DeepSeek V3 är DeepSeeks ursprungliga mixture-of-experts-textmodell för allmänna språk-, kodnings- och resonemangsuppgifter. Den tar emot skriftliga instruktioner och textkontext och returnerar ett svar, ett utkast, en förklaring eller kod. Modellkortet anger totalt 671 miljarder parametrar i huvudmodellen, varav 37 miljarder är aktiva för varje token. Den namngivna ursprungliga V3 förblir skild från V3-0324, V3.1 och V3.2, vars uppdateringar tillför egna funktioner och promptprofiler.
Arkitekturen kombinerar Multi-head Latent Attention med DeepSeekMoE. Latent attention komprimerar information som används av attention, medan ett glest experturval bara aktiverar en del av modellen för varje token. V3 introducerar också lastbalansering utan hjälpförlust och ett träningsmål för prediktion av flera token. Det publicerade modellpaketet innehåller en separat modul för prediktion av flera token på 14 miljarder parametrar, utöver huvudmodellen på 671 miljarder parametrar, vilket förklarar varför paketets total kan skilja sig från antalet i huvudmodellens arkitektur.
DeepSeek förtränar V3 på 14,8 biljoner token och använder sedan övervakad finjustering och förstärkningsinlärning. Efterträningen för in verifierings- och reflektionsmönster från R1-familjen i ett vanligt språkmodellsvar samtidigt som utdatas stil och längd styrs. Detta är ett bidrag från träningen, skilt från att välja själva R1 eller den senare hybrida tankemallen i V3.1. Förbered det format på slutsvaret som du behöver i stället för att anta en viss resonemangspresentation utifrån en annan utgåva.
Producentens modelltabell anger en kontext på 128K för både V3 Base och den eftertränade V3-utgåvan. Kontexten kan förena en fråga med omfattande dokument- eller kodmaterial, samtidigt som konversationshistoriken och svaret också behöver plats. Märk källorna och identifiera den relevanta frågan. Ett kontextfönster är en kapacitetsgräns, inte en instruktion att lämna ovidkommande material eller be om ett onödigt långt svar.
För en praktisk koduppgift lämnar du den relevanta funktionen, det förväntade beteendet, viktiga begränsningar och de indata som demonstrerar problemet. Be om en föreslagen rättelse och en förklaring kopplad till den tillförda koden. För dokumentanalys lämnar du namngivna avsnitt och tydliga jämförelsekriterier. Ett illustrativt uppdrag är: ”Extrahera kraven, identifiera vilka som hanteras av detta förslag och citera motsvarande avsnitt för varje fynd. Avsluta med en kortfattad lista över saknade detaljer.”
Skriv- och redigeringsuppgifter gynnas av en uttrycklig målgrupp, ton och uppsättning fakta som måste behållas. Be om en sammanfattning, omskrivning, översättning eller förklaring och ange obligatoriska namn och termer. En begärd fältlista eller ett svar i JSON-form är fortfarande genererat innehåll som ska granskas; modellnamnet i sig kvalificerar inte den omgivande applikationens mekanism för strukturerade utdata eller verktygskörning. Om applikationen tillhandahåller verktyg håller du varje returnerad observation åtskild från den åtgärd som modellen föreslog.
Tillverkaren publicerar FP8-modellmaterial och beskriver andra precisions- och köralternativ i sin referens. Dessa implementationsval är skilda från uppgiften på källnivå och bör inte härledas ur det visade modellnamnet. Modellens utdata kan vara kod, men att generera koden innebär inte att köra den; en förklaring av en källa bevisar inte att en extern sökning har utförts. Använd faktiska källavsnitt och observerade applikationsresultat när svaret behöver sådana belägg.
För ett användbart resultat definierar du slutleveransen och villkoren för när den är fullständig. Håll källstödda fynd, antaganden och föreslagna ändringar åtskilda och granska sedan det genererade svaret mot det tillförda materialet. En längre konversation kan förfina en del av utkastet samtidigt som godkända fakta och begränsningar bevaras. Leveransen är en granskningsbar text eller kod för den angivna uppgiften, med den ursprungliga V3-identiteten bevarad utan att tyst låna reglage från en senare utgåva.
