DeepSeek V3.2 Exp är DeepSeeks experimentella textmodellutgåva byggd på V3.1 Terminus. Dess definierande förändring är DeepSeek Sparse Attention, som introducerades för att studera effektivare träning och inferens för långa textsekvenser. Uppgiften förblir textbaserad: skrivna instruktioner och kontext ger ett textsvar, kod eller agentrelaterade utdata. Detta är forskningsutgåvan för gles uppmärksamhet, skild från den slutliga V3.2-modellen och dess senare format för tänkande med verktyg.
DSA använder en lättviktsindexerare och finkornigt tokenurval så att den huvudsakliga uppmärksamhetsberäkningen fokuserar på utvald tidigare tokeninformation. DeepSeek anpassade medvetet den experimentella träningskonfigurationen till V3.1 Terminus för att isolera arkitekturförändringen. V3.2-rapporten bekräftar att slutliga V3.2 och V3.2 Exp delar denna arkitektur och beskriver fortsatt träning från Terminus-basen med 128K kontext. Den publicerade experimentella profilen använder denna långkontextinställning på 128K.
Tillverkarens experimentella modellkort behåller resonemang och agentarbete inom omfånget samtidigt som den tidigare modellens uppgiftsprofil bevaras. Underlaget omfattar resonemang utan verktyg och agentbaserad verktygsanvändning som separata flöden. Förbered en tydlig fråga, relevant källkontext och önskad slutform. Om uppgiften använder ett verktyg tillhandahåller applikationen dess definition och returnerar resultatet; modellens föreslagna åtgärd är inte samma sak som en operation som redan har utförts.
Det slutliga V3.2-kortet introducerar ett reviderat verktygsanropsformat och beskriver uttryckligen tänkande med verktyg. Dessa uppdateringar hör till slututgåvan och bör inte behandlas som den experimentella utgåvans fullständiga interaktionskontrakt. För V3.2 Exp behåller du utgåvans egen meddelandeformatering och den ärvda Terminus-uppgiftskontexten i stället för att anta att ett liknande namn gör varje senare reglage eller roll utbytbart.
För en jämförelse av långa dokument märker du varje källa och identifierar de avsnitt som är relevanta för frågan. En illustrativ beskrivning är: ”Jämför dessa krav med den föreslagna implementationen, identifiera varje avvikelse och citera det avsnitt som belägger den. Avsluta med en prioriterad korrigeringslista.” För kod tillhandahåller du det felaktiga beteendet, relevant fragment och förväntat resultat och ber sedan om en fokuserad ändring med en tydlig förklaring. Källans disposition och regeln för slutförande hjälper en långkontextuppgift att leda till ett användbart resultat.
Tillverkarens referensimplementation innehåller indexeraren för gles uppmärksamhet, och modellkortet dokumenterar en viktig implementationskorrigering: indexerarens RoPE använder en icke sammanflätad layout, medan modulen för latent uppmärksamhet förväntar sig en sammanflätad layout. Detta är en detalj i tillverkarens referensimplementation som är relevant för korrekt modellkörning, inte en annan användarprompt eller en ny förmåga. Det innebär också att ett modellnamn ensamt inte beskriver hur varje implementation hanterar den experimentella arkitekturen.
En fortsatt agentuppgift måste budgetera källtext, konversation, genererat resonemang och verktygsobservationer tillsammans. Organisera användbara observationer och be det slutliga svaret skilja mellan belägg, antaganden och föreslagna åtgärder. För ett källberoende faktabaserat resultat tillhandahåller du det auktoritativa materialet eller ett lämpligt verktyg i stället för att förlita dig på bred träningskunskap. Utdatan förblir en text, kod eller analyspost som kan kontrolleras mot uppgiften och dess indata.
