{ "aboutHtml": "

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": null, "copy_sha256": null, "copy_source": null, "html_sha256": "1f841619a38a7fd874f697ab7b3b9dcbbd8911e44dfcb88e3406d7788930e4bc", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "

DS

DeepSeek: DeepSeek V3.2

DeepSeek /deepseek-v3.2-thinking

Start

DeepSeek 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.

Godkända indata: Text
Resultat: Text

Om modellen

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.

Tillgängligt i Ailoot · indata & metoder

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions

Indatatyper: text
Utdatatyper: text
Utdataformat: json eller SSE

Fält	Typ	Krav	Värden & gränser	Standard
Fält`model`	Typ`string`	KravObligatoriskt	Värden & gränser deepseek-v3.2-thinking	Standard—
Fält`messages`	Typ`message[]`	KravObligatoriskt	Värden & gränser Minsta antal objekt: 1	Standard—
Fält`messages[].role`	Typ`string`	KravObligatoriskt	Värden & gränser Beror på modellen	Standard—
Fält`messages[].content`	Typ`string`	KravValfritt	Värden & gränser Gäller när: Textsamtal	Standard—
Fält`stream`	Typ`boolean`	KravValfritt	Värden & gränser	Standardfalse

Kombinationer av indatamaterial

Text · UTF8-text

messages[].content

Metodparametrar och livscykel

Parameter	Avtal
Parameter`content_type`	Avtalapplication/json
Parameter`required`	Avtalmodel, messages
Parameter`material_types`	Avtaltext
Parameter`messages`	Avtalmeddelandearray med strukturen role/content
Parameter`file_material`	Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds
Parameter`optional_controls`	Avtalstream
Parameter`control_scope`	AvtalTextsamtal; stream är ett booleskt värde och har false som standard.
Parameter`output_modalities`	Avtaltext
Parameter`hosted_operations`	Avtalfalse
Parameter`multimodal_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.

Priser

Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.

Snabbt läge: Ej angivet När snabbt läge är valt
Flex-läge: Ej angivet När läget flex är valt
Högsta resonemangsnivå: Ej angivet När den högsta resonemangsnivån använder standardjusteringen (default)

Ailoot-priser

Priser efter konfiguration

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 →

Exempelbegäranden

Ailoot Ultra · OpenAI Chat

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-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\n

from 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-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"))\n

Ta emot och spara resultat

Ailoot Ultra · OpenAI Chat

json eller SSE

Behåll alla färdiga resultat

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.

Om det ursprungliga svaret behöver kontrolleras

Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.

Svarsfält

Fält	Typ
Fält`choices[].index`	Typinteger
Fält`choices[].message.content`	Typstring\|null
Fält`choices[].message.tool_calls`	Typtool_call[]
Fält`choices[].message.reasoning_content`	Typstring
Fält`choices[].message.reasoning_details`	Typobject\|array
Fält`choices[].finish_reason`	Typstring\|null
Fält`usage`	Typobject

Fel och nästa steg

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.

