DeepSeek V4 Flash 0731 är den officiella utgåvan av Flash-grenen och ersätter dess förhandsversion. Dess praktiska fokus omfattar kodning och agentarbete: att tolka ett tillhandahållet kodförråd, föreslå en ändring, använda verktygsobservationer och returnera ett resultat som anroparen kan granska. Behåll utgåvan 0731 tillsammans med ett sparat resultat när du jämför det med Flash Preview, Pro 0813 eller V4.1 Flash.
Ange den verkliga uppgiften, relevanta filer eller dokumentavsnitt, begränsningarna och det förväntade resultatet. För en ändring i ett kodförråd inkluderar du den berörda koden, det observerade beteendet och kommandot eller förfrågan som återskapar problemet. Ange om leveransen är en förklaring, en föreslagen patch, en lista med iakttagelser eller en strukturerad plan.
En användbar felsökningsbeskrivning är: ”Använd den tillhandahållna rutthanteraren, valideringsschemat och den felande förfrågan. Förklara var indata avviker från schemat, föreslå minsta möjliga ändring och identifiera den befintliga kontroll som skulle skilja ut ett korrigerat resultat.” För en dokumentuppgift namnger du de tillhandahållna avsnitten och ber om en tabell med krav, belägg och olösta frågor. Detta är illustrativa uppgiftsbeskrivningar; inkludera det verkliga källmaterialet med förfrågan.
Tillverkarens format stöder direkt chatt och thinking. Direkt chatt returnerar svarsinnehållet direkt. Thinking skiljer modellens resonemangsfält från dess slutliga svar. I thinking-läget är de dokumenterade nivåerna low, high och max, med low som standard. Denna utgåva använder dessa namngivna nivåer i stället för V4.1 Flashs heltalsskala för resonemangsnivå.
Välj läge utifrån arbetet. En kort formulering kan ange fakta som ska behållas och tonen i ersättningstexten. En komplicerad uppgift i ett kodförråd kan definiera undersökningsstegen, det relevanta underlaget och en kompakt slutrapport. Håll det önskade slutresultatet tydligt även vid högre thinking-nivå, exempelvis en föreslagen diff med en kort förklaring och de kommandon som behövs för att granska den.
Det ursprungliga formatet stöder meddelanden över flera turer och verktygsdefinitioner med namngivna parametrar och scheman. Modellen kan returnera ett begärt verktygsanrop; applikationen utför operationen och skickar tillbaka den resulterande observationen i nästa tur. Håll verktygsresultat kopplade till motsvarande anrop och bevara ordningen när flera observationer returneras.
För ett flöde som granskar filer exponerar du den verkliga filläsningsoperationen, beskriver dess indatasökväg och returnerar det observerade innehållet. Be modellen grunda nästa förslag i det innehållet. För ett dataflöde tillhandahåller du frågeoperationen och returnerar de verkliga posterna; be om en beräkning eller sammanfattning utifrån dessa poster. Ett returnerat anrop och en utförd operation är separata steg på vägen till det begärda resultatet.
Tillverkarens kodare bevarar resonemangskontexten genom verktygskonversationer. I vanlig chatt tar den normalt bort resonemang från tidigare turer före det senaste användarmeddelandet. Använd de dokumenterade meddelandefälten och konversationshanteringen när du bevarar ett flerstegsflöde. Referenstolken förväntar sig korrekt formaterade utdata, så kontrollera ett tolkat anrops namn och parametrar innan det körs och behåll ett ogiltigt resultat för granskning.
Den daterade modellkonfigurationen anger 1,048,576 sekvenspositioner. Inkludera tillhandahållet material, konversationshistorik, verktygsdefinitioner, returnerade observationer och genererat svar när du förbereder en sekvens. Ge modellen ett användbart svarsmål, såsom en liten patch, en beläggstabell eller en numrerad plan, i stället för att fylla tillgängligt utrymme med ovidkommande filer.
Tillverkarens lokala recept rekommenderar temperature 1.0, med top_p 0.95 för agentarbete och 1.0 annars. För thinking-nivåerna high och max rekommenderas en maximal utdatalängd på 384K token. Detta är publicerade receptinställningar och en rekommendation för genereringsbudgeten; sekvensbudgeten måste fortfarande rymma resten av förfrågan.
Utgåvan 0731 använder Flash DSpark-strukturen, inklusive en ansluten modul för spekulativ avkodning. Den underliggande Flash-stommen är en expertblandningsmodell som beskrivs med 284 miljarder parametrar totalt och 13 miljarder aktiverade per token. Håll dessa stomtal skilda från eventuella ytterligare modulvikter. Den exakta daterade konfigurationen har 43 lager, 256 dirigerade experter, en delad expert och sex valda experter per token.
Den användbara utdatan är fortfarande det svar, kodförslag, strukturerade fynd eller nästa arbetssteg som anroparen har begärt. Granska en kodändring mot de tillhandahållna filerna och det observerade felet. Granska en dokumentslutsats mot det citerade avsnittet eller den returnerade posten. Spara modellutgåvan, uppgiftsbeskrivningen och relevanta observationer med resultatet så att en senare jämförelse använder samma problem och underlag.
", "aboutText": "DeepSeek V4 Flash 0731 är den officiella utgåvan av Flash-grenen och ersätter dess förhandsversion. Dess praktiska fokus omfattar kodning och agentarbete: att tolka ett tillhandahållet kodförråd, föreslå en ändring, använda verktygsobservationer och returnera ett resultat som anroparen kan granska. Behåll utgåvan 0731 tillsammans med ett sparat resultat när du jämför det med Flash Preview, Pro 0813 eller V4.1 Flash.\n\n### Börja med materialet och resultatet\n\nAnge den verkliga uppgiften, relevanta filer eller dokumentavsnitt, begränsningarna och det förväntade resultatet. För en ändring i ett kodförråd inkluderar du den berörda koden, det observerade beteendet och kommandot eller förfrågan som återskapar problemet. Ange om leveransen är en förklaring, en föreslagen patch, en lista med iakttagelser eller en strukturerad plan.\n\nEn användbar felsökningsbeskrivning är: ”Använd den tillhandahållna rutthanteraren, valideringsschemat och den felande förfrågan. Förklara var indata avviker från schemat, föreslå minsta möjliga ändring och identifiera den befintliga kontroll som skulle skilja ut ett korrigerat resultat.” För en dokumentuppgift namnger du de tillhandahållna avsnitten och ber om en tabell med krav, belägg och olösta frågor. Detta är illustrativa uppgiftsbeskrivningar; inkludera det verkliga källmaterialet med förfrågan.\n\n### Välj direkt chatt eller thinking\n\nTillverkarens format stöder direkt chatt och thinking. Direkt chatt returnerar svarsinnehållet direkt. Thinking skiljer modellens resonemangsfält från dess slutliga svar. I thinking-läget är de dokumenterade nivåerna low, high och max, med low som standard. Denna utgåva använder dessa namngivna nivåer i stället för V4.1 Flashs heltalsskala för resonemangsnivå.\n\nVälj läge utifrån arbetet. En kort formulering kan ange fakta som ska behållas och tonen i ersättningstexten. En komplicerad uppgift i ett kodförråd kan definiera undersökningsstegen, det relevanta underlaget och en kompakt slutrapport. Håll det önskade slutresultatet tydligt även vid högre thinking-nivå, exempelvis en föreslagen diff med en kort förklaring och de kommandon som behövs för att granska den.\n\n### Anslut verktyg genom ett applikationsflöde\n\nDet ursprungliga formatet stöder meddelanden över flera turer och verktygsdefinitioner med namngivna parametrar och scheman. Modellen kan returnera ett begärt verktygsanrop; applikationen utför operationen och skickar tillbaka den resulterande observationen i nästa tur. Håll verktygsresultat kopplade till motsvarande anrop och bevara ordningen när flera observationer returneras.\n\nFör ett flöde som granskar filer exponerar du den verkliga filläsningsoperationen, beskriver dess indatasökväg och returnerar det observerade innehållet. Be modellen grunda nästa förslag i det innehållet. För ett dataflöde tillhandahåller du frågeoperationen och returnerar de verkliga posterna; be om en beräkning eller sammanfattning utifrån dessa poster. Ett returnerat anrop och en utförd operation är separata steg på vägen till det begärda resultatet.