DeepSeek-R1-Distill-Qwen-14B er det Qwen-baserede ræsonneringscheckpoint i størrelsen 14B udgivet af DeepSeek. Fundamentet er Qwen2.5-14B, finjusteret med eksempler udarbejdet af DeepSeek-R1. Det accepterer en skriftlig problemstilling eller samtale og returnerer tekst, der kan omfatte en matematisk løsning, en forklaring af programadfærd eller en konklusion udledt af flere angivne betingelser.
Overførsel af ræsonnering og den navngivne udgave
DeepSeek skelner mellem de fulde R1- og R1-Zero-modeller og de tætte modeller, der er destilleret til Qwen- og Llama-fundamenter. Ved de destillerede udgivelser overfører træningsdataene ræsonneringsmønstre fra den større R1-model til et andet checkpoint. Navnet 14B identificerer dette bestemte Qwen-fundament; det identificerer ikke den fulde R1-arkitektur, det destillerede 32B-checkpoint eller den almindelige Qwen2.5-14B-Instruct-udgivelse.
Producenten beskriver 800.000 kuraterede eksempler til de destillerede Qwen-udgivelser og bemærker ændringer i deres konfigurationer og tokenizere. Bevar DeepSeek-udgivelsens indstillinger, når denne model bruges. Disse ændringer er vigtige, selv om modellens oprindelse er Qwen2.5. Konfigurationen for selve 14B-checkpointet angiver 48 lag, 40 query-attention-hoveder og 8 key/value-hoveder med et maksimalt antal positioner på 131.072.
Hvad der skal medtages til et nyttigt gennemarbejdet svar
Ved en undervisningsopgave skal du medtage problemet og elevens løsningsforsøg og derefter markere den overgang, der kræver forklaring. Bed modellen identificere den relevante betingelse, forklare rettelsen med samme notation og kun fortsætte så langt, som det er nødvendigt for at fastslå resultatet. Det holder svaret knyttet til elevens faktiske vanskelighed frem for at producere en uvedkommende fuld lektion.
En elev kan eksempelvis have divideret med et udtryk uden at angive, om det kan være nul. Medtag den oprindelige ligning, og spørg, hvilke tilfælde der skal overvejes før denne omformning. Det ønskede resultat kan adskille det tilladte tilfælde, undtagelsestilfældet og den endelige løsningsmængde. Det er en foreslået matematisk opgave med en svarform defineret af betingelsen frem for en generisk anmodning om at forklare algebra.
Til et programmeringsspørgsmål skal du medtage algoritmen eller funktionen og et konkret input. Spørg, hvordan tilstanden ændrer sig, og hvorfor det returnerede resultat følger. En opfølgning kan bede om en revideret implementering under en udtrykkelig begrænsning, eksempelvis at bevare den offentlige funktionssignatur eller undgå at ændre inputtet. Medtag relevant hjælpekode og forventet adfærd, så forklaringen ikke afhænger af en uspecificeret implementering.
Til en logisk sammenligning skal du identificere alternativerne og de betingelser, hver skal opfylde. Bed om de antagelser, hver tilgang bruger, de konflikter, der udelukker et valg, og de resterende uafklarede oplysninger. En kort beslutningstabel kan derefter blive slutproduktet, mens den omgivende tekst forklarer, hvordan de angivne regler understøtter det.
Promptanbefalinger fra DeepSeek
Producenten anbefaler at undgå en systemprompt og placere alle instruktioner direkte i brugerprompten. Saml opgaven, outputkravene og det nødvendige kildemateriale, og identificer tydeligt, hvilken tekst der er problemet, og hvilken der er en instruktion om svaret. Brug den udgivne tokenizer og samtaleindstillingerne frem for at antage, at den oprindelige Qwen-formatering kan bruges som erstatning.
Det dokumenterede temperature-interval er 0.5 til 0.7 med 0.6 som anbefalet valg. DeepSeek knytter dette til færre gentagelser og mindre usammenhængende output. Til matematiske spørgsmål anbefaler producenten et gennemarbejdet svar med slutresultatet i en LaTeX-boks. Producenten beskriver også tilfælde, hvor modellen springer ræsonneringsblokken over, og anbefaler at begynde svaret med den indledende ræsonneringsmarkør for at fremme det tilsigtede ræsonneringsforløb.
