DeepSeek-R1-Distill-Qwen-32B ist DeepSeeks dichter Reasoning-Checkpoint in der Größe 32B auf Basis von Qwen2.5-32B. DeepSeek stimmt die Grundlage mit Reasoning-Beispielen fein ab, die DeepSeek-R1 erzeugt hat. Das Ergebnis ist ein eigenständiges Textmodell für Probleme, die mehrere zusammenhängende Schritte erfordern, etwa eine mathematische Herleitung, eine algorithmische Frage oder das Durchdenken von Rahmenbedingungen.
Wie sich diese Destillation vom vollständigen R1-Modell unterscheidet
Die Veröffentlichung des Herstellers trennt DeepSeek-R1-Zero, DeepSeek-R1 und destillierte Modelle auf Qwen- oder Llama-Basis. Die vollständige R1-Reihe entwickelt Reasoning über ihre eigene Trainingspipeline; die Destillationsphase überträgt Muster aus von R1 erzeugten Beispielen auf eigenständige dichte Checkpoints. Dieser Eintrag ist die Qwen-basierte 32B-Distill-Edition, nicht das vollständige R1-Modell, R1-Zero oder die unveränderte Grundlage Qwen2.5-32B.
Die veröffentlichten Qwen-Distill-Modelle werden mit 800.000 kuratierten Beispielen feinabgestimmt. DeepSeek ändert außerdem ihre Konfigurationen und Tokenizer und weist Nutzer an, diese Einstellungen beizubehalten. Die Trainingsherkunft erklärt den Reasoning-Schwerpunkt; der benannte Checkpoint und seine eigene Konfiguration bestimmen die tatsächliche Veröffentlichung. Das bedeutet nicht, dass bei jeder neuen Frage automatisch das größere Lehrermodell hinzugezogen wird.
Die Konfiguration des 32B-Checkpoints verwendet eine kausale Sprachmodellarchitektur mit 64 Schichten, 40 Query-Attention-Köpfen und 8 Key/Value-Köpfen. Sie setzt die maximale Positionsanzahl auf 131.072. Diese Konfigurationsangabe betrifft das veröffentlichte Modell; ein beispielhafter Serving-Befehl oder ein anderes Mitglied der R1-Familie sollte nicht als dieselbe Kontexteinstellung behandelt werden. Das Modell erhält Text und erzeugt Text, statt ein Bild anzunehmen oder ein visuelles beziehungsweise akustisches Arbeitsergebnis zu erzeugen.
Eine mathematische oder Programmieraufgabe vorbereiten
Geben Sie für ein mathematisches Problem die vollständige Bedingung an, definieren Sie die Variablen und nennen Sie den Definitionsbereich oder die Annahmen. Legen Sie fest, ob das Endergebnis ein exakter Ausdruck, eine numerische Näherung oder ein Beweis einer Behauptung sein soll. Eine nützliche Anfrage kann eine Herleitung, danach den endgültigen Ausdruck und eine Prüfung anhand der ursprünglichen Bedingungen verlangen. Der Hersteller empfiehlt eine ausgearbeitete mathematische Antwort mit dem Endergebnis in einer LaTeX-Box.
Stellen Sie für ein Algorithmusproblem den Eingabebereich, die erforderliche Ausgabe und die Anforderungen an die Lösung bereit. Fordern Sie den Ansatz, die Implementierung und eine Erklärung an, warum die erforderliche Eigenschaft erhalten bleibt. Betrifft das Problem bestehenden Code, geben Sie die relevante Funktion, die Eingabe mit dem unerwarteten Verhalten und das erwartete Ergebnis an. Die Antwort kann den tatsächlichen mit dem beabsichtigten Ablauf vergleichen und eine Korrektur vorschlagen; Ausführung und Verifikation des Programms sind gesonderte Anwendungsschritte.