\n\nTillverkarens kodare bevarar resonemangskontexten genom verktygskonversationer. I vanlig chatt tar den normalt bort resonemang från tidigare turer före det senaste användarmeddelandet. Använd de dokumenterade meddelandefälten och konversationshanteringen när du bevarar ett flerstegsflöde. Referenstolken förväntar sig korrekt formaterade utdata, så kontrollera ett tolkat anrops namn och parametrar innan det körs och behåll ett ogiltigt resultat för granskning.\n\n### Budgetera konversationen och svaret\n\nDen daterade modellkonfigurationen anger 1,048,576 sekvenspositioner. Inkludera tillhandahållet material, konversationshistorik, verktygsdefinitioner, returnerade observationer och genererat svar när du förbereder en sekvens. Ge modellen ett användbart svarsmål, såsom en liten patch, en beläggstabell eller en numrerad plan, i stället för att fylla tillgängligt utrymme med ovidkommande filer.\n\nTillverkarens lokala recept rekommenderar temperature 1.0, med top_p 0.95 för agentarbete och 1.0 annars. För thinking-nivåerna high och max rekommenderas en maximal utdatalängd på 384K token. Detta är publicerade receptinställningar och en rekommendation för genereringsbudgeten; sekvensbudgeten måste fortfarande rymma resten av förfrågan.\n\n### Håll utgåvan och arkitekturen åtskilda\n\nUtgåvan 0731 använder Flash DSpark-strukturen, inklusive en ansluten modul för spekulativ avkodning. Den underliggande Flash-stommen är en expertblandningsmodell som beskrivs med 284 miljarder parametrar totalt och 13 miljarder aktiverade per token. Håll dessa stomtal skilda från eventuella ytterligare modulvikter. Den exakta daterade konfigurationen har 43 lager, 256 dirigerade experter, en delad expert och sex valda experter per token.\n\nDen användbara utdatan är fortfarande det svar, kodförslag, strukturerade fynd eller nästa arbetssteg som anroparen har begärt. Granska en kodändring mot de tillhandahållna filerna och det observerade felet. Granska en dokumentslutsats mot det citerade avsnittet eller den returnerade posten. Spara modellutgåvan, uppgiftsbeskrivningen och relevanta observationer med resultatet så att en senare jämförelse använder samma problem och underlag.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Repair a required-field check\n\nA route rejects only if not payload.get("quantity"). The contract requires quantity to be an integer greater than zero, excluding booleans. Explain why inputs {"quantity": -2} and {"quantity": true} expose a problem. Propose a small Python validation patch and cases for missing, zero, negative, boolean and positive values.A diagnosis, a focused validation patch and five input cases with accept or reject expectations.Check that Python booleans are not accepted as integers and positive whole quantities still pass.deepseek-v4-flash-0731DeepSeek V4 Flash 0731 är den officiella Flash-utgåvan för text, kodning och agentarbetsflöden. Den erbjuder lägen för direktchatt och tänkande, strukturerade utdata för verktygsanrop och en modellkontext på en miljon token; den daterade utgåvan innehåller DSpark-modulen för spekulativ avkodning.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek V4 Flash 0731 är den officiella utgåvan av Flash-grenen och ersätter dess förhandsversion. Dess praktiska fokus omfattar kodning och agentarbete: att tolka ett tillhandahållet kodförråd, föreslå en ändring, använda verktygsobservationer och returnera ett resultat som anroparen kan granska. Behåll utgåvan 0731 tillsammans med ett sparat resultat när du jämför det med Flash Preview, Pro 0813 eller V4.1 Flash.
Ange den verkliga uppgiften, relevanta filer eller dokumentavsnitt, begränsningarna och det förväntade resultatet. För en ändring i ett kodförråd inkluderar du den berörda koden, det observerade beteendet och kommandot eller förfrågan som återskapar problemet. Ange om leveransen är en förklaring, en föreslagen patch, en lista med iakttagelser eller en strukturerad plan.
En användbar felsökningsbeskrivning är: ”Använd den tillhandahållna rutthanteraren, valideringsschemat och den felande förfrågan. Förklara var indata avviker från schemat, föreslå minsta möjliga ändring och identifiera den befintliga kontroll som skulle skilja ut ett korrigerat resultat.” För en dokumentuppgift namnger du de tillhandahållna avsnitten och ber om en tabell med krav, belägg och olösta frågor. Detta är illustrativa uppgiftsbeskrivningar; inkludera det verkliga källmaterialet med förfrågan.
Tillverkarens format stöder direkt chatt och thinking. Direkt chatt returnerar svarsinnehållet direkt. Thinking skiljer modellens resonemangsfält från dess slutliga svar. I thinking-läget är de dokumenterade nivåerna low, high och max, med low som standard. Denna utgåva använder dessa namngivna nivåer i stället för V4.1 Flashs heltalsskala för resonemangsnivå.
Välj läge utifrån arbetet. En kort formulering kan ange fakta som ska behållas och tonen i ersättningstexten. En komplicerad uppgift i ett kodförråd kan definiera undersökningsstegen, det relevanta underlaget och en kompakt slutrapport. Håll det önskade slutresultatet tydligt även vid högre thinking-nivå, exempelvis en föreslagen diff med en kort förklaring och de kommandon som behövs för att granska den.
Det ursprungliga formatet stöder meddelanden över flera turer och verktygsdefinitioner med namngivna parametrar och scheman. Modellen kan returnera ett begärt verktygsanrop; applikationen utför operationen och skickar tillbaka den resulterande observationen i nästa tur. Håll verktygsresultat kopplade till motsvarande anrop och bevara ordningen när flera observationer returneras.
För ett flöde som granskar filer exponerar du den verkliga filläsningsoperationen, beskriver dess indatasökväg och returnerar det observerade innehållet. Be modellen grunda nästa förslag i det innehållet. För ett dataflöde tillhandahåller du frågeoperationen och returnerar de verkliga posterna; be om en beräkning eller sammanfattning utifrån dessa poster. Ett returnerat anrop och en utförd operation är separata steg på vägen till det begärda resultatet.
Tillverkarens kodare bevarar resonemangskontexten genom verktygskonversationer. I vanlig chatt tar den normalt bort resonemang från tidigare turer före det senaste användarmeddelandet. Använd de dokumenterade meddelandefälten och konversationshanteringen när du bevarar ett flerstegsflöde. Referenstolken förväntar sig korrekt formaterade utdata, så kontrollera ett tolkat anrops namn och parametrar innan det körs och behåll ett ogiltigt resultat för granskning.
Den daterade modellkonfigurationen anger 1,048,576 sekvenspositioner. Inkludera tillhandahållet material, konversationshistorik, verktygsdefinitioner, returnerade observationer och genererat svar när du förbereder en sekvens. Ge modellen ett användbart svarsmål, såsom en liten patch, en beläggstabell eller en numrerad plan, i stället för att fylla tillgängligt utrymme med ovidkommande filer.
Tillverkarens lokala recept rekommenderar temperature 1.0, med top_p 0.95 för agentarbete och 1.0 annars. För thinking-nivåerna high och max rekommenderas en maximal utdatalängd på 384K token. Detta är publicerade receptinställningar och en rekommendation för genereringsbudgeten; sekvensbudgeten måste fortfarande rymma resten av förfrågan.
Utgåvan 0731 använder Flash DSpark-strukturen, inklusive en ansluten modul för spekulativ avkodning. Den underliggande Flash-stommen är en expertblandningsmodell som beskrivs med 284 miljarder parametrar totalt och 13 miljarder aktiverade per token. Håll dessa stomtal skilda från eventuella ytterligare modulvikter. Den exakta daterade konfigurationen har 43 lager, 256 dirigerade experter, en delad expert och sex valda experter per token.