", "aboutText": "DeepSeek V3 är DeepSeeks ursprungliga mixture-of-experts-textmodell för allmänna språk-, kodnings- och resonemangsuppgifter. Den tar emot skriftliga instruktioner och textkontext och returnerar ett svar, ett utkast, en förklaring eller kod. Modellkortet anger totalt 671 miljarder parametrar i huvudmodellen, varav 37 miljarder är aktiva för varje token. Den namngivna ursprungliga V3 förblir skild från V3-0324, V3.1 och V3.2, vars uppdateringar tillför egna funktioner och promptprofiler.\n\nArkitekturen kombinerar Multi-head Latent Attention med DeepSeekMoE. Latent attention komprimerar information som används av attention, medan ett glest experturval bara aktiverar en del av modellen för varje token. V3 introducerar också lastbalansering utan hjälpförlust och ett träningsmål för prediktion av flera token. Det publicerade modellpaketet innehåller en separat modul för prediktion av flera token på 14 miljarder parametrar, utöver huvudmodellen på 671 miljarder parametrar, vilket förklarar varför paketets total kan skilja sig från antalet i huvudmodellens arkitektur.\n\nDeepSeek förtränar V3 på 14,8 biljoner token och använder sedan övervakad finjustering och förstärkningsinlärning. Efterträningen för in verifierings- och reflektionsmönster från R1-familjen i ett vanligt språkmodellsvar samtidigt som utdatas stil och längd styrs. Detta är ett bidrag från träningen, skilt från att välja själva R1 eller den senare hybrida tankemallen i V3.1. Förbered det format på slutsvaret som du behöver i stället för att anta en viss resonemangspresentation utifrån en annan utgåva.\n\nProducentens modelltabell anger en kontext på 128K för både V3 Base och den eftertränade V3-utgåvan. Kontexten kan förena en fråga med omfattande dokument- eller kodmaterial, samtidigt som konversationshistoriken och svaret också behöver plats. Märk källorna och identifiera den relevanta frågan. Ett kontextfönster är en kapacitetsgräns, inte en instruktion att lämna ovidkommande material eller be om ett onödigt långt svar.\n\nFör en praktisk koduppgift lämnar du den relevanta funktionen, det förväntade beteendet, viktiga begränsningar och de indata som demonstrerar problemet. Be om en föreslagen rättelse och en förklaring kopplad till den tillförda koden. För dokumentanalys lämnar du namngivna avsnitt och tydliga jämförelsekriterier. Ett illustrativt uppdrag är: ”Extrahera kraven, identifiera vilka som hanteras av detta förslag och citera motsvarande avsnitt för varje fynd. Avsluta med en kortfattad lista över saknade detaljer.”\n\nSkriv- och redigeringsuppgifter gynnas av en uttrycklig målgrupp, ton och uppsättning fakta som måste behållas. Be om en sammanfattning, omskrivning, översättning eller förklaring och ange obligatoriska namn och termer. En begärd fältlista eller ett svar i JSON-form är fortfarande genererat innehåll som ska granskas; modellnamnet i sig kvalificerar inte den omgivande applikationens mekanism för strukturerade utdata eller verktygskörning. Om applikationen tillhandahåller verktyg håller du varje returnerad observation åtskild från den åtgärd som modellen föreslog.\n\nTillverkaren publicerar FP8-modellmaterial och beskriver andra precisions- och köralternativ i sin referens. Dessa implementationsval är skilda från uppgiften på källnivå och bör inte härledas ur det visade modellnamnet. Modellens utdata kan vara kod, men att generera koden innebär inte att köra den; en förklaring av en källa bevisar inte att en extern sökning har utförts. Använd faktiska källavsnitt och observerade applikationsresultat när svaret behöver sådana belägg.