DeepSeek V3.1 är DeepSeeks hybridtextmodell: samma namngivna utgåva stöder svar med och utan tänkande genom olika inställningar i chattmallen. Producenten framhåller förbättrad verktygsanvändning, agentuppgifter och resonemangseffektivitet jämfört med sin tidigare modell. Den tar emot skriftliga instruktioner och textkontext och genererar svar, kod eller innehåll för verktygsanrop. Den ursprungliga V3.1-identiteten är skild från Terminus, V3.2 och V4-familjen.
Modellkortet anger totalt 671 miljarder parametrar, 37 miljarder aktiva parametrar och en kontext på 128K för både grundutgåvan och den eftertränade utgåvan. V3.1 bygger på den ursprungliga V3-grundmodellen med utökad träning på långa dokument före efterträningen. Dess mixture-of-experts-struktur och latenta attention följer V3-arkitekturen. Dessa konstruktionsfakta förklarar textprofilen med lång kontext utan att göra kontexttalet till en separat specifikation för maximala utdata.
Läget utan tänkande förbereder ett direkt svar, medan tankeläget startar en resonemangsfas före svaret. Producentens mall använder en avslutande tankemarkör för direkta svar och en inledande tankemarkör för den aktuella resonemangsturen. I en flerturskonversation tas tidigare resonemangsinnehåll bort medan slutsvaren och den avslutande markören ligger kvar i kontexten. Detta är den ursprungliga V3.1-regeln för historik, skild från den senare V3.2-regeln som bevarar resonemang mellan verktygsrelaterade meddelanden.
Vanliga verktygsanrop dokumenteras i läget utan tänkande. Applikationen tillhandahåller funktionsnamn, beskrivningar och parameterscheman; modellen returnerar ett valt verktygsnamn och JSON-argument i producentens representation för verktygsanrop. Applikationen utför operationen och returnerar resultatet. Ge verktygen specifika syften och håll den returnerade observationen kopplad till anropet, så att modellens nästa steg har belägg i stället för ett antagande om att en åtgärd har skett.
Sökning i tankeläget använder ett separat specialiserat sökagentformat. DeepSeek dokumenterar ett sökverktyg som användaren tillhandahåller för frågor som kräver extern eller aktuell information, med upprepade anrop och observationer över flera turer. Sökningen ingår alltså i det omgivande arbetsflödet och är inget påstående om att ett textsvar självständigt har sökt på webben. Definiera frågan, källkriterierna och det slutliga svar som behövs innan sökuppgiften börjar.
För kodning lämnar du relevanta fragment eller filer, observerat beteende, förväntat beteende och begränsningar som ska bevaras. Ett illustrativt uppdrag är: ”Identifiera orsaken till detta fel för angivna indata, föreslå en fokuserad rättelse och förklara vilket villkor ändringen hanterar.” För en dokumentuppgift märker du källavsnitten och ber om en jämförelse mot uttryckliga krav. Kräv att slutsvaret skiljer en källstödd slutsats från en föreslagen nästa åtgärd.
Producenten tränar V3.1 med skalformatet UE8M0 FP8 för vikter och aktiveringar. De lokala rekommendationerna identifierar också precisionskänsliga parametrar som måste hanteras korrekt. Detta är egenskaper hos producentens publicerade referens, inte ett påstående om vilken precision eller implementation varje applikation använder. Ett derivat, en kvantiserad variant och den senare Terminus-kontrollpunkten är fortfarande separata val från den namngivna ursprungliga V3.1-utgåvan.
Förbered längre arbete med en tydlig fråga, källbeteckningar och en definierad slutleverans. Budgetera konversation, källtext, resonemang och utdata inom den dokumenterade kontexten och behåll bara relevant evidens när uppgiften växer. För en agent anger du tillåtna åtgärder och kriteriet för när resultatet är färdigt. Den användbara leveransen är ett granskningsbart textsvar, ett kodförslag eller en källstödd analys kopplad till indata och de observationer som applikationen faktiskt returnerade.