Alias

Modellalias

Ailoot Ultra deepseek-v3.2-thinking

Alias för metodsökvägar

/chat/completions

Relaterade anropar-ID:n

deepseek-v3.2-thinking

", "method_identity": { "effective_request_model_id": "deepseek-v3.2-thinking", "fmt": "chat", "http": "POST", "path": "/v1/chat/completions", "request_model_id": "deepseek-v3.2-thinking", "route_label": "Ultra" }, "method_key": "Ultra|chat|/v1/chat/completions|deepseek-v3.2-thinking", "ordinal": 0, "rawMethod": { "available": null, "cache_read": 0, "cache_write": 0, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every choice and its content/tool calls/reasoning. In SSE assemble deltas by choice/tool index, retain the final finish reason and usage.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "errors": [ { "code": null, "condition": "Ogiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde", "http_status": 400, "recovery": "Korrigera de angivna fälten före en ny begäran om att skapa.", "type": "invalid_request_error" } ], "hints": [ "Model context is not an output cap.", "Send the conversation as text messages. Stream must be a boolean; omitted stream defaults to false." ], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/chat/completions" }, "job_read": null, "mode": "synchronous_or_streamed", "unknown": "Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls." }, "material_combinations": [ { "mode": "text", "representation": "messages[].content", "required_material": "UTF8-text" } ], "operation_modes": [ "conversation" ], "outputs": { "all_results": "Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.", "family": "text", "fields": [ { "description": null, "name": "choices[].index", "type": "integer" }, { "description": null, "name": "choices[].message.content", "type": "string|null" }, { "description": null, "name": "choices[].message.tool_calls", "type": "tool_call[]" }, { "description": null, "name": "choices[].message.reasoning_content", "type": "string" }, { "description": null, "name": "choices[].message.reasoning_details", "type": "object|array" }, { "description": null, "name": "choices[].finish_reason", "type": "string|null" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json eller SSE" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "deepseek-v3.2-thinking" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "messages", "required": true, "type": "message[]" }, { "availability": "model_dependent", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].role", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].content", "required": false, "type": "string", "when": "Textsamtal" }, { "availability": "source_interface", "default": false, "default_known": true, "enum": null, "enum_known": false, "name": "stream", "required": false, "type": "boolean" } ], "profile_binding": "Text conversation at the exact model ID and method path.", "unsupported": [ "additional models/models list", "plugins", "route", "hosted tools; ordinary client function tools remain separate", "non-text output modalities", "provider.options overrides", "one-hour prompt-cache TTL" ] }, "hints": [ "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." ], "input": { "content_type": "application/json", "control_scope": "Textsamtal; stream är ett booleskt värde och har false som standard.", "file_material": "det faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds", "hosted_operations": false, "material_types": [ "text" ], "messages": "meddelandearray med strukturen role/content", "multimodal_input_binding": null, "optional_controls": [ "stream" ], "output_modalities": [ "text" ], "required": [ "model", "messages" ] }, "lifecycle": { "mode": "synchronous_or_streamed", "unknown": "preserve original request id; no generic chat job retrieval path" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/chat/completions" }, "method_aliases": [ "/chat/completions" ], "operation_modes": [ "text_chat" ], "output": { "content": "choices[].message.content or stream delta", "family": "text", "format": "json or supported SSE", "tool_calls": "retain actual returned function calls" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Grundpriser för token", "units": [ { "amount": "0.00058000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000058", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.00086000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.00000086", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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-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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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-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\"))\n", "label": "Python SDK · all choices", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "chat", "hints": [ "Send exact model ID with messages.", "Context length is not an output cap.", "A text file may supply literal text; image/audio/file-object inputs need exact binding." ], "http": "POST", "in": 0.58, "input": [ "text" ], "label": "OpenAI Chat", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [ "/chat/completions" ], "out": 0.86, "output": [ "text" ], "path": "/v1/chat/completions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00058000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000058", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.00086000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.00000086", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "deepseek-v3.2-thinking", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00058000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000058", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.00086000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.00000086", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "deepseek-v3.2-thinking", "nativeProvenance": { "input_facts_canonical_sha256": "20fad61242e2bddd872a7810728b7bfb3cba296fec999017751a940c839b3819", "input_html_sha256": "0c7ae20ffec87a1ed01d6cf53a3843a33cd2fa9b15f181fe96e7caf76fc355f8", "private_audit_sha256": "2e74a4b8c4f1ad089568862f78634f43eac2ca21be8d8e5802492881d8f19251", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/sv/deepseek-v3-2-thinking/", "description": "DeepSeek 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.", "locale": "sv", "md_url": "https://ailoot.ai/models/sv/deepseek-v3-2-thinking/index.md", "title": "DeepSeek: DeepSeek V3.2 — Ailoot", "url": "https://ailoot.ai/models/sv/deepseek-v3-2-thinking/" }, "rawModel": { "about": "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.", "alias_of": null, "aliases": [], "author": "DeepSeek", "capabilities": { "context_length": 163840, "manufacturer_input": [ "text" ], "manufacturer_output": [ "text" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00058000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000058", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.00086000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.00000086", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "Fullständig prissättning för konfigurationen finns i detaljerna." } ], "ctx": null, "formats": [ "chat" ], "id": "deepseek-v3.2-thinking", "input": [ "text" ], "kind": "text", "max_out": null, "methods": [ { "available": null, "cache_read": 0, "cache_write": 0, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every choice and its content/tool calls/reasoning. In SSE assemble deltas by choice/tool index, retain the final finish reason and usage.