DeepSeek Math V2 ist auf natürlichsprachliches Theorembeweisen und selbst überprüfbares mathematisches Schlussfolgern spezialisiert. Es basiert auf DeepSeek V3.2 Exp Base. Ausgangspunkt des Herstellers ist, dass eine richtige Endantwort dennoch auf ungültigen Überlegungen beruhen kann, während ein Satz oft eine vollständige Herleitung statt einer numerischen Antwort verlangt. Das Modell konzentriert sich daher darauf, Beweise zu erzeugen, ihre Mängel zu erkennen und die Argumentation vor dem Abschluss der Antwort zu verbessern.
Beweisprüfung. Die Trainingsmethode lehrt einen Verifikator, eine Aufgabe gemeinsam mit einem Beweisvorschlag zu lesen, Probleme zu erkennen und die Beweisqualität zu beurteilen. Seine Kriterien unterscheiden eine vollständige, strenge Herleitung von einer ansonsten schlüssigen Lösung mit kleinen Fehlern sowie von einer grundlegend ungültigen Argumentation. Eine praktische Beweisprüfungsanfrage sollte dieselbe Unterscheidung verwenden: zeigen, wo das Schlussfolgern scheitert, erklären, warum das Problem wichtig ist, und ein fehlendes Detail von einer Lücke trennen, die die Schlussfolgerung verhindert.
Metaverifikation. Die Forschung prüft auch die Kritik des Verifikators selbst. Ein behaupteter Mangel muss tatsächlich im Beweisvorschlag vorkommen und die Bewertung rechtfertigen. Das begegnet dem Risiko, ein plausibel wirkendes Urteil abzugeben und dabei ein Problem zu erfinden, das der Beweis nicht enthält. Stellen Sie für eine Prüfaufgabe den Originalbeweis gemeinsam mit bestehender Kritik bereit und fragen Sie, ob die Kritik den relevanten Schritt korrekt wiedergibt. Das nützliche Ergebnis ist eine geprüfte Erklärung des Einwands und seiner Folgen.
Beweiserzeugung und Selbstanalyse. DeepSeek trainiert den Generator anhand von Verifikatorrückmeldungen und belohnt ausdrücklich die genaue Bewertung der eigenen Arbeit. Das Modell wird dazu angehalten, echte Fehler anzuerkennen, lösbare Probleme zu beheben und den bestmöglichen Beweis gemeinsam mit einer ehrlichen Bewertung seiner Vollständigkeit vorzulegen. Verifikation und Erzeugung verbessern sich in einem iterativen Trainingszyklus; schwierigere erzeugte Beweise werden zu Material für die Verbesserung des Verifikators. Das resultierende Modell kann mathematische Argumente sowohl erzeugen als auch prüfen.
Die Aufgabe präzise vorbereiten. Fügen Sie Definitionen, Quantoren, Definitionsbereiche und alle Annahmen bei. Geben Sie an, ob Sie Existenz, Eindeutigkeit, eine Ungleichung, eine Konstruktion oder ein Gegenbeispiel verlangen. Wird ein zulässiges Lemma bereitgestellt, nennen Sie seinen genauen Wortlaut und erklären Sie, ob es direkt verwendet werden darf oder ebenfalls bewiesen werden muss. Die Beweisprompts des Herstellers verlangen auch dann eine begründete Lösung, wenn die Aufgabe nach einer Antwort fragt, und behandeln einen Verweis auf einen anderen Text nicht als Ersatz für die fehlende Argumentation.
Die erwartete Antwort kann einen Überblick über die Idee, einen vollständigen Beweis und eine separate Selbstevaluation enthalten. Lassen Sie das Modell bei einer Ungleichung die Einschränkungen des Definitionsbereichs und die Gleichheitsbedingungen prüfen. Lassen Sie es bei einer Zählaufgabe begründen, dass die Fälle vollständig sind und sich nicht überschneiden. Benennen Sie bei einem bestehenden Beweis den strittigen Schritt und verlangen Sie entweder eine Reparatur oder eine Erklärung, warum die vorgeschlagene Schlussfolgerung weiterhin unbewiesen bleibt. Algebra, Geometrie, Zahlentheorie, Kombinatorik und Ungleichungen sind in den mathematischen Evaluierungsaufgaben des Herstellers vertreten.
Verfeinerung. Der veröffentlichte Ablauf kann einen Beweis und seine Selbstanalyse an dasselbe Modell zurückgeben, um verbleibende Mängel zu behandeln. Im vom Hersteller beschriebenen Forschungsaufbau mit einem einzelnen Versuch beträgt das Beweisbudget 128K Tokens; manche schwierigen Argumentationen bleiben unvollständig, wenn dieses Budget ausgeschöpft ist. Verwenden Sie in Ihrer eigenen Arbeit einen konkreten Einwand als nächste Eingabe und fragen Sie, welcher Teil des Beweises sich ändert, wenn dieser Einwand behoben wird. Halten Sie die früheren Definitionen und Annahmen sichtbar. Das überarbeitete Ergebnis sollte angeben, was nachgewiesen wurde und welche Schwierigkeit bleibt.