Et nyttigt matematisk output kan indeholde den valgte metode, de begrundede omformninger og et særskilt endeligt udtryk. Angiv, om resultatet skal være eksakt eller afrundet, og angiv enheder, når de er relevante. Til kode skal du bede om forklaringen adskilt fra den foreslåede implementering. Til logik skal du bede om den endelige konklusion sammen med de betingelser, den gælder under. Disse krav fastlægger, hvad læseren eller applikationen faktisk kan bruge efter ræsonneringsteksten.
Kontekst og indholdsmæssige afgrænsninger
Den aktuelle udgivne konfiguration sætter det maksimale antal positioner til 131.072. Det er dette checkpoints konfigurationsværdi, ikke et nedarvet løfte om alle servinggrænseflader. Producentens genereringsindstilling på 32.768 tokens er en del af evalueringen; den fastslår ikke en særskilt hård maksimumgrænse for svarlængde. Den oprindelige Qwen Instruct-models outputkapacitet må tilsvarende ikke overføres til denne ændrede ræsonneringsudgivelse uden dens egen specifikation.
Dette er en tekstmodel. Et billede af et matematisk problem skal have sine symboler og betingelser omdannet til tekst før ræsonneringsopgaven, og kørsel af foreslået kode kræver et særskilt udviklings- eller beregningsmiljø. Destillering beskriver træning med R1-eksempler frem for et automatisk kald til lærermodellen under kørsel eller en indbygget uafhængig verifier.
Brug det navngivne 14B-checkpoint til en defineret opgave med et gennemarbejdet svar, og bevar problemets notation, antagelser og målresultat. Det praktiske mål er en løsning, læseren kan undersøge: hvilke betingelser der gælder, hvorfor hvert vigtigt trin følger, og hvilket endeligt udtryk, hvilken implementering eller konklusion der besvarer det oprindelige spørgsmål.
", "aboutText": "DeepSeek-R1-Distill-Qwen-14B er det Qwen-baserede ræsonneringscheckpoint i størrelsen 14B udgivet af DeepSeek. Fundamentet er Qwen2.5-14B, finjusteret med eksempler udarbejdet af DeepSeek-R1. Det accepterer en skriftlig problemstilling eller samtale og returnerer tekst, der kan omfatte en matematisk løsning, en forklaring af programadfærd eller en konklusion udledt af flere angivne betingelser.\n\nOverførsel af ræsonnering og den navngivne udgave\n\nDeepSeek skelner mellem de fulde R1- og R1-Zero-modeller og de tætte modeller, der er destilleret til Qwen- og Llama-fundamenter. Ved de destillerede udgivelser overfører træningsdataene ræsonneringsmønstre fra den større R1-model til et andet checkpoint. Navnet 14B identificerer dette bestemte Qwen-fundament; det identificerer ikke den fulde R1-arkitektur, det destillerede 32B-checkpoint eller den almindelige Qwen2.5-14B-Instruct-udgivelse.\n\nProducenten beskriver 800.000 kuraterede eksempler til de destillerede Qwen-udgivelser og bemærker ændringer i deres konfigurationer og tokenizere. Bevar DeepSeek-udgivelsens indstillinger, når denne model bruges. Disse ændringer er vigtige, selv om modellens oprindelse er Qwen2.5. Konfigurationen for selve 14B-checkpointet angiver 48 lag, 40 query-attention-hoveder og 8 key/value-hoveder med et maksimalt antal positioner på 131.072.\n\nHvad der skal medtages til et nyttigt gennemarbejdet svar\n\nVed en undervisningsopgave skal du medtage problemet og elevens løsningsforsøg og derefter markere den overgang, der kræver forklaring. Bed modellen identificere den relevante betingelse, forklare rettelsen med samme notation og kun fortsætte så langt, som det er nødvendigt for at fastslå resultatet. Det holder svaret knyttet til elevens faktiske vanskelighed frem for at producere en uvedkommende fuld lektion.\n\nEn elev kan eksempelvis have divideret med et udtryk uden at angive, om det kan være nul. Medtag den oprindelige ligning, og spørg, hvilke tilfælde der skal overvejes før denne omformning. Det ønskede resultat kan adskille det tilladte tilfælde, undtagelsestilfældet og den endelige løsningsmængde. Det er en foreslået matematisk opgave med en svarform defineret af betingelsen frem for en generisk anmodning om at forklare algebra.\n\nTil et programmeringsspørgsmål skal du medtage algoritmen eller funktionen og et konkret input. Spørg, hvordan tilstanden ændrer sig, og hvorfor det returnerede resultat følger. En opfølgning kan bede om en revideret implementering under en udtrykkelig begrænsning, eksempelvis at bevare den offentlige funktionssignatur eller undgå at ændre inputtet. Medtag relevant hjælpekode og forventet adfærd, så forklaringen ikke afhænger af en uspecificeret implementering.