DeepSeek Math V2 specialiserer sig i bevisførelse af matematiske sætninger i naturligt sprog og matematisk ræsonnement, der kan selvverificeres. Den er bygget på DeepSeek V3.2 Exp Base. Producentens udgangspunkt er, at et korrekt endeligt svar stadig kan bygge på ugyldigt ræsonnement, mens en sætning ofte kræver en fuldstændig udledning frem for et numerisk svar. Modellen fokuserer derfor på at generere beviser, identificere deres mangler og forbedre argumentet, før svaret færdiggøres.
Bevisverifikation. Træningsmetoden lærer en verifikator at læse en opgave sammen med et foreslået bevis, identificere problemer og vurdere bevisets kvalitet. Kriterierne skelner en fuldstændig, stringent udledning fra en ellers holdbar løsning med mindre fejl og fra et grundlæggende ugyldigt argument. En praktisk anmodning om bevisgennemgang skal bruge samme skelnen: Vis, hvor ræsonnementet bryder sammen, forklar, hvorfor problemet har betydning, og skeln mellem en manglende detalje og et hul, der forhindrer konklusionen.
Metaverifikation. Forskningen gennemgår også verifikatorens egen kritik. En påstået mangel skal faktisk forekomme i det foreslåede bevis og begrunde vurderingen. Dette adresserer risikoen for at give en tilsyneladende rimelig vurdering, mens man opfinder et problem, som beviset ikke indeholder. Ved en gennemgangsopgave skal du levere det oprindelige bevis sammen med eventuel eksisterende kritik og spørge, om kritikken gengiver det relevante trin korrekt. Den nyttige leverance er en kontrolleret forklaring af indvendingen og dens konsekvenser.
Bevisgenerering og selvanalyse. DeepSeek træner generatoren ved hjælp af feedback fra verifikatoren og belønner udtrykkeligt korrekt vurdering af dens eget arbejde. Modellen opmuntres til at erkende reelle fejl, rette de problemer, den kan løse, og præsentere det bedste bevis sammen med en ærlig vurdering af dets fuldstændighed. Verifikation og generering forbedres i en iterativ træningscyklus; sværere genererede beviser bliver materiale til at forbedre verifikatoren. Den resulterende model kan både generere og verificere matematiske argumenter.
Forbered opgaven præcist. Medtag definitioner, kvantorer, domæner og alle antagelser. Angiv, om du ønsker eksistens, entydighed, en ulighed, en konstruktion eller et modeksempel. Hvis et tilladt lemma leveres, skal du give dets nøjagtige udsagn og forklare, om det må bruges direkte eller også skal bevises. Producentens bevisprompts kræver en begrundet løsning, selv når opgaven beder om et svar, og behandler ikke en henvisning til en anden tekst som erstatning for det manglende argument.
Det forventede svar kan indeholde en oversigt over idéen, et fuldt bevis og en særskilt selvevaluering. Ved en ulighed skal du bede modellen om at kontrollere domænebegrænsningerne og lighedsbetingelserne. Ved en tælleopgave skal du bede den om at begrunde, at tilfældene er udtømmende og ikke overlapper. Ved et eksisterende bevis skal du identificere det omstridte trin og bede om enten en reparation eller en forklaring af, hvorfor den foreslåede konklusion stadig er ubevist. Algebra, geometri, talteori, kombinatorik og uligheder er repræsenteret i producentens matematiske evalueringsopgaver.
Forbedring. Den offentliggjorte arbejdsgang kan føre et bevis og dets selvanalyse tilbage til samme model for at behandle resterende mangler. I producentens rapporterede forskningsopsætning med ét forsøg er bevisbudgettet 128K tokens; nogle vanskelige argumenter forbliver ufuldstændige, når dette budget er opbrugt. I dit eget arbejde skal du bruge en konkret indvending som det næste input og spørge, hvilken del af beviset der ændres, når indvendingen løses. Hold de tidligere definitioner og antagelser synlige. Den reviderede leverance skal angive, hvad der er fastslået, og hvilken vanskelighed der stadig består.