", "aboutText": "DeepSeek V3.1 är DeepSeeks hybridtextmodell: samma namngivna utgåva stöder svar med och utan tänkande genom olika inställningar i chattmallen. Producenten framhåller förbättrad verktygsanvändning, agentuppgifter och resonemangseffektivitet jämfört med sin tidigare modell. Den tar emot skriftliga instruktioner och textkontext och genererar svar, kod eller innehåll för verktygsanrop. Den ursprungliga V3.1-identiteten är skild från Terminus, V3.2 och V4-familjen.\n\nModellkortet anger totalt 671 miljarder parametrar, 37 miljarder aktiva parametrar och en kontext på 128K för både grundutgåvan och den eftertränade utgåvan. V3.1 bygger på den ursprungliga V3-grundmodellen med utökad träning på långa dokument före efterträningen. Dess mixture-of-experts-struktur och latenta attention följer V3-arkitekturen. Dessa konstruktionsfakta förklarar textprofilen med lång kontext utan att göra kontexttalet till en separat specifikation för maximala utdata.\n\nLäget utan tänkande förbereder ett direkt svar, medan tankeläget startar en resonemangsfas före svaret. Producentens mall använder en avslutande tankemarkör för direkta svar och en inledande tankemarkör för den aktuella resonemangsturen. I en flerturskonversation tas tidigare resonemangsinnehåll bort medan slutsvaren och den avslutande markören ligger kvar i kontexten. Detta är den ursprungliga V3.1-regeln för historik, skild från den senare V3.2-regeln som bevarar resonemang mellan verktygsrelaterade meddelanden.\n\nVanliga verktygsanrop dokumenteras i läget utan tänkande. Applikationen tillhandahåller funktionsnamn, beskrivningar och parameterscheman; modellen returnerar ett valt verktygsnamn och JSON-argument i producentens representation för verktygsanrop. Applikationen utför operationen och returnerar resultatet. Ge verktygen specifika syften och håll den returnerade observationen kopplad till anropet, så att modellens nästa steg har belägg i stället för ett antagande om att en åtgärd har skett.\n\nSökning i tankeläget använder ett separat specialiserat sökagentformat. DeepSeek dokumenterar ett sökverktyg som användaren tillhandahåller för frågor som kräver extern eller aktuell information, med upprepade anrop och observationer över flera turer. Sökningen ingår alltså i det omgivande arbetsflödet och är inget påstående om att ett textsvar självständigt har sökt på webben. Definiera frågan, källkriterierna och det slutliga svar som behövs innan sökuppgiften börjar.\n\nFör kodning lämnar du relevanta fragment eller filer, observerat beteende, förväntat beteende och begränsningar som ska bevaras. Ett illustrativt uppdrag är: ”Identifiera orsaken till detta fel för angivna indata, föreslå en fokuserad rättelse och förklara vilket villkor ändringen hanterar.” För en dokumentuppgift märker du källavsnitten och ber om en jämförelse mot uttryckliga krav. Kräv att slutsvaret skiljer en källstödd slutsats från en föreslagen nästa åtgärd.\n\nProducenten tränar V3.1 med skalformatet UE8M0 FP8 för vikter och aktiveringar. De lokala rekommendationerna identifierar också precisionskänsliga parametrar som måste hanteras korrekt. Detta är egenskaper hos producentens publicerade referens, inte ett påstående om vilken precision eller implementation varje applikation använder. Ett derivat, en kvantiserad variant och den senare Terminus-kontrollpunkten är fortfarande separata val från den namngivna ursprungliga V3.1-utgåvan.\n\nFörbered längre arbete med en tydlig fråga, källbeteckningar och en definierad slutleverans. Budgetera konversation, källtext, resonemang och utdata inom den dokumenterade kontexten och behåll bara relevant evidens när uppgiften växer. För en agent anger du tillåtna åtgärder och kriteriet för när resultatet är färdigt. Den användbara leveransen är ett granskningsbart textsvar, ett kodförslag eller en källstödd analys kopplad till indata och de observationer som applikationen faktiskt returnerade.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Fix a pagination boundary\n\nFind the bug in this Python pagination helper: def page(items, offset, limit): return items[offset:limit]. For items=[10,20,30,40,50], offset=2 and limit=2, the expected result is [30,40]. Return a focused patch and tests for a nonzero offset, an empty list and a page extending past the list end.A corrected function and three runnable unit-test examples with explicit expected results.Check that the slice endpoint is derived from offset plus limit and all three boundary cases preserve list slicing behavior.deepseek/deepseek-chat-v3.1DeepSeek V3.1 är en hybridtextmodell med tanke- och direktsvarslägen i samma utgåva. Dess kontext på 128K och förbättrade verktygsprofil stöder kodning, dokumentanalys och sökning som applikationen tillhandahåller, med text eller föreslagna verktygsanrop som resultat.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek V3.1 är DeepSeeks hybridtextmodell: samma namngivna utgåva stöder svar med och utan tänkande genom olika inställningar i chattmallen. Producenten framhåller förbättrad verktygsanvändning, agentuppgifter och resonemangseffektivitet jämfört med sin tidigare modell. Den tar emot skriftliga instruktioner och textkontext och genererar svar, kod eller innehåll för verktygsanrop. Den ursprungliga V3.1-identiteten är skild från Terminus, V3.2 och V4-familjen.