\n\nTil en logisk sammenligning skal du identificere alternativerne og de betingelser, hver skal opfylde. Bed om de antagelser, hver tilgang bruger, de konflikter, der udelukker et valg, og de resterende uafklarede oplysninger. En kort beslutningstabel kan derefter blive slutproduktet, mens den omgivende tekst forklarer, hvordan de angivne regler understøtter det.\n\nPromptanbefalinger fra DeepSeek\n\nProducenten anbefaler at undgå en systemprompt og placere alle instruktioner direkte i brugerprompten. Saml opgaven, outputkravene og det nødvendige kildemateriale, og identificer tydeligt, hvilken tekst der er problemet, og hvilken der er en instruktion om svaret. Brug den udgivne tokenizer og samtaleindstillingerne frem for at antage, at den oprindelige Qwen-formatering kan bruges som erstatning.\n\nDet dokumenterede temperature-interval er 0.5 til 0.7 med 0.6 som anbefalet valg. DeepSeek knytter dette til færre gentagelser og mindre usammenhængende output. Til matematiske spørgsmål anbefaler producenten et gennemarbejdet svar med slutresultatet i en LaTeX-boks. Producenten beskriver også tilfælde, hvor modellen springer ræsonneringsblokken over, og anbefaler at begynde svaret med den indledende ræsonneringsmarkør for at fremme det tilsigtede ræsonneringsforløb.\n\nEt nyttigt matematisk output kan indeholde den valgte metode, de begrundede omformninger og et særskilt endeligt udtryk. Angiv, om resultatet skal være eksakt eller afrundet, og angiv enheder, når de er relevante. Til kode skal du bede om forklaringen adskilt fra den foreslåede implementering. Til logik skal du bede om den endelige konklusion sammen med de betingelser, den gælder under. Disse krav fastlægger, hvad læseren eller applikationen faktisk kan bruge efter ræsonneringsteksten.\n\nKontekst og indholdsmæssige afgrænsninger\n\nDen aktuelle udgivne konfiguration sætter det maksimale antal positioner til 131.072. Det er dette checkpoints konfigurationsværdi, ikke et nedarvet løfte om alle servinggrænseflader. Producentens genereringsindstilling på 32.768 tokens er en del af evalueringen; den fastslår ikke en særskilt hård maksimumgrænse for svarlængde. Den oprindelige Qwen Instruct-models outputkapacitet må tilsvarende ikke overføres til denne ændrede ræsonneringsudgivelse uden dens egen specifikation.\n\nDette er en tekstmodel. Et billede af et matematisk problem skal have sine symboler og betingelser omdannet til tekst før ræsonneringsopgaven, og kørsel af foreslået kode kræver et særskilt udviklings- eller beregningsmiljø. Destillering beskriver træning med R1-eksempler frem for et automatisk kald til lærermodellen under kørsel eller en indbygget uafhængig verifier.\n\nBrug det navngivne 14B-checkpoint til en defineret opgave med et gennemarbejdet svar, og bevar problemets notation, antagelser og målresultat. Det praktiske mål er en løsning, læseren kan undersøge: hvilke betingelser der gælder, hvorfor hvert vigtigt trin følger, og hvilket endeligt udtryk, hvilken implementering eller konklusion der besvarer det oprindelige spørgsmål.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Repair an algebraic division step\n\nA student solves x(x - 3) = 2(x - 3) by dividing by x - 3 and concludes x = 2. Explain the missing case without changing the original equation. Separate the zero-divisor case from the nonzero case, then give the complete solution set and substitute each candidate back into the equation.A case split, a complete solution set and a substitution check for each candidate.The response checks the x - 3 = 0 case rather than silently dividing it away.deepseek-ai/DeepSeek-R1-Distill-Qwen-14BDeepSeek-R1-Distill-Qwen-14B er et checkpoint til tekstræsonnering baseret på Qwen2.5-14B og eksempler genereret af DeepSeek-R1. Det understøtter gennemarbejdede matematiske, programmeringsrelaterede og logiske svar med DeepSeek's egen tokenizer, promptanbefalinger og udgivelseskonfiguration.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
DeepSeek-R1-Distill-Qwen-14B er det Qwen-baserede ræsonneringscheckpoint i størrelsen 14B udgivet af DeepSeek. Fundamentet er Qwen2.5-14B, finjusteret med eksempler udarbejdet af DeepSeek-R1. Det accepterer en skriftlig problemstilling eller samtale og returnerer tekst, der kan omfatte en matematisk løsning, en forklaring af programadfærd eller en konklusion udledt af flere angivne betingelser.