Listen Sie bei einem Problem mit Nebenbedingungen die zulässigen Auswahlmöglichkeiten und Beziehungen ausdrücklich auf. Eine Anfrage zur Terminplanung kann beispielsweise die Beteiligten, ihre Verfügbarkeit und Regeln nennen, die zwei Zuweisungen unvereinbar machen. Fordern Sie einen Zuweisungsvorschlag mit der jeweils zugrunde liegenden Regel an und verlangen Sie, dass ungelöste Bedingungen sichtbar bleiben. Dadurch wird die Reasoning-Aufgabe überprüfbar, statt das Modell ohne die zugrunde liegenden Einschränkungen entscheiden zu lassen.
Herstellerspezifische Anwendungsempfehlungen
DeepSeek empfiehlt für diese Reihe, alle Anweisungen in den Nutzer-Prompt zu setzen und einen gesonderten System-Prompt zu vermeiden. Das unterscheidet sich von einer allgemeinen Chatvorlage, die die Aufgabe über eine Systemnachricht definiert. Führen Sie angefordertes Antwortformat, Quellenmaterial und eigentliche Frage mit klaren Abgrenzungen zusammen.
Der empfohlene Temperaturbereich liegt zwischen 0,5 und 0,7, vorzugsweise bei 0,6. Der Hersteller begründet die Empfehlung mit der Vermeidung von Wiederholungen oder inkohärenten Ausgaben. Er weist außerdem darauf hin, dass manche Anfragen einen leeren Reasoning-Block erzeugen können, und empfiehlt, die Ausgabe mit dem öffnenden Reasoning-Marker zu beginnen. Dies sind Empfehlungen für den veröffentlichten Reasoning-Workflow und keine Garantie, dass eine einzelne Einstellung Korrektheit herstellt.
Eine praktische Antwortvorgabe kann eine Erklärung der Methode, die wichtigen begründeten Schritte und ein gesondertes Endergebnis verlangen. Verwenden Sie bei einer mathematischen Aufgabe den eingerahmten Ausdruck für das Endergebnis. Trennen Sie bei einer Programmieraufgabe den Code von seinen Annahmen und Beispieleingaben. Verknüpfen Sie bei einer logischen Aufgabe jede Schlussfolgerung mit der sie stützenden Regel oder dem bereitgestellten Fakt. So können Reasoning-Text und das von der Anwendung benötigte Ergebnis unterschiedlichen Zwecken dienen.
Kontext, Ausgabe und Integrationsgrenzen
Die maximalen 131.072 Positionen der veröffentlichten Konfiguration sind zusammen mit dem vollständigen Prompt und dem erzeugten Reasoning zu betrachten. Der Hersteller verwendet bei der Evaluation eine Generierungseinstellung von 32.768 Tokens; diese experimentelle Einstellung ist jedoch keine veröffentlichte gesonderte Spezifikation der Ausgabekapazität dieses Checkpoints. Leiten Sie aus einem Benchmark-Aufbau keine Antwortobergrenze ab und übernehmen Sie die Ausgabeangabe von 8.192 Tokens der ursprünglichen Qwen-Instruct-Edition nicht in die veränderte Distill-Veröffentlichung.
Konzentrieren Sie die Eingaben auf die tatsächliche mathematische, programmiertechnische oder logische Frage und geben Sie die gewünschte Endform an. Einen externen Rechner, ein Repository, einen Dokumentparser oder eine Suchfunktion muss die umgebende Anwendung bereitstellen; die bloße Auswahl eines Text-Reasoning-Checkpoints schließt sie nicht ein. Das nützliche Ergebnis ist eine schriftliche Lösung oder vorgeschlagene Implementierung, deren Annahmen, Methode und endgültige Antwort der bereitgestellten Problemstellung entsprechen.
