Обработка изображений товаров для электронной коммерции с помощью DeepSeek V4.1 Flash через API hiapi

DeepSeek V4.1 Flash не создаёт изображения товаров — вот что он на самом деле умеет в стеке электронной коммерции

Если вы перешли по слову «изображения товаров», DeepSeek V4.1 Flash их не создаёт — это чисто текстовая модель без вывода изображений, аудио или видео. Но каталог электронной коммерции зависит от текста гораздо больше, чем от изображений: каждому листингу нужно описание, каждому изображению — альтернативный текст, каждому вопросу клиента — ответ, каждому рекламному каналу — своя версия одного и того же торгового предложения. Именно на этом уровне модель сильна, и она исключительно дешёвая и гибкая для этой задачи — она поддерживает одновременно /v1/chat/completions и /v1/responses, так что вам не придётся перестраивать интеграцию под единственный формат запроса. Это руководство охватывает текстовую часть рабочего процесса с изображениями товаров: массовую генерацию описаний с структурированным выводом, ответы на вопросы клиентской поддержки и маркетинговые варианты текста для разных каналов — с реальными примерами запросов к API hiapi. Если вам нужны сами изображения, используйте эту модель вместе с графической моделью вроде GPT Image 2, а DeepSeek V4.1 Flash пусть обрабатывает весь текст вокруг изображений.

Почему важны два API-интерфейса

Большинство моделей уровня рассуждений на hiapi выбирают один путь — Chat Completions или Responses — и придерживаются его. DeepSeek V4.1 Flash изначально поддерживает POST /v1/chat/completions и POST /v1/responses, а значит, вы можете подключить её к уже существующей интеграции, не создавая новый клиент специально для этой модели. Следующее справедливо для обоих эндпоинтов:

• reasoning_effort имеет пять практических уровней. В тексте на странице с ценами упомянуты только none, high и max, но в реальных запросах модель также принимает low и medium — все пять уровней рабочие. Для коротких и детерминированных задач вроде текста листинга достаточно none или low; high/max оставьте для случаев, требующих суждения, например для ответов поддержки, чувствительных к политике.
• Структурированный вывод ведёт себя по-разному на разных эндпоинтах. Для этой модели использование response_format: {"type": "json_schema", ...} на /v1/chat/completions не возвращает результат, проверенный по схеме — вместо этого используйте response_format: {"type": "json_object"} и опишите структуру в подсказке. Если вам нужна принудительная проверка схемы, отправьте тот же запрос на /v1/responses с text.format.type=json_schema, и он будет соблюдаться.
• Вызов функций и потоковая передача работают как ожидается на /v1/chat/completions — tools, tool_choice и stream: true ведут себя так же, как у любой другой OpenAI-совместимой чат-модели на hiapi, поэтому существующий код вызова инструментов не требует изменений.

Базовый URL — https://api.hiapi.ai/v1, используется тот же ключ, что и для остальных моделей hiapi. Полный формат запроса/ответа для обоих эндпоинтов см. на странице модели.

Сценарий 1: массовая генерация описаний товаров со структурированным выводом

Самое очевидное применение — масштабное превращение таблиц характеристик в листинговый текст в тоне бренда и в формате, который ваш CMS может импортировать напрямую, без постобработки. На Chat Completions режим json_object вместе с явной схемой в подсказке надёжно это обеспечивает:

import json
import requests

resp = requests.post(
    "https://api.hiapi.ai/v1/chat/completions",
    headers={
        "Authorization": f"Bearer {HIAPI_KEY}",
        "Content-Type": "application/json",
    },
    json={
        "model": "deepseek-v4.1-flash",
        "reasoning_effort": "none",
        "response_format": {"type": "json_object"},
        "messages": [
            {
                "role": "system",
                "content": (
                    "You write concise, factual e-commerce listing copy. "
                    "Never invent specs that aren't in the input. "
                    "Respond with JSON matching this shape: "
                    '{"title": str, "short_description": str, '
                    '"long_description": str, "bullet_points": [str]}'
                ),
            },
            {
                "role": "user",
                "content": (
                    "Product: ceramic pour-over coffee dripper, 400ml, "
                    "matte white, dishwasher safe, fits standard filters. "
                    "Write listing copy for this product."
                ),
            },
        ],
    },
)
listing = json.loads(resp.json()["choices"][0]["message"]["content"])

Запустите это для каждого SKU в базе товаров, и вы получите согласованные тексты без ручного редактирования в окне чата. Если вы хотите, чтобы ответ явно выдавал ошибку при нарушении формата, а не полагался на соблюдение подсказки моделью, отправьте эквивалентный запрос на /v1/responses с text.format.type=json_schema — этот путь проверяет вывод по вашей схеме перед возвратом.