Modellkortet anger totalt 671 miljarder parametrar, 37 miljarder aktiva parametrar och en kontext på 128K för både grundutgåvan och den eftertränade utgåvan. V3.1 bygger på den ursprungliga V3-grundmodellen med utökad träning på långa dokument före efterträningen. Dess mixture-of-experts-struktur och latenta attention följer V3-arkitekturen. Dessa konstruktionsfakta förklarar textprofilen med lång kontext utan att göra kontexttalet till en separat specifikation för maximala utdata.
Läget utan tänkande förbereder ett direkt svar, medan tankeläget startar en resonemangsfas före svaret. Producentens mall använder en avslutande tankemarkör för direkta svar och en inledande tankemarkör för den aktuella resonemangsturen. I en flerturskonversation tas tidigare resonemangsinnehåll bort medan slutsvaren och den avslutande markören ligger kvar i kontexten. Detta är den ursprungliga V3.1-regeln för historik, skild från den senare V3.2-regeln som bevarar resonemang mellan verktygsrelaterade meddelanden.
Vanliga verktygsanrop dokumenteras i läget utan tänkande. Applikationen tillhandahåller funktionsnamn, beskrivningar och parameterscheman; modellen returnerar ett valt verktygsnamn och JSON-argument i producentens representation för verktygsanrop. Applikationen utför operationen och returnerar resultatet. Ge verktygen specifika syften och håll den returnerade observationen kopplad till anropet, så att modellens nästa steg har belägg i stället för ett antagande om att en åtgärd har skett.
Sökning i tankeläget använder ett separat specialiserat sökagentformat. DeepSeek dokumenterar ett sökverktyg som användaren tillhandahåller för frågor som kräver extern eller aktuell information, med upprepade anrop och observationer över flera turer. Sökningen ingår alltså i det omgivande arbetsflödet och är inget påstående om att ett textsvar självständigt har sökt på webben. Definiera frågan, källkriterierna och det slutliga svar som behövs innan sökuppgiften börjar.
För kodning lämnar du relevanta fragment eller filer, observerat beteende, förväntat beteende och begränsningar som ska bevaras. Ett illustrativt uppdrag är: ”Identifiera orsaken till detta fel för angivna indata, föreslå en fokuserad rättelse och förklara vilket villkor ändringen hanterar.” För en dokumentuppgift märker du källavsnitten och ber om en jämförelse mot uttryckliga krav. Kräv att slutsvaret skiljer en källstödd slutsats från en föreslagen nästa åtgärd.
Producenten tränar V3.1 med skalformatet UE8M0 FP8 för vikter och aktiveringar. De lokala rekommendationerna identifierar också precisionskänsliga parametrar som måste hanteras korrekt. Detta är egenskaper hos producentens publicerade referens, inte ett påstående om vilken precision eller implementation varje applikation använder. Ett derivat, en kvantiserad variant och den senare Terminus-kontrollpunkten är fortfarande separata val från den namngivna ursprungliga V3.1-utgåvan.
Förbered längre arbete med en tydlig fråga, källbeteckningar och en definierad slutleverans. Budgetera konversation, källtext, resonemang och utdata inom den dokumenterade kontexten och behåll bara relevant evidens när uppgiften växer. För en agent anger du tillåtna åtgärder och kriteriet för när resultatet är färdigt. Den användbara leveransen är ett granskningsbart textsvar, ett kodförslag eller en källstödd analys kopplad till indata och de observationer som applikationen faktiskt returnerade.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek/deepseek-chat-v3.1 | 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 function 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— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.000572 / 1K token Utdata · Utdatatoken $0.0023 / 1K token Indata · Cacheläsning $0.00026 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.000572 / 1K token Utdata · Utdatatoken $0.0023 / 1K token Indata · Cacheläsning $0.00026 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek/deepseek-chat-v3.1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\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-v3.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\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"))\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/deepseek-chat-v3.1',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 Ultra deepseek/deepseek-chat-v3.1
Använd metodsökvägarna som visas ovan.
deepseek/deepseek-chat-v3.1DeepSeek V3.1 är en hybridtextmodell med tanke- och direktsvarslägen i samma utgåva. Dess kontext på 128K och förbättrade verktygsprofil stöder kodning, dokumentanalys och sökning som applikationen tillhandahåller, med text eller föreslagna verktygsanrop som resultat.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek V3.1 är DeepSeeks hybridtextmodell: samma namngivna utgåva stöder svar med och utan tänkande genom olika inställningar i chattmallen. Producenten framhåller förbättrad verktygsanvändning, agentuppgifter och resonemangseffektivitet jämfört med sin tidigare modell. Den tar emot skriftliga instruktioner och textkontext och genererar svar, kod eller innehåll för verktygsanrop. Den ursprungliga V3.1-identiteten är skild från Terminus, V3.2 och V4-familjen.