Overførsel af ræsonnering og den navngivne udgave
DeepSeek skelner mellem de fulde R1- og R1-Zero-modeller og de tætte modeller, der er destilleret til Qwen- og Llama-fundamenter. Ved de destillerede udgivelser overfører træningsdataene ræsonneringsmønstre fra den større R1-model til et andet checkpoint. Navnet 14B identificerer dette bestemte Qwen-fundament; det identificerer ikke den fulde R1-arkitektur, det destillerede 32B-checkpoint eller den almindelige Qwen2.5-14B-Instruct-udgivelse.
Producenten beskriver 800.000 kuraterede eksempler til de destillerede Qwen-udgivelser og bemærker ændringer i deres konfigurationer og tokenizere. Bevar DeepSeek-udgivelsens indstillinger, når denne model bruges. Disse ændringer er vigtige, selv om modellens oprindelse er Qwen2.5. Konfigurationen for selve 14B-checkpointet angiver 48 lag, 40 query-attention-hoveder og 8 key/value-hoveder med et maksimalt antal positioner på 131.072.
Hvad der skal medtages til et nyttigt gennemarbejdet svar
Ved en undervisningsopgave skal du medtage problemet og elevens løsningsforsøg og derefter markere den overgang, der kræver forklaring. Bed modellen identificere den relevante betingelse, forklare rettelsen med samme notation og kun fortsætte så langt, som det er nødvendigt for at fastslå resultatet. Det holder svaret knyttet til elevens faktiske vanskelighed frem for at producere en uvedkommende fuld lektion.
En elev kan eksempelvis have divideret med et udtryk uden at angive, om det kan være nul. Medtag den oprindelige ligning, og spørg, hvilke tilfælde der skal overvejes før denne omformning. Det ønskede resultat kan adskille det tilladte tilfælde, undtagelsestilfældet og den endelige løsningsmængde. Det er en foreslået matematisk opgave med en svarform defineret af betingelsen frem for en generisk anmodning om at forklare algebra.
Til et programmeringsspørgsmål skal du medtage algoritmen eller funktionen og et konkret input. Spørg, hvordan tilstanden ændrer sig, og hvorfor det returnerede resultat følger. En opfølgning kan bede om en revideret implementering under en udtrykkelig begrænsning, eksempelvis at bevare den offentlige funktionssignatur eller undgå at ændre inputtet. Medtag relevant hjælpekode og forventet adfærd, så forklaringen ikke afhænger af en uspecificeret implementering.
Til en logisk sammenligning skal du identificere alternativerne og de betingelser, hver skal opfylde. Bed om de antagelser, hver tilgang bruger, de konflikter, der udelukker et valg, og de resterende uafklarede oplysninger. En kort beslutningstabel kan derefter blive slutproduktet, mens den omgivende tekst forklarer, hvordan de angivne regler understøtter det.
Promptanbefalinger fra DeepSeek
Producenten anbefaler at undgå en systemprompt og placere alle instruktioner direkte i brugerprompten. Saml opgaven, outputkravene og det nødvendige kildemateriale, og identificer tydeligt, hvilken tekst der er problemet, og hvilken der er en instruktion om svaret. Brug den udgivne tokenizer og samtaleindstillingerne frem for at antage, at den oprindelige Qwen-formatering kan bruges som erstatning.
Det dokumenterede temperature-interval er 0.5 til 0.7 med 0.6 som anbefalet valg. DeepSeek knytter dette til færre gentagelser og mindre usammenhængende output. Til matematiske spørgsmål anbefaler producenten et gennemarbejdet svar med slutresultatet i en LaTeX-boks. Producenten beskriver også tilfælde, hvor modellen springer ræsonneringsblokken over, og anbefaler at begynde svaret med den indledende ræsonneringsmarkør for at fremme det tilsigtede ræsonneringsforløb.
Et nyttigt matematisk output kan indeholde den valgte metode, de begrundede omformninger og et særskilt endeligt udtryk. Angiv, om resultatet skal være eksakt eller afrundet, og angiv enheder, når de er relevante. Til kode skal du bede om forklaringen adskilt fra den foreslåede implementering. Til logik skal du bede om den endelige konklusion sammen med de betingelser, den gælder under. Disse krav fastlægger, hvad læseren eller applikationen faktisk kan bruge efter ræsonneringsteksten.