", "aboutText": "DeepSeek-R1-Distill-Qwen-32B ist DeepSeeks dichter Reasoning-Checkpoint in der Größe 32B auf Basis von Qwen2.5-32B. DeepSeek stimmt die Grundlage mit Reasoning-Beispielen fein ab, die DeepSeek-R1 erzeugt hat. Das Ergebnis ist ein eigenständiges Textmodell für Probleme, die mehrere zusammenhängende Schritte erfordern, etwa eine mathematische Herleitung, eine algorithmische Frage oder das Durchdenken von Rahmenbedingungen.\n\nWie sich diese Destillation vom vollständigen R1-Modell unterscheidet\n\nDie Veröffentlichung des Herstellers trennt DeepSeek-R1-Zero, DeepSeek-R1 und destillierte Modelle auf Qwen- oder Llama-Basis. Die vollständige R1-Reihe entwickelt Reasoning über ihre eigene Trainingspipeline; die Destillationsphase überträgt Muster aus von R1 erzeugten Beispielen auf eigenständige dichte Checkpoints. Dieser Eintrag ist die Qwen-basierte 32B-Distill-Edition, nicht das vollständige R1-Modell, R1-Zero oder die unveränderte Grundlage Qwen2.5-32B.\n\nDie veröffentlichten Qwen-Distill-Modelle werden mit 800.000 kuratierten Beispielen feinabgestimmt. DeepSeek ändert außerdem ihre Konfigurationen und Tokenizer und weist Nutzer an, diese Einstellungen beizubehalten. Die Trainingsherkunft erklärt den Reasoning-Schwerpunkt; der benannte Checkpoint und seine eigene Konfiguration bestimmen die tatsächliche Veröffentlichung. Das bedeutet nicht, dass bei jeder neuen Frage automatisch das größere Lehrermodell hinzugezogen wird.\n\nDie Konfiguration des 32B-Checkpoints verwendet eine kausale Sprachmodellarchitektur mit 64 Schichten, 40 Query-Attention-Köpfen und 8 Key/Value-Köpfen. Sie setzt die maximale Positionsanzahl auf 131.072. Diese Konfigurationsangabe betrifft das veröffentlichte Modell; ein beispielhafter Serving-Befehl oder ein anderes Mitglied der R1-Familie sollte nicht als dieselbe Kontexteinstellung behandelt werden. Das Modell erhält Text und erzeugt Text, statt ein Bild anzunehmen oder ein visuelles beziehungsweise akustisches Arbeitsergebnis zu erzeugen.\n\nEine mathematische oder Programmieraufgabe vorbereiten\n\nGeben Sie für ein mathematisches Problem die vollständige Bedingung an, definieren Sie die Variablen und nennen Sie den Definitionsbereich oder die Annahmen. Legen Sie fest, ob das Endergebnis ein exakter Ausdruck, eine numerische Näherung oder ein Beweis einer Behauptung sein soll. Eine nützliche Anfrage kann eine Herleitung, danach den endgültigen Ausdruck und eine Prüfung anhand der ursprünglichen Bedingungen verlangen. Der Hersteller empfiehlt eine ausgearbeitete mathematische Antwort mit dem Endergebnis in einer LaTeX-Box.\n\nStellen Sie für ein Algorithmusproblem den Eingabebereich, die erforderliche Ausgabe und die Anforderungen an die Lösung bereit. Fordern Sie den Ansatz, die Implementierung und eine Erklärung an, warum die erforderliche Eigenschaft erhalten bleibt. Betrifft das Problem bestehenden Code, geben Sie die relevante Funktion, die Eingabe mit dem unerwarteten Verhalten und das erwartete Ergebnis an. Die Antwort kann den tatsächlichen mit dem beabsichtigten Ablauf vergleichen und eine Korrektur vorschlagen; Ausführung und Verifikation des Programms sind gesonderte Anwendungsschritte.\n\nListen Sie bei einem Problem mit Nebenbedingungen die zulässigen Auswahlmöglichkeiten und Beziehungen ausdrücklich auf. Eine Anfrage zur Terminplanung kann beispielsweise die Beteiligten, ihre Verfügbarkeit und Regeln nennen, die zwei Zuweisungen unvereinbar machen. Fordern Sie einen Zuweisungsvorschlag mit der jeweils zugrunde liegenden Regel an und verlangen Sie, dass ungelöste Bedingungen sichtbar bleiben. Dadurch wird die Reasoning-Aufgabe überprüfbar, statt das Modell ohne die zugrunde liegenden Einschränkungen entscheiden zu lassen.