Den användbara utdatan är fortfarande det svar, kodförslag, strukturerade fynd eller nästa arbetssteg som anroparen har begärt. Granska en kodändring mot de tillhandahållna filerna och det observerade felet. Granska en dokumentslutsats mot det citerade avsnittet eller den returnerade posten. Spara modellutgåvan, uppgiftsbeskrivningen och relevanta observationer med resultatet så att en senare jämförelse använder samma problem och underlag.
POST /v1/messagestexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek-v4-flash-0731 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring|content_block[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältsystem | Typstring|content_block[] | KravValfritt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser Minimum: 1 Gränsen gäller för: den exakta gränsen för den valda modellen/det valda kortet | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop_sequences | Typstring[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typtool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].name | Typstring | KravValfritt | Värden & gränser Gäller när: verktyg har tillhandahållits | Standard— |
Fälttools[].description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].input_schema | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältthinking.type | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältthinking.budget_tokens | Typinteger | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältoutput_config.effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmetadata | Typobject | KravValfritt | Värden & gränser | Standard— |
Fältcache_control | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Text · UTF8-text
messages[].content eller ett type=text-block
| Parameter | Avtal |
|---|---|
Parametermaterial_types | Avtaltext |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalnull |
Parametercontent_type | Avtalapplication/json |
Parametertext_file_material | Avtalfaktiskt UTF-8-innehåll infogat som text; fil-ID:n/URLs kräver separat, exakt definierat stöd |
Livscykel: exact retained published method
Metodernas strukturer och ID:n är exakta; leverantörens funktioner är åtskilda från att begäran tillåts.
POST /v1/messagesAiloot 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 →
Referensprislistor på modellnivå ändrar inte metodval, prisuppgifter eller avgifter. Aktiva avgifter använder priserna för den valda Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Grundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00088 / 1K token Utdata · Utdatatoken $0.00264 / 1K token Indata · Cacheläsning $0.000056 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationOpenAI Chat · Nivå 1 baserad på begärans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00088 / 1K token Utdata · Utdatatoken $0.00264 / 1K token Indata · Cacheläsning $0.000056 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationAnthropic Messages · Grundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00088 / 1K token Utdata · Utdatatoken $0.00264 / 1K token Indata · Cacheläsning $0.000056 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationAnthropic Messages · Nivå 1 baserad på begärans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00088 / 1K token Utdata · Utdatatoken $0.00264 / 1K token Indata · Cacheläsning $0.000056 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-v4-flash-0731", "max_tokens": 1024, "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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/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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\nimport anthropic\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient = anthropic.Anthropic(base_url="https://api.ailoot.ai", api_key=os.environ["AILOOT_API_KEY"], max_retries=0)\nmsg = client.messages.create(\n model="deepseek-v4-flash-0731",\n max_tokens=1024,\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(msg.to_dict(mode="json"))\nimport Anthropic from "@anthropic-ai/sdk";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new Anthropic({ baseURL: "https://api.ailoot.ai", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst msg = await client.messages.create({\n model: "deepseek-v4-flash-0731",\n max_tokens: 1024,\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(msg);\nimport anthropic,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=anthropic.Anthropic(base_url="https://api.ailoot.ai",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.messages.stream(model='deepseek-v4-flash-0731',max_tokens=1024,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_message()\n save_result(final.to_dict(mode="json"),"stream-result")\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 deepseek-v4-flash-0731
Ailoot Ultra deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest
Använd metodsökvägarna som visas ovan.
deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest, deepseek-v4-flash-0731
deepseek-v4-flash-0731DeepSeek V4 Flash 0731 är den officiella Flash-utgåvan för text, kodning och agentarbetsflöden. Den erbjuder lägen för direktchatt och tänkande, strukturerade utdata för verktygsanrop och en modellkontext på en miljon token; den daterade utgåvan innehåller DSpark-modulen för spekulativ avkodning.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek V4 Flash 0731 är den officiella utgåvan av Flash-grenen och ersätter dess förhandsversion. Dess praktiska fokus omfattar kodning och agentarbete: att tolka ett tillhandahållet kodförråd, föreslå en ändring, använda verktygsobservationer och returnera ett resultat som anroparen kan granska. Behåll utgåvan 0731 tillsammans med ett sparat resultat när du jämför det med Flash Preview, Pro 0813 eller V4.1 Flash.
Ange den verkliga uppgiften, relevanta filer eller dokumentavsnitt, begränsningarna och det förväntade resultatet. För en ändring i ett kodförråd inkluderar du den berörda koden, det observerade beteendet och kommandot eller förfrågan som återskapar problemet. Ange om leveransen är en förklaring, en föreslagen patch, en lista med iakttagelser eller en strukturerad plan.
En användbar felsökningsbeskrivning är: ”Använd den tillhandahållna rutthanteraren, valideringsschemat och den felande förfrågan. Förklara var indata avviker från schemat, föreslå minsta möjliga ändring och identifiera den befintliga kontroll som skulle skilja ut ett korrigerat resultat.” För en dokumentuppgift namnger du de tillhandahållna avsnitten och ber om en tabell med krav, belägg och olösta frågor. Detta är illustrativa uppgiftsbeskrivningar; inkludera det verkliga källmaterialet med förfrågan.
Tillverkarens format stöder direkt chatt och thinking. Direkt chatt returnerar svarsinnehållet direkt. Thinking skiljer modellens resonemangsfält från dess slutliga svar. I thinking-läget är de dokumenterade nivåerna low, high och max, med low som standard. Denna utgåva använder dessa namngivna nivåer i stället för V4.1 Flashs heltalsskala för resonemangsnivå.
Välj läge utifrån arbetet. En kort formulering kan ange fakta som ska behållas och tonen i ersättningstexten. En komplicerad uppgift i ett kodförråd kan definiera undersökningsstegen, det relevanta underlaget och en kompakt slutrapport. Håll det önskade slutresultatet tydligt även vid högre thinking-nivå, exempelvis en föreslagen diff med en kort förklaring och de kommandon som behövs för att granska den.
Det ursprungliga formatet stöder meddelanden över flera turer och verktygsdefinitioner med namngivna parametrar och scheman. Modellen kan returnera ett begärt verktygsanrop; applikationen utför operationen och skickar tillbaka den resulterande observationen i nästa tur. Håll verktygsresultat kopplade till motsvarande anrop och bevara ordningen när flera observationer returneras.
För ett flöde som granskar filer exponerar du den verkliga filläsningsoperationen, beskriver dess indatasökväg och returnerar det observerade innehållet. Be modellen grunda nästa förslag i det innehållet. För ett dataflöde tillhandahåller du frågeoperationen och returnerar de verkliga posterna; be om en beräkning eller sammanfattning utifrån dessa poster. Ett returnerat anrop och en utförd operation är separata steg på vägen till det begärda resultatet.
Tillverkarens kodare bevarar resonemangskontexten genom verktygskonversationer. I vanlig chatt tar den normalt bort resonemang från tidigare turer före det senaste användarmeddelandet. Använd de dokumenterade meddelandefälten och konversationshanteringen när du bevarar ett flerstegsflöde. Referenstolken förväntar sig korrekt formaterade utdata, så kontrollera ett tolkat anrops namn och parametrar innan det körs och behåll ett ogiltigt resultat för granskning.
Den daterade modellkonfigurationen anger 1,048,576 sekvenspositioner. Inkludera tillhandahållet material, konversationshistorik, verktygsdefinitioner, returnerade observationer och genererat svar när du förbereder en sekvens. Ge modellen ett användbart svarsmål, såsom en liten patch, en beläggstabell eller en numrerad plan, i stället för att fylla tillgängligt utrymme med ovidkommande filer.
Tillverkarens lokala recept rekommenderar temperature 1.0, med top_p 0.95 för agentarbete och 1.0 annars. För thinking-nivåerna high och max rekommenderas en maximal utdatalängd på 384K token. Detta är publicerade receptinställningar och en rekommendation för genereringsbudgeten; sekvensbudgeten måste fortfarande rymma resten av förfrågan.
Utgåvan 0731 använder Flash DSpark-strukturen, inklusive en ansluten modul för spekulativ avkodning. Den underliggande Flash-stommen är en expertblandningsmodell som beskrivs med 284 miljarder parametrar totalt och 13 miljarder aktiverade per token. Håll dessa stomtal skilda från eventuella ytterligare modulvikter. Den exakta daterade konfigurationen har 43 lager, 256 dirigerade experter, en delad expert och sex valda experter per token.
Den användbara utdatan är fortfarande det svar, kodförslag, strukturerade fynd eller nästa arbetssteg som anroparen har begärt. Granska en kodändring mot de tillhandahållna filerna och det observerade felet. Granska en dokumentslutsats mot det citerade avsnittet eller den returnerade posten. Spara modellutgåvan, uppgiftsbeskrivningen och relevanta observationer med resultatet så att en senare jämförelse använder samma problem och underlag.
POST /v1/responsestexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek-v4-flash-0731 | Standard— |
Fältinput | Typstring|input_item[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältinput[].type | Typstring | KravValfritt | Värden & gränser message, reasoning, function_call, function_call_output | Standard— |
Fältinput[].content | Typstring|content_part[] | KravValfritt | Värden & gränser | Standard— |
Fältinput[].call_id | Typstring | KravValfritt | Värden & gränser Gäller när: function_call_output; behåll det faktiska returnerade call_id | Standard— |
Fältinput[].output | Typstring|content_part[] | KravValfritt | Värden & gränser Gäller när: function_call_output | Standard— |
Fältmax_output_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typtool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning.effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning.summary | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttext.format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttext.verbosity | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinclude | Typstring[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstore | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprevious_response_id | Typstring | KravValfritt | Värden & gränser ID-krav: Endast ett faktiskt svars-ID från en fortsättning som stöds Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_key | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Text · UTF8-text
indatatext eller en input_text-del
| Parameter | Avtal |
|---|---|
Parametermaterial_types | Avtaltext |
Parameterrequired | Avtalmodel, input |
Parameteroptional_controls | Avtalnull |
Parametercontent_type | Avtalapplication/json |
Parametertext_file_material | Avtalfaktiskt UTF-8-innehåll infogat som text; fil-ID:n/URLs kräver separat, exakt definierat stöd |
Livscykel: exact retained published method
Metodernas strukturer och ID:n är exakta; leverantörens funktioner är åtskilda från att begäran tillåts.
POST /v1/responsesAiloot 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 →
Referensprislistor på modellnivå ändrar inte metodval, prisuppgifter eller avgifter. Aktiva avgifter använder priserna för den valda Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Grundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00088 / 1K token Utdata · Utdatatoken $0.00264 / 1K token Indata · Cacheläsning $0.000056 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationOpenAI Chat · Nivå 1 baserad på begärans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00088 / 1K token Utdata · Utdatatoken $0.00264 / 1K token Indata · Cacheläsning $0.000056 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationAnthropic Messages · Grundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00088 / 1K token Utdata · Utdatatoken $0.00264 / 1K token Indata · Cacheläsning $0.000056 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationAnthropic Messages · Nivå 1 baserad på begärans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00088 / 1K token Utdata · Utdatatoken $0.00264 / 1K token Indata · Cacheläsning $0.000056 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-v4-flash-0731", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]="Summarize this material and quote supporting source passages.\\n\\n"+text\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/responses \\\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 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(json.loads(Path("result.json").read_text(encoding="utf-8")))\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)\nresp = client.responses.create(model="deepseek-v4-flash-0731", input="Explain the difference between an observation and a hypothesis 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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.responses.create({ model: "deepseek-v4-flash-0731", input: "Explain the difference between an observation and a hypothesis in three sentences." });\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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\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)\nwith client.responses.stream(model="deepseek-v4-flash-0731", input="Explain the difference between an observation and a hypothesis 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_response()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje utdatapost och innehållsdel, det faktiska call_id för funktionen, krypterat resonemang och användningsuppgifter. Bevara vid strömning den fullständiga identiteten för händelsen/posten.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältstatus | Typstring |
Fältoutput[] | Typmessage|reasoning|function_call|other item |
Fältoutput[].content[] | Typcontent part |
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 deepseek-v4-flash-0731
Ailoot Ultra deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest
Använd metodsökvägarna som visas ovan.
deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest, deepseek-v4-flash-0731
deepseek-v4-flash-0731DeepSeek V4 Flash 0731 är den officiella Flash-utgåvan för text, kodning och agentarbetsflöden. Den erbjuder lägen för direktchatt och tänkande, strukturerade utdata för verktygsanrop och en modellkontext på en miljon token; den daterade utgåvan innehåller DSpark-modulen för spekulativ avkodning.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek V4 Flash 0731 är den officiella utgåvan av Flash-grenen och ersätter dess förhandsversion. Dess praktiska fokus omfattar kodning och agentarbete: att tolka ett tillhandahållet kodförråd, föreslå en ändring, använda verktygsobservationer och returnera ett resultat som anroparen kan granska. Behåll utgåvan 0731 tillsammans med ett sparat resultat när du jämför det med Flash Preview, Pro 0813 eller V4.1 Flash.
Ange den verkliga uppgiften, relevanta filer eller dokumentavsnitt, begränsningarna och det förväntade resultatet. För en ändring i ett kodförråd inkluderar du den berörda koden, det observerade beteendet och kommandot eller förfrågan som återskapar problemet. Ange om leveransen är en förklaring, en föreslagen patch, en lista med iakttagelser eller en strukturerad plan.
En användbar felsökningsbeskrivning är: ”Använd den tillhandahållna rutthanteraren, valideringsschemat och den felande förfrågan. Förklara var indata avviker från schemat, föreslå minsta möjliga ändring och identifiera den befintliga kontroll som skulle skilja ut ett korrigerat resultat.” För en dokumentuppgift namnger du de tillhandahållna avsnitten och ber om en tabell med krav, belägg och olösta frågor. Detta är illustrativa uppgiftsbeskrivningar; inkludera det verkliga källmaterialet med förfrågan.
Tillverkarens format stöder direkt chatt och thinking. Direkt chatt returnerar svarsinnehållet direkt. Thinking skiljer modellens resonemangsfält från dess slutliga svar. I thinking-läget är de dokumenterade nivåerna low, high och max, med low som standard. Denna utgåva använder dessa namngivna nivåer i stället för V4.1 Flashs heltalsskala för resonemangsnivå.
Välj läge utifrån arbetet. En kort formulering kan ange fakta som ska behållas och tonen i ersättningstexten. En komplicerad uppgift i ett kodförråd kan definiera undersökningsstegen, det relevanta underlaget och en kompakt slutrapport. Håll det önskade slutresultatet tydligt även vid högre thinking-nivå, exempelvis en föreslagen diff med en kort förklaring och de kommandon som behövs för att granska den.
Det ursprungliga formatet stöder meddelanden över flera turer och verktygsdefinitioner med namngivna parametrar och scheman. Modellen kan returnera ett begärt verktygsanrop; applikationen utför operationen och skickar tillbaka den resulterande observationen i nästa tur. Håll verktygsresultat kopplade till motsvarande anrop och bevara ordningen när flera observationer returneras.
För ett flöde som granskar filer exponerar du den verkliga filläsningsoperationen, beskriver dess indatasökväg och returnerar det observerade innehållet. Be modellen grunda nästa förslag i det innehållet. För ett dataflöde tillhandahåller du frågeoperationen och returnerar de verkliga posterna; be om en beräkning eller sammanfattning utifrån dessa poster. Ett returnerat anrop och en utförd operation är separata steg på vägen till det begärda resultatet.