Math V2's output er et bevis og en kritik i naturligt sprog. Formelle bevissystemer såsom Lean kontrollerer en anden type artefakt; DeepSeek Prover V2 er en særskilt specialisering i formelt ræsonnement. En vurdering af, at ingen fejl blev fundet, fortjener stadig matematisk gennemgang, særligt når beviset afhænger af et udeladt tilfælde eller et uudtalt lemma. Producentens forskning bemærker, at dens sværeste problemer kan forblive uløste selv efter forbedring.
", "aboutText": "DeepSeek Math V2 specialiserer sig i bevisførelse af matematiske sætninger i naturligt sprog og matematisk ræsonnement, der kan selvverificeres. Den er bygget på DeepSeek V3.2 Exp Base. Producentens udgangspunkt er, at et korrekt endeligt svar stadig kan bygge på ugyldigt ræsonnement, mens en sætning ofte kræver en fuldstændig udledning frem for et numerisk svar. Modellen fokuserer derfor på at generere beviser, identificere deres mangler og forbedre argumentet, før svaret færdiggøres.\n\nBevisverifikation. Træningsmetoden lærer en verifikator at læse en opgave sammen med et foreslået bevis, identificere problemer og vurdere bevisets kvalitet. Kriterierne skelner en fuldstændig, stringent udledning fra en ellers holdbar løsning med mindre fejl og fra et grundlæggende ugyldigt argument. En praktisk anmodning om bevisgennemgang skal bruge samme skelnen: Vis, hvor ræsonnementet bryder sammen, forklar, hvorfor problemet har betydning, og skeln mellem en manglende detalje og et hul, der forhindrer konklusionen.\n\nMetaverifikation. Forskningen gennemgår også verifikatorens egen kritik. En påstået mangel skal faktisk forekomme i det foreslåede bevis og begrunde vurderingen. Dette adresserer risikoen for at give en tilsyneladende rimelig vurdering, mens man opfinder et problem, som beviset ikke indeholder. Ved en gennemgangsopgave skal du levere det oprindelige bevis sammen med eventuel eksisterende kritik og spørge, om kritikken gengiver det relevante trin korrekt. Den nyttige leverance er en kontrolleret forklaring af indvendingen og dens konsekvenser.\n\nBevisgenerering og selvanalyse. DeepSeek træner generatoren ved hjælp af feedback fra verifikatoren og belønner udtrykkeligt korrekt vurdering af dens eget arbejde. Modellen opmuntres til at erkende reelle fejl, rette de problemer, den kan løse, og præsentere det bedste bevis sammen med en ærlig vurdering af dets fuldstændighed. Verifikation og generering forbedres i en iterativ træningscyklus; sværere genererede beviser bliver materiale til at forbedre verifikatoren. Den resulterende model kan både generere og verificere matematiske argumenter.\n\nForbered opgaven præcist. Medtag definitioner, kvantorer, domæner og alle antagelser. Angiv, om du ønsker eksistens, entydighed, en ulighed, en konstruktion eller et modeksempel. Hvis et tilladt lemma leveres, skal du give dets nøjagtige udsagn og forklare, om det må bruges direkte eller også skal bevises. Producentens bevisprompts kræver en begrundet løsning, selv når opgaven beder om et svar, og behandler ikke en henvisning til en anden tekst som erstatning for det manglende argument.\n\nDet forventede svar kan indeholde en oversigt over idéen, et fuldt bevis og en særskilt selvevaluering. Ved en ulighed skal du bede modellen om at kontrollere domænebegrænsningerne og lighedsbetingelserne. Ved en tælleopgave skal du bede den om at begrunde, at tilfældene er udtømmende og ikke overlapper. Ved et eksisterende bevis skal du identificere det omstridte trin og bede om enten en reparation eller en forklaring af, hvorfor den foreslåede konklusion stadig er ubevist. Algebra, geometri, talteori, kombinatorik og uligheder er repræsenteret i producentens matematiske evalueringsopgaver.