DeepSeek R1 er DeepSeek’s oprindelige ræsonneringsfokuserede model til matematiske, kodningsrelaterede og logiske opgaver. Den bygger på DeepSeek V3 Base og bruger en træningspipeline med koldstartseksempler, superviseret forbedring og forstærkningslæring. Input er tekst, og resultatet er en tekstlig løsning eller et svar. Den forbliver adskilt fra R1 Zero, den senere R1-0528-udgave og de særskilt destillerede modeller.
Producenten skelner mellem R1 og R1 Zero’s tilgang med ren forstærkningslæring. Koldstartsmateriale giver R1 et mere læseligt udgangsmønster før ræsonneringsorienteret forstærkningslæring. Efterfølgende rejection sampling og superviseret træning tilføjer ræsonneringsdata og data til generelle formål, fulgt af endnu en fase med forstærkningslæring. Beskrivelsen angiver to superviserede faser og to faser med forstærkningslæring, der skal forbedre ræsonneringsmønstre og tilpasningen til det ønskede svar.
Den offentliggjorte arkitektur har i alt 671 milliarder parametre med 37 milliarder aktive pr. token og en kontekst på 128K. Dette vindue rummer kilden, prompten og den genererede ræsonnering eller svaret samlet; det er ikke en særskilt garanti for 128K output. En lang matematisk betingelse, et kodefragment eller et sæt krav skal stadig organiseres, så modellen kan identificere det faktiske problem og den form på resultatet, du har brug for.
DeepSeek anbefaler en temperatur mellem 0.5 og 0.7 med 0.6 som anbefalet valg for at mindske gentagelser eller usammenhængende output. Producenten anbefaler at placere instruktioner i brugerprompten frem for at tilføje en systemprompt. Forskningsrapporten anbefaler også en direkte zero-shot-formulering af problemet og outputformatet, fordi few-shot-prompting kan reducere ydeevnen i denne oprindelige profil. Det er producentens anbefalinger til brug, ikke standardindstillinger, der forudsættes i alle applikationer.
Til matematik skal du medtage hele opgavebetingelsen, variabeldefinitioner og begrænsninger på definitionsområdet. Producenten anbefaler at bede om en trinvis løsning med slutresultatet i et \\boxed{}-udtryk. Et eksempel på en opgavebeskrivelse kan bede om den endelige formel, de antagelser, den gælder under, og en kontrol ved indsættelse. Til kode skal du medtage den adfærd, der skal implementeres, begrænsninger og repræsentative input og derefter bede om den foreslåede algoritme og kodeproduktet adskilt fra forklaringen.
Modellens ræsonneringsformat adskiller en tænkningsfase fra det endelige svar. DeepSeek bemærker, at nogle forespørgsler kan give en tom tænkningsblok, og anbefaler et præfiks, der starter ræsonneringen, i sit referenceforløb, når dybere ræsonnering er tilsigtet. Bevar skelnen mellem producentens format og det endelige svar, brugeren skal læse. Det ønskede resultat kan være en kort konklusion eller kode, selv når modellens mellemliggende proces er længere.
Den oprindelige forskning identificerer konkrete begrænsninger. R1 er optimeret til kinesisk og engelsk, og forespørgsler på andre sprog kan medføre uønsket sprogblanding. Den er følsom over for prompting, og dens adfærd i komplekse samtaler med flere ture, rollespil, JSON og funktionskald er mindre udviklet end dens fokus på matematisk ræsonnering og koderæsonnering. Den JSON- og værktøjsunderstøttelse, der er dokumenteret for R1-0528, er en ændring i en senere udgave, ikke den oprindelige R1-kontrakt. Angiv outputsprog og format udtrykkeligt, og hold problemformuleringen direkte.