\n\nHerstellerspezifische Anwendungsempfehlungen\n\nDeepSeek empfiehlt für diese Reihe, alle Anweisungen in den Nutzer-Prompt zu setzen und einen gesonderten System-Prompt zu vermeiden. Das unterscheidet sich von einer allgemeinen Chatvorlage, die die Aufgabe über eine Systemnachricht definiert. Führen Sie angefordertes Antwortformat, Quellenmaterial und eigentliche Frage mit klaren Abgrenzungen zusammen.\n\nDer empfohlene Temperaturbereich liegt zwischen 0,5 und 0,7, vorzugsweise bei 0,6. Der Hersteller begründet die Empfehlung mit der Vermeidung von Wiederholungen oder inkohärenten Ausgaben. Er weist außerdem darauf hin, dass manche Anfragen einen leeren Reasoning-Block erzeugen können, und empfiehlt, die Ausgabe mit dem öffnenden Reasoning-Marker zu beginnen. Dies sind Empfehlungen für den veröffentlichten Reasoning-Workflow und keine Garantie, dass eine einzelne Einstellung Korrektheit herstellt.\n\nEine praktische Antwortvorgabe kann eine Erklärung der Methode, die wichtigen begründeten Schritte und ein gesondertes Endergebnis verlangen. Verwenden Sie bei einer mathematischen Aufgabe den eingerahmten Ausdruck für das Endergebnis. Trennen Sie bei einer Programmieraufgabe den Code von seinen Annahmen und Beispieleingaben. Verknüpfen Sie bei einer logischen Aufgabe jede Schlussfolgerung mit der sie stützenden Regel oder dem bereitgestellten Fakt. So können Reasoning-Text und das von der Anwendung benötigte Ergebnis unterschiedlichen Zwecken dienen.\n\nKontext, Ausgabe und Integrationsgrenzen\n\nDie maximalen 131.072 Positionen der veröffentlichten Konfiguration sind zusammen mit dem vollständigen Prompt und dem erzeugten Reasoning zu betrachten. Der Hersteller verwendet bei der Evaluation eine Generierungseinstellung von 32.768 Tokens; diese experimentelle Einstellung ist jedoch keine veröffentlichte gesonderte Spezifikation der Ausgabekapazität dieses Checkpoints. Leiten Sie aus einem Benchmark-Aufbau keine Antwortobergrenze ab und übernehmen Sie die Ausgabeangabe von 8.192 Tokens der ursprünglichen Qwen-Instruct-Edition nicht in die veränderte Distill-Veröffentlichung.\n\nKonzentrieren Sie die Eingaben auf die tatsächliche mathematische, programmiertechnische oder logische Frage und geben Sie die gewünschte Endform an. Einen externen Rechner, ein Repository, einen Dokumentparser oder eine Suchfunktion muss die umgebende Anwendung bereitstellen; die bloße Auswahl eines Text-Reasoning-Checkpoints schließt sie nicht ein. Das nützliche Ergebnis ist eine schriftliche Lösung oder vorgeschlagene Implementierung, deren Annahmen, Methode und endgültige Antwort der bereitgestellten Problemstellung entsprechen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Solve a bounded scheduling problem\n\nSchedule three one-hour interviews in slots 09:00, 10:00 and 11:00. Ada cannot attend 09:00; Ben cannot attend 11:00; Chen must be before Ada. Each person gets one distinct slot. Give a valid schedule, explain how each constraint is satisfied and state whether another schedule is possible.A person-to-slot table, a constraint check and a justified uniqueness or non-uniqueness conclusion.Check all three constraints and distinct slots directly against the proposed schedule.deepseek-ai/DeepSeek-R1-Distill-Qwen-32BDeepSeek-R1-Distill-Qwen-32B ist ein dichtes Text-Reasoning-Modell, das aus Qwen2.5-32B mit Beispielen von DeepSeek-R1 feinabgestimmt wurde. Es ist für mehrstufige mathematische, Programmier- und Logikaufgaben vorgesehen, mit herstellerspezifischen Prompt-Empfehlungen und einer Veröffentlichungskonfiguration mit 131.072 Positionen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek-R1-Distill-Qwen-32B ist DeepSeeks dichter Reasoning-Checkpoint in der Größe 32B auf Basis von Qwen2.5-32B. DeepSeek stimmt die Grundlage mit Reasoning-Beispielen fein ab, die DeepSeek-R1 erzeugt hat. Das Ergebnis ist ein eigenständiges Textmodell für Probleme, die mehrere zusammenhängende Schritte erfordern, etwa eine mathematische Herleitung, eine algorithmische Frage oder das Durchdenken von Rahmenbedingungen.