\n\nFör ett användbart resultat definierar du slutleveransen och villkoren för när den är fullständig. Håll källstödda fynd, antaganden och föreslagna ändringar åtskilda och granska sedan det genererade svaret mot det tillförda materialet. En längre konversation kan förfina en del av utkastet samtidigt som godkända fakta och begränsningar bevaras. Leveransen är en granskningsbar text eller kod för den angivna uppgiften, med den ursprungliga V3-identiteten bevarad utan att tyst låna reglage från en senare utgåva.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7987ed7471e34dd68adac432db0c80e7823b4db9e66752b7d04f5dbf9e55ed76", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "deepseek-chatDeepSeek V3 är DeepSeeks ursprungliga textmodell för kodning, skrivande, frågor och källbaserad analys. Dess mixture-of-experts-arkitektur har totalt 671B och 37B aktiva parametrar, med en kontext på 128K och efterträning som införlivar resonemangsmönster från R1.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek V3 är DeepSeeks ursprungliga mixture-of-experts-textmodell för allmänna språk-, kodnings- och resonemangsuppgifter. Den tar emot skriftliga instruktioner och textkontext och returnerar ett svar, ett utkast, en förklaring eller kod. Modellkortet anger totalt 671 miljarder parametrar i huvudmodellen, varav 37 miljarder är aktiva för varje token. Den namngivna ursprungliga V3 förblir skild från V3-0324, V3.1 och V3.2, vars uppdateringar tillför egna funktioner och promptprofiler.
Arkitekturen kombinerar Multi-head Latent Attention med DeepSeekMoE. Latent attention komprimerar information som används av attention, medan ett glest experturval bara aktiverar en del av modellen för varje token. V3 introducerar också lastbalansering utan hjälpförlust och ett träningsmål för prediktion av flera token. Det publicerade modellpaketet innehåller en separat modul för prediktion av flera token på 14 miljarder parametrar, utöver huvudmodellen på 671 miljarder parametrar, vilket förklarar varför paketets total kan skilja sig från antalet i huvudmodellens arkitektur.
DeepSeek förtränar V3 på 14,8 biljoner token och använder sedan övervakad finjustering och förstärkningsinlärning. Efterträningen för in verifierings- och reflektionsmönster från R1-familjen i ett vanligt språkmodellsvar samtidigt som utdatas stil och längd styrs. Detta är ett bidrag från träningen, skilt från att välja själva R1 eller den senare hybrida tankemallen i V3.1. Förbered det format på slutsvaret som du behöver i stället för att anta en viss resonemangspresentation utifrån en annan utgåva.
Producentens modelltabell anger en kontext på 128K för både V3 Base och den eftertränade V3-utgåvan. Kontexten kan förena en fråga med omfattande dokument- eller kodmaterial, samtidigt som konversationshistoriken och svaret också behöver plats. Märk källorna och identifiera den relevanta frågan. Ett kontextfönster är en kapacitetsgräns, inte en instruktion att lämna ovidkommande material eller be om ett onödigt långt svar.
För en praktisk koduppgift lämnar du den relevanta funktionen, det förväntade beteendet, viktiga begränsningar och de indata som demonstrerar problemet. Be om en föreslagen rättelse och en förklaring kopplad till den tillförda koden. För dokumentanalys lämnar du namngivna avsnitt och tydliga jämförelsekriterier. Ett illustrativt uppdrag är: ”Extrahera kraven, identifiera vilka som hanteras av detta förslag och citera motsvarande avsnitt för varje fynd. Avsluta med en kortfattad lista över saknade detaljer.”
Skriv- och redigeringsuppgifter gynnas av en uttrycklig målgrupp, ton och uppsättning fakta som måste behållas. Be om en sammanfattning, omskrivning, översättning eller förklaring och ange obligatoriska namn och termer. En begärd fältlista eller ett svar i JSON-form är fortfarande genererat innehåll som ska granskas; modellnamnet i sig kvalificerar inte den omgivande applikationens mekanism för strukturerade utdata eller verktygskörning. Om applikationen tillhandahåller verktyg håller du varje returnerad observation åtskild från den åtgärd som modellen föreslog.
Tillverkaren publicerar FP8-modellmaterial och beskriver andra precisions- och köralternativ i sin referens. Dessa implementationsval är skilda från uppgiften på källnivå och bör inte härledas ur det visade modellnamnet. Modellens utdata kan vara kod, men att generera koden innebär inte att köra den; en förklaring av en källa bevisar inte att en extern sökning har utförts. Använd faktiska källavsnitt och observerade applikationsresultat när svaret behöver sådana belägg.
För ett användbart resultat definierar du slutleveransen och villkoren för när den är fullständig. Håll källstödda fynd, antaganden och föreslagna ändringar åtskilda och granska sedan det genererade svaret mot det tillförda materialet. En längre konversation kan förfina en del av utkastet samtidigt som godkända fakta och begränsningar bevaras. Leveransen är en granskningsbar text eller kod för den angivna uppgiften, med den ursprungliga V3-identiteten bevarad utan att tyst låna reglage från en senare utgåva.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek-chat | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Beror på modellen | Standard— |
Fältmessages[].content | Typstring | KravValfritt | Värden & gränser Gäller när: Textsamtal | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
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 |
Parametercontrol_scope | AvtalTextsamtal; stream är ett booleskt värde och har false som standard. |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Metodalias: /chat/completions
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.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00064 / 1K token Utdata · Utdatatoken $0.00178 / 1K token Indata · Cacheläsning $0 / 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-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 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-chat, deepseek/deepseek-chat
/chat/completions
deepseek-chatDeepSeek V3 är DeepSeeks ursprungliga textmodell för kodning, skrivande, frågor och källbaserad analys. Dess mixture-of-experts-arkitektur har totalt 671B och 37B aktiva parametrar, med en kontext på 128K och efterträning som införlivar resonemangsmönster från R1.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek V3 är DeepSeeks ursprungliga mixture-of-experts-textmodell för allmänna språk-, kodnings- och resonemangsuppgifter. Den tar emot skriftliga instruktioner och textkontext och returnerar ett svar, ett utkast, en förklaring eller kod. Modellkortet anger totalt 671 miljarder parametrar i huvudmodellen, varav 37 miljarder är aktiva för varje token. Den namngivna ursprungliga V3 förblir skild från V3-0324, V3.1 och V3.2, vars uppdateringar tillför egna funktioner och promptprofiler.
Arkitekturen kombinerar Multi-head Latent Attention med DeepSeekMoE. Latent attention komprimerar information som används av attention, medan ett glest experturval bara aktiverar en del av modellen för varje token. V3 introducerar också lastbalansering utan hjälpförlust och ett träningsmål för prediktion av flera token. Det publicerade modellpaketet innehåller en separat modul för prediktion av flera token på 14 miljarder parametrar, utöver huvudmodellen på 671 miljarder parametrar, vilket förklarar varför paketets total kan skilja sig från antalet i huvudmodellens arkitektur.
DeepSeek förtränar V3 på 14,8 biljoner token och använder sedan övervakad finjustering och förstärkningsinlärning. Efterträningen för in verifierings- och reflektionsmönster från R1-familjen i ett vanligt språkmodellsvar samtidigt som utdatas stil och längd styrs. Detta är ett bidrag från träningen, skilt från att välja själva R1 eller den senare hybrida tankemallen i V3.1. Förbered det format på slutsvaret som du behöver i stället för att anta en viss resonemangspresentation utifrån en annan utgåva.
Producentens modelltabell anger en kontext på 128K för både V3 Base och den eftertränade V3-utgåvan. Kontexten kan förena en fråga med omfattande dokument- eller kodmaterial, samtidigt som konversationshistoriken och svaret också behöver plats. Märk källorna och identifiera den relevanta frågan. Ett kontextfönster är en kapacitetsgräns, inte en instruktion att lämna ovidkommande material eller be om ett onödigt långt svar.