Die Ausgabe von Math V2 ist ein natürlichsprachlicher Beweis mit Kritik. Formale Beweissysteme wie Lean prüfen eine andere Art von Ergebnis; DeepSeek Prover V2 ist eine separate Spezialisierung auf formales Schlussfolgern. Auch eine Bewertung, dass kein Fehler gefunden wurde, verdient mathematische Prüfung, besonders wenn der Beweis von einem ausgelassenen Fall oder einem nicht genannten Lemma abhängt. Die Forschung des Herstellers hält fest, dass die schwierigsten Probleme auch mit Verfeinerung ungelöst bleiben können.
", "aboutText": "DeepSeek Math V2 ist auf natürlichsprachliches Theorembeweisen und selbst überprüfbares mathematisches Schlussfolgern spezialisiert. Es basiert auf DeepSeek V3.2 Exp Base. Ausgangspunkt des Herstellers ist, dass eine richtige Endantwort dennoch auf ungültigen Überlegungen beruhen kann, während ein Satz oft eine vollständige Herleitung statt einer numerischen Antwort verlangt. Das Modell konzentriert sich daher darauf, Beweise zu erzeugen, ihre Mängel zu erkennen und die Argumentation vor dem Abschluss der Antwort zu verbessern.\n\nBeweisprüfung. Die Trainingsmethode lehrt einen Verifikator, eine Aufgabe gemeinsam mit einem Beweisvorschlag zu lesen, Probleme zu erkennen und die Beweisqualität zu beurteilen. Seine Kriterien unterscheiden eine vollständige, strenge Herleitung von einer ansonsten schlüssigen Lösung mit kleinen Fehlern sowie von einer grundlegend ungültigen Argumentation. Eine praktische Beweisprüfungsanfrage sollte dieselbe Unterscheidung verwenden: zeigen, wo das Schlussfolgern scheitert, erklären, warum das Problem wichtig ist, und ein fehlendes Detail von einer Lücke trennen, die die Schlussfolgerung verhindert.\n\nMetaverifikation. Die Forschung prüft auch die Kritik des Verifikators selbst. Ein behaupteter Mangel muss tatsächlich im Beweisvorschlag vorkommen und die Bewertung rechtfertigen. Das begegnet dem Risiko, ein plausibel wirkendes Urteil abzugeben und dabei ein Problem zu erfinden, das der Beweis nicht enthält. Stellen Sie für eine Prüfaufgabe den Originalbeweis gemeinsam mit bestehender Kritik bereit und fragen Sie, ob die Kritik den relevanten Schritt korrekt wiedergibt. Das nützliche Ergebnis ist eine geprüfte Erklärung des Einwands und seiner Folgen.\n\nBeweiserzeugung und Selbstanalyse. DeepSeek trainiert den Generator anhand von Verifikatorrückmeldungen und belohnt ausdrücklich die genaue Bewertung der eigenen Arbeit. Das Modell wird dazu angehalten, echte Fehler anzuerkennen, lösbare Probleme zu beheben und den bestmöglichen Beweis gemeinsam mit einer ehrlichen Bewertung seiner Vollständigkeit vorzulegen. Verifikation und Erzeugung verbessern sich in einem iterativen Trainingszyklus; schwierigere erzeugte Beweise werden zu Material für die Verbesserung des Verifikators. Das resultierende Modell kann mathematische Argumente sowohl erzeugen als auch prüfen.\n\nDie Aufgabe präzise vorbereiten. Fügen Sie Definitionen, Quantoren, Definitionsbereiche und alle Annahmen bei. Geben Sie an, ob Sie Existenz, Eindeutigkeit, eine Ungleichung, eine Konstruktion oder ein Gegenbeispiel verlangen. Wird ein zulässiges Lemma bereitgestellt, nennen Sie seinen genauen Wortlaut und erklären Sie, ob es direkt verwendet werden darf oder ebenfalls bewiesen werden muss. Die Beweisprompts des Herstellers verlangen auch dann eine begründete Lösung, wenn die Aufgabe nach einer Antwort fragt, und behandeln einen Verweis auf einen anderen Text nicht als Ersatz für die fehlende Argumentation.\n\nDie erwartete Antwort kann einen Überblick über die Idee, einen vollständigen Beweis und eine separate Selbstevaluation enthalten. Lassen Sie das Modell bei einer Ungleichung die Einschränkungen des Definitionsbereichs und die Gleichheitsbedingungen prüfen. Lassen Sie es bei einer Zählaufgabe begründen, dass die Fälle vollständig sind und sich nicht überschneiden. Benennen Sie bei einem bestehenden Beweis den strittigen Schritt und verlangen Sie entweder eine Reparatur oder eine Erklärung, warum die vorgeschlagene Schlussfolgerung weiterhin unbewiesen bleibt. Algebra, Geometrie, Zahlentheorie, Kombinatorik und Ungleichungen sind in den mathematischen Evaluierungsaufgaben des Herstellers vertreten.