Wie sich diese Destillation vom vollständigen R1-Modell unterscheidet
Die Veröffentlichung des Herstellers trennt DeepSeek-R1-Zero, DeepSeek-R1 und destillierte Modelle auf Qwen- oder Llama-Basis. Die vollständige R1-Reihe entwickelt Reasoning über ihre eigene Trainingspipeline; die Destillationsphase überträgt Muster aus von R1 erzeugten Beispielen auf eigenständige dichte Checkpoints. Dieser Eintrag ist die Qwen-basierte 32B-Distill-Edition, nicht das vollständige R1-Modell, R1-Zero oder die unveränderte Grundlage Qwen2.5-32B.
Die veröffentlichten Qwen-Distill-Modelle werden mit 800.000 kuratierten Beispielen feinabgestimmt. DeepSeek ändert außerdem ihre Konfigurationen und Tokenizer und weist Nutzer an, diese Einstellungen beizubehalten. Die Trainingsherkunft erklärt den Reasoning-Schwerpunkt; der benannte Checkpoint und seine eigene Konfiguration bestimmen die tatsächliche Veröffentlichung. Das bedeutet nicht, dass bei jeder neuen Frage automatisch das größere Lehrermodell hinzugezogen wird.
Die Konfiguration des 32B-Checkpoints verwendet eine kausale Sprachmodellarchitektur mit 64 Schichten, 40 Query-Attention-Köpfen und 8 Key/Value-Köpfen. Sie setzt die maximale Positionsanzahl auf 131.072. Diese Konfigurationsangabe betrifft das veröffentlichte Modell; ein beispielhafter Serving-Befehl oder ein anderes Mitglied der R1-Familie sollte nicht als dieselbe Kontexteinstellung behandelt werden. Das Modell erhält Text und erzeugt Text, statt ein Bild anzunehmen oder ein visuelles beziehungsweise akustisches Arbeitsergebnis zu erzeugen.
Eine mathematische oder Programmieraufgabe vorbereiten
Geben Sie für ein mathematisches Problem die vollständige Bedingung an, definieren Sie die Variablen und nennen Sie den Definitionsbereich oder die Annahmen. Legen Sie fest, ob das Endergebnis ein exakter Ausdruck, eine numerische Näherung oder ein Beweis einer Behauptung sein soll. Eine nützliche Anfrage kann eine Herleitung, danach den endgültigen Ausdruck und eine Prüfung anhand der ursprünglichen Bedingungen verlangen. Der Hersteller empfiehlt eine ausgearbeitete mathematische Antwort mit dem Endergebnis in einer LaTeX-Box.
Stellen Sie für ein Algorithmusproblem den Eingabebereich, die erforderliche Ausgabe und die Anforderungen an die Lösung bereit. Fordern Sie den Ansatz, die Implementierung und eine Erklärung an, warum die erforderliche Eigenschaft erhalten bleibt. Betrifft das Problem bestehenden Code, geben Sie die relevante Funktion, die Eingabe mit dem unerwarteten Verhalten und das erwartete Ergebnis an. Die Antwort kann den tatsächlichen mit dem beabsichtigten Ablauf vergleichen und eine Korrektur vorschlagen; Ausführung und Verifikation des Programms sind gesonderte Anwendungsschritte.
Listen Sie bei einem Problem mit Nebenbedingungen die zulässigen Auswahlmöglichkeiten und Beziehungen ausdrücklich auf. Eine Anfrage zur Terminplanung kann beispielsweise die Beteiligten, ihre Verfügbarkeit und Regeln nennen, die zwei Zuweisungen unvereinbar machen. Fordern Sie einen Zuweisungsvorschlag mit der jeweils zugrunde liegenden Regel an und verlangen Sie, dass ungelöste Bedingungen sichtbar bleiben. Dadurch wird die Reasoning-Aufgabe überprüfbar, statt das Modell ohne die zugrunde liegenden Einschränkungen entscheiden zu lassen.