För en praktisk koduppgift lämnar du den relevanta funktionen, det förväntade beteendet, viktiga begränsningar och de indata som demonstrerar problemet. Be om en föreslagen rättelse och en förklaring kopplad till den tillförda koden. För dokumentanalys lämnar du namngivna avsnitt och tydliga jämförelsekriterier. Ett illustrativt uppdrag är: ”Extrahera kraven, identifiera vilka som hanteras av detta förslag och citera motsvarande avsnitt för varje fynd. Avsluta med en kortfattad lista över saknade detaljer.”
Skriv- och redigeringsuppgifter gynnas av en uttrycklig målgrupp, ton och uppsättning fakta som måste behållas. Be om en sammanfattning, omskrivning, översättning eller förklaring och ange obligatoriska namn och termer. En begärd fältlista eller ett svar i JSON-form är fortfarande genererat innehåll som ska granskas; modellnamnet i sig kvalificerar inte den omgivande applikationens mekanism för strukturerade utdata eller verktygskörning. Om applikationen tillhandahåller verktyg håller du varje returnerad observation åtskild från den åtgärd som modellen föreslog.
Tillverkaren publicerar FP8-modellmaterial och beskriver andra precisions- och köralternativ i sin referens. Dessa implementationsval är skilda från uppgiften på källnivå och bör inte härledas ur det visade modellnamnet. Modellens utdata kan vara kod, men att generera koden innebär inte att köra den; en förklaring av en källa bevisar inte att en extern sökning har utförts. Använd faktiska källavsnitt och observerade applikationsresultat när svaret behöver sådana belägg.
För ett användbart resultat definierar du slutleveransen och villkoren för när den är fullständig. Håll källstödda fynd, antaganden och föreslagna ändringar åtskilda och granska sedan det genererade svaret mot det tillförda materialet. En längre konversation kan förfina en del av utkastet samtidigt som godkända fakta och begränsningar bevaras. Leveransen är en granskningsbar text eller kod för den angivna uppgiften, med den ursprungliga V3-identiteten bevarad utan att tyst låna reglage från en senare utgåva.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek-chat | 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.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00064 / 1K token Utdata · Utdatatoken $0.00178 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 är DeepSeeks ursprungliga textmodell för kodning, skrivande, frågor och källbaserad analys. Dess mixture-of-experts-arkitektur har totalt 671B och 37B aktiva parametrar, med en kontext på 128K och efterträning som införlivar resonemangsmönster från R1.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek V3 är DeepSeeks ursprungliga mixture-of-experts-textmodell för allmänna språk-, kodnings- och resonemangsuppgifter. Den tar emot skriftliga instruktioner och textkontext och returnerar ett svar, ett utkast, en förklaring eller kod. Modellkortet anger totalt 671 miljarder parametrar i huvudmodellen, varav 37 miljarder är aktiva för varje token. Den namngivna ursprungliga V3 förblir skild från V3-0324, V3.1 och V3.2, vars uppdateringar tillför egna funktioner och promptprofiler.
Arkitekturen kombinerar Multi-head Latent Attention med DeepSeekMoE. Latent attention komprimerar information som används av attention, medan ett glest experturval bara aktiverar en del av modellen för varje token. V3 introducerar också lastbalansering utan hjälpförlust och ett träningsmål för prediktion av flera token. Det publicerade modellpaketet innehåller en separat modul för prediktion av flera token på 14 miljarder parametrar, utöver huvudmodellen på 671 miljarder parametrar, vilket förklarar varför paketets total kan skilja sig från antalet i huvudmodellens arkitektur.
DeepSeek förtränar V3 på 14,8 biljoner token och använder sedan övervakad finjustering och förstärkningsinlärning. Efterträningen för in verifierings- och reflektionsmönster från R1-familjen i ett vanligt språkmodellsvar samtidigt som utdatas stil och längd styrs. Detta är ett bidrag från träningen, skilt från att välja själva R1 eller den senare hybrida tankemallen i V3.1. Förbered det format på slutsvaret som du behöver i stället för att anta en viss resonemangspresentation utifrån en annan utgåva.
