DeepSeek V3.2 är DeepSeeks textmodell för resonemang och agentarbete med betoning på effektiv bearbetning av lång kontext. Producenten organiserar de viktigaste ändringarna kring DeepSeek Sparse Attention, ett uppskalat ramverk för förstärkningsinlärning och en träningspipeline för agentuppgifter. Den tar emot skriftliga frågor och kontext och producerar text, inklusive ett svar, kod eller innehåll för verktygsanrop. Den skiljer sig från den tidigare utgåvan V3.2 Exp och den separata resonemangsvarianten Speciale.
DeepSeek Sparse Attention lägger till en indexerare och finfördelat tokenurval i arkitekturen för latent attention. För en lång sekvens väljer indexeraren ut den tidigare tokeninformation som används i den huvudsakliga attention-beräkningen. Rapporten anger att detta är den arkitektoniska ändringen från V3.1 Terminus och att samma arkitektur används som i V3.2 Exp. Den publicerade kontexten är 128K token, vilket stöder omfattande källmaterial och en pågående uppgift, medan genererat resonemang och verktygshistorik också förbrukar den tillgängliga kontexten.
Efterträningen omfattar både svar med och utan tänkande inom matematik, programmering, logiskt resonemang, allmänna agentuppgifter, agentbaserad kodning och sökning. Domänspecialister tillhandahåller data som sammanförs i den slutliga modellen, följt av blandad förstärkningsinlärning. För en vanlig fråga kan ett direkt svar vara lämpligt; för ett svårt problem kan tänkandearbetsflödet utveckla en lösning innan det slutliga resultatet presenteras. Ange det begärda svaret eller den begärda leveransen oberoende av det mellanliggande resonemanget.
En väsentlig ändring i utgåvan är tänkande med verktyg. Det uppdaterade chattformatet låter resonemanget fortsätta genom en uppgift med verktygsanrop i stället för att behandla analys och handling som orelaterade steg. En operation som modellen väljer exekveras av applikationen, som returnerar resultatet för nästa steg. Producentens regel för verktygskontext behåller historiskt resonemang så länge endast verktygsrelaterade meddelanden läggs till; när ett nytt användarmeddelande kommer kastas detta resonemang bort, medan verktygsanrop och resultat bevaras. Korrekt åtskilda konversationsroller är viktiga för detta beteende.
För kodning tillhandahåller du källkodsfragmentet eller de relevanta filerna, det observerade problemet, det förväntade resultatet och de villkor som ändringen måste bevara. Ett exempel på uppdragsbeskrivning är: ”Använd den tillhandahållna koden och verktygsresultaten för att lokalisera orsaken, föreslå den minsta korrigeringen och returnera den slutliga patchen med dess stödjande valideringsresultat.” För en sökuppgift beskriver du frågan, nödvändiga belägg och vad som räknas som ett slutfört svar. Sök- och exekveringsverktyg tillhandahålls av den omgivande applikationen, inte av texten ensam.
Producenten rekommenderar temperature 1.0 och top-p 0.95 för lokal användning. V3.2 introducerar en reviderad representation av verktygsanrop och en särskild meddelandekodare. Dess developer-roll är reserverad för producentens mall för sökagenten, och det officiella API:et tar inte emot den rollen. Referensparsern förväntar sig välformade utdata och reparerar inte felaktiga resultat; när en applikation använder genererade fält eller verktygsargument ska den kontrollera deras struktur innan den agerar på dem.
Den tekniska rapporten identifierar långa resonemangsförlopp och överflödig självverifiering som praktiska begränsningar. En agentuppgift kan nå gränsen på 128K även när det ursprungliga källmaterialet får plats, eftersom verktygsutdata och upprepat resonemang ackumuleras. Behåll en kortfattad registrering av relevanta observationer och gör slutleveransen uttrycklig. För kunskapskänsligt arbete bifogar du auktoritativt material eller tillhandahåller ett lämpligt sökverktyg i stället för att förvänta dig att träningskunskapen definierar varje faktum.
DeepSeek V3.2 Speciale är en separat variant för djupa resonemang med hög beräkningsinsats och stöder inte verktygsanrop enligt modellkortet. Dess funktioner ska inte användas som standardprofil för V3.2:s verktyg. På samma sätt har den senare V4-generationen och den experimentella föregångaren separata identiteter och konfigurationsval. Behåll den namngivna V3.2-utgåvan när du jämför uppgifter där modellen och promptformatet spelar roll.
För en praktisk källbaserad analys märker du materialet och ber om en slutsats som stöds av de relevanta avsnitten, med antaganden och saknad information åtskilda. För en agent anger du tillåtna funktioner, det förväntade slutresultatet och färdigställandekriteriet. Detta förbereder modellens arbetsflöde för resonemang och verktyg kring en granskningsbar text-, kod- eller analysleverans knuten till de tillhandahållna beläggen.
", "aboutText": "DeepSeek V3.2 är DeepSeeks textmodell för resonemang och agentarbete med betoning på effektiv bearbetning av lång kontext. Producenten organiserar de viktigaste ändringarna kring DeepSeek Sparse Attention, ett uppskalat ramverk för förstärkningsinlärning och en träningspipeline för agentuppgifter. Den tar emot skriftliga frågor och kontext och producerar text, inklusive ett svar, kod eller innehåll för verktygsanrop. Den skiljer sig från den tidigare utgåvan V3.2 Exp och den separata resonemangsvarianten Speciale.\n\nDeepSeek Sparse Attention lägger till en indexerare och finfördelat tokenurval i arkitekturen för latent attention. För en lång sekvens väljer indexeraren ut den tidigare tokeninformation som används i den huvudsakliga attention-beräkningen. Rapporten anger att detta är den arkitektoniska ändringen från V3.1 Terminus och att samma arkitektur används som i V3.2 Exp. Den publicerade kontexten är 128K token, vilket stöder omfattande källmaterial och en pågående uppgift, medan genererat resonemang och verktygshistorik också förbrukar den tillgängliga kontexten.\n\nEfterträningen omfattar både svar med och utan tänkande inom matematik, programmering, logiskt resonemang, allmänna agentuppgifter, agentbaserad kodning och sökning. Domänspecialister tillhandahåller data som sammanförs i den slutliga modellen, följt av blandad förstärkningsinlärning. För en vanlig fråga kan ett direkt svar vara lämpligt; för ett svårt problem kan tänkandearbetsflödet utveckla en lösning innan det slutliga resultatet presenteras. Ange det begärda svaret eller den begärda leveransen oberoende av det mellanliggande resonemanget.\n\nEn väsentlig ändring i utgåvan är tänkande med verktyg. Det uppdaterade chattformatet låter resonemanget fortsätta genom en uppgift med verktygsanrop i stället för att behandla analys och handling som orelaterade steg. En operation som modellen väljer exekveras av applikationen, som returnerar resultatet för nästa steg. Producentens regel för verktygskontext behåller historiskt resonemang så länge endast verktygsrelaterade meddelanden läggs till; när ett nytt användarmeddelande kommer kastas detta resonemang bort, medan verktygsanrop och resultat bevaras. Korrekt åtskilda konversationsroller är viktiga för detta beteende.\n\nFör kodning tillhandahåller du källkodsfragmentet eller de relevanta filerna, det observerade problemet, det förväntade resultatet och de villkor som ändringen måste bevara. Ett exempel på uppdragsbeskrivning är: ”Använd den tillhandahållna koden och verktygsresultaten för att lokalisera orsaken, föreslå den minsta korrigeringen och returnera den slutliga patchen med dess stödjande valideringsresultat.” För en sökuppgift beskriver du frågan, nödvändiga belägg och vad som räknas som ett slutfört svar. Sök- och exekveringsverktyg tillhandahålls av den omgivande applikationen, inte av texten ensam.\n\nProducenten rekommenderar temperature 1.0 och top-p 0.95 för lokal användning. V3.2 introducerar en reviderad representation av verktygsanrop och en särskild meddelandekodare. Dess developer-roll är reserverad för producentens mall för sökagenten, och det officiella API:et tar inte emot den rollen. Referensparsern förväntar sig välformade utdata och reparerar inte felaktiga resultat; när en applikation använder genererade fält eller verktygsargument ska den kontrollera deras struktur innan den agerar på dem.\n\nDen tekniska rapporten identifierar långa resonemangsförlopp och överflödig självverifiering som praktiska begränsningar. En agentuppgift kan nå gränsen på 128K även när det ursprungliga källmaterialet får plats, eftersom verktygsutdata och upprepat resonemang ackumuleras. Behåll en kortfattad registrering av relevanta observationer och gör slutleveransen uttrycklig. För kunskapskänsligt arbete bifogar du auktoritativt material eller tillhandahåller ett lämpligt sökverktyg i stället för att förvänta dig att träningskunskapen definierar varje faktum.