próprios.
A sua arquitetura combina Multi-head Latent Attention com DeepSeekMoE. A atenção latente comprime informação usada pela atenção, enquanto a seleção esparsa de especialistas ativa apenas parte do modelo por token. V3 introduz também equilíbrio de carga sem perda auxiliar e um objetivo de treino de previsão de vários tokens. O pacote publicado do modelo inclui um módulo separado de previsão de vários tokens com 14 mil milhões de parâmetros, além do modelo principal de 671 mil milhões de parâmetros, o que explica por que razão os totais do pacote podem diferir da contagem arquitetural do modelo principal.
A DeepSeek pré-treina V3 com 14.8 biliões de tokens e usa depois afinação supervisionada e aprendizagem por reforço. O processo de pós-treino transporta padrões de verificação e reflexão da família R1 para uma resposta normal de modelo de linguagem, controlando o estilo e a extensão da saída. Esta é uma contribuição do treino, distinta da escolha do próprio R1 ou do template híbrido de pensamento posterior de V3.1. Prepare o formato de resposta final de que precisa, em vez de pressupor uma apresentação de raciocínio de outra edição.
A tabela de modelos do produtor indica um contexto de 128K tanto para V3 Base como para a edição V3 com pós-treino. Esse contexto pode reunir uma pergunta com uma quantidade considerável de documentos ou código, mas o histórico da conversa e a resposta também precisam de espaço. Identifique as fontes e a pergunta relevante. Uma janela de contexto é um limite de capacidade, não uma instrução para enviar material sem relação com a tarefa ou pedir uma resposta desnecessariamente longa.
Para uma tarefa prática de código, forneça a função relevante, o comportamento esperado, as restrições importantes e a entrada que demonstra o problema. Peça uma correção proposta e uma explicação ligada ao código fornecido. Para análise documental, apresente secções identificadas e critérios claros de comparação. Um pedido ilustrativo é: «Extraia os requisitos, identifique quais são contemplados por esta proposta e cite a passagem correspondente para cada conclusão. Termine com uma lista concisa dos pormenores em falta.»
As tarefas de escrita e edição beneficiam de um público, um tom e um conjunto de factos a manter explicitamente definidos. Peça um resumo, uma reescrita, uma tradução ou uma explicação e indique os nomes e a terminologia obrigatórios. Uma lista de campos solicitada ou uma resposta com estrutura JSON continua a precisar de revisão como conteúdo gerado; o nome do modelo, por si só, não qualifica o mecanismo de saída estruturada ou de execução de ferramentas de uma aplicação envolvente. Se uma aplicação fornecer ferramentas, mantenha cada observação devolvida distinta da ação proposta pelo modelo.
O fabricante publica material do modelo em FP8 e descreve outras opções de precisão ou execução na sua referência. Essas escolhas de implementação são separadas da tarefa ao nível da fonte e não devem ser inferidas a partir do nome de modelo apresentado. A saída do modelo pode ser código, mas gerar esse código não o executa; uma explicação de uma fonte não prova que tenha sido feita uma consulta externa. Use passagens reais das fontes e resultados observados da aplicação quando a resposta precisar dessas provas.
Para um resultado útil, defina o resultado final e as condições que determinam a sua conclusão. Mantenha separados os factos sustentados pelas fontes, os pressupostos e as alterações propostas; depois, reveja a resposta gerada à luz do material fornecido. Uma conversa mais longa pode aperfeiçoar uma parte do rascunho, preservando os factos e as restrições aprovados. A entrega é um texto ou código passível de revisão para a tarefa indicada, mantendo a identidade do V3 original em vez de tomar silenciosamente emprestados os controlos de uma edição posterior.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites deepseek-chat | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.00064 / 1K tokens Saída · Tokens de saída $0.00178 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 é o modelo textual original da DeepSeek para programação, escrita, perguntas e análise baseada em fontes. A sua arquitetura de mistura de especialistas tem 671B parâmetros no total e 37B ativos, com um contexto de 128K e pós-treino que incorpora padrões de raciocínio de R1.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
DeepSeek V3 é o modelo textual original da DeepSeek com mistura de especialistas para trabalho geral de linguagem, programação e raciocínio. Recebe instruções escritas e contexto textual e devolve uma resposta, um rascunho, uma explicação ou código. A ficha do modelo indica um total de 671 mil milhões de parâmetros do modelo principal, com 37 mil milhões ativos por token. O V3 original identificado mantém-se separado de V3-0324, V3.1 e V3.2, cujas atualizações acrescentam funcionalidades e perfis de pedidos próprios.
A sua arquitetura combina Multi-head Latent Attention com DeepSeekMoE. A atenção latente comprime informação usada pela atenção, enquanto a seleção esparsa de especialistas ativa apenas parte do modelo por token. V3 introduz também equilíbrio de carga sem perda auxiliar e um objetivo de treino de previsão de vários tokens. O pacote publicado do modelo inclui um módulo separado de previsão de vários tokens com 14 mil milhões de parâmetros, além do modelo principal de 671 mil milhões de parâmetros, o que explica por que razão os totais do pacote podem diferir da contagem arquitetural do modelo principal.
A DeepSeek pré-treina V3 com 14.8 biliões de tokens e usa depois afinação supervisionada e aprendizagem por reforço. O processo de pós-treino transporta padrões de verificação e reflexão da família R1 para uma resposta normal de modelo de linguagem, controlando o estilo e a extensão da saída. Esta é uma contribuição do treino, distinta da escolha do próprio R1 ou do template híbrido de pensamento posterior de V3.1. Prepare o formato de resposta final de que precisa, em vez de pressupor uma apresentação de raciocínio de outra edição.
A tabela de modelos do produtor indica um contexto de 128K tanto para V3 Base como para a edição V3 com pós-treino. Esse contexto pode reunir uma pergunta com uma quantidade considerável de documentos ou código, mas o histórico da conversa e a resposta também precisam de espaço. Identifique as fontes e a pergunta relevante. Uma janela de contexto é um limite de capacidade, não uma instrução para enviar material sem relação com a tarefa ou pedir uma resposta desnecessariamente longa.
Para uma tarefa prática de código, forneça a função relevante, o comportamento esperado, as restrições importantes e a entrada que demonstra o problema. Peça uma correção proposta e uma explicação ligada ao código fornecido. Para análise documental, apresente secções identificadas e critérios claros de comparação. Um pedido ilustrativo é: «Extraia os requisitos, identifique quais são contemplados por esta proposta e cite a passagem correspondente para cada conclusão. Termine com uma lista concisa dos pormenores em falta.»
As tarefas de escrita e edição beneficiam de um público, um tom e um conjunto de factos a manter explicitamente definidos. Peça um resumo, uma reescrita, uma tradução ou uma explicação e indique os nomes e a terminologia obrigatórios. Uma lista de campos solicitada ou uma resposta com estrutura JSON continua a precisar de revisão como conteúdo gerado; o nome do modelo, por si só, não qualifica o mecanismo de saída estruturada ou de execução de ferramentas de uma aplicação envolvente. Se uma aplicação fornecer ferramentas, mantenha cada observação devolvida distinta da ação proposta pelo modelo.
O fabricante publica material do modelo em FP8 e descreve outras opções de precisão ou execução na sua referência. Essas escolhas de implementação são separadas da tarefa ao nível da fonte e não devem ser inferidas a partir do nome de modelo apresentado. A saída do modelo pode ser código, mas gerar esse código não o executa; uma explicação de uma fonte não prova que tenha sido feita uma consulta externa. Use passagens reais das fontes e resultados observados da aplicação quando a resposta precisar dessas provas.
Para um resultado útil, defina o resultado final e as condições que determinam a sua conclusão. Mantenha separados os factos sustentados pelas fontes, os pressupostos e as alterações propostas; depois, reveja a resposta gerada à luz do material fornecido. Uma conversa mais longa pode aperfeiçoar uma parte do rascunho, preservando os factos e as restrições aprovados. A entrega é um texto ou código passível de revisão para a tarefa indicada, mantendo a identidade do V3 original em vez de tomar silenciosamente emprestados os controlos de uma edição posterior.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites deepseek/deepseek-chat | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Conversação textual | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream |
Parâmetrocontrol_scope | ContratoConversação textual; stream é um booleano e tem false como predefinição. |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Aliases do método: /chat/completions
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.00064 / 1K tokens Saída · Tokens de saída $0.00178 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 é o modelo textual original da DeepSeek para programação, escrita, perguntas e análise baseada em fontes. A sua arquitetura de mistura de especialistas tem 671B parâmetros no total e 37B ativos, com um contexto de 128K e pós-treino que incorpora padrões de raciocínio de R1.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
DeepSeek V3 é o modelo textual original da DeepSeek com mistura de especialistas para trabalho geral de linguagem, programação e raciocínio. Recebe instruções escritas e contexto textual e devolve uma resposta, um rascunho, uma explicação ou código. A ficha do modelo indica um total de 671 mil milhões de parâmetros do modelo principal, com 37 mil milhões ativos por token. O V3 original identificado mantém-se separado de V3-0324, V3.1 e V3.2, cujas atualizações acrescentam funcionalidades e perfis de pedidos próprios.
A sua arquitetura combina Multi-head Latent Attention com DeepSeekMoE. A atenção latente comprime informação usada pela atenção, enquanto a seleção esparsa de especialistas ativa apenas parte do modelo por token. V3 introduz também equilíbrio de carga sem perda auxiliar e um objetivo de treino de previsão de vários tokens. O pacote publicado do modelo inclui um módulo separado de previsão de vários tokens com 14 mil milhões de parâmetros, além do modelo principal de 671 mil milhões de parâmetros, o que explica por que razão os totais do pacote podem diferir da contagem arquitetural do modelo principal.
A DeepSeek pré-treina V3 com 14.8 biliões de tokens e usa depois afinação supervisionada e aprendizagem por reforço. O processo de pós-treino transporta padrões de verificação e reflexão da família R1 para uma resposta normal de modelo de linguagem, controlando o estilo e a extensão da saída. Esta é uma contribuição do treino, distinta da escolha do próprio R1 ou do template híbrido de pensamento posterior de V3.1. Prepare o formato de resposta final de que precisa, em vez de pressupor uma apresentação de raciocínio de outra edição.
A tabela de modelos do produtor indica um contexto de 128K tanto para V3 Base como para a edição V3 com pós-treino. Esse contexto pode reunir uma pergunta com uma quantidade considerável de documentos ou código, mas o histórico da conversa e a resposta também precisam de espaço. Identifique as fontes e a pergunta relevante. Uma janela de contexto é um limite de capacidade, não uma instrução para enviar material sem relação com a tarefa ou pedir uma resposta desnecessariamente longa.
Para uma tarefa prática de código, forneça a função relevante, o comportamento esperado, as restrições importantes e a entrada que demonstra o problema. Peça uma correção proposta e uma explicação ligada ao código fornecido. Para análise documental, apresente secções identificadas e critérios claros de comparação. Um pedido ilustrativo é: «Extraia os requisitos, identifique quais são contemplados por esta proposta e cite a passagem correspondente para cada conclusão. Termine com uma lista concisa dos pormenores em falta.»
As tarefas de escrita e edição beneficiam de um público, um tom e um conjunto de factos a manter explicitamente definidos. Peça um resumo, uma reescrita, uma tradução ou uma explicação e indique os nomes e a terminologia obrigatórios. Uma lista de campos solicitada ou uma resposta com estrutura JSON continua a precisar de revisão como conteúdo gerado; o nome do modelo, por si só, não qualifica o mecanismo de saída estruturada ou de execução de ferramentas de uma aplicação envolvente. Se uma aplicação fornecer ferramentas, mantenha cada observação devolvida distinta da ação proposta pelo modelo.
O fabricante publica material do modelo em FP8 e descreve outras opções de precisão ou execução na sua referência. Essas escolhas de implementação são separadas da tarefa ao nível da fonte e não devem ser inferidas a partir do nome de modelo apresentado. A saída do modelo pode ser código, mas gerar esse código não o executa; uma explicação de uma fonte não prova que tenha sido feita uma consulta externa. Use passagens reais das fontes e resultados observados da aplicação quando a resposta precisar dessas provas.
Para um resultado útil, defina o resultado final e as condições que determinam a sua conclusão. Mantenha separados os factos sustentados pelas fontes, os pressupostos e as alterações propostas; depois, reveja a resposta gerada à luz do material fornecido. Uma conversa mais longa pode aperfeiçoar uma parte do rascunho, preservando os factos e as restrições aprovados. A entrega é um texto ou código passível de revisão para a tarefa indicada, mantendo a identidade do V3 original em vez de tomar silenciosamente emprestados os controlos de uma edição posterior.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites deepseek/deepseek-chat | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.00064 / 1K tokens Saída · Tokens de saída $0.00178 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "deepseek/deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra deepseek-chat, deepseek/deepseek-chat
/chat/completions