Producentens modelltabell anger en kontext på 128K för både V3 Base och den eftertränade V3-utgåvan. Kontexten kan förena en fråga med omfattande dokument- eller kodmaterial, samtidigt som konversationshistoriken och svaret också behöver plats. Märk källorna och identifiera den relevanta frågan. Ett kontextfönster är en kapacitetsgräns, inte en instruktion att lämna ovidkommande material eller be om ett onödigt långt svar.
För en praktisk koduppgift lämnar du den relevanta funktionen, det förväntade beteendet, viktiga begränsningar och de indata som demonstrerar problemet. Be om en föreslagen rättelse och en förklaring kopplad till den tillförda koden. För dokumentanalys lämnar du namngivna avsnitt och tydliga jämförelsekriterier. Ett illustrativt uppdrag är: ”Extrahera kraven, identifiera vilka som hanteras av detta förslag och citera motsvarande avsnitt för varje fynd. Avsluta med en kortfattad lista över saknade detaljer.”
Skriv- och redigeringsuppgifter gynnas av en uttrycklig målgrupp, ton och uppsättning fakta som måste behållas. Be om en sammanfattning, omskrivning, översättning eller förklaring och ange obligatoriska namn och termer. En begärd fältlista eller ett svar i JSON-form är fortfarande genererat innehåll som ska granskas; modellnamnet i sig kvalificerar inte den omgivande applikationens mekanism för strukturerade utdata eller verktygskörning. Om applikationen tillhandahåller verktyg håller du varje returnerad observation åtskild från den åtgärd som modellen föreslog.
Tillverkaren publicerar FP8-modellmaterial och beskriver andra precisions- och köralternativ i sin referens. Dessa implementationsval är skilda från uppgiften på källnivå och bör inte härledas ur det visade modellnamnet. Modellens utdata kan vara kod, men att generera koden innebär inte att köra den; en förklaring av en källa bevisar inte att en extern sökning har utförts. Använd faktiska källavsnitt och observerade applikationsresultat när svaret behöver sådana belägg.
För ett användbart resultat definierar du slutleveransen och villkoren för när den är fullständig. Håll källstödda fynd, antaganden och föreslagna ändringar åtskilda och granska sedan det genererade svaret mot det tillförda materialet. En längre konversation kan förfina en del av utkastet samtidigt som godkända fakta och begränsningar bevaras. Leveransen är en granskningsbar text eller kod för den angivna uppgiften, med den ursprungliga V3-identiteten bevarad utan att tyst låna reglage från en senare utgåva.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek/deepseek-chat | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Beror på modellen | Standard— |
Fältmessages[].content | Typstring | KravValfritt | Värden & gränser Gäller när: Textsamtal | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
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 |
Parametercontrol_scope | AvtalTextsamtal; stream är ett booleskt värde och har false som standard. |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Metodalias: /chat/completions
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.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00064 / 1K token Utdata · Utdatatoken $0.00178 / 1K token Indata · Cacheläsning $0 / 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","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 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-chat, deepseek/deepseek-chat
/chat/completions
deepseek/deepseek-chatDeepSeek V3 är DeepSeeks ursprungliga textmodell för kodning, skrivande, frågor och källbaserad analys. Dess mixture-of-experts-arkitektur har totalt 671B och 37B aktiva parametrar, med en kontext på 128K och efterträning som införlivar resonemangsmönster från R1.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek V3 är DeepSeeks ursprungliga mixture-of-experts-textmodell för allmänna språk-, kodnings- och resonemangsuppgifter. Den tar emot skriftliga instruktioner och textkontext och returnerar ett svar, ett utkast, en förklaring eller kod. Modellkortet anger totalt 671 miljarder parametrar i huvudmodellen, varav 37 miljarder är aktiva för varje token. Den namngivna ursprungliga V3 förblir skild från V3-0324, V3.1 och V3.2, vars uppdateringar tillför egna funktioner och promptprofiler.