\n\nDeepSeek V3.2 Speciale är en separat variant för djupa resonemang med hög beräkningsinsats och stöder inte verktygsanrop enligt modellkortet. Dess funktioner ska inte användas som standardprofil för V3.2:s verktyg. På samma sätt har den senare V4-generationen och den experimentella föregångaren separata identiteter och konfigurationsval. Behåll den namngivna V3.2-utgåvan när du jämför uppgifter där modellen och promptformatet spelar roll.\n\nFör en praktisk källbaserad analys märker du materialet och ber om en slutsats som stöds av de relevanta avsnitten, med antaganden och saknad information åtskilda. För en agent anger du tillåtna funktioner, det förväntade slutresultatet och färdigställandekriteriet. Detta förbereder modellens arbetsflöde för resonemang och verktyg kring en granskningsbar text-, kod- eller analysleverans knuten till de tillhandahållna beläggen.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Repair an overwritten grouped total\n\nReview this Python fragment: totals = {}\nfor row in rows:\n totals[row['team']] = row['hours']\n For rows with teams A, B, A and hours 2, 3, 4, the last A overwrites the first. Return a minimal accumulation fix, explain the state changes and propose assertions for repeated teams and empty input.Corrected grouping code, a short state trace and two assertions with concrete inputs.Repeated teams accumulate all hours while an empty list returns an empty mapping.deepseek/deepseek-v3.2DeepSeek V3.2 kombinerar textbaserat resonemang med verktygsanvändning och analys av lång kontext. Arkitekturen med gles attention och det uppdaterade konversationsformatet stöder kodning, sökning och agentuppgifter i flera steg, med en kontext på 128K och separata arbetsflöden för tänkande och direkta svar.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek V3.2 är DeepSeeks textmodell för resonemang och agentarbete med betoning på effektiv bearbetning av lång kontext. Producenten organiserar de viktigaste ändringarna kring DeepSeek Sparse Attention, ett uppskalat ramverk för förstärkningsinlärning och en träningspipeline för agentuppgifter. Den tar emot skriftliga frågor och kontext och producerar text, inklusive ett svar, kod eller innehåll för verktygsanrop. Den skiljer sig från den tidigare utgåvan V3.2 Exp och den separata resonemangsvarianten Speciale.
DeepSeek Sparse Attention lägger till en indexerare och finfördelat tokenurval i arkitekturen för latent attention. För en lång sekvens väljer indexeraren ut den tidigare tokeninformation som används i den huvudsakliga attention-beräkningen. Rapporten anger att detta är den arkitektoniska ändringen från V3.1 Terminus och att samma arkitektur används som i V3.2 Exp. Den publicerade kontexten är 128K token, vilket stöder omfattande källmaterial och en pågående uppgift, medan genererat resonemang och verktygshistorik också förbrukar den tillgängliga kontexten.
Efterträningen omfattar både svar med och utan tänkande inom matematik, programmering, logiskt resonemang, allmänna agentuppgifter, agentbaserad kodning och sökning. Domänspecialister tillhandahåller data som sammanförs i den slutliga modellen, följt av blandad förstärkningsinlärning. För en vanlig fråga kan ett direkt svar vara lämpligt; för ett svårt problem kan tänkandearbetsflödet utveckla en lösning innan det slutliga resultatet presenteras. Ange det begärda svaret eller den begärda leveransen oberoende av det mellanliggande resonemanget.
En väsentlig ändring i utgåvan är tänkande med verktyg. Det uppdaterade chattformatet låter resonemanget fortsätta genom en uppgift med verktygsanrop i stället för att behandla analys och handling som orelaterade steg. En operation som modellen väljer exekveras av applikationen, som returnerar resultatet för nästa steg. Producentens regel för verktygskontext behåller historiskt resonemang så länge endast verktygsrelaterade meddelanden läggs till; när ett nytt användarmeddelande kommer kastas detta resonemang bort, medan verktygsanrop och resultat bevaras. Korrekt åtskilda konversationsroller är viktiga för detta beteende.