Modellkortet anger totalt 671 miljarder parametrar, 37 miljarder aktiva parametrar och en kontext på 128K för både grundutgåvan och den eftertränade utgåvan. V3.1 bygger på den ursprungliga V3-grundmodellen med utökad träning på långa dokument före efterträningen. Dess mixture-of-experts-struktur och latenta attention följer V3-arkitekturen. Dessa konstruktionsfakta förklarar textprofilen med lång kontext utan att göra kontexttalet till en separat specifikation för maximala utdata.
Läget utan tänkande förbereder ett direkt svar, medan tankeläget startar en resonemangsfas före svaret. Producentens mall använder en avslutande tankemarkör för direkta svar och en inledande tankemarkör för den aktuella resonemangsturen. I en flerturskonversation tas tidigare resonemangsinnehåll bort medan slutsvaren och den avslutande markören ligger kvar i kontexten. Detta är den ursprungliga V3.1-regeln för historik, skild från den senare V3.2-regeln som bevarar resonemang mellan verktygsrelaterade meddelanden.
Vanliga verktygsanrop dokumenteras i läget utan tänkande. Applikationen tillhandahåller funktionsnamn, beskrivningar och parameterscheman; modellen returnerar ett valt verktygsnamn och JSON-argument i producentens representation för verktygsanrop. Applikationen utför operationen och returnerar resultatet. Ge verktygen specifika syften och håll den returnerade observationen kopplad till anropet, så att modellens nästa steg har belägg i stället för ett antagande om att en åtgärd har skett.
Sökning i tankeläget använder ett separat specialiserat sökagentformat. DeepSeek dokumenterar ett sökverktyg som användaren tillhandahåller för frågor som kräver extern eller aktuell information, med upprepade anrop och observationer över flera turer. Sökningen ingår alltså i det omgivande arbetsflödet och är inget påstående om att ett textsvar självständigt har sökt på webben. Definiera frågan, källkriterierna och det slutliga svar som behövs innan sökuppgiften börjar.
För kodning lämnar du relevanta fragment eller filer, observerat beteende, förväntat beteende och begränsningar som ska bevaras. Ett illustrativt uppdrag är: ”Identifiera orsaken till detta fel för angivna indata, föreslå en fokuserad rättelse och förklara vilket villkor ändringen hanterar.” För en dokumentuppgift märker du källavsnitten och ber om en jämförelse mot uttryckliga krav. Kräv att slutsvaret skiljer en källstödd slutsats från en föreslagen nästa åtgärd.
Producenten tränar V3.1 med skalformatet UE8M0 FP8 för vikter och aktiveringar. De lokala rekommendationerna identifierar också precisionskänsliga parametrar som måste hanteras korrekt. Detta är egenskaper hos producentens publicerade referens, inte ett påstående om vilken precision eller implementation varje applikation använder. Ett derivat, en kvantiserad variant och den senare Terminus-kontrollpunkten är fortfarande separata val från den namngivna ursprungliga V3.1-utgåvan.
Förbered längre arbete med en tydlig fråga, källbeteckningar och en definierad slutleverans. Budgetera konversation, källtext, resonemang och utdata inom den dokumenterade kontexten och behåll bara relevant evidens när uppgiften växer. För en agent anger du tillåtna åtgärder och kriteriet för när resultatet är färdigt. Den användbara leveransen är ett granskningsbart textsvar, ett kodförslag eller en källstödd analys kopplad till indata och de observationer som applikationen faktiskt returnerade.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek/deepseek-chat-v3.1 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.000572 / 1K token Utdata · Utdatatoken $0.0023 / 1K token Indata · Cacheläsning $0.00026 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.000572 / 1K token Utdata · Utdatatoken $0.0023 / 1K token Indata · Cacheläsning $0.00026 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "deepseek/deepseek-chat-v3.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-v3.1', '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-v3.1', '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 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 Ultra deepseek/deepseek-chat-v3.1
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Fix a pagination boundary\n\nFind the bug in this Python pagination helper: def page(items, offset, limit): return items[offset:limit]. For items=[10,20,30,40,50], offset=2 and limit=2, the expected result is [30,40]. Return a focused patch and tests for a nonzero offset, an empty list and a page extending past the list end.A corrected function and three runnable unit-test examples with explicit expected results.Check that the slice endpoint is derived from offset plus limit and all three boundary cases preserve list slicing behavior.