Kontekst og indholdsmæssige afgrænsninger
Den aktuelle udgivne konfiguration sætter det maksimale antal positioner til 131.072. Det er dette checkpoints konfigurationsværdi, ikke et nedarvet løfte om alle servinggrænseflader. Producentens genereringsindstilling på 32.768 tokens er en del af evalueringen; den fastslår ikke en særskilt hård maksimumgrænse for svarlængde. Den oprindelige Qwen Instruct-models outputkapacitet må tilsvarende ikke overføres til denne ændrede ræsonneringsudgivelse uden dens egen specifikation.
Dette er en tekstmodel. Et billede af et matematisk problem skal have sine symboler og betingelser omdannet til tekst før ræsonneringsopgaven, og kørsel af foreslået kode kræver et særskilt udviklings- eller beregningsmiljø. Destillering beskriver træning med R1-eksempler frem for et automatisk kald til lærermodellen under kørsel eller en indbygget uafhængig verifier.
Brug det navngivne 14B-checkpoint til en defineret opgave med et gennemarbejdet svar, og bevar problemets notation, antagelser og målresultat. Det praktiske mål er en løsning, læseren kan undersøge: hvilke betingelser der gælder, hvorfor hvert vigtigt trin følger, og hvilket endeligt udtryk, hvilken implementering eller konklusion der besvarer det oprindelige spørgsmål.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser deepseek-ai/DeepSeek-R1-Distill-Qwen-14B | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0002 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-14B", "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-ai/DeepSeek-R1-Distill-Qwen-14B',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-ai/DeepSeek-R1-Distill-Qwen-14B',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
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-14B
Brug metodestierne vist ovenfor.
deepseek-ai/DeepSeek-R1-Distill-Qwen-14BDeepSeek-R1-Distill-Qwen-14B er et checkpoint til tekstræsonnering baseret på Qwen2.5-14B og eksempler genereret af DeepSeek-R1. Det understøtter gennemarbejdede matematiske, programmeringsrelaterede og logiske svar med DeepSeek's egen tokenizer, promptanbefalinger og udgivelseskonfiguration.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
DeepSeek-R1-Distill-Qwen-14B er det Qwen-baserede ræsonneringscheckpoint i størrelsen 14B udgivet af DeepSeek. Fundamentet er Qwen2.5-14B, finjusteret med eksempler udarbejdet af DeepSeek-R1. Det accepterer en skriftlig problemstilling eller samtale og returnerer tekst, der kan omfatte en matematisk løsning, en forklaring af programadfærd eller en konklusion udledt af flere angivne betingelser.
Overførsel af ræsonnering og den navngivne udgave
DeepSeek skelner mellem de fulde R1- og R1-Zero-modeller og de tætte modeller, der er destilleret til Qwen- og Llama-fundamenter. Ved de destillerede udgivelser overfører træningsdataene ræsonneringsmønstre fra den større R1-model til et andet checkpoint. Navnet 14B identificerer dette bestemte Qwen-fundament; det identificerer ikke den fulde R1-arkitektur, det destillerede 32B-checkpoint eller den almindelige Qwen2.5-14B-Instruct-udgivelse.
Producenten beskriver 800.000 kuraterede eksempler til de destillerede Qwen-udgivelser og bemærker ændringer i deres konfigurationer og tokenizere. Bevar DeepSeek-udgivelsens indstillinger, når denne model bruges. Disse ændringer er vigtige, selv om modellens oprindelse er Qwen2.5. Konfigurationen for selve 14B-checkpointet angiver 48 lag, 40 query-attention-hoveder og 8 key/value-hoveder med et maksimalt antal positioner på 131.072.
Hvad der skal medtages til et nyttigt gennemarbejdet svar
Ved en undervisningsopgave skal du medtage problemet og elevens løsningsforsøg og derefter markere den overgang, der kræver forklaring. Bed modellen identificere den relevante betingelse, forklare rettelsen med samme notation og kun fortsætte så langt, som det er nødvendigt for at fastslå resultatet. Det holder svaret knyttet til elevens faktiske vanskelighed frem for at producere en uvedkommende fuld lektion.
En elev kan eksempelvis have divideret med et udtryk uden at angive, om det kan være nul. Medtag den oprindelige ligning, og spørg, hvilke tilfælde der skal overvejes før denne omformning. Det ønskede resultat kan adskille det tilladte tilfælde, undtagelsestilfældet og den endelige løsningsmængde. Det er en foreslået matematisk opgave med en svarform defineret af betingelsen frem for en generisk anmodning om at forklare algebra.