För kodning tillhandahåller du källkodsfragmentet eller de relevanta filerna, det observerade problemet, det förväntade resultatet och de villkor som ändringen måste bevara. Ett exempel på uppdragsbeskrivning är: ”Använd den tillhandahållna koden och verktygsresultaten för att lokalisera orsaken, föreslå den minsta korrigeringen och returnera den slutliga patchen med dess stödjande valideringsresultat.” För en sökuppgift beskriver du frågan, nödvändiga belägg och vad som räknas som ett slutfört svar. Sök- och exekveringsverktyg tillhandahålls av den omgivande applikationen, inte av texten ensam.
Producenten rekommenderar temperature 1.0 och top-p 0.95 för lokal användning. V3.2 introducerar en reviderad representation av verktygsanrop och en särskild meddelandekodare. Dess developer-roll är reserverad för producentens mall för sökagenten, och det officiella API:et tar inte emot den rollen. Referensparsern förväntar sig välformade utdata och reparerar inte felaktiga resultat; när en applikation använder genererade fält eller verktygsargument ska den kontrollera deras struktur innan den agerar på dem.
Den tekniska rapporten identifierar långa resonemangsförlopp och överflödig självverifiering som praktiska begränsningar. En agentuppgift kan nå gränsen på 128K även när det ursprungliga källmaterialet får plats, eftersom verktygsutdata och upprepat resonemang ackumuleras. Behåll en kortfattad registrering av relevanta observationer och gör slutleveransen uttrycklig. För kunskapskänsligt arbete bifogar du auktoritativt material eller tillhandahåller ett lämpligt sökverktyg i stället för att förvänta dig att träningskunskapen definierar varje faktum.
DeepSeek V3.2 Speciale är en separat variant för djupa resonemang med hög beräkningsinsats och stöder inte verktygsanrop enligt modellkortet. Dess funktioner ska inte användas som standardprofil för V3.2:s verktyg. På samma sätt har den senare V4-generationen och den experimentella föregångaren separata identiteter och konfigurationsval. Behåll den namngivna V3.2-utgåvan när du jämför uppgifter där modellen och promptformatet spelar roll.
För en praktisk källbaserad analys märker du materialet och ber om en slutsats som stöds av de relevanta avsnitten, med antaganden och saknad information åtskilda. För en agent anger du tillåtna funktioner, det förväntade slutresultatet och färdigställandekriteriet. Detta förbereder modellens arbetsflöde för resonemang och verktyg kring en granskningsbar text-, kod- eller analysleverans knuten till de tillhandahållna beläggen.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek/deepseek-v3.2 | 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 $0.0016 / 1K token Indata · Cacheläsning $0.00028 / 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 $0.0016 / 1K token Indata · Cacheläsning $0.00028 / 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-v3.2", "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-v3.2',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-v3.2',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-v3.2
Använd metodsökvägarna som visas ovan.
deepseek/deepseek-v3.2DeepSeek V3.2 kombinerar textbaserat resonemang med verktygsanvändning och analys av lång kontext. Arkitekturen med gles attention och det uppdaterade konversationsformatet stöder kodning, sökning och agentuppgifter i flera steg, med en kontext på 128K och separata arbetsflöden för tänkande och direkta svar.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek V3.2 är DeepSeeks textmodell för resonemang och agentarbete med betoning på effektiv bearbetning av lång kontext. Producenten organiserar de viktigaste ändringarna kring DeepSeek Sparse Attention, ett uppskalat ramverk för förstärkningsinlärning och en träningspipeline för agentuppgifter. Den tar emot skriftliga frågor och kontext och producerar text, inklusive ett svar, kod eller innehåll för verktygsanrop. Den skiljer sig från den tidigare utgåvan V3.2 Exp och den separata resonemangsvarianten Speciale.
DeepSeek Sparse Attention lägger till en indexerare och finfördelat tokenurval i arkitekturen för latent attention. För en lång sekvens väljer indexeraren ut den tidigare tokeninformation som används i den huvudsakliga attention-beräkningen. Rapporten anger att detta är den arkitektoniska ändringen från V3.1 Terminus och att samma arkitektur används som i V3.2 Exp. Den publicerade kontexten är 128K token, vilket stöder omfattande källmaterial och en pågående uppgift, medan genererat resonemang och verktygshistorik också förbrukar den tillgängliga kontexten.