Herstellerspezifische Anwendungsempfehlungen
DeepSeek empfiehlt für diese Reihe, alle Anweisungen in den Nutzer-Prompt zu setzen und einen gesonderten System-Prompt zu vermeiden. Das unterscheidet sich von einer allgemeinen Chatvorlage, die die Aufgabe über eine Systemnachricht definiert. Führen Sie angefordertes Antwortformat, Quellenmaterial und eigentliche Frage mit klaren Abgrenzungen zusammen.
Der empfohlene Temperaturbereich liegt zwischen 0,5 und 0,7, vorzugsweise bei 0,6. Der Hersteller begründet die Empfehlung mit der Vermeidung von Wiederholungen oder inkohärenten Ausgaben. Er weist außerdem darauf hin, dass manche Anfragen einen leeren Reasoning-Block erzeugen können, und empfiehlt, die Ausgabe mit dem öffnenden Reasoning-Marker zu beginnen. Dies sind Empfehlungen für den veröffentlichten Reasoning-Workflow und keine Garantie, dass eine einzelne Einstellung Korrektheit herstellt.
Eine praktische Antwortvorgabe kann eine Erklärung der Methode, die wichtigen begründeten Schritte und ein gesondertes Endergebnis verlangen. Verwenden Sie bei einer mathematischen Aufgabe den eingerahmten Ausdruck für das Endergebnis. Trennen Sie bei einer Programmieraufgabe den Code von seinen Annahmen und Beispieleingaben. Verknüpfen Sie bei einer logischen Aufgabe jede Schlussfolgerung mit der sie stützenden Regel oder dem bereitgestellten Fakt. So können Reasoning-Text und das von der Anwendung benötigte Ergebnis unterschiedlichen Zwecken dienen.
Kontext, Ausgabe und Integrationsgrenzen
Die maximalen 131.072 Positionen der veröffentlichten Konfiguration sind zusammen mit dem vollständigen Prompt und dem erzeugten Reasoning zu betrachten. Der Hersteller verwendet bei der Evaluation eine Generierungseinstellung von 32.768 Tokens; diese experimentelle Einstellung ist jedoch keine veröffentlichte gesonderte Spezifikation der Ausgabekapazität dieses Checkpoints. Leiten Sie aus einem Benchmark-Aufbau keine Antwortobergrenze ab und übernehmen Sie die Ausgabeangabe von 8.192 Tokens der ursprünglichen Qwen-Instruct-Edition nicht in die veränderte Distill-Veröffentlichung.
Konzentrieren Sie die Eingaben auf die tatsächliche mathematische, programmiertechnische oder logische Frage und geben Sie die gewünschte Endform an. Einen externen Rechner, ein Repository, einen Dokumentparser oder eine Suchfunktion muss die umgebende Anwendung bereitstellen; die bloße Auswahl eines Text-Reasoning-Checkpoints schließt sie nicht ein. Das nützliche Ergebnis ist eine schriftliche Lösung oder vorgeschlagene Implementierung, deren Annahmen, Methode und endgültige Antwort der bereitgestellten Problemstellung entsprechen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek-ai/DeepSeek-R1-Distill-Qwen-32B | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00036 / 1K Tokens Ausgabe · Ausgabetoken $0.00036 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-32B", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek-ai/DeepSeek-R1-Distill-Qwen-32B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek-ai/DeepSeek-R1-Distill-Qwen-32B',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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-32B
Verwenden Sie die oben angezeigten Methodenpfade.
deepseek-ai/DeepSeek-R1-Distill-Qwen-32BDeepSeek-R1-Distill-Qwen-32B ist ein dichtes Text-Reasoning-Modell, das aus Qwen2.5-32B mit Beispielen von DeepSeek-R1 feinabgestimmt wurde. Es ist für mehrstufige mathematische, Programmier- und Logikaufgaben vorgesehen, mit herstellerspezifischen Prompt-Empfehlungen und einer Veröffentlichungskonfiguration mit 131.072 Positionen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek-R1-Distill-Qwen-32B ist DeepSeeks dichter Reasoning-Checkpoint in der Größe 32B auf Basis von Qwen2.5-32B. DeepSeek stimmt die Grundlage mit Reasoning-Beispielen fein ab, die DeepSeek-R1 erzeugt hat. Das Ergebnis ist ein eigenständiges Textmodell für Probleme, die mehrere zusammenhängende Schritte erfordern, etwa eine mathematische Herleitung, eine algorithmische Frage oder das Durchdenken von Rahmenbedingungen.