Сценарий 2: ответы службы поддержки на основе собственных документов

Для ассистента поддержки оба эндпоинта требуют повторной передачи текущего диалога — по умолчанию ни один из них не сохраняет состояние между вызовами, поэтому историей диалога управляет ваше приложение, а не поставщик. Это полезно, если вам нужно маскировать, ветвить или восстанавливать диалоги из собственной базы данных, а не доверять хранилищу сессий поставщика.

history = [
    {"role": "system", "content": "Answer only from the provided product FAQ context. "
                                    "If the answer isn't in context, say so and offer to escalate."},
]

def ask(user_message: str, faq_context: str) -> str:
    history.append({"role": "user", "content": f"Context:\n{faq_context}\n\nQuestion: {user_message}"})
    resp = requests.post(
        "https://api.hiapi.ai/v1/chat/completions",
        headers={"Authorization": f"Bearer {HIAPI_KEY}", "Content-Type": "application/json"},
        json={
            "model": "deepseek-v4.1-flash",
            "reasoning_effort": "low",
            "messages": history,
        },
    )
    answer = resp.json()["choices"][0]["message"]["content"]
    history.append({"role": "assistant", "content": answer})
    return answer

Для любого действия, которое требует проверки статуса заказа или инициирования возврата, объявите его как функцию в tools — модель вернёт элемент tool_calls, ваш бэкенд выполнит его, после чего вы добавите сообщение с role: "tool", содержащее результат, и снова вызовете модель. Так модель никогда не получает прямого доступа к вашей базе заказов, и работает это так же, как любая другая OpenAI-совместимая чат-модель на hiapi.

Сценарий 3: маркетинговые варианты текста для разных каналов

Одни и те же факты о товаре требуют разных формулировок на странице товара, в теме письма и в рекламном заголовке на 30 символов. С stream: true на /v1/chat/completions вы можете генерировать несколько вариантов для разных каналов в одном запросе и отображать их по мере поступления, а не ждать полного ответа — это полезно, если вывод идёт в живой предпросмотр во внутреннем инструменте. Здесь также держите reasoning_effort на none или low; подбор тона для коротких текстов не требует более тяжёлых рассуждений, и это сохраняет низкую задержку, когда маркетологи итерируют в реальном времени.

Сколько это стоит

DeepSeek V4.1 Flash тарифицируется единообразно по токенам, без скачков по тарифным ступеням, которые нужно планировать заранее:

Вход	Выход	Кэшированный вход
$0.44 / 1M токенов	$1.32 / 1M токенов	$0.014 / 1M токенов

Для описанных выше сценариев — отдельного описания товара, одного раунда диалога поддержки, набора вариантов для каналов — каждая вызов стоит лишь долю цента. Тариф на кэшированный вход стоит использовать осознанно: если ваш системный промпт длинный и повторяется в тысячах вызовов по SKU, сохраняйте его побайтово идентичным между запросами, чтобы он подпадал под тариф кэширования. Тарифы основаны на использовании и могут меняться — прежде чем браться за крупные пакетные задачи, проверьте hiapi.ai/pricing.

Как это соотносится с остальной частью вашего стека

Ничто из этого не заменяет фактическую модель изображений — у DeepSeek V4.1 Flash нет доступа к /v1/tasks, и она не может создавать визуальный вывод. Если вашему рабочему процессу нужна товарная съёмка или фотографии в интерьере в дополнение к этим текстам, это отдельный вызов модели изображений вроде GPT Image 2, и они не разделяют ни формат запроса, ни эндпоинт. Если вы уже читали руководство по электронной коммерции GPT-6 Astra, форма этой задачи точно такая же — разница в том, что DeepSeek V4.1 Flash даёт вам выбор эндпоинта и плоскую кривую затрат вместо ступенчатой.

FAQ

Может ли DeepSeek V4.1 Flash генерировать изображения товаров? Нет. Это чисто текстовая модель без вывода изображений, аудио или видео, доступная через /v1/chat/completions или /v1/responses. Используйте её вместе с моделью изображений для визуальной части товарного листинга.

Что мне использовать для этой модели — Chat Completions или Responses? Оба варианта подходят — выбирайте тот, что соответствует вашей текущей интеграции. Единственный случай, когда это имеет значение, — принудительный структурированный вывод: проверка json_schema работает на /v1/responses, но не на /v1/chat/completions, где вместо этого следует использовать режим json_object.

Что делает reasoning_effort и какой уровень мне использовать? Он управляет тем, сколько внутренних рассуждений модель выполняет перед ответом, обменивая задержку и стоимость на качество суждений. Все пять уровней (none, low, medium, high, max) работают в реальных запросах, хотя на странице с ценами указаны только три. Для коротких детерминированных задач вроде генерации описаний используйте none или low; high или max оставьте для ответов поддержки, требующих суждения.

Работает ли потоковая передача одновременно с вызовом инструментов? Да — stream: true и tools на /v1/chat/completions работают независимо и могут использоваться в одном запросе, как и у любой другой OpenAI-совместимой чат-модели на hiapi.

Нужно ли повторять полный диалог на каждом раунде поддержки? Да, на обоих эндпоинтах. По умолчанию ни один из них не сохраняет состояние диалога между вызовами, поэтому ваше приложение должно каждый раз заново отправлять нужную историю. Это увеличивает стоимость входных токенов при повторной передаче, но зато вы контролируете, какой контекст включать, и можете маскировать или ветвить диалоги из собственной базы данных.

Тариф на кэшированный вход применяется автоматически? Только если начальная часть запроса (обычно системный промпт) побайтово идентична между вызовами. Проверяйте cached_tokens в объекте usage ответа, а не предполагайте, что скидка применена.