Til et programmeringsspørgsmål skal du medtage algoritmen eller funktionen og et konkret input. Spørg, hvordan tilstanden ændrer sig, og hvorfor det returnerede resultat følger. En opfølgning kan bede om en revideret implementering under en udtrykkelig begrænsning, eksempelvis at bevare den offentlige funktionssignatur eller undgå at ændre inputtet. Medtag relevant hjælpekode og forventet adfærd, så forklaringen ikke afhænger af en uspecificeret implementering.
Til en logisk sammenligning skal du identificere alternativerne og de betingelser, hver skal opfylde. Bed om de antagelser, hver tilgang bruger, de konflikter, der udelukker et valg, og de resterende uafklarede oplysninger. En kort beslutningstabel kan derefter blive slutproduktet, mens den omgivende tekst forklarer, hvordan de angivne regler understøtter det.
Promptanbefalinger fra DeepSeek
Producenten anbefaler at undgå en systemprompt og placere alle instruktioner direkte i brugerprompten. Saml opgaven, outputkravene og det nødvendige kildemateriale, og identificer tydeligt, hvilken tekst der er problemet, og hvilken der er en instruktion om svaret. Brug den udgivne tokenizer og samtaleindstillingerne frem for at antage, at den oprindelige Qwen-formatering kan bruges som erstatning.
Det dokumenterede temperature-interval er 0.5 til 0.7 med 0.6 som anbefalet valg. DeepSeek knytter dette til færre gentagelser og mindre usammenhængende output. Til matematiske spørgsmål anbefaler producenten et gennemarbejdet svar med slutresultatet i en LaTeX-boks. Producenten beskriver også tilfælde, hvor modellen springer ræsonneringsblokken over, og anbefaler at begynde svaret med den indledende ræsonneringsmarkør for at fremme det tilsigtede ræsonneringsforløb.
Et nyttigt matematisk output kan indeholde den valgte metode, de begrundede omformninger og et særskilt endeligt udtryk. Angiv, om resultatet skal være eksakt eller afrundet, og angiv enheder, når de er relevante. Til kode skal du bede om forklaringen adskilt fra den foreslåede implementering. Til logik skal du bede om den endelige konklusion sammen med de betingelser, den gælder under. Disse krav fastlægger, hvad læseren eller applikationen faktisk kan bruge efter ræsonneringsteksten.
Kontekst og indholdsmæssige afgrænsninger
Den aktuelle udgivne konfiguration sætter det maksimale antal positioner til 131.072. Det er dette checkpoints konfigurationsværdi, ikke et nedarvet løfte om alle servinggrænseflader. Producentens genereringsindstilling på 32.768 tokens er en del af evalueringen; den fastslår ikke en særskilt hård maksimumgrænse for svarlængde. Den oprindelige Qwen Instruct-models outputkapacitet må tilsvarende ikke overføres til denne ændrede ræsonneringsudgivelse uden dens egen specifikation.
Dette er en tekstmodel. Et billede af et matematisk problem skal have sine symboler og betingelser omdannet til tekst før ræsonneringsopgaven, og kørsel af foreslået kode kræver et særskilt udviklings- eller beregningsmiljø. Destillering beskriver træning med R1-eksempler frem for et automatisk kald til lærermodellen under kørsel eller en indbygget uafhængig verifier.
Brug det navngivne 14B-checkpoint til en defineret opgave med et gennemarbejdet svar, og bevar problemets notation, antagelser og målresultat. Det praktiske mål er en løsning, læseren kan undersøge: hvilke betingelser der gælder, hvorfor hvert vigtigt trin følger, og hvilket endeligt udtryk, hvilken implementering eller konklusion der besvarer det oprindelige spørgsmål.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser deepseek-ai/DeepSeek-R1-Distill-Qwen-14B | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0002 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-14B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-ai/DeepSeek-R1-Distill-Qwen-14B', '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-ai/DeepSeek-R1-Distill-Qwen-14B', '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
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-14B
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Repair an algebraic division step\n\nA student solves x(x - 3) = 2(x - 3) by dividing by x - 3 and concludes x = 2. Explain the missing case without changing the original equation. Separate the zero-divisor case from the nonzero case, then give the complete solution set and substitute each candidate back into the equation.A case split, a complete solution set and a substitution check for each candidate.The response checks the x - 3 = 0 case rather than silently dividing it away.