DeepSeek R1 Distill Llama 70B er en særskilt ræsonneringsmodel bygget på Llama 3.3 70B Instruct. DeepSeek finjusterer grundmodellen med ræsonneringseksempler genereret af DeepSeek R1 og overfører mønstre til løsning af matematiske, programmeringsrelaterede og logiske problemer til en tæt Llama-model. Den accepterer tekst og producerer et tekstsvar med den ønskede analyse, kode eller konklusion.
Destillering. Dette er et klargjort modelcheckpoint frem for en tilstand, der aktiverer hele R1-modellen. Producenten udgiver flere destillerede modeller baseret på Llama- og Qwen-fundamenter. Llama-udgaven på 70B bruger Llama 3.3 Instruct; Llama-udgaven på 8B starter fra Llama 3.1 Base. Deres forskellige fundamenter og størrelser er vigtige, når den præcise udgave vælges. DeepSeek tilpasser også de destillerede udgivelsers konfigurationer og tokenizere, så den offentliggjorte modelklargøring skal følge det navngivne checkpoint.
Ræsonneringsarbejde. Til en matematisk opgave skal du medtage hele opgaveformuleringen, definitioner og antagelser og angive, om resultatet skal være et bevis, en beregning eller et modeksempel. Bed om en klar udledning og et endeligt svar, der er let at finde. Til et algoritmespørgsmål skal du angive inputbegrænsninger og ønsket output og derefter bede om fremgangsmåden, implementeringen og tilfælde, der tester antagelserne. Det nyttige resultat er en løsning, hvis vigtige trin kan undersøges, frem for blot en plausibel slutværdi.
Anbefalinger til generering. DeepSeek anbefaler at placere alle instruktioner i brugerbeskeden i stedet for at tilføje en særskilt systemprompt. Til ræsonneringsserien er det dokumenterede temperature-interval 0.5–0.7 med 0.6 anbefalet for at mindske gentagelser og usammenhængende output. For matematikprompter anbefales det at bede om en trinvis løsning og få slutresultatet i matematisk boksnotation. I tilfælde, hvor det tilsigtede ræsonneringsmønster springes over, anbefaler DeepSeek at gennemtvinge svarpræfikset <think>\\n i en kompatibel genereringsopsætning. Det er anbefalinger til en kompatibel genereringsopsætning og dokumenterer ikke et særskilt kørselsværktøj.
Til kodeassistance skal du medtage den relevante funktion, den rapporterede fejl, den forventede adfærd og et repræsentativt input. Bed om et minimalt ændringsforslag med en forklaring og et testtilfælde, der ville afsløre det oprindelige problem. Hvis spørgsmålet vedrører flere moduler, skal du bevare deres navne og beskrive grænsefladen mellem dem. Modellen kan så ræsonnere om de angivne sammenhænge og returnere et patchforslag eller en fokuseret forklaring til gennemgang.
Til teknisk analyse skal du adskille givne fakta fra de alternativer, der overvejes. Du kan bede modellen sammenligne to algoritmer, forklare, hvorfor en betingelse er nødvendig, eller finde et input, der modsiger en foreslået regel. Bed om det afgørende argument først, og gør alle antagelser udtrykkelige. Kontroller vigtige beregninger uafhængigt, og kør genereret kode i det tilsigtede miljø; selve svaret er et tekstprodukt. Når modeladfærd sammenlignes, skal du bruge flere repræsentative problemer frem for at behandle ét svar som en fuldstændig vurdering.