", "aboutText": "DeepSeek V3.2 Exp är DeepSeeks experimentella textmodellutgåva byggd på V3.1 Terminus. Dess definierande förändring är DeepSeek Sparse Attention, som introducerades för att studera effektivare träning och inferens för långa textsekvenser. Uppgiften förblir textbaserad: skrivna instruktioner och kontext ger ett textsvar, kod eller agentrelaterade utdata. Detta är forskningsutgåvan för gles uppmärksamhet, skild från den slutliga V3.2-modellen och dess senare format för tänkande med verktyg.\n\nDSA använder en lättviktsindexerare och finkornigt tokenurval så att den huvudsakliga uppmärksamhetsberäkningen fokuserar på utvald tidigare tokeninformation. DeepSeek anpassade medvetet den experimentella träningskonfigurationen till V3.1 Terminus för att isolera arkitekturförändringen. V3.2-rapporten bekräftar att slutliga V3.2 och V3.2 Exp delar denna arkitektur och beskriver fortsatt träning från Terminus-basen med 128K kontext. Den publicerade experimentella profilen använder denna långkontextinställning på 128K.\n\nTillverkarens experimentella modellkort behåller resonemang och agentarbete inom omfånget samtidigt som den tidigare modellens uppgiftsprofil bevaras. Underlaget omfattar resonemang utan verktyg och agentbaserad verktygsanvändning som separata flöden. Förbered en tydlig fråga, relevant källkontext och önskad slutform. Om uppgiften använder ett verktyg tillhandahåller applikationen dess definition och returnerar resultatet; modellens föreslagna åtgärd är inte samma sak som en operation som redan har utförts.\n\nDet slutliga V3.2-kortet introducerar ett reviderat verktygsanropsformat och beskriver uttryckligen tänkande med verktyg. Dessa uppdateringar hör till slututgåvan och bör inte behandlas som den experimentella utgåvans fullständiga interaktionskontrakt. För V3.2 Exp behåller du utgåvans egen meddelandeformatering och den ärvda Terminus-uppgiftskontexten i stället för att anta att ett liknande namn gör varje senare reglage eller roll utbytbart.\n\nFör en jämförelse av långa dokument märker du varje källa och identifierar de avsnitt som är relevanta för frågan. En illustrativ beskrivning är: ”Jämför dessa krav med den föreslagna implementationen, identifiera varje avvikelse och citera det avsnitt som belägger den. Avsluta med en prioriterad korrigeringslista.” För kod tillhandahåller du det felaktiga beteendet, relevant fragment och förväntat resultat och ber sedan om en fokuserad ändring med en tydlig förklaring. Källans disposition och regeln för slutförande hjälper en långkontextuppgift att leda till ett användbart resultat.\n\nTillverkarens referensimplementation innehåller indexeraren för gles uppmärksamhet, och modellkortet dokumenterar en viktig implementationskorrigering: indexerarens RoPE använder en icke sammanflätad layout, medan modulen för latent uppmärksamhet förväntar sig en sammanflätad layout. Detta är en detalj i tillverkarens referensimplementation som är relevant för korrekt modellkörning, inte en annan användarprompt eller en ny förmåga. Det innebär också att ett modellnamn ensamt inte beskriver hur varje implementation hanterar den experimentella arkitekturen.\n\nEn fortsatt agentuppgift måste budgetera källtext, konversation, genererat resonemang och verktygsobservationer tillsammans. Organisera användbara observationer och be det slutliga svaret skilja mellan belägg, antaganden och föreslagna åtgärder. För ett källberoende faktabaserat resultat tillhandahåller du det auktoritativa materialet eller ett lämpligt verktyg i stället för att förlita dig på bred träningskunskap. Utdatan förblir en text, kod eller analyspost som kan kontrolleras mot uppgiften och dess indata.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "3be3e0446624344cd129944b6351b0f2dd00bbea9c36ec04eda5f8188bc11b47", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "deepseek-v3.2-exp-thinkingDeepSeek V3.2 Exp är utgåvan med gles attention som bygger på V3.1 Terminus. Den bearbetar text för resonemangs-, kodnings- och agentuppgifter och utforskar samtidigt effektivare attention för lång kontext, med en producentkontext på 128K och en separat identitet från den slutliga V3.2-utgåvan.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek V3.2 Exp är DeepSeeks experimentella textmodellutgåva byggd på V3.1 Terminus. Dess definierande förändring är DeepSeek Sparse Attention, som introducerades för att studera effektivare träning och inferens för långa textsekvenser. Uppgiften förblir textbaserad: skrivna instruktioner och kontext ger ett textsvar, kod eller agentrelaterade utdata. Detta är forskningsutgåvan för gles uppmärksamhet, skild från den slutliga V3.2-modellen och dess senare format för tänkande med verktyg.