Efterträningen omfattar både svar med och utan tänkande inom matematik, programmering, logiskt resonemang, allmänna agentuppgifter, agentbaserad kodning och sökning. Domänspecialister tillhandahåller data som sammanförs i den slutliga modellen, följt av blandad förstärkningsinlärning. För en vanlig fråga kan ett direkt svar vara lämpligt; för ett svårt problem kan tänkandearbetsflödet utveckla en lösning innan det slutliga resultatet presenteras. Ange det begärda svaret eller den begärda leveransen oberoende av det mellanliggande resonemanget.
En väsentlig ändring i utgåvan är tänkande med verktyg. Det uppdaterade chattformatet låter resonemanget fortsätta genom en uppgift med verktygsanrop i stället för att behandla analys och handling som orelaterade steg. En operation som modellen väljer exekveras av applikationen, som returnerar resultatet för nästa steg. Producentens regel för verktygskontext behåller historiskt resonemang så länge endast verktygsrelaterade meddelanden läggs till; när ett nytt användarmeddelande kommer kastas detta resonemang bort, medan verktygsanrop och resultat bevaras. Korrekt åtskilda konversationsroller är viktiga för detta beteende.
För kodning tillhandahåller du källkodsfragmentet eller de relevanta filerna, det observerade problemet, det förväntade resultatet och de villkor som ändringen måste bevara. Ett exempel på uppdragsbeskrivning är: ”Använd den tillhandahållna koden och verktygsresultaten för att lokalisera orsaken, föreslå den minsta korrigeringen och returnera den slutliga patchen med dess stödjande valideringsresultat.” För en sökuppgift beskriver du frågan, nödvändiga belägg och vad som räknas som ett slutfört svar. Sök- och exekveringsverktyg tillhandahålls av den omgivande applikationen, inte av texten ensam.
Producenten rekommenderar temperature 1.0 och top-p 0.95 för lokal användning. V3.2 introducerar en reviderad representation av verktygsanrop och en särskild meddelandekodare. Dess developer-roll är reserverad för producentens mall för sökagenten, och det officiella API:et tar inte emot den rollen. Referensparsern förväntar sig välformade utdata och reparerar inte felaktiga resultat; när en applikation använder genererade fält eller verktygsargument ska den kontrollera deras struktur innan den agerar på dem.
Den tekniska rapporten identifierar långa resonemangsförlopp och överflödig självverifiering som praktiska begränsningar. En agentuppgift kan nå gränsen på 128K även när det ursprungliga källmaterialet får plats, eftersom verktygsutdata och upprepat resonemang ackumuleras. Behåll en kortfattad registrering av relevanta observationer och gör slutleveransen uttrycklig. För kunskapskänsligt arbete bifogar du auktoritativt material eller tillhandahåller ett lämpligt sökverktyg i stället för att förvänta dig att träningskunskapen definierar varje faktum.
DeepSeek V3.2 Speciale är en separat variant för djupa resonemang med hög beräkningsinsats och stöder inte verktygsanrop enligt modellkortet. Dess funktioner ska inte användas som standardprofil för V3.2:s verktyg. På samma sätt har den senare V4-generationen och den experimentella föregångaren separata identiteter och konfigurationsval. Behåll den namngivna V3.2-utgåvan när du jämför uppgifter där modellen och promptformatet spelar roll.
För en praktisk källbaserad analys märker du materialet och ber om en slutsats som stöds av de relevanta avsnitten, med antaganden och saknad information åtskilda. För en agent anger du tillåtna funktioner, det förväntade slutresultatet och färdigställandekriteriet. Detta förbereder modellens arbetsflöde för resonemang och verktyg kring en granskningsbar text-, kod- eller analysleverans knuten till de tillhandahållna beläggen.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek/deepseek-v3.2 | 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 $0.0016 / 1K token Indata · Cacheläsning $0.00028 / 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 $0.0016 / 1K token Indata · Cacheläsning $0.00028 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "deepseek/deepseek-v3.2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-v3.2', '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-v3.2', '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-v3.2
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Repair an overwritten grouped total\n\nReview this Python fragment: totals = {}\nfor row in rows:\n totals[row['team']] = row['hours']\n For rows with teams A, B, A and hours 2, 3, 4, the last A overwrites the first. Return a minimal accumulation fix, explain the state changes and propose assertions for repeated teams and empty input.Corrected grouping code, a short state trace and two assertions with concrete inputs.Repeated teams accumulate all hours while an empty list returns an empty mapping.