", "aboutText": "DeepSeek R1 Distill Llama 70B er en særskilt ræsonneringsmodel bygget på Llama 3.3 70B Instruct. DeepSeek finjusterer grundmodellen med ræsonneringseksempler genereret af DeepSeek R1 og overfører mønstre til løsning af matematiske, programmeringsrelaterede og logiske problemer til en tæt Llama-model. Den accepterer tekst og producerer et tekstsvar med den ønskede analyse, kode eller konklusion.\n\nDestillering. Dette er et klargjort modelcheckpoint frem for en tilstand, der aktiverer hele R1-modellen. Producenten udgiver flere destillerede modeller baseret på Llama- og Qwen-fundamenter. Llama-udgaven på 70B bruger Llama 3.3 Instruct; Llama-udgaven på 8B starter fra Llama 3.1 Base. Deres forskellige fundamenter og størrelser er vigtige, når den præcise udgave vælges. DeepSeek tilpasser også de destillerede udgivelsers konfigurationer og tokenizere, så den offentliggjorte modelklargøring skal følge det navngivne checkpoint.\n\nRæsonneringsarbejde. Til en matematisk opgave skal du medtage hele opgaveformuleringen, definitioner og antagelser og angive, om resultatet skal være et bevis, en beregning eller et modeksempel. Bed om en klar udledning og et endeligt svar, der er let at finde. Til et algoritmespørgsmål skal du angive inputbegrænsninger og ønsket output og derefter bede om fremgangsmåden, implementeringen og tilfælde, der tester antagelserne. Det nyttige resultat er en løsning, hvis vigtige trin kan undersøges, frem for blot en plausibel slutværdi.\n\nAnbefalinger til generering. DeepSeek anbefaler at placere alle instruktioner i brugerbeskeden i stedet for at tilføje en særskilt systemprompt. Til ræsonneringsserien er det dokumenterede temperature-interval 0.5–0.7 med 0.6 anbefalet for at mindske gentagelser og usammenhængende output. For matematikprompter anbefales det at bede om en trinvis løsning og få slutresultatet i matematisk boksnotation. I tilfælde, hvor det tilsigtede ræsonneringsmønster springes over, anbefaler DeepSeek at gennemtvinge svarpræfikset `Teknisk eksempel på engelsk
Test an allocation rule\n\nA workshop must assign 17 identical kits to four teams. Each team needs at least three kits, and Team A must receive an odd number. Find the allocation that minimizes the largest team allocation. Show a short verifiable argument that a smaller maximum is impossible, then give one valid allocation.An explicit allocation, its maximum and a concise optimality argument.The allocation must sum to 17, satisfy the minimum and oddness rules, and include a lower-bound argument.deepseek/deepseek-r1-distill-llama-70bEn tæt ræsonneringsmodel destilleret af DeepSeek fra eksempler genereret af R1 til Llama 3.3 70B Instruct. Brug tekstprompter til matematiske problemer, kode og logiske spørgsmål, der kræver en forklaret løsning og et særskilt endeligt svar.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
DeepSeek R1 Distill Llama 70B er en særskilt ræsonneringsmodel bygget på Llama 3.3 70B Instruct. DeepSeek finjusterer grundmodellen med ræsonneringseksempler genereret af DeepSeek R1 og overfører mønstre til løsning af matematiske, programmeringsrelaterede og logiske problemer til en tæt Llama-model. Den accepterer tekst og producerer et tekstsvar med den ønskede analyse, kode eller konklusion.
Destillering. Dette er et klargjort modelcheckpoint frem for en tilstand, der aktiverer hele R1-modellen. Producenten udgiver flere destillerede modeller baseret på Llama- og Qwen-fundamenter. Llama-udgaven på 70B bruger Llama 3.3 Instruct; Llama-udgaven på 8B starter fra Llama 3.1 Base. Deres forskellige fundamenter og størrelser er vigtige, når den præcise udgave vælges. DeepSeek tilpasser også de destillerede udgivelsers konfigurationer og tokenizere, så den offentliggjorte modelklargøring skal følge det navngivne checkpoint.
Ræsonneringsarbejde. Til en matematisk opgave skal du medtage hele opgaveformuleringen, definitioner og antagelser og angive, om resultatet skal være et bevis, en beregning eller et modeksempel. Bed om en klar udledning og et endeligt svar, der er let at finde. Til et algoritmespørgsmål skal du angive inputbegrænsninger og ønsket output og derefter bede om fremgangsmåden, implementeringen og tilfælde, der tester antagelserne. Det nyttige resultat er en løsning, hvis vigtige trin kan undersøges, frem for blot en plausibel slutværdi.
Anbefalinger til generering. DeepSeek anbefaler at placere alle instruktioner i brugerbeskeden i stedet for at tilføje en særskilt systemprompt. Til ræsonneringsserien er det dokumenterede temperature-interval 0.5–0.7 med 0.6 anbefalet for at mindske gentagelser og usammenhængende output. For matematikprompter anbefales det at bede om en trinvis løsning og få slutresultatet i matematisk boksnotation. I tilfælde, hvor det tilsigtede ræsonneringsmønster springes over, anbefaler DeepSeek at gennemtvinge svarpræfikset <think>\\n i en kompatibel genereringsopsætning. Det er anbefalinger til en kompatibel genereringsopsætning og dokumenterer ikke et særskilt kørselsværktøj.
Til kodeassistance skal du medtage den relevante funktion, den rapporterede fejl, den forventede adfærd og et repræsentativt input. Bed om et minimalt ændringsforslag med en forklaring og et testtilfælde, der ville afsløre det oprindelige problem. Hvis spørgsmålet vedrører flere moduler, skal du bevare deres navne og beskrive grænsefladen mellem dem. Modellen kan så ræsonnere om de angivne sammenhænge og returnere et patchforslag eller en fokuseret forklaring til gennemgang.