DSA använder en lättviktsindexerare och finkornigt tokenurval så att den huvudsakliga uppmärksamhetsberäkningen fokuserar på utvald tidigare tokeninformation. DeepSeek anpassade medvetet den experimentella träningskonfigurationen till V3.1 Terminus för att isolera arkitekturförändringen. V3.2-rapporten bekräftar att slutliga V3.2 och V3.2 Exp delar denna arkitektur och beskriver fortsatt träning från Terminus-basen med 128K kontext. Den publicerade experimentella profilen använder denna långkontextinställning på 128K.
Tillverkarens experimentella modellkort behåller resonemang och agentarbete inom omfånget samtidigt som den tidigare modellens uppgiftsprofil bevaras. Underlaget omfattar resonemang utan verktyg och agentbaserad verktygsanvändning som separata flöden. Förbered en tydlig fråga, relevant källkontext och önskad slutform. Om uppgiften använder ett verktyg tillhandahåller applikationen dess definition och returnerar resultatet; modellens föreslagna åtgärd är inte samma sak som en operation som redan har utförts.
Det slutliga V3.2-kortet introducerar ett reviderat verktygsanropsformat och beskriver uttryckligen tänkande med verktyg. Dessa uppdateringar hör till slututgåvan och bör inte behandlas som den experimentella utgåvans fullständiga interaktionskontrakt. För V3.2 Exp behåller du utgåvans egen meddelandeformatering och den ärvda Terminus-uppgiftskontexten i stället för att anta att ett liknande namn gör varje senare reglage eller roll utbytbart.
För en jämförelse av långa dokument märker du varje källa och identifierar de avsnitt som är relevanta för frågan. En illustrativ beskrivning är: ”Jämför dessa krav med den föreslagna implementationen, identifiera varje avvikelse och citera det avsnitt som belägger den. Avsluta med en prioriterad korrigeringslista.” För kod tillhandahåller du det felaktiga beteendet, relevant fragment och förväntat resultat och ber sedan om en fokuserad ändring med en tydlig förklaring. Källans disposition och regeln för slutförande hjälper en långkontextuppgift att leda till ett användbart resultat.
Tillverkarens referensimplementation innehåller indexeraren för gles uppmärksamhet, och modellkortet dokumenterar en viktig implementationskorrigering: indexerarens RoPE använder en icke sammanflätad layout, medan modulen för latent uppmärksamhet förväntar sig en sammanflätad layout. Detta är en detalj i tillverkarens referensimplementation som är relevant för korrekt modellkörning, inte en annan användarprompt eller en ny förmåga. Det innebär också att ett modellnamn ensamt inte beskriver hur varje implementation hanterar den experimentella arkitekturen.
En fortsatt agentuppgift måste budgetera källtext, konversation, genererat resonemang och verktygsobservationer tillsammans. Organisera användbara observationer och be det slutliga svaret skilja mellan belägg, antaganden och föreslagna åtgärder. För ett källberoende faktabaserat resultat tillhandahåller du det auktoritativa materialet eller ett lämpligt verktyg i stället för att förlita dig på bred träningskunskap. Utdatan förblir en text, kod eller analyspost som kan kontrolleras mot uppgiften och dess indata.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek-v3.2-exp-thinking | 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 $0.00058 / 1K token Utdata · Utdatatoken $0.00086 / 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-v3.2-exp-thinking","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-v3.2-exp-thinking", 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-v3.2-exp-thinking
/chat/completions