Arkitekturen kombinerar Multi-head Latent Attention med DeepSeekMoE. Latent attention komprimerar information som används av attention, medan ett glest experturval bara aktiverar en del av modellen för varje token. V3 introducerar också lastbalansering utan hjälpförlust och ett träningsmål för prediktion av flera token. Det publicerade modellpaketet innehåller en separat modul för prediktion av flera token på 14 miljarder parametrar, utöver huvudmodellen på 671 miljarder parametrar, vilket förklarar varför paketets total kan skilja sig från antalet i huvudmodellens arkitektur.
DeepSeek förtränar V3 på 14,8 biljoner token och använder sedan övervakad finjustering och förstärkningsinlärning. Efterträningen för in verifierings- och reflektionsmönster från R1-familjen i ett vanligt språkmodellsvar samtidigt som utdatas stil och längd styrs. Detta är ett bidrag från träningen, skilt från att välja själva R1 eller den senare hybrida tankemallen i V3.1. Förbered det format på slutsvaret som du behöver i stället för att anta en viss resonemangspresentation utifrån en annan utgåva.
Producentens modelltabell anger en kontext på 128K för både V3 Base och den eftertränade V3-utgåvan. Kontexten kan förena en fråga med omfattande dokument- eller kodmaterial, samtidigt som konversationshistoriken och svaret också behöver plats. Märk källorna och identifiera den relevanta frågan. Ett kontextfönster är en kapacitetsgräns, inte en instruktion att lämna ovidkommande material eller be om ett onödigt långt svar.
För en praktisk koduppgift lämnar du den relevanta funktionen, det förväntade beteendet, viktiga begränsningar och de indata som demonstrerar problemet. Be om en föreslagen rättelse och en förklaring kopplad till den tillförda koden. För dokumentanalys lämnar du namngivna avsnitt och tydliga jämförelsekriterier. Ett illustrativt uppdrag är: ”Extrahera kraven, identifiera vilka som hanteras av detta förslag och citera motsvarande avsnitt för varje fynd. Avsluta med en kortfattad lista över saknade detaljer.”
Skriv- och redigeringsuppgifter gynnas av en uttrycklig målgrupp, ton och uppsättning fakta som måste behållas. Be om en sammanfattning, omskrivning, översättning eller förklaring och ange obligatoriska namn och termer. En begärd fältlista eller ett svar i JSON-form är fortfarande genererat innehåll som ska granskas; modellnamnet i sig kvalificerar inte den omgivande applikationens mekanism för strukturerade utdata eller verktygskörning. Om applikationen tillhandahåller verktyg håller du varje returnerad observation åtskild från den åtgärd som modellen föreslog.
Tillverkaren publicerar FP8-modellmaterial och beskriver andra precisions- och köralternativ i sin referens. Dessa implementationsval är skilda från uppgiften på källnivå och bör inte härledas ur det visade modellnamnet. Modellens utdata kan vara kod, men att generera koden innebär inte att köra den; en förklaring av en källa bevisar inte att en extern sökning har utförts. Använd faktiska källavsnitt och observerade applikationsresultat när svaret behöver sådana belägg.
För ett användbart resultat definierar du slutleveransen och villkoren för när den är fullständig. Håll källstödda fynd, antaganden och föreslagna ändringar åtskilda och granska sedan det genererade svaret mot det tillförda materialet. En längre konversation kan förfina en del av utkastet samtidigt som godkända fakta och begränsningar bevaras. Leveransen är en granskningsbar text eller kod för den angivna uppgiften, med den ursprungliga V3-identiteten bevarad utan att tyst låna reglage från en senare utgåva.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek/deepseek-chat | 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.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00064 / 1K token Utdata · Utdatatoken $0.00178 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "deepseek/deepseek-chat",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-chat, deepseek/deepseek-chat
/chat/completions