Tillverkarens kodare bevarar resonemangskontexten genom verktygskonversationer. I vanlig chatt tar den normalt bort resonemang från tidigare turer före det senaste användarmeddelandet. Använd de dokumenterade meddelandefälten och konversationshanteringen när du bevarar ett flerstegsflöde. Referenstolken förväntar sig korrekt formaterade utdata, så kontrollera ett tolkat anrops namn och parametrar innan det körs och behåll ett ogiltigt resultat för granskning.
Den daterade modellkonfigurationen anger 1,048,576 sekvenspositioner. Inkludera tillhandahållet material, konversationshistorik, verktygsdefinitioner, returnerade observationer och genererat svar när du förbereder en sekvens. Ge modellen ett användbart svarsmål, såsom en liten patch, en beläggstabell eller en numrerad plan, i stället för att fylla tillgängligt utrymme med ovidkommande filer.
Tillverkarens lokala recept rekommenderar temperature 1.0, med top_p 0.95 för agentarbete och 1.0 annars. För thinking-nivåerna high och max rekommenderas en maximal utdatalängd på 384K token. Detta är publicerade receptinställningar och en rekommendation för genereringsbudgeten; sekvensbudgeten måste fortfarande rymma resten av förfrågan.
Utgåvan 0731 använder Flash DSpark-strukturen, inklusive en ansluten modul för spekulativ avkodning. Den underliggande Flash-stommen är en expertblandningsmodell som beskrivs med 284 miljarder parametrar totalt och 13 miljarder aktiverade per token. Håll dessa stomtal skilda från eventuella ytterligare modulvikter. Den exakta daterade konfigurationen har 43 lager, 256 dirigerade experter, en delad expert och sex valda experter per token.
Den användbara utdatan är fortfarande det svar, kodförslag, strukturerade fynd eller nästa arbetssteg som anroparen har begärt. Granska en kodändring mot de tillhandahållna filerna och det observerade felet. Granska en dokumentslutsats mot det citerade avsnittet eller den returnerade posten. Spara modellutgåvan, uppgiftsbeskrivningen och relevanta observationer med resultatet så att en senare jämförelse använder samma problem och underlag.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek-v4-flash-0731 | 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 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— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametermaterial_types | Avtaltext |
Parameterrequired | Avtalmodel, messages |
Parameteroptional_controls | Avtalnull |
Parametercontent_type | Avtalapplication/json |
Parametertext_file_material | Avtalfaktiskt UTF-8-innehåll infogat som text; fil-ID:n/URLs kräver separat, exakt definierat stöd |
Livscykel: exact retained published method
Metodernas strukturer och ID:n är exakta; leverantörens funktioner är åtskilda från att begäran tillåts.
POST /v1/chat/completionsAiloot 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 →
Referensprislistor på modellnivå ändrar inte metodval, prisuppgifter eller avgifter. Aktiva avgifter använder priserna för den valda Ailoot-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 |
|---|---|---|---|---|
| KonfigurationOpenAI Chat · Grundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00088 / 1K token Utdata · Utdatatoken $0.00264 / 1K token Indata · Cacheläsning $0.000056 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationOpenAI Chat · Nivå 1 baserad på begärans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00088 / 1K token Utdata · Utdatatoken $0.00264 / 1K token Indata · Cacheläsning $0.000056 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationAnthropic Messages · Grundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00088 / 1K token Utdata · Utdatatoken $0.00264 / 1K token Indata · Cacheläsning $0.000056 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationAnthropic Messages · Nivå 1 baserad på begärans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00088 / 1K token Utdata · Utdatatoken $0.00264 / 1K token Indata · Cacheläsning $0.000056 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 source-material file}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-v4-flash-0731", "messages": []}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["messages"]=[{"role":"user","content":"Summarize this material and quote supporting source passages.\\n\\n"+text}]\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\nprint(json.dumps(json.loads(Path("result.json").read_text()),ensure_ascii=False,indent=2))\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)\nresp = client.chat.completions.create(\n model="deepseek-v4-flash-0731",\n messages=[{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}],\n)\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(resp.to_dict(mode="json"))\nimport OpenAI from "openai";\n\nif (!process.env.AILOOT_API_KEY?.trim()) throw new Error("Set AILOOT_API_KEY before making a request");\nconst client = new OpenAI({ baseURL: "https://api.ailoot.ai/v1", apiKey: process.env.AILOOT_API_KEY, maxRetries: 0 });\nconst resp = await client.chat.completions.create({\n model: "deepseek-v4-flash-0731",\n messages: [{ role: "user", content: "Explain the difference between an observation and a hypothesis in three sentences." }],\n});\nimport { writeFileSync } from "node:fs";\n\nfunction saveResult(data, stem = "result") {\n writeFileSync(stem + ".json", JSON.stringify(data, null, 2));\n console.log(JSON.stringify(data, null, 2));\n const saveBlob = (encoded, suffix, label) => {\n const raw = Buffer.from(encoded, "base64");\n const ext = raw.subarray(0,8).equals(Buffer.from([137,80,78,71,13,10,26,10])) ? "png" : raw[0]===255 && raw[1]===216 ? "jpg" : raw.subarray(0,4).toString()==="RIFF" && raw.subarray(8,12).toString()==="WEBP" ? "webp" : suffix;\n const file = `${stem}-${label}.${ext}`;\n writeFileSync(file, raw); console.log("Saved", file);\n };\n for (const [i, block] of (data.content || []).entries()) console.log("Content", i, JSON.stringify(block));\n for (const choice of data.choices || []) console.log("Choice", choice.index, JSON.stringify(choice.message || choice.delta || {}));\n for (const [i, item] of (data.output || []).entries()) {\n console.log("Output", i, JSON.stringify(item));\n if (item.type === "image_generation_call" && item.result) saveBlob(item.result, item.output_format || "bin", `output-${i}`);\n }\n for (const [ci, candidate] of (data.candidates || []).entries()) {\n for (const [pi, part] of (candidate.content?.parts || []).entries()) {\n console.log("Candidate/part", ci, pi, JSON.stringify(part));\n const blob = part.inlineData || part.inline_data;\n if (blob?.data) {\n const mime = blob.mimeType || blob.mime_type;\n const suffix = ({"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"})[mime] || "bin";\n saveBlob(blob.data, suffix, `candidate-${ci}-part-${pi}`);\n }\n }\n }\n}\n\nsaveResult(resp);\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-v4-flash-0731',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 deepseek-v4-flash-0731
Ailoot Ultra deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest
Använd metodsökvägarna som visas ovan.
deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest, deepseek-v4-flash-0731
deepseek/deepseek-v4-flash-0731DeepSeek V4 Flash 0731 är den officiella Flash-utgåvan för text, kodning och agentarbetsflöden. Den erbjuder lägen för direktchatt och tänkande, strukturerade utdata för verktygsanrop och en modellkontext på en miljon token; den daterade utgåvan innehåller DSpark-modulen för spekulativ avkodning.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek V4 Flash 0731 är den officiella utgåvan av Flash-grenen och ersätter dess förhandsversion. Dess praktiska fokus omfattar kodning och agentarbete: att tolka ett tillhandahållet kodförråd, föreslå en ändring, använda verktygsobservationer och returnera ett resultat som anroparen kan granska. Behåll utgåvan 0731 tillsammans med ett sparat resultat när du jämför det med Flash Preview, Pro 0813 eller V4.1 Flash.
Ange den verkliga uppgiften, relevanta filer eller dokumentavsnitt, begränsningarna och det förväntade resultatet. För en ändring i ett kodförråd inkluderar du den berörda koden, det observerade beteendet och kommandot eller förfrågan som återskapar problemet. Ange om leveransen är en förklaring, en föreslagen patch, en lista med iakttagelser eller en strukturerad plan.
En användbar felsökningsbeskrivning är: ”Använd den tillhandahållna rutthanteraren, valideringsschemat och den felande förfrågan. Förklara var indata avviker från schemat, föreslå minsta möjliga ändring och identifiera den befintliga kontroll som skulle skilja ut ett korrigerat resultat.” För en dokumentuppgift namnger du de tillhandahållna avsnitten och ber om en tabell med krav, belägg och olösta frågor. Detta är illustrativa uppgiftsbeskrivningar; inkludera det verkliga källmaterialet med förfrågan.
Tillverkarens format stöder direkt chatt och thinking. Direkt chatt returnerar svarsinnehållet direkt. Thinking skiljer modellens resonemangsfält från dess slutliga svar. I thinking-läget är de dokumenterade nivåerna low, high och max, med low som standard. Denna utgåva använder dessa namngivna nivåer i stället för V4.1 Flashs heltalsskala för resonemangsnivå.
Välj läge utifrån arbetet. En kort formulering kan ange fakta som ska behållas och tonen i ersättningstexten. En komplicerad uppgift i ett kodförråd kan definiera undersökningsstegen, det relevanta underlaget och en kompakt slutrapport. Håll det önskade slutresultatet tydligt även vid högre thinking-nivå, exempelvis en föreslagen diff med en kort förklaring och de kommandon som behövs för att granska den.
Det ursprungliga formatet stöder meddelanden över flera turer och verktygsdefinitioner med namngivna parametrar och scheman. Modellen kan returnera ett begärt verktygsanrop; applikationen utför operationen och skickar tillbaka den resulterande observationen i nästa tur. Håll verktygsresultat kopplade till motsvarande anrop och bevara ordningen när flera observationer returneras.
För ett flöde som granskar filer exponerar du den verkliga filläsningsoperationen, beskriver dess indatasökväg och returnerar det observerade innehållet. Be modellen grunda nästa förslag i det innehållet. För ett dataflöde tillhandahåller du frågeoperationen och returnerar de verkliga posterna; be om en beräkning eller sammanfattning utifrån dessa poster. Ett returnerat anrop och en utförd operation är separata steg på vägen till det begärda resultatet.
Tillverkarens kodare bevarar resonemangskontexten genom verktygskonversationer. I vanlig chatt tar den normalt bort resonemang från tidigare turer före det senaste användarmeddelandet. Använd de dokumenterade meddelandefälten och konversationshanteringen när du bevarar ett flerstegsflöde. Referenstolken förväntar sig korrekt formaterade utdata, så kontrollera ett tolkat anrops namn och parametrar innan det körs och behåll ett ogiltigt resultat för granskning.
Den daterade modellkonfigurationen anger 1,048,576 sekvenspositioner. Inkludera tillhandahållet material, konversationshistorik, verktygsdefinitioner, returnerade observationer och genererat svar när du förbereder en sekvens. Ge modellen ett användbart svarsmål, såsom en liten patch, en beläggstabell eller en numrerad plan, i stället för att fylla tillgängligt utrymme med ovidkommande filer.
Tillverkarens lokala recept rekommenderar temperature 1.0, med top_p 0.95 för agentarbete och 1.0 annars. För thinking-nivåerna high och max rekommenderas en maximal utdatalängd på 384K token. Detta är publicerade receptinställningar och en rekommendation för genereringsbudgeten; sekvensbudgeten måste fortfarande rymma resten av förfrågan.
Utgåvan 0731 använder Flash DSpark-strukturen, inklusive en ansluten modul för spekulativ avkodning. Den underliggande Flash-stommen är en expertblandningsmodell som beskrivs med 284 miljarder parametrar totalt och 13 miljarder aktiverade per token. Håll dessa stomtal skilda från eventuella ytterligare modulvikter. Den exakta daterade konfigurationen har 43 lager, 256 dirigerade experter, en delad expert och sex valda experter per token.
Den användbara utdatan är fortfarande det svar, kodförslag, strukturerade fynd eller nästa arbetssteg som anroparen har begärt. Granska en kodändring mot de tillhandahållna filerna och det observerade felet. Granska en dokumentslutsats mot det citerade avsnittet eller den returnerade posten. Spara modellutgåvan, uppgiftsbeskrivningen och relevanta observationer med resultatet så att en senare jämförelse använder samma problem och underlag.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek/deepseek-v4-flash-0731 | 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 $0.00088 / 1K token Utdata · Utdatatoken $0.00264 / 1K token Indata · Cacheläsning $0.000056 / 1K token Indata · Skrivning till cache — / 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 $0.00088 / 1K token Utdata · Utdatatoken $0.00264 / 1K token Indata · Cacheläsning $0.000056 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek/deepseek-v4-flash-0731", "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-v4-flash-0731',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-v4-flash-0731',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 deepseek-v4-flash-0731
Ailoot Ultra deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest
Använd metodsökvägarna som visas ovan.
deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest, deepseek-v4-flash-0731
deepseek/deepseek-v4-flash-0731DeepSeek V4 Flash 0731 är den officiella Flash-utgåvan för text, kodning och agentarbetsflöden. Den erbjuder lägen för direktchatt och tänkande, strukturerade utdata för verktygsanrop och en modellkontext på en miljon token; den daterade utgåvan innehåller DSpark-modulen för spekulativ avkodning.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek V4 Flash 0731 är den officiella utgåvan av Flash-grenen och ersätter dess förhandsversion. Dess praktiska fokus omfattar kodning och agentarbete: att tolka ett tillhandahållet kodförråd, föreslå en ändring, använda verktygsobservationer och returnera ett resultat som anroparen kan granska. Behåll utgåvan 0731 tillsammans med ett sparat resultat när du jämför det med Flash Preview, Pro 0813 eller V4.1 Flash.
Ange den verkliga uppgiften, relevanta filer eller dokumentavsnitt, begränsningarna och det förväntade resultatet. För en ändring i ett kodförråd inkluderar du den berörda koden, det observerade beteendet och kommandot eller förfrågan som återskapar problemet. Ange om leveransen är en förklaring, en föreslagen patch, en lista med iakttagelser eller en strukturerad plan.
En användbar felsökningsbeskrivning är: ”Använd den tillhandahållna rutthanteraren, valideringsschemat och den felande förfrågan. Förklara var indata avviker från schemat, föreslå minsta möjliga ändring och identifiera den befintliga kontroll som skulle skilja ut ett korrigerat resultat.” För en dokumentuppgift namnger du de tillhandahållna avsnitten och ber om en tabell med krav, belägg och olösta frågor. Detta är illustrativa uppgiftsbeskrivningar; inkludera det verkliga källmaterialet med förfrågan.
Tillverkarens format stöder direkt chatt och thinking. Direkt chatt returnerar svarsinnehållet direkt. Thinking skiljer modellens resonemangsfält från dess slutliga svar. I thinking-läget är de dokumenterade nivåerna low, high och max, med low som standard. Denna utgåva använder dessa namngivna nivåer i stället för V4.1 Flashs heltalsskala för resonemangsnivå.
Välj läge utifrån arbetet. En kort formulering kan ange fakta som ska behållas och tonen i ersättningstexten. En komplicerad uppgift i ett kodförråd kan definiera undersökningsstegen, det relevanta underlaget och en kompakt slutrapport. Håll det önskade slutresultatet tydligt även vid högre thinking-nivå, exempelvis en föreslagen diff med en kort förklaring och de kommandon som behövs för att granska den.
Det ursprungliga formatet stöder meddelanden över flera turer och verktygsdefinitioner med namngivna parametrar och scheman. Modellen kan returnera ett begärt verktygsanrop; applikationen utför operationen och skickar tillbaka den resulterande observationen i nästa tur. Håll verktygsresultat kopplade till motsvarande anrop och bevara ordningen när flera observationer returneras.