Wie sich diese Destillation vom vollständigen R1-Modell unterscheidet
Die Veröffentlichung des Herstellers trennt DeepSeek-R1-Zero, DeepSeek-R1 und destillierte Modelle auf Qwen- oder Llama-Basis. Die vollständige R1-Reihe entwickelt Reasoning über ihre eigene Trainingspipeline; die Destillationsphase überträgt Muster aus von R1 erzeugten Beispielen auf eigenständige dichte Checkpoints. Dieser Eintrag ist die Qwen-basierte 32B-Distill-Edition, nicht das vollständige R1-Modell, R1-Zero oder die unveränderte Grundlage Qwen2.5-32B.
Die veröffentlichten Qwen-Distill-Modelle werden mit 800.000 kuratierten Beispielen feinabgestimmt. DeepSeek ändert außerdem ihre Konfigurationen und Tokenizer und weist Nutzer an, diese Einstellungen beizubehalten. Die Trainingsherkunft erklärt den Reasoning-Schwerpunkt; der benannte Checkpoint und seine eigene Konfiguration bestimmen die tatsächliche Veröffentlichung. Das bedeutet nicht, dass bei jeder neuen Frage automatisch das größere Lehrermodell hinzugezogen wird.
Die Konfiguration des 32B-Checkpoints verwendet eine kausale Sprachmodellarchitektur mit 64 Schichten, 40 Query-Attention-Köpfen und 8 Key/Value-Köpfen. Sie setzt die maximale Positionsanzahl auf 131.072. Diese Konfigurationsangabe betrifft das veröffentlichte Modell; ein beispielhafter Serving-Befehl oder ein anderes Mitglied der R1-Familie sollte nicht als dieselbe Kontexteinstellung behandelt werden. Das Modell erhält Text und erzeugt Text, statt ein Bild anzunehmen oder ein visuelles beziehungsweise akustisches Arbeitsergebnis zu erzeugen.
Eine mathematische oder Programmieraufgabe vorbereiten
Geben Sie für ein mathematisches Problem die vollständige Bedingung an, definieren Sie die Variablen und nennen Sie den Definitionsbereich oder die Annahmen. Legen Sie fest, ob das Endergebnis ein exakter Ausdruck, eine numerische Näherung oder ein Beweis einer Behauptung sein soll. Eine nützliche Anfrage kann eine Herleitung, danach den endgültigen Ausdruck und eine Prüfung anhand der ursprünglichen Bedingungen verlangen. Der Hersteller empfiehlt eine ausgearbeitete mathematische Antwort mit dem Endergebnis in einer LaTeX-Box.
Stellen Sie für ein Algorithmusproblem den Eingabebereich, die erforderliche Ausgabe und die Anforderungen an die Lösung bereit. Fordern Sie den Ansatz, die Implementierung und eine Erklärung an, warum die erforderliche Eigenschaft erhalten bleibt. Betrifft das Problem bestehenden Code, geben Sie die relevante Funktion, die Eingabe mit dem unerwarteten Verhalten und das erwartete Ergebnis an. Die Antwort kann den tatsächlichen mit dem beabsichtigten Ablauf vergleichen und eine Korrektur vorschlagen; Ausführung und Verifikation des Programms sind gesonderte Anwendungsschritte.
Listen Sie bei einem Problem mit Nebenbedingungen die zulässigen Auswahlmöglichkeiten und Beziehungen ausdrücklich auf. Eine Anfrage zur Terminplanung kann beispielsweise die Beteiligten, ihre Verfügbarkeit und Regeln nennen, die zwei Zuweisungen unvereinbar machen. Fordern Sie einen Zuweisungsvorschlag mit der jeweils zugrunde liegenden Regel an und verlangen Sie, dass ungelöste Bedingungen sichtbar bleiben. Dadurch wird die Reasoning-Aufgabe überprüfbar, statt das Modell ohne die zugrunde liegenden Einschränkungen entscheiden zu lassen.