Til en praktisk teknisk opgave skal du definere, hvad der udgør et korrekt resultat: en formel med antagelser, en algoritme, der opfylder den angivne kompleksitet, eller en begrundet sammenligning efter vedlagte kriterier. Bed modellen om i det endelige svar at angive manglende oplysninger frem for at opfinde dem. Til kildeafhængigt arbejde skal du vedlægge de autoritative passager som tekst. Gennemgå den foreslåede kode eller konklusion mod de oprindelige betingelser; det nyttige produkt er den endelige løsning og dens understøttende forklaring, adskilt fra en handling eller validering, den omgivende applikation faktisk har udført.
", "aboutText": "DeepSeek R1 er DeepSeek’s oprindelige ræsonneringsfokuserede model til matematiske, kodningsrelaterede og logiske opgaver. Den bygger på DeepSeek V3 Base og bruger en træningspipeline med koldstartseksempler, superviseret forbedring og forstærkningslæring. Input er tekst, og resultatet er en tekstlig løsning eller et svar. Den forbliver adskilt fra R1 Zero, den senere R1-0528-udgave og de særskilt destillerede modeller.\n\nProducenten skelner mellem R1 og R1 Zero’s tilgang med ren forstærkningslæring. Koldstartsmateriale giver R1 et mere læseligt udgangsmønster før ræsonneringsorienteret forstærkningslæring. Efterfølgende rejection sampling og superviseret træning tilføjer ræsonneringsdata og data til generelle formål, fulgt af endnu en fase med forstærkningslæring. Beskrivelsen angiver to superviserede faser og to faser med forstærkningslæring, der skal forbedre ræsonneringsmønstre og tilpasningen til det ønskede svar.\n\nDen offentliggjorte arkitektur har i alt 671 milliarder parametre med 37 milliarder aktive pr. token og en kontekst på 128K. Dette vindue rummer kilden, prompten og den genererede ræsonnering eller svaret samlet; det er ikke en særskilt garanti for 128K output. En lang matematisk betingelse, et kodefragment eller et sæt krav skal stadig organiseres, så modellen kan identificere det faktiske problem og den form på resultatet, du har brug for.\n\nDeepSeek anbefaler en temperatur mellem 0.5 og 0.7 med 0.6 som anbefalet valg for at mindske gentagelser eller usammenhængende output. Producenten anbefaler at placere instruktioner i brugerprompten frem for at tilføje en systemprompt. Forskningsrapporten anbefaler også en direkte zero-shot-formulering af problemet og outputformatet, fordi few-shot-prompting kan reducere ydeevnen i denne oprindelige profil. Det er producentens anbefalinger til brug, ikke standardindstillinger, der forudsættes i alle applikationer.\n\nTil matematik skal du medtage hele opgavebetingelsen, variabeldefinitioner og begrænsninger på definitionsområdet. Producenten anbefaler at bede om en trinvis løsning med slutresultatet i et \\boxed{}-udtryk. Et eksempel på en opgavebeskrivelse kan bede om den endelige formel, de antagelser, den gælder under, og en kontrol ved indsættelse. Til kode skal du medtage den adfærd, der skal implementeres, begrænsninger og repræsentative input og derefter bede om den foreslåede algoritme og kodeproduktet adskilt fra forklaringen.\n\nModellens ræsonneringsformat adskiller en tænkningsfase fra det endelige svar. DeepSeek bemærker, at nogle forespørgsler kan give en tom tænkningsblok, og anbefaler et præfiks, der starter ræsonneringen, i sit referenceforløb, når dybere ræsonnering er tilsigtet. Bevar skelnen mellem producentens format og det endelige svar, brugeren skal læse. Det ønskede resultat kan være en kort konklusion eller kode, selv når modellens mellemliggende proces er længere.\n\nDen oprindelige forskning identificerer konkrete begrænsninger. R1 er optimeret til kinesisk og engelsk, og forespørgsler på andre sprog kan medføre uønsket sprogblanding. Den er følsom over for prompting, og dens adfærd i komplekse samtaler med flere ture, rollespil, JSON og funktionskald er mindre udviklet end dens fokus på matematisk ræsonnering og koderæsonnering. Den JSON- og værktøjsunderstøttelse, der er dokumenteret for R1-0528, er en ændring i en senere udgave, ikke den oprindelige R1-kontrakt. Angiv outputsprog og format udtrykkeligt, og hold problemformuleringen direkte.\n\nTil en praktisk teknisk opgave skal du definere, hvad der udgør et korrekt resultat: en formel med antagelser, en algoritme, der opfylder den angivne kompleksitet, eller en begrundet sammenligning efter vedlagte kriterier. Bed modellen om i det endelige svar at angive manglende oplysninger frem for at opfinde dem. Til kildeafhængigt arbejde skal du vedlægge de autoritative passager som tekst. Gennemgå den foreslåede kode eller konklusion mod de oprindelige betingelser; det nyttige produkt er den endelige løsning og dens understøttende forklaring, adskilt fra en handling eller validering, den omgivende applikation faktisk har udført.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Optimize a rectangular enclosure\n\nA rectangular enclosure has 60 metres of fencing, used on all four sides. Its width and length are positive real numbers. Derive the largest possible area, justify why the optimum is global and check the dimensions against the fencing constraint. Give the final result in a boxed mathematical expression.A derivation, optimal dimensions, a perimeter check and a boxed maximum area.Check that the solution respects positivity and uses 2(length + width) = 60 rather than a three-sided constraint.deepseek/deepseek-r1DeepSeek R1 er DeepSeek’s oprindelige ræsonneringsfokuserede tekstmodel til matematik, kode og logik. Den kombinerer instruktionseksempler til koldstart med forstærkningslæring og en kontekst på 128K samt producentvejledning om direkte prompter og udtrykkelig formatering af slutsvaret.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
DeepSeek R1 er DeepSeek’s oprindelige ræsonneringsfokuserede model til matematiske, kodningsrelaterede og logiske opgaver. Den bygger på DeepSeek V3 Base og bruger en træningspipeline med koldstartseksempler, superviseret forbedring og forstærkningslæring. Input er tekst, og resultatet er en tekstlig løsning eller et svar. Den forbliver adskilt fra R1 Zero, den senere R1-0528-udgave og de særskilt destillerede modeller.
Producenten skelner mellem R1 og R1 Zero’s tilgang med ren forstærkningslæring. Koldstartsmateriale giver R1 et mere læseligt udgangsmønster før ræsonneringsorienteret forstærkningslæring. Efterfølgende rejection sampling og superviseret træning tilføjer ræsonneringsdata og data til generelle formål, fulgt af endnu en fase med forstærkningslæring. Beskrivelsen angiver to superviserede faser og to faser med forstærkningslæring, der skal forbedre ræsonneringsmønstre og tilpasningen til det ønskede svar.
Den offentliggjorte arkitektur har i alt 671 milliarder parametre med 37 milliarder aktive pr. token og en kontekst på 128K. Dette vindue rummer kilden, prompten og den genererede ræsonnering eller svaret samlet; det er ikke en særskilt garanti for 128K output. En lang matematisk betingelse, et kodefragment eller et sæt krav skal stadig organiseres, så modellen kan identificere det faktiske problem og den form på resultatet, du har brug for.
DeepSeek anbefaler en temperatur mellem 0.5 og 0.7 med 0.6 som anbefalet valg for at mindske gentagelser eller usammenhængende output. Producenten anbefaler at placere instruktioner i brugerprompten frem for at tilføje en systemprompt. Forskningsrapporten anbefaler også en direkte zero-shot-formulering af problemet og outputformatet, fordi few-shot-prompting kan reducere ydeevnen i denne oprindelige profil. Det er producentens anbefalinger til brug, ikke standardindstillinger, der forudsættes i alle applikationer.
Til matematik skal du medtage hele opgavebetingelsen, variabeldefinitioner og begrænsninger på definitionsområdet. Producenten anbefaler at bede om en trinvis løsning med slutresultatet i et \\boxed{}-udtryk. Et eksempel på en opgavebeskrivelse kan bede om den endelige formel, de antagelser, den gælder under, og en kontrol ved indsættelse. Til kode skal du medtage den adfærd, der skal implementeres, begrænsninger og repræsentative input og derefter bede om den foreslåede algoritme og kodeproduktet adskilt fra forklaringen.
Modellens ræsonneringsformat adskiller en tænkningsfase fra det endelige svar. DeepSeek bemærker, at nogle forespørgsler kan give en tom tænkningsblok, og anbefaler et præfiks, der starter ræsonneringen, i sit referenceforløb, når dybere ræsonnering er tilsigtet. Bevar skelnen mellem producentens format og det endelige svar, brugeren skal læse. Det ønskede resultat kan være en kort konklusion eller kode, selv når modellens mellemliggende proces er længere.
Den oprindelige forskning identificerer konkrete begrænsninger. R1 er optimeret til kinesisk og engelsk, og forespørgsler på andre sprog kan medføre uønsket sprogblanding. Den er følsom over for prompting, og dens adfærd i komplekse samtaler med flere ture, rollespil, JSON og funktionskald er mindre udviklet end dens fokus på matematisk ræsonnering og koderæsonnering. Den JSON- og værktøjsunderstøttelse, der er dokumenteret for R1-0528, er en ændring i en senere udgave, ikke den oprindelige R1-kontrakt. Angiv outputsprog og format udtrykkeligt, og hold problemformuleringen direkte.
Til en praktisk teknisk opgave skal du definere, hvad der udgør et korrekt resultat: en formel med antagelser, en algoritme, der opfylder den angivne kompleksitet, eller en begrundet sammenligning efter vedlagte kriterier. Bed modellen om i det endelige svar at angive manglende oplysninger frem for at opfinde dem. Til kildeafhængigt arbejde skal du vedlægge de autoritative passager som tekst. Gennemgå den foreslåede kode eller konklusion mod de oprindelige betingelser; det nyttige produkt er den endelige løsning og dens understøttende forklaring, adskilt fra en handling eller validering, den omgivende applikation faktisk har udført.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser deepseek/deepseek-r1 | 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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0014 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0014 / 1K tokens Output · Outputtokens $0.005 / 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", "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',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',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
Brug metodestierne vist ovenfor.
deepseek/deepseek-r1DeepSeek R1 er DeepSeek’s oprindelige ræsonneringsfokuserede tekstmodel til matematik, kode og logik. Den kombinerer instruktionseksempler til koldstart med forstærkningslæring og en kontekst på 128K samt producentvejledning om direkte prompter og udtrykkelig formatering af slutsvaret.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
DeepSeek R1 er DeepSeek’s oprindelige ræsonneringsfokuserede model til matematiske, kodningsrelaterede og logiske opgaver. Den bygger på DeepSeek V3 Base og bruger en træningspipeline med koldstartseksempler, superviseret forbedring og forstærkningslæring. Input er tekst, og resultatet er en tekstlig løsning eller et svar. Den forbliver adskilt fra R1 Zero, den senere R1-0528-udgave og de særskilt destillerede modeller.
Producenten skelner mellem R1 og R1 Zero’s tilgang med ren forstærkningslæring. Koldstartsmateriale giver R1 et mere læseligt udgangsmønster før ræsonneringsorienteret forstærkningslæring. Efterfølgende rejection sampling og superviseret træning tilføjer ræsonneringsdata og data til generelle formål, fulgt af endnu en fase med forstærkningslæring. Beskrivelsen angiver to superviserede faser og to faser med forstærkningslæring, der skal forbedre ræsonneringsmønstre og tilpasningen til det ønskede svar.