För ett flöde som granskar filer exponerar du den verkliga filläsningsoperationen, beskriver dess indatasökväg och returnerar det observerade innehållet. Be modellen grunda nästa förslag i det innehållet. För ett dataflöde tillhandahåller du frågeoperationen och returnerar de verkliga posterna; be om en beräkning eller sammanfattning utifrån dessa poster. Ett returnerat anrop och en utförd operation är separata steg på vägen till det begärda resultatet.
Tillverkarens kodare bevarar resonemangskontexten genom verktygskonversationer. I vanlig chatt tar den normalt bort resonemang från tidigare turer före det senaste användarmeddelandet. Använd de dokumenterade meddelandefälten och konversationshanteringen när du bevarar ett flerstegsflöde. Referenstolken förväntar sig korrekt formaterade utdata, så kontrollera ett tolkat anrops namn och parametrar innan det körs och behåll ett ogiltigt resultat för granskning.
Den daterade modellkonfigurationen anger 1,048,576 sekvenspositioner. Inkludera tillhandahållet material, konversationshistorik, verktygsdefinitioner, returnerade observationer och genererat svar när du förbereder en sekvens. Ge modellen ett användbart svarsmål, såsom en liten patch, en beläggstabell eller en numrerad plan, i stället för att fylla tillgängligt utrymme med ovidkommande filer.
Tillverkarens lokala recept rekommenderar temperature 1.0, med top_p 0.95 för agentarbete och 1.0 annars. För thinking-nivåerna high och max rekommenderas en maximal utdatalängd på 384K token. Detta är publicerade receptinställningar och en rekommendation för genereringsbudgeten; sekvensbudgeten måste fortfarande rymma resten av förfrågan.
Utgåvan 0731 använder Flash DSpark-strukturen, inklusive en ansluten modul för spekulativ avkodning. Den underliggande Flash-stommen är en expertblandningsmodell som beskrivs med 284 miljarder parametrar totalt och 13 miljarder aktiverade per token. Håll dessa stomtal skilda från eventuella ytterligare modulvikter. Den exakta daterade konfigurationen har 43 lager, 256 dirigerade experter, en delad expert och sex valda experter per token.
Den användbara utdatan är fortfarande det svar, kodförslag, strukturerade fynd eller nästa arbetssteg som anroparen har begärt. Granska en kodändring mot de tillhandahållna filerna och det observerade felet. Granska en dokumentslutsats mot det citerade avsnittet eller den returnerade posten. Spara modellutgåvan, uppgiftsbeskrivningen och relevanta observationer med resultatet så att en senare jämförelse använder samma problem och underlag.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek/deepseek-v4-flash-0731 | 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 $0.00088 / 1K token Utdata · Utdatatoken $0.00264 / 1K token Indata · Cacheläsning $0.000056 / 1K token Indata · Skrivning till cache — / 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 $0.00088 / 1K token Utdata · Utdatatoken $0.00264 / 1K token Indata · Cacheläsning $0.000056 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "deepseek/deepseek-v4-flash-0731",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-v4-flash-0731', '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-v4-flash-0731', '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 deepseek-v4-flash-0731
Ailoot Ultra deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest
Använd metodsökvägarna som visas ovan.
deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest, deepseek-v4-flash-0731
~deepseek/deepseek-v4-flash-latestDeepSeek V4 Flash 0731 är den officiella Flash-utgåvan för text, kodning och agentarbetsflöden. Den erbjuder lägen för direktchatt och tänkande, strukturerade utdata för verktygsanrop och en modellkontext på en miljon token; den daterade utgåvan innehåller DSpark-modulen för spekulativ avkodning.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek V4 Flash 0731 är den officiella utgåvan av Flash-grenen och ersätter dess förhandsversion. Dess praktiska fokus omfattar kodning och agentarbete: att tolka ett tillhandahållet kodförråd, föreslå en ändring, använda verktygsobservationer och returnera ett resultat som anroparen kan granska. Behåll utgåvan 0731 tillsammans med ett sparat resultat när du jämför det med Flash Preview, Pro 0813 eller V4.1 Flash.
Ange den verkliga uppgiften, relevanta filer eller dokumentavsnitt, begränsningarna och det förväntade resultatet. För en ändring i ett kodförråd inkluderar du den berörda koden, det observerade beteendet och kommandot eller förfrågan som återskapar problemet. Ange om leveransen är en förklaring, en föreslagen patch, en lista med iakttagelser eller en strukturerad plan.
En användbar felsökningsbeskrivning är: ”Använd den tillhandahållna rutthanteraren, valideringsschemat och den felande förfrågan. Förklara var indata avviker från schemat, föreslå minsta möjliga ändring och identifiera den befintliga kontroll som skulle skilja ut ett korrigerat resultat.” För en dokumentuppgift namnger du de tillhandahållna avsnitten och ber om en tabell med krav, belägg och olösta frågor. Detta är illustrativa uppgiftsbeskrivningar; inkludera det verkliga källmaterialet med förfrågan.
Tillverkarens format stöder direkt chatt och thinking. Direkt chatt returnerar svarsinnehållet direkt. Thinking skiljer modellens resonemangsfält från dess slutliga svar. I thinking-läget är de dokumenterade nivåerna low, high och max, med low som standard. Denna utgåva använder dessa namngivna nivåer i stället för V4.1 Flashs heltalsskala för resonemangsnivå.
Välj läge utifrån arbetet. En kort formulering kan ange fakta som ska behållas och tonen i ersättningstexten. En komplicerad uppgift i ett kodförråd kan definiera undersökningsstegen, det relevanta underlaget och en kompakt slutrapport. Håll det önskade slutresultatet tydligt även vid högre thinking-nivå, exempelvis en föreslagen diff med en kort förklaring och de kommandon som behövs för att granska den.
Det ursprungliga formatet stöder meddelanden över flera turer och verktygsdefinitioner med namngivna parametrar och scheman. Modellen kan returnera ett begärt verktygsanrop; applikationen utför operationen och skickar tillbaka den resulterande observationen i nästa tur. Håll verktygsresultat kopplade till motsvarande anrop och bevara ordningen när flera observationer returneras.
För ett flöde som granskar filer exponerar du den verkliga filläsningsoperationen, beskriver dess indatasökväg och returnerar det observerade innehållet. Be modellen grunda nästa förslag i det innehållet. För ett dataflöde tillhandahåller du frågeoperationen och returnerar de verkliga posterna; be om en beräkning eller sammanfattning utifrån dessa poster. Ett returnerat anrop och en utförd operation är separata steg på vägen till det begärda resultatet.
Tillverkarens kodare bevarar resonemangskontexten genom verktygskonversationer. I vanlig chatt tar den normalt bort resonemang från tidigare turer före det senaste användarmeddelandet. Använd de dokumenterade meddelandefälten och konversationshanteringen när du bevarar ett flerstegsflöde. Referenstolken förväntar sig korrekt formaterade utdata, så kontrollera ett tolkat anrops namn och parametrar innan det körs och behåll ett ogiltigt resultat för granskning.
Den daterade modellkonfigurationen anger 1,048,576 sekvenspositioner. Inkludera tillhandahållet material, konversationshistorik, verktygsdefinitioner, returnerade observationer och genererat svar när du förbereder en sekvens. Ge modellen ett användbart svarsmål, såsom en liten patch, en beläggstabell eller en numrerad plan, i stället för att fylla tillgängligt utrymme med ovidkommande filer.
Tillverkarens lokala recept rekommenderar temperature 1.0, med top_p 0.95 för agentarbete och 1.0 annars. För thinking-nivåerna high och max rekommenderas en maximal utdatalängd på 384K token. Detta är publicerade receptinställningar och en rekommendation för genereringsbudgeten; sekvensbudgeten måste fortfarande rymma resten av förfrågan.
Utgåvan 0731 använder Flash DSpark-strukturen, inklusive en ansluten modul för spekulativ avkodning. Den underliggande Flash-stommen är en expertblandningsmodell som beskrivs med 284 miljarder parametrar totalt och 13 miljarder aktiverade per token. Håll dessa stomtal skilda från eventuella ytterligare modulvikter. Den exakta daterade konfigurationen har 43 lager, 256 dirigerade experter, en delad expert och sex valda experter per token.