\n\nVerfeinerung. Der veröffentlichte Ablauf kann einen Beweis und seine Selbstanalyse an dasselbe Modell zurückgeben, um verbleibende Mängel zu behandeln. Im vom Hersteller beschriebenen Forschungsaufbau mit einem einzelnen Versuch beträgt das Beweisbudget 128K Tokens; manche schwierigen Argumentationen bleiben unvollständig, wenn dieses Budget ausgeschöpft ist. Verwenden Sie in Ihrer eigenen Arbeit einen konkreten Einwand als nächste Eingabe und fragen Sie, welcher Teil des Beweises sich ändert, wenn dieser Einwand behoben wird. Halten Sie die früheren Definitionen und Annahmen sichtbar. Das überarbeitete Ergebnis sollte angeben, was nachgewiesen wurde und welche Schwierigkeit bleibt.\n\nDie Ausgabe von Math V2 ist ein natürlichsprachlicher Beweis mit Kritik. Formale Beweissysteme wie Lean prüfen eine andere Art von Ergebnis; DeepSeek Prover V2 ist eine separate Spezialisierung auf formales Schlussfolgern. Auch eine Bewertung, dass kein Fehler gefunden wurde, verdient mathematische Prüfung, besonders wenn der Beweis von einem ausgelassenen Fall oder einem nicht genannten Lemma abhängt. Die Forschung des Herstellers hält fest, dass die schwierigsten Probleme auch mit Verfeinerung ungelöst bleiben können.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
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 Modell für natürlichsprachliche mathematische Beweise und Selbstverifikation auf Basis von DeepSeek V3.2 Exp Base. Es kann eine Lösung entwickeln, ihre logischen Lücken untersuchen und die Argumentation verfeinern, mit einem ausführlichen Beweis und einer Bewertung der verbleibenden Probleme.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek Math V2 ist auf natürlichsprachliches Theorembeweisen und selbst überprüfbares mathematisches Schlussfolgern spezialisiert. Es basiert auf DeepSeek V3.2 Exp Base. Ausgangspunkt des Herstellers ist, dass eine richtige Endantwort dennoch auf ungültigen Überlegungen beruhen kann, während ein Satz oft eine vollständige Herleitung statt einer numerischen Antwort verlangt. Das Modell konzentriert sich daher darauf, Beweise zu erzeugen, ihre Mängel zu erkennen und die Argumentation vor dem Abschluss der Antwort zu verbessern.
Beweisprüfung. Die Trainingsmethode lehrt einen Verifikator, eine Aufgabe gemeinsam mit einem Beweisvorschlag zu lesen, Probleme zu erkennen und die Beweisqualität zu beurteilen. Seine Kriterien unterscheiden eine vollständige, strenge Herleitung von einer ansonsten schlüssigen Lösung mit kleinen Fehlern sowie von einer grundlegend ungültigen Argumentation. Eine praktische Beweisprüfungsanfrage sollte dieselbe Unterscheidung verwenden: zeigen, wo das Schlussfolgern scheitert, erklären, warum das Problem wichtig ist, und ein fehlendes Detail von einer Lücke trennen, die die Schlussfolgerung verhindert.
Metaverifikation. Die Forschung prüft auch die Kritik des Verifikators selbst. Ein behaupteter Mangel muss tatsächlich im Beweisvorschlag vorkommen und die Bewertung rechtfertigen. Das begegnet dem Risiko, ein plausibel wirkendes Urteil abzugeben und dabei ein Problem zu erfinden, das der Beweis nicht enthält. Stellen Sie für eine Prüfaufgabe den Originalbeweis gemeinsam mit bestehender Kritik bereit und fragen Sie, ob die Kritik den relevanten Schritt korrekt wiedergibt. Das nützliche Ergebnis ist eine geprüfte Erklärung des Einwands und seiner Folgen.
Beweiserzeugung und Selbstanalyse. DeepSeek trainiert den Generator anhand von Verifikatorrückmeldungen und belohnt ausdrücklich die genaue Bewertung der eigenen Arbeit. Das Modell wird dazu angehalten, echte Fehler anzuerkennen, lösbare Probleme zu beheben und den bestmöglichen Beweis gemeinsam mit einer ehrlichen Bewertung seiner Vollständigkeit vorzulegen. Verifikation und Erzeugung verbessern sich in einem iterativen Trainingszyklus; schwierigere erzeugte Beweise werden zu Material für die Verbesserung des Verifikