DeepSeek V4.1 Flash är multimodal från grunden: en visuell encoder omvandlar bilden till en representation som bearbetas tillsammans med texten. Resultatet är text. Visuell förståelse, programmering och agentuppgifter finns tillgängliga. Kontexten når upp till en miljon token.
Huvudnätet har 552 miljarder parametrar. Den kausala encodern och decodern har 20 lager vardera. Vid bearbetning av indata är 8 miljarder parametrar aktiva per token, vid generering 16 miljarder. Uppdelningen är utformad för uppgifter där indatamaterialet är betydligt större än svaret.
Komprimerad gles uppmärksamhet återanvänder data mellan lager och begränsar upprepad sökning efter viktiga delar av kontexten. Saknade tillstånd för lokal uppmärksamhet återskapas från det senaste avsnittet. Det villkorade minnet Engram har 196 miljarder parametrar och hämtar poster genom gles tokenbaserad sökning. Detta är ett separat minnesblock, inte ett nytt mått på huvudnätets storlek. Varje expertlager har en gemensam expert och 384 routade experter. Sex routade experter väljs för en token. Dessutom används ändrade kopplingar mellan lager och DSpark för spekulativ avkodning.
Modellen har tränats från grunden på en multimodal korpus med 45 biljoner token. Den efterföljande träningen följer ordningen exempelbaserad träning, förstärkningsinlärning och sedan destillation på modellens egna sekvenser.
DeepSeek skalar upp data från syntetiska uppgifter, arbetsmiljöer och agenternas handlingsförlopp. Under träningen kopplas uppgiften, den tillgängliga miljön och sättet att kontrollera resultatet samman. Data filtreras, rensas från dubbletter och väljs efter svårighetsgrad. Detta beskriver träningens upplägg, inte automatisk tillgång till externa verktyg vid modellanrop.
Resonemang regleras med ett heltal från 1 till 100. Den kontinuerliga skalan anger analysinsatsen. Djupa resonemang kan kräva mer tid och fler token.
Modellformatet erbjuder dialog över flera turer, verktygsanrop, bevarade resonemang och växling mellan text och bilder. Verktygen utförs av applikationen. Resultaten blir material för nästa steg.
Svaret förblir text. Visuell förmåga kräver en motsvarande indatametod. Kontextstorleken och den rekommenderade genereringslängden anger ingen universell maximal svarsstorlek.
", "aboutText": "### Gemensam bearbetning av text och bilder\n\nDeepSeek V4.1 Flash är multimodal från grunden: en visuell encoder omvandlar bilden till en representation som bearbetas tillsammans med texten. Resultatet är text. Visuell förståelse, programmering och agentuppgifter finns tillgängliga. Kontexten når upp till en miljon token.\n\n### Arkitektur för stor indata\n\nHuvudnätet har 552 miljarder parametrar. Den kausala encodern och decodern har 20 lager vardera. Vid bearbetning av indata är 8 miljarder parametrar aktiva per token, vid generering 16 miljarder. Uppdelningen är utformad för uppgifter där indatamaterialet är betydligt större än svaret.\n\nKomprimerad gles uppmärksamhet återanvänder data mellan lager och begränsar upprepad sökning efter viktiga delar av kontexten. Saknade tillstånd för lokal uppmärksamhet återskapas från det senaste avsnittet. Det villkorade minnet Engram har 196 miljarder parametrar och hämtar poster genom gles tokenbaserad sökning. Detta är ett separat minnesblock, inte ett nytt mått på huvudnätets storlek. Varje expertlager har en gemensam expert och 384 routade experter. Sex routade experter väljs för en token. Dessutom används ändrade kopplingar mellan lager och DSpark för spekulativ avkodning.\n\n### Träning och agentmiljöer\n\nModellen har tränats från grunden på en multimodal korpus med 45 biljoner token. Den efterföljande träningen följer ordningen exempelbaserad träning, förstärkningsinlärning och sedan destillation på modellens egna sekvenser.\n\nDeepSeek skalar upp data från syntetiska uppgifter, arbetsmiljöer och agenternas handlingsförlopp. Under träningen kopplas uppgiften, den tillgängliga miljön och sättet att kontrollera resultatet samman. Data filtreras, rensas från dubbletter och väljs efter svårighetsgrad. Detta beskriver träningens upplägg, inte automatisk tillgång till externa verktyg vid modellanrop.\n\n### Styrbart analysdjup\n\nResonemang regleras med ett heltal från 1 till 100. Den kontinuerliga skalan anger analysinsatsen. Djupa resonemang kan kräva mer tid och fler token.\n\n### Fortsatt dialog och åtgärder\n\nModellformatet erbjuder dialog över flera turer, verktygsanrop, bevarade resonemang och växling mellan text och bilder. Verktygen utförs av applikationen. Resultaten blir material för nästa steg.\n\nSvaret förblir text. Visuell förmåga kräver en motsvarande indatametod. Kontextstorleken och den rekommenderade genereringslängden anger ingen universell maximal svarsstorlek.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Trace a data-loss bug from a text log\n\nUse this log and code sketch to identify the likely lost-update mechanism: A reads stock=5; B reads stock=5; A writes 4; B writes 4. Both requests call read(), subtract one, then write(). Explain the failure, propose one atomic update strategy and a concurrent test. Do not assume a specific database or execute anything.A causal diagnosis, database-neutral pseudocode for an atomic decrement and a concurrent-test scenario with the expected final count.The test expects stock 3 after two successful decrements from 5, with a stated insufficient-stock rule.deepseek-ai/deepseek-v4.1-flashDeepSeek V4.1 Flash är en multimodal modell för analys av text och bilder, programmering och agentarbete med lång kontext.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek V4.1 Flash är multimodal från grunden: en visuell encoder omvandlar bilden till en representation som bearbetas tillsammans med texten. Resultatet är text. Visuell förståelse, programmering och agentuppgifter finns tillgängliga. Kontexten når upp till en miljon token.
Huvudnätet har 552 miljarder parametrar. Den kausala encodern och decodern har 20 lager vardera. Vid bearbetning av indata är 8 miljarder parametrar aktiva per token, vid generering 16 miljarder. Uppdelningen är utformad för uppgifter där indatamaterialet är betydligt större än svaret.
Komprimerad gles uppmärksamhet återanvänder data mellan lager och begränsar upprepad sökning efter viktiga delar av kontexten. Saknade tillstånd för lokal uppmärksamhet återskapas från det senaste avsnittet. Det villkorade minnet Engram har 196 miljarder parametrar och hämtar poster genom gles tokenbaserad sökning. Detta är ett separat minnesblock, inte ett nytt mått på huvudnätets storlek. Varje expertlager har en gemensam expert och 384 routade experter. Sex routade experter väljs för en token. Dessutom används ändrade kopplingar mellan lager och DSpark för spekulativ avkodning.
Modellen har tränats från grunden på en multimodal korpus med 45 biljoner token. Den efterföljande träningen följer ordningen exempelbaserad träning, förstärkningsinlärning och sedan destillation på modellens egna sekvenser.
DeepSeek skalar upp data från syntetiska uppgifter, arbetsmiljöer och agenternas handlingsförlopp. Under träningen kopplas uppgiften, den tillgängliga miljön och sättet att kontrollera resultatet samman. Data filtreras, rensas från dubbletter och väljs efter svårighetsgrad. Detta beskriver träningens upplägg, inte automatisk tillgång till externa verktyg vid modellanrop.
Resonemang regleras med ett heltal från 1 till 100. Den kontinuerliga skalan anger analysinsatsen. Djupa resonemang kan kräva mer tid och fler token.
Modellformatet erbjuder dialog över flera turer, verktygsanrop, bevarade resonemang och växling mellan text och bilder. Verktygen utförs av applikationen. Resultaten blir material för nästa steg.
Svaret förblir text. Visuell förmåga kräver en motsvarande indatametod. Kontextstorleken och den rekommenderade genereringslängden anger ingen universell maximal svarsstorlek.
POST /v1/messagestexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek-ai/deepseek-v4.1-flash | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring|content_block[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältsystem | Typstring|content_block[] | KravValfritt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser Minimum: 1 Gränsen gäller för: den exakta gränsen för den valda modellen/det valda kortet | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop_sequences | Typstring[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typtool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].name | Typstring | KravValfritt | Värden & gränser Gäller när: verktyg har tillhandahållits | Standard— |
Fälttools[].description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].input_schema | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältthinking.type | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältthinking.budget_tokens | Typinteger | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältoutput_config.effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmetadata | Typobject | KravValfritt | Värden & gränser | Standard— |
Fältcache_control | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Text · UTF8-text
messages[].content eller ett type=text-block
| Parameter | Avtal |
|---|---|
Parametermaterial_types | Avtaltext |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalnull |
Parametercontent_type | Avtalapplication/json |
Parametertext_file_material | Avtalfaktiskt UTF-8-innehåll infogat som text; fil-ID:n/URLs kräver separat, exakt definierat stöd |
Livscykel: exact retained published method
Metodernas strukturer och ID:n är exakta; leverantörens funktioner är åtskilda från att begäran tillåts.
POST /v1/messagesAiloot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-ai/deepseek-v4.1-flash", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="deepseek-ai/deepseek-v4.1-flash",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "deepseek-ai/deepseek-v4.1-flash",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=anthropic.Anthropic(base_url="https://api.ailoot.ai",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\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\nwith client.messages.stream(model='deepseek-ai/deepseek-v4.1-flash',max_tokens=1024,messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_message()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot deepseek-ai/deepseek-v4.1-flash
Använd metodsökvägarna som visas ovan.
deepseek-ai/deepseek-v4.1-flashDeepSeek V4.1 Flash är en multimodal modell för analys av text och bilder, programmering och agentarbete med lång kontext.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek V4.1 Flash är multimodal från grunden: en visuell encoder omvandlar bilden till en representation som bearbetas tillsammans med texten. Resultatet är text. Visuell förståelse, programmering och agentuppgifter finns tillgängliga. Kontexten når upp till en miljon token.
Huvudnätet har 552 miljarder parametrar. Den kausala encodern och decodern har 20 lager vardera. Vid bearbetning av indata är 8 miljarder parametrar aktiva per token, vid generering 16 miljarder. Uppdelningen är utformad för uppgifter där indatamaterialet är betydligt större än svaret.
Komprimerad gles uppmärksamhet återanvänder data mellan lager och begränsar upprepad sökning efter viktiga delar av kontexten. Saknade tillstånd för lokal uppmärksamhet återskapas från det senaste avsnittet. Det villkorade minnet Engram har 196 miljarder parametrar och hämtar poster genom gles tokenbaserad sökning. Detta är ett separat minnesblock, inte ett nytt mått på huvudnätets storlek. Varje expertlager har en gemensam expert och 384 routade experter. Sex routade experter väljs för en token. Dessutom används ändrade kopplingar mellan lager och DSpark för spekulativ avkodning.
Modellen har tränats från grunden på en multimodal korpus med 45 biljoner token. Den efterföljande träningen följer ordningen exempelbaserad träning, förstärkningsinlärning och sedan destillation på modellens egna sekvenser.
DeepSeek skalar upp data från syntetiska uppgifter, arbetsmiljöer och agenternas handlingsförlopp. Under träningen kopplas uppgiften, den tillgängliga miljön och sättet att kontrollera resultatet samman. Data filtreras, rensas från dubbletter och väljs efter svårighetsgrad. Detta beskriver träningens upplägg, inte automatisk tillgång till externa verktyg vid modellanrop.
Resonemang regleras med ett heltal från 1 till 100. Den kontinuerliga skalan anger analysinsatsen. Djupa resonemang kan kräva mer tid och fler token.
Modellformatet erbjuder dialog över flera turer, verktygsanrop, bevarade resonemang och växling mellan text och bilder. Verktygen utförs av applikationen. Resultaten blir material för nästa steg.
Svaret förblir text. Visuell förmåga kräver en motsvarande indatametod. Kontextstorleken och den rekommenderade genereringslängden anger ingen universell maximal svarsstorlek.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek-ai/deepseek-v4.1-flash | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametermaterial_types | Avtaltext |
Parameterrequired | Avtalmodel, messages |
Parameteroptional_controls | Avtalnull |
Parametercontent_type | Avtalapplication/json |
Parametertext_file_material | Avtalfaktiskt UTF-8-innehåll infogat som text; fil-ID:n/URLs kräver separat, exakt definierat stöd |
Livscykel: exact retained published method
Metodernas strukturer och ID:n är exakta; leverantörens funktioner är åtskilda från att begäran tillåts.
POST /v1/chat/completionsAiloot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-ai/deepseek-v4.1-flash", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="deepseek-ai/deepseek-v4.1-flash",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "deepseek-ai/deepseek-v4.1-flash",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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)\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\nwith client.chat.completions.stream(model='deepseek-ai/deepseek-v4.1-flash',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot deepseek-ai/deepseek-v4.1-flash
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Trace a data-loss bug from a text log\n\nUse this log and code sketch to identify the likely lost-update mechanism: A reads stock=5; B reads stock=5; A writes 4; B writes 4. Both requests call read(), subtract one, then write(). Explain the failure, propose one atomic update strategy and a concurrent test. Do not assume a specific database or execute anything.A causal diagnosis, database-neutral pseudocode for an atomic decrement and a concurrent-test scenario with the expected final count.The test expects stock 3 after two successful decrements from 5, with a stated insufficient-stock rule.