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "errors": [ { "code": null, "condition": "Ogiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde", "http_status": 400, "recovery": "Korrigera de angivna fälten före en ny begäran om att skapa.", "type": "invalid_request_error" } ], "hints": [ "Model context is not an output cap.", "Send the conversation as text messages. Stream must be a boolean; omitted stream defaults to false." ], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/chat/completions" }, "job_read": null, "mode": "synchronous_or_streamed", "unknown": "Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls." }, "material_combinations": [ { "mode": "text", "representation": "messages[].content", "required_material": "UTF8-text" } ], "operation_modes": [ "conversation" ], "outputs": { "all_results": "Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.", "family": "text", "fields": [ { "description": null, "name": "choices[].index", "type": "integer" }, { "description": null, "name": "choices[].message.content", "type": "string|null" }, { "description": null, "name": "choices[].message.tool_calls", "type": "tool_call[]" }, { "description": null, "name": "choices[].message.reasoning_content", "type": "string" }, { "description": null, "name": "choices[].message.reasoning_details", "type": "object|array" }, { "description": null, "name": "choices[].finish_reason", "type": "string|null" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json eller SSE" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "deepseek-v3.2-thinking" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "messages", "required": true, "type": "message[]" }, { "availability": "model_dependent", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].role", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "messages[].content", "required": false, "type": "string", "when": "Textsamtal" }, { "availability": "source_interface", "default": false, "default_known": true, "enum": null, "enum_known": false, "name": "stream", "required": false, "type": "boolean" } ], "profile_binding": "Text conversation at the exact model ID and method path.", "unsupported": [ "additional models/models list", "plugins", "route", "hosted tools; ordinary client function tools remain separate", "non-text output modalities", "provider.options overrides", "one-hour prompt-cache TTL" ] }, "hints": [ "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." ], "input": { "content_type": "application/json", "control_scope": "Textsamtal; stream är ett booleskt värde och har false som standard.", "file_material": "det faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds", "hosted_operations": false, "material_types": [ "text" ], "messages": "meddelandearray med strukturen role/content", "multimodal_input_binding": null, "optional_controls": [ "stream" ], "output_modalities": [ "text" ], "required": [ "model", "messages" ] }, "lifecycle": { "mode": "synchronous_or_streamed", "unknown": "preserve original request id; no generic chat job retrieval path" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/chat/completions" }, "method_aliases": [ "/chat/completions" ], "operation_modes": [ "text_chat" ], "output": { "content": "choices[].message.content or stream delta", "family": "text", "format": "json or supported SSE", "tool_calls": "retain actual returned function calls" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Grundpriser för token", "units": [ { "amount": "0.00058000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000058", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.00086000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.00000086", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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-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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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-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\"))\n", "label": "Python SDK · all choices", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "chat", "hints": [ "Send exact model ID with messages.", "Context length is not an output cap.", "A text file may supply literal text; image/audio/file-object inputs need exact binding." ], "http": "POST", "in": 0.58, "input": [ "text" ], "label": "OpenAI Chat", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [ "/chat/completions" ], "out": 0.86, "output": [ "text" ], "path": "/v1/chat/completions", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00058000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000058", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.00086000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.00000086", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "deepseek-v3.2-thinking", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00058000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000058", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0.00086000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0.00000086", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "deepseek-v3.2-thinking", "request_model_id": "deepseek-v3.2-thinking", "route_label": "Ultra" } ], "name": "DeepSeek: DeepSeek V3.2", "price": { "in": 0.58, "in_label": null, "out": 0.86, "out_label": null, "scope_label": "Token rates", "sort_in": 0.58, "sort_out": 0.86, "varies": false }, "short": "DeepSeek 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." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "DeepSeek 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.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "c9952c8c8daeb79637880452fa49d4c406157d9ba89aa1915814c73d62331b7a", "renderer_sha256": "8a45bb31b83d2551e6d975cf4683518c7cb445a54b9394a01947f4dd103f1051" }, "sourceRevision": "3631db6810b34a16aaf4a93d2e9601b36ee621770994265f472412651a9b800d" }