Til teknisk analyse skal du adskille givne fakta fra de alternativer, der overvejes. Du kan bede modellen sammenligne to algoritmer, forklare, hvorfor en betingelse er nødvendig, eller finde et input, der modsiger en foreslået regel. Bed om det afgørende argument først, og gør alle antagelser udtrykkelige. Kontroller vigtige beregninger uafhængigt, og kør genereret kode i det tilsigtede miljø; selve svaret er et tekstprodukt. Når modeladfærd sammenlignes, skal du bruge flere repræsentative problemer frem for at behandle ét svar som en fuldstændig vurdering.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser deepseek/deepseek-r1-distill-llama-70b | 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 $0.00028 / 1K tokens Output · Outputtokens $0.00086 / 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/deepseek-r1-distill-llama-70b", "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-r1-distill-llama-70b',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-r1-distill-llama-70b',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/deepseek-r1-distill-llama-70b
Brug metodestierne vist ovenfor.
deepseek/deepseek-r1-distill-llama-70bEn tæt ræsonneringsmodel destilleret af DeepSeek fra eksempler genereret af R1 til Llama 3.3 70B Instruct. Brug tekstprompter til matematiske problemer, kode og logiske spørgsmål, der kræver en forklaret løsning og et særskilt endeligt svar.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
DeepSeek R1 Distill Llama 70B er en særskilt ræsonneringsmodel bygget på Llama 3.3 70B Instruct. DeepSeek finjusterer grundmodellen med ræsonneringseksempler genereret af DeepSeek R1 og overfører mønstre til løsning af matematiske, programmeringsrelaterede og logiske problemer til en tæt Llama-model. Den accepterer tekst og producerer et tekstsvar med den ønskede analyse, kode eller konklusion.
Destillering. Dette er et klargjort modelcheckpoint frem for en tilstand, der aktiverer hele R1-modellen. Producenten udgiver flere destillerede modeller baseret på Llama- og Qwen-fundamenter. Llama-udgaven på 70B bruger Llama 3.3 Instruct; Llama-udgaven på 8B starter fra Llama 3.1 Base. Deres forskellige fundamenter og størrelser er vigtige, når den præcise udgave vælges. DeepSeek tilpasser også de destillerede udgivelsers konfigurationer og tokenizere, så den offentliggjorte modelklargøring skal følge det navngivne checkpoint.
Ræsonneringsarbejde. Til en matematisk opgave skal du medtage hele opgaveformuleringen, definitioner og antagelser og angive, om resultatet skal være et bevis, en beregning eller et modeksempel. Bed om en klar udledning og et endeligt svar, der er let at finde. Til et algoritmespørgsmål skal du angive inputbegrænsninger og ønsket output og derefter bede om fremgangsmåden, implementeringen og tilfælde, der tester antagelserne. Det nyttige resultat er en løsning, hvis vigtige trin kan undersøges, frem for blot en plausibel slutværdi.
Anbefalinger til generering. DeepSeek anbefaler at placere alle instruktioner i brugerbeskeden i stedet for at tilføje en særskilt systemprompt. Til ræsonneringsserien er det dokumenterede temperature-interval 0.5–0.7 med 0.6 anbefalet for at mindske gentagelser og usammenhængende output. For matematikprompter anbefales det at bede om en trinvis løsning og få slutresultatet i matematisk boksnotation. I tilfælde, hvor det tilsigtede ræsonneringsmønster springes over, anbefaler DeepSeek at gennemtvinge svarpræfikset <think>\\n i en kompatibel genereringsopsætning. Det er anbefalinger til en kompatibel genereringsopsætning og dokumenterer ikke et særskilt kørselsværktøj.
Til kodeassistance skal du medtage den relevante funktion, den rapporterede fejl, den forventede adfærd og et repræsentativt input. Bed om et minimalt ændringsforslag med en forklaring og et testtilfælde, der ville afsløre det oprindelige problem. Hvis spørgsmålet vedrører flere moduler, skal du bevare deres navne og beskrive grænsefladen mellem dem. Modellen kan så ræsonnere om de angivne sammenhænge og returnere et patchforslag eller en fokuseret forklaring til gennemgang.
Til teknisk analyse skal du adskille givne fakta fra de alternativer, der overvejes. Du kan bede modellen sammenligne to algoritmer, forklare, hvorfor en betingelse er nødvendig, eller finde et input, der modsiger en foreslået regel. Bed om det afgørende argument først, og gør alle antagelser udtrykkelige. Kontroller vigtige beregninger uafhængigt, og kør genereret kode i det tilsigtede miljø; selve svaret er et tekstprodukt. Når modeladfærd sammenlignes, skal du bruge flere repræsentative problemer frem for at behandle ét svar som en fuldstændig vurdering.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser deepseek/deepseek-r1-distill-llama-70b | 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 $0.00028 / 1K tokens Output · Outputtokens $0.00086 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "deepseek/deepseek-r1-distill-llama-70b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-r1-distill-llama-70b', '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-r1-distill-llama-70b', '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/deepseek-r1-distill-llama-70b
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Test an allocation rule\n\nA workshop must assign 17 identical kits to four teams. Each team needs at least three kits, and Team A must receive an odd number. Find the allocation that minimizes the largest team allocation. Show a short verifiable argument that a smaller maximum is impossible, then give one valid allocation.An explicit allocation, its maximum and a concise optimality argument.The allocation must sum to 17, satisfy the minimum and oddness rules, and include a lower-bound argument.