Herstellerspezifische Anwendungsempfehlungen
DeepSeek empfiehlt für diese Reihe, alle Anweisungen in den Nutzer-Prompt zu setzen und einen gesonderten System-Prompt zu vermeiden. Das unterscheidet sich von einer allgemeinen Chatvorlage, die die Aufgabe über eine Systemnachricht definiert. Führen Sie angefordertes Antwortformat, Quellenmaterial und eigentliche Frage mit klaren Abgrenzungen zusammen.
Der empfohlene Temperaturbereich liegt zwischen 0,5 und 0,7, vorzugsweise bei 0,6. Der Hersteller begründet die Empfehlung mit der Vermeidung von Wiederholungen oder inkohärenten Ausgaben. Er weist außerdem darauf hin, dass manche Anfragen einen leeren Reasoning-Block erzeugen können, und empfiehlt, die Ausgabe mit dem öffnenden Reasoning-Marker zu beginnen. Dies sind Empfehlungen für den veröffentlichten Reasoning-Workflow und keine Garantie, dass eine einzelne Einstellung Korrektheit herstellt.
Eine praktische Antwortvorgabe kann eine Erklärung der Methode, die wichtigen begründeten Schritte und ein gesondertes Endergebnis verlangen. Verwenden Sie bei einer mathematischen Aufgabe den eingerahmten Ausdruck für das Endergebnis. Trennen Sie bei einer Programmieraufgabe den Code von seinen Annahmen und Beispieleingaben. Verknüpfen Sie bei einer logischen Aufgabe jede Schlussfolgerung mit der sie stützenden Regel oder dem bereitgestellten Fakt. So können Reasoning-Text und das von der Anwendung benötigte Ergebnis unterschiedlichen Zwecken dienen.
Kontext, Ausgabe und Integrationsgrenzen
Die maximalen 131.072 Positionen der veröffentlichten Konfiguration sind zusammen mit dem vollständigen Prompt und dem erzeugten Reasoning zu betrachten. Der Hersteller verwendet bei der Evaluation eine Generierungseinstellung von 32.768 Tokens; diese experimentelle Einstellung ist jedoch keine veröffentlichte gesonderte Spezifikation der Ausgabekapazität dieses Checkpoints. Leiten Sie aus einem Benchmark-Aufbau keine Antwortobergrenze ab und übernehmen Sie die Ausgabeangabe von 8.192 Tokens der ursprünglichen Qwen-Instruct-Edition nicht in die veränderte Distill-Veröffentlichung.
Konzentrieren Sie die Eingaben auf die tatsächliche mathematische, programmiertechnische oder logische Frage und geben Sie die gewünschte Endform an. Einen externen Rechner, ein Repository, einen Dokumentparser oder eine Suchfunktion muss die umgebende Anwendung bereitstellen; die bloße Auswahl eines Text-Reasoning-Checkpoints schließt sie nicht ein. Das nützliche Ergebnis ist eine schriftliche Lösung oder vorgeschlagene Implementierung, deren Annahmen, Methode und endgültige Antwort der bereitgestellten Problemstellung entsprechen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek-ai/DeepSeek-R1-Distill-Qwen-32B | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00036 / 1K Tokens Ausgabe · Ausgabetoken $0.00036 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-ai/DeepSeek-R1-Distill-Qwen-32B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-ai/DeepSeek-R1-Distill-Qwen-32B', '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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-32B
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Solve a bounded scheduling problem\n\nSchedule three one-hour interviews in slots 09:00, 10:00 and 11:00. Ada cannot attend 09:00; Ben cannot attend 11:00; Chen must be before Ada. Each person gets one distinct slot. Give a valid schedule, explain how each constraint is satisfied and state whether another schedule is possible.A person-to-slot table, a constraint check and a justified uniqueness or non-uniqueness conclusion.Check all three constraints and distinct slots directly against the proposed schedule.