API de DeepSeek V3.1

Búsqueda profunda V3.1 is the upgrade in DeepSeek’s V-series: a híbrido “pensamiento/no pensamiento” Modelo de lenguaje extenso orientado al uso de herramientas de inteligencia general y agencial de alto rendimiento y bajo costo. Mantiene Compatibilidad con API de estilo OpenAI, agrega Llamada de herramientas más inteligentey, según la empresa, genera una generación más rápida y una confiabilidad mejorada del agente.

Características básicas (qué ofrece)

• Modos de inferencia dual: chat de búsqueda profunda (sin pensar / más rápido) y Razonador de búsqueda profunda (pensamiento / cadena de pensamiento más sólida / habilidades de agente). La interfaz de usuario muestra un interruptor de "Pensamiento Profundo" para los usuarios finales.
• Contexto largo:Los materiales oficiales y los informes de la comunidad enfatizan una 128k token Ventana contextual para el linaje de la familia V3. Esto permite el procesamiento integral de documentos muy extensos.
• Manejo mejorado de herramientas y agentes:optimización posterior al entrenamiento orientada a llamadas de herramientas confiables, flujos de trabajo de agentes de múltiples pasos e integraciones de complementos/herramientas.

Detalles técnicos (arquitectura, capacitación e implementación)

Corpus de entrenamiento e ingeniería de contexto largo. La actualización Deepseek V3.1 enfatiza una extensión de contexto largo de dos fases Además de los puntos de control anteriores de la V3: las notas públicas indican importantes tokens adicionales dedicados a las fases de extensión de 32k y 128k (DeepSeek informa cientos de miles de millones de tokens utilizados en las etapas de extensión). El comunicado también actualizó... configuración del tokenizador para apoyar los regímenes de contexto más amplios.

Tamaño del modelo y microescalamiento para inferencia. Los informes públicos y comunitarios arrojan recuentos de parámetros algo diferentes (un resultado común en los nuevos lanzamientos): lista de indexadores y espejos de terceros ~671B parámetros (37B activos) en algunas descripciones de tiempo de ejecución, mientras que otros resúmenes de la comunidad informan ~685 mil millones como el tamaño nominal de la arquitectura de razonamiento híbrido.

Modos de inferencia y compensaciones de ingeniería. Deepseek V3.1 expone dos modos de inferencia pragmática: deepseek-chat (optimizado para chat por turnos estándar, menor latencia) y deepseek-reasoner (un modo de “pensamiento” que prioriza la cadena de pensamiento y el razonamiento estructurado).

Limitaciones y riesgos

• Madurez y reproducibilidad de referencia: Muchas afirmaciones de rendimiento son tempranas, impulsadas por la comunidad o selectivas. Las evaluaciones independientes y estandarizadas aún están en proceso de actualización. (Riesgo: sobrereclamación).
• Seguridad y alucinaciones: Al igual que todos los LLM grandes, Deepseek V3.1 está sujeto a riesgos de alucinaciones y contenido dañino; los modos de razonamiento más fuertes a veces pueden producir confiado pero incorrecto Resultados de varios pasos. Los usuarios deben aplicar capas de seguridad y revisión humana en los resultados críticos. (Ningún proveedor ni fuente independiente afirma eliminar la alucinación).
• Costo de inferencia y latencia: El modo de razonamiento sacrifica latencia por capacidad; para la inferencia del consumidor a gran escala, esto añade costo. Algunos analistas señalan que la reacción del mercado a los modelos abiertos, económicos y de alta velocidad puede ser volátil.

Casos de uso comunes y convincentes

• Análisis y resumen de documentos largos: Derecho, I+D, revisiones de literatura: aproveche la ventana de tokens de 128k para obtener resúmenes de extremo a extremo.
• Flujos de trabajo de agentes y orquestación de herramientas: Automatizaciones que requieren llamadas a herramientas de varios pasos (API, búsqueda, calculadoras). El ajuste del agente posterior al entrenamiento de Deepseek V3.1 busca mejorar la confiabilidad en este caso.
• Generación de código y asistencia de software: Los primeros informes de referencia destacan un sólido rendimiento de programación; adecuado para programación en pareja, revisión de código y tareas de generación con supervisión humana.
• Implementación empresarial donde la elección del costo/latencia es importante: choose chat Modo para asistentes conversacionales más baratos/rápidos y razonador para tareas de razonamiento profundo fuera de línea o premium.

Como llamar Deepseek V3.1 API de CometAPI

deepseek v3.1 Precios de API en CometAPI: 20 % de descuento sobre el precio oficial.

Pasos requeridos

• Inicia sesión en cometapi.comSi aún no eres nuestro usuario, por favor regístrate primero.
• Obtenga la clave API de credenciales de acceso de la interfaz. Haga clic en "Agregar token" en el token API del centro personal, obtenga la clave del token: sk-xxxxx y envíe.
• Obtenga la URL de este sitio: https://api.cometapi.com/

Método de uso

1. Seleccione la opción "deepseek-v3.1“ / “deepseek-v3-1-250821Punto final para enviar la solicitud de API y configurar el cuerpo de la solicitud. El método y el cuerpo de la solicitud se obtienen de la documentación de la API de nuestro sitio web. Nuestro sitio web también ofrece la prueba de Apifox para su comodidad.
2. Reemplazar con su clave CometAPI real de su cuenta.
3. Inserte su pregunta o solicitud en el campo de contenido: esto es lo que responderá el modelo.
4. . Procesa la respuesta de la API para obtener la respuesta generada.

Llamada API

CometAPI proporciona una API REST totalmente compatible para una migración fluida. Detalles clave para  Documento API:

• Parámetros centrales: prompt, max_tokens_to_sample, temperature, stop_sequences
• Punto final: https://api.cometapi.com/v1/chat/completions
• Parámetro del modelo: "deepseek-v3.1“ / “deepseek-v3-1-250821"
• Autenticación: Bearer YOUR_CometAPI_API_KEY
• Tipo de contenido: application/json .

Reemplace CometAPI_API_KEY con su llave; tenga en cuenta la URL base.

Python

from openai import OpenAI

client = OpenAI(
    api_key=os.environ,
    base_url="https://api.cometapi.com/v1/chat/completions"  # important

)

resp = client.chat.completions.create(
    model="deepseek-v3.1",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Summarize this PDF in 5 bullets."}
    ],
    temperature=0.3,
    response_format={"type": "json_object"}  # for structured outputs

)
print(resp.choices.message.content)

Vea también Grok 4