Den användbara utdatan är fortfarande det svar, kodförslag, strukturerade fynd eller nästa arbetssteg som anroparen har begärt. Granska en kodändring mot de tillhandahållna filerna och det observerade felet. Granska en dokumentslutsats mot det citerade avsnittet eller den returnerade posten. Spara modellutgåvan, uppgiftsbeskrivningen och relevanta observationer med resultatet så att en senare jämförelse använder samma problem och underlag.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser ~deepseek/deepseek-v4-flash-latest | 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 $0.00088 / 1K token Utdata · Utdatatoken $0.00264 / 1K token Indata · Cacheläsning $0.000056 / 1K token Indata · Skrivning till cache — / 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 $0.00088 / 1K token Utdata · Utdatatoken $0.00264 / 1K token Indata · Cacheläsning $0.000056 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "~deepseek/deepseek-v4-flash-latest", "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-v4-flash-latest',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-v4-flash-latest',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 deepseek-v4-flash-0731
Ailoot Ultra deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest
Använd metodsökvägarna som visas ovan.
deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest, deepseek-v4-flash-0731
~deepseek/deepseek-v4-flash-latestDeepSeek V4 Flash 0731 är den officiella Flash-utgåvan för text, kodning och agentarbetsflöden. Den erbjuder lägen för direktchatt och tänkande, strukturerade utdata för verktygsanrop och en modellkontext på en miljon token; den daterade utgåvan innehåller DSpark-modulen för spekulativ avkodning.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek V4 Flash 0731 är den officiella utgåvan av Flash-grenen och ersätter dess förhandsversion. Dess praktiska fokus omfattar kodning och agentarbete: att tolka ett tillhandahållet kodförråd, föreslå en ändring, använda verktygsobservationer och returnera ett resultat som anroparen kan granska. Behåll utgåvan 0731 tillsammans med ett sparat resultat när du jämför det med Flash Preview, Pro 0813 eller V4.1 Flash.
Ange den verkliga uppgiften, relevanta filer eller dokumentavsnitt, begränsningarna och det förväntade resultatet. För en ändring i ett kodförråd inkluderar du den berörda koden, det observerade beteendet och kommandot eller förfrågan som återskapar problemet. Ange om leveransen är en förklaring, en föreslagen patch, en lista med iakttagelser eller en strukturerad plan.
En användbar felsökningsbeskrivning är: ”Använd den tillhandahållna rutthanteraren, valideringsschemat och den felande förfrågan. Förklara var indata avviker från schemat, föreslå minsta möjliga ändring och identifiera den befintliga kontroll som skulle skilja ut ett korrigerat resultat.” För en dokumentuppgift namnger du de tillhandahållna avsnitten och ber om en tabell med krav, belägg och olösta frågor. Detta är illustrativa uppgiftsbeskrivningar; inkludera det verkliga källmaterialet med förfrågan.
Tillverkarens format stöder direkt chatt och thinking. Direkt chatt returnerar svarsinnehållet direkt. Thinking skiljer modellens resonemangsfält från dess slutliga svar. I thinking-läget är de dokumenterade nivåerna low, high och max, med low som standard. Denna utgåva använder dessa namngivna nivåer i stället för V4.1 Flashs heltalsskala för resonemangsnivå.
Välj läge utifrån arbetet. En kort formulering kan ange fakta som ska behållas och tonen i ersättningstexten. En komplicerad uppgift i ett kodförråd kan definiera undersökningsstegen, det relevanta underlaget och en kompakt slutrapport. Håll det önskade slutresultatet tydligt även vid högre thinking-nivå, exempelvis en föreslagen diff med en kort förklaring och de kommandon som behövs för att granska den.
Det ursprungliga formatet stöder meddelanden över flera turer och verktygsdefinitioner med namngivna parametrar och scheman. Modellen kan returnera ett begärt verktygsanrop; applikationen utför operationen och skickar tillbaka den resulterande observationen i nästa tur. Håll verktygsresultat kopplade till motsvarande anrop och bevara ordningen när flera observationer returneras.
För ett flöde som granskar filer exponerar du den verkliga filläsningsoperationen, beskriver dess indatasökväg och returnerar det observerade innehållet. Be modellen grunda nästa förslag i det innehållet. För ett dataflöde tillhandahåller du frågeoperationen och returnerar de verkliga posterna; be om en beräkning eller sammanfattning utifrån dessa poster. Ett returnerat anrop och en utförd operation är separata steg på vägen till det begärda resultatet.
Tillverkarens kodare bevarar resonemangskontexten genom verktygskonversationer. I vanlig chatt tar den normalt bort resonemang från tidigare turer före det senaste användarmeddelandet. Använd de dokumenterade meddelandefälten och konversationshanteringen när du bevarar ett flerstegsflöde. Referenstolken förväntar sig korrekt formaterade utdata, så kontrollera ett tolkat anrops namn och parametrar innan det körs och behåll ett ogiltigt resultat för granskning.
Den daterade modellkonfigurationen anger 1,048,576 sekvenspositioner. Inkludera tillhandahållet material, konversationshistorik, verktygsdefinitioner, returnerade observationer och genererat svar när du förbereder en sekvens. Ge modellen ett användbart svarsmål, såsom en liten patch, en beläggstabell eller en numrerad plan, i stället för att fylla tillgängligt utrymme med ovidkommande filer.
Tillverkarens lokala recept rekommenderar temperature 1.0, med top_p 0.95 för agentarbete och 1.0 annars. För thinking-nivåerna high och max rekommenderas en maximal utdatalängd på 384K token. Detta är publicerade receptinställningar och en rekommendation för genereringsbudgeten; sekvensbudgeten måste fortfarande rymma resten av förfrågan.
Utgåvan 0731 använder Flash DSpark-strukturen, inklusive en ansluten modul för spekulativ avkodning. Den underliggande Flash-stommen är en expertblandningsmodell som beskrivs med 284 miljarder parametrar totalt och 13 miljarder aktiverade per token. Håll dessa stomtal skilda från eventuella ytterligare modulvikter. Den exakta daterade konfigurationen har 43 lager, 256 dirigerade experter, en delad expert och sex valda experter per token.
Den användbara utdatan är fortfarande det svar, kodförslag, strukturerade fynd eller nästa arbetssteg som anroparen har begärt. Granska en kodändring mot de tillhandahållna filerna och det observerade felet. Granska en dokumentslutsats mot det citerade avsnittet eller den returnerade posten. Spara modellutgåvan, uppgiftsbeskrivningen och relevanta observationer med resultatet så att en senare jämförelse använder samma problem och underlag.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser ~deepseek/deepseek-v4-flash-latest | 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 $0.00088 / 1K token Utdata · Utdatatoken $0.00264 / 1K token Indata · Cacheläsning $0.000056 / 1K token Indata · Skrivning till cache — / 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 $0.00088 / 1K token Utdata · Utdatatoken $0.00264 / 1K token Indata · Cacheläsning $0.000056 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "~deepseek/deepseek-v4-flash-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-v4-flash-latest', '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-v4-flash-latest', '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 deepseek-v4-flash-0731
Ailoot Ultra deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest
Använd metodsökvägarna som visas ovan.
deepseek/deepseek-v4-flash-0731, ~deepseek/deepseek-v4-flash-latest, deepseek-v4-flash-0731
Tekniskt exempel på engelska
Repair a required-field check\n\nA route rejects only if not payload.get("quantity"). The contract requires quantity to be an integer greater than zero, excluding booleans. Explain why inputs {"quantity": -2} and {"quantity": true} expose a problem. Propose a small Python validation patch and cases for missing, zero, negative, boolean and positive values.A diagnosis, a focused validation patch and five input cases with accept or reject expectations.Check that Python booleans are not accepted as integers and positive whole quantities still pass.