Den offentliggjorte arkitektur har i alt 671 milliarder parametre med 37 milliarder aktive pr. token og en kontekst på 128K. Dette vindue rummer kilden, prompten og den genererede ræsonnering eller svaret samlet; det er ikke en særskilt garanti for 128K output. En lang matematisk betingelse, et kodefragment eller et sæt krav skal stadig organiseres, så modellen kan identificere det faktiske problem og den form på resultatet, du har brug for.
DeepSeek anbefaler en temperatur mellem 0.5 og 0.7 med 0.6 som anbefalet valg for at mindske gentagelser eller usammenhængende output. Producenten anbefaler at placere instruktioner i brugerprompten frem for at tilføje en systemprompt. Forskningsrapporten anbefaler også en direkte zero-shot-formulering af problemet og outputformatet, fordi few-shot-prompting kan reducere ydeevnen i denne oprindelige profil. Det er producentens anbefalinger til brug, ikke standardindstillinger, der forudsættes i alle applikationer.
Til matematik skal du medtage hele opgavebetingelsen, variabeldefinitioner og begrænsninger på definitionsområdet. Producenten anbefaler at bede om en trinvis løsning med slutresultatet i et \\boxed{}-udtryk. Et eksempel på en opgavebeskrivelse kan bede om den endelige formel, de antagelser, den gælder under, og en kontrol ved indsættelse. Til kode skal du medtage den adfærd, der skal implementeres, begrænsninger og repræsentative input og derefter bede om den foreslåede algoritme og kodeproduktet adskilt fra forklaringen.
Modellens ræsonneringsformat adskiller en tænkningsfase fra det endelige svar. DeepSeek bemærker, at nogle forespørgsler kan give en tom tænkningsblok, og anbefaler et præfiks, der starter ræsonneringen, i sit referenceforløb, når dybere ræsonnering er tilsigtet. Bevar skelnen mellem producentens format og det endelige svar, brugeren skal læse. Det ønskede resultat kan være en kort konklusion eller kode, selv når modellens mellemliggende proces er længere.
Den oprindelige forskning identificerer konkrete begrænsninger. R1 er optimeret til kinesisk og engelsk, og forespørgsler på andre sprog kan medføre uønsket sprogblanding. Den er følsom over for prompting, og dens adfærd i komplekse samtaler med flere ture, rollespil, JSON og funktionskald er mindre udviklet end dens fokus på matematisk ræsonnering og koderæsonnering. Den JSON- og værktøjsunderstøttelse, der er dokumenteret for R1-0528, er en ændring i en senere udgave, ikke den oprindelige R1-kontrakt. Angiv outputsprog og format udtrykkeligt, og hold problemformuleringen direkte.
Til en praktisk teknisk opgave skal du definere, hvad der udgør et korrekt resultat: en formel med antagelser, en algoritme, der opfylder den angivne kompleksitet, eller en begrundet sammenligning efter vedlagte kriterier. Bed modellen om i det endelige svar at angive manglende oplysninger frem for at opfinde dem. Til kildeafhængigt arbejde skal du vedlægge de autoritative passager som tekst. Gennemgå den foreslåede kode eller konklusion mod de oprindelige betingelser; det nyttige produkt er den endelige løsning og dens understøttende forklaring, adskilt fra en handling eller validering, den omgivende applikation faktisk har udført.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser deepseek/deepseek-r1 | 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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0014 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0014 / 1K tokens Output · Outputtokens $0.005 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "deepseek/deepseek-r1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Optimize a rectangular enclosure\n\nA rectangular enclosure has 60 metres of fencing, used on all four sides. Its width and length are positive real numbers. Derive the largest possible area, justify why the optimum is global and check the dimensions against the fencing constraint. Give the final result in a boxed mathematical expression.A derivation, optimal dimensions, a perimeter check and a boxed maximum area.Check that the solution respects positivity and uses 2(length + width) = 60 rather than a three-sided constraint.