\n\nForbedring. Den offentliggjorte arbejdsgang kan føre et bevis og dets selvanalyse tilbage til samme model for at behandle resterende mangler. I producentens rapporterede forskningsopsætning med ét forsøg er bevisbudgettet 128K tokens; nogle vanskelige argumenter forbliver ufuldstændige, når dette budget er opbrugt. I dit eget arbejde skal du bruge en konkret indvending som det næste input og spørge, hvilken del af beviset der ændres, når indvendingen løses. Hold de tidligere definitioner og antagelser synlige. Den reviderede leverance skal angive, hvad der er fastslået, og hvilken vanskelighed der stadig består.\n\nMath V2's output er et bevis og en kritik i naturligt sprog. Formelle bevissystemer såsom Lean kontrollerer en anden type artefakt; DeepSeek Prover V2 er en særskilt specialisering i formelt ræsonnement. En vurdering af, at ingen fejl blev fundet, fortjener stadig matematisk gennemgang, særligt når beviset afhænger af et udeladt tilfælde eller et uudtalt lemma. Producentens forskning bemærker, at dens sværeste problemer kan forblive uløste selv efter forbedring.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Repair a divisibility proof\n\nReview this proposed proof: 'If 6 divides ab, then 6 divides a or 6 divides b, because every prime factor of 6 must divide one of the factors.' Here a and b are integers. Identify the invalid implication, provide a counterexample and state a correct related proposition with proof. Separate your proof from a self-check of its completeness.A precise flaw explanation, an integer counterexample, a corrected proposition with proof and a separate self-check.Verify the counterexample meets the premise and defeats both alternatives in the claimed conclusion.DeepSeek-Math-V2-ultraDeepSeeks model til matematiske beviser i naturligt sprog og selvverifikation, bygget på DeepSeek V3.2 Exp Base. Den kan udvikle en løsning, undersøge dens logiske huller og forbedre argumentet med et detaljeret bevis og en vurdering af de resterende problemer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
DeepSeek Math V2 specialiserer sig i bevisførelse af matematiske sætninger i naturligt sprog og matematisk ræsonnement, der kan selvverificeres. Den er bygget på DeepSeek V3.2 Exp Base. Producentens udgangspunkt er, at et korrekt endeligt svar stadig kan bygge på ugyldigt ræsonnement, mens en sætning ofte kræver en fuldstændig udledning frem for et numerisk svar. Modellen fokuserer derfor på at generere beviser, identificere deres mangler og forbedre argumentet, før svaret færdiggøres.
Bevisverifikation. Træningsmetoden lærer en verifikator at læse en opgave sammen med et foreslået bevis, identificere problemer og vurdere bevisets kvalitet. Kriterierne skelner en fuldstændig, stringent udledning fra en ellers holdbar løsning med mindre fejl og fra et grundlæggende ugyldigt argument. En praktisk anmodning om bevisgennemgang skal bruge samme skelnen: Vis, hvor ræsonnementet bryder sammen, forklar, hvorfor problemet har betydning, og skeln mellem en manglende detalje og et hul, der forhindrer konklusionen.
Metaverifikation. Forskningen gennemgår også verifikatorens egen kritik. En påstået mangel skal faktisk forekomme i det foreslåede bevis og begrunde vurderingen. Dette adresserer risikoen for at give en tilsyneladende rimelig vurdering, mens man opfinder et problem, som beviset ikke indeholder. Ved en gennemgangsopgave skal du levere det oprindelige bevis sammen med eventuel eksisterende kritik og spørge, om kritikken gengiver det relevante trin korrekt. Den nyttige leverance er en kontrolleret forklaring af indvendingen og dens konsekvenser.
Bevisgenerering og selvanalyse. DeepSeek træner generatoren ved hjælp af feedback fra verifikatoren og belønner udtrykkeligt korrekt vurdering af dens eget arbejde. Modellen opmuntres til at erkende reelle fejl, rette de problemer, den kan løse, og præsentere det bedste bevis sammen med en ærlig vurdering af dets fuldstændighed. Verifikation og generering forbedres i en iterativ træningscyklus; sværere genererede beviser bliver materiale til at forbedre verifikatoren. Den resulterende model kan både generere og verificere matematiske argumenter.
Forbered opgaven præcist. Medtag definitioner, kvantorer, domæner og alle antagelser. Angiv, om du ønsker eksistens, entydighed, en ulighed, en konstruktion eller et modeksempel. Hvis et tilladt lemma leveres, skal du give dets nøjagtige udsagn og forklare, om det må bruges direkte eller også skal bevises. Producentens bevisprompts kræver en begrundet løsning, selv når opgaven beder om et svar, og behandler ikke en henvisning til en anden tekst som erstatning for det manglende argument.
Det forventede svar kan indeholde en oversigt over idéen, et fuldt bevis og en særskilt selvevaluering. Ved en ulighed skal du bede modellen om at kontrollere domænebegrænsningerne og lighedsbetingelserne. Ved en tælleopgave skal du bede den om at begrunde, at tilfældene er udtømmende og ikke overlapper. Ved et eksisterende bevis skal du identificere det omstridte trin og bede om enten en reparation eller en forklaring af, hvorfor den foreslåede konklusion stadig er ubevist. Algebra, geometri, talteori, kombinatorik og uligheder er repræsenteret i producentens matematiske evalueringsopgaver.
Forbedring. Den offentliggjorte arbejdsgang kan føre et bevis og dets selvanalyse tilbage til samme model for at behandle resterende mangler. I producentens rapporterede forskningsopsætning med ét forsøg er bevisbudgettet 128K tokens; nogle vanskelige argumenter forbliver ufuldstændige, når dette budget er opbrugt. I dit eget arbejde skal du bruge en konkret indvending som det næste input og spørge, hvilken del af beviset der ændres, når indvendingen løses. Hold de tidligere definitioner og antagelser synlige. Den reviderede leverance skal angive, hvad der er fastslået, og hvilken vanskelighed der stadig består.
Math V2's output er et bevis og en kritik i naturligt sprog. Formelle bevissystemer såsom Lean kontrollerer en anden type artefakt; DeepSeek Prover V2 er en særskilt specialisering i formelt ræsonnement. En vurdering af, at ingen fejl blev fundet, fortjener stadig matematisk gennemgang, særligt når beviset afhænger af et udeladt tilfælde eller et uudtalt lemma. Producentens forskning bemærker, at dens sværeste problemer kan forblive uløste selv efter forbedring.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser DeepSeek-Math-V2-ultra | 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 $0.001144 / 1K tokens Output · Outputtokens $0.004572 / 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-Math-V2-ultra", "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-Math-V2-ultra',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-Math-V2-ultra',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-Math-V2-ultra
Brug metodestierne vist ovenfor.
DeepSeek-Math-V2-ultraDeepSeeks model til matematiske beviser i naturligt sprog og selvverifikation, bygget på DeepSeek V3.2 Exp Base. Den kan udvikle en løsning, undersøge dens logiske huller og forbedre argumentet med et detaljeret bevis og en vurdering af de resterende problemer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
DeepSeek Math V2 specialiserer sig i bevisførelse af matematiske sætninger i naturligt sprog og matematisk ræsonnement, der kan selvverificeres. Den er bygget på DeepSeek V3.2 Exp Base. Producentens udgangspunkt er, at et korrekt endeligt svar stadig kan bygge på ugyldigt ræsonnement, mens en sætning ofte kræver en fuldstændig udledning frem for et numerisk svar. Modellen fokuserer derfor på at generere beviser, identificere deres mangler og forbedre argumentet, før svaret færdiggøres.
Bevisverifikation. Træningsmetoden lærer en verifikator at læse en opgave sammen med et foreslået bevis, identificere problemer og vurdere bevisets kvalitet. Kriterierne skelner en fuldstændig, stringent udledning fra en ellers holdbar løsning med mindre fejl og fra et grundlæggende ugyldigt argument. En praktisk anmodning om bevisgennemgang skal bruge samme skelnen: Vis, hvor ræsonnementet bryder sammen, forklar, hvorfor problemet har betydning, og skeln mellem en manglende detalje og et hul, der forhindrer konklusionen.
Metaverifikation. Forskningen gennemgår også verifikatorens egen kritik. En påstået mangel skal faktisk forekomme i det foreslåede bevis og begrunde vurderingen. Dette adresserer risikoen for at give en tilsyneladende rimelig vurdering, mens man opfinder et problem, som beviset ikke indeholder. Ved en gennemgangsopgave skal du levere det oprindelige bevis sammen med eventuel eksisterende kritik og spørge, om kritikken gengiver det relevante trin korrekt. Den nyttige leverance er en kontrolleret forklaring af indvendingen og dens konsekvenser.
Bevisgenerering og selvanalyse. DeepSeek træner generatoren ved hjælp af feedback fra verifikatoren og belønner udtrykkeligt korrekt vurdering af dens eget arbejde. Modellen opmuntres til at erkende reelle fejl, rette de problemer, den kan løse, og præsentere det bedste bevis sammen med en ærlig vurdering af dets fuldstændighed. Verifikation og generering forbedres i en iterativ træningscyklus; sværere genererede beviser bliver materiale til at forbedre verifikatoren. Den resulterende model kan både generere og verificere matematiske argumenter.
Forbered opgaven præcist. Medtag definitioner, kvantorer, domæner og alle antagelser. Angiv, om du ønsker eksistens, entydighed, en ulighed, en konstruktion eller et modeksempel. Hvis et tilladt lemma leveres, skal du give dets nøjagtige udsagn og forklare, om det må bruges direkte eller også skal bevises. Producentens bevisprompts kræver en begrundet løsning, selv når opgaven beder om et svar, og behandler ikke en henvisning til en anden tekst som erstatning for det manglende argument.
Det forventede svar kan indeholde en oversigt over idéen, et fuldt bevis og en særskilt selvevaluering. Ved en ulighed skal du bede modellen om at kontrollere domænebegrænsningerne og lighedsbetingelserne. Ved en tælleopgave skal du bede den om at begrunde, at tilfældene er udtømmende og ikke overlapper. Ved et eksisterende bevis skal du identificere det omstridte trin og bede om enten en reparation eller en forklaring af, hvorfor den foreslåede konklusion stadig er ubevist. Algebra, geometri, talteori, kombinatorik og uligheder er repræsenteret i producentens matematiske evalueringsopgaver.
Forbedring. Den offentliggjorte arbejdsgang kan føre et bevis og dets selvanalyse tilbage til samme model for at behandle resterende mangler. I producentens rapporterede forskningsopsætning med ét forsøg er bevisbudgettet 128K tokens; nogle vanskelige argumenter forbliver ufuldstændige, når dette budget er opbrugt. I dit eget arbejde skal du bruge en konkret indvending som det næste input og spørge, hvilken del af beviset der ændres, når indvendingen løses. Hold de tidligere definitioner og antagelser synlige. Den reviderede leverance skal angive, hvad der er fastslået, og hvilken vanskelighed der stadig består.
Math V2's output er et bevis og en kritik i naturligt sprog. Formelle bevissystemer såsom Lean kontrollerer en anden type artefakt; DeepSeek Prover V2 er en særskilt specialisering i formelt ræsonnement. En vurdering af, at ingen fejl blev fundet, fortjener stadig matematisk gennemgang, særligt når beviset afhænger af et udeladt tilfælde eller et uudtalt lemma. Producentens forskning bemærker, at dens sværeste problemer kan forblive uløste selv efter forbedring.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser DeepSeek-Math-V2-ultra | 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 $0.001144 / 1K tokens Output · Outputtokens $0.004572 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "DeepSeek-Math-V2-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Math-V2-ultra', '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-Math-V2-ultra', '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-Math-V2-ultra
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Repair a divisibility proof\n\nReview this proposed proof: 'If 6 divides ab, then 6 divides a or 6 divides b, because every prime factor of 6 must divide one of the factors.' Here a and b are integers. Identify the invalid implication, provide a counterexample and state a correct related proposition with proof. Separate your proof from a self-check of its completeness.A precise flaw explanation, an integer counterexample, a corrected proposition with proof and a separate self-check.Verify the counterexample meets the premise and defeats both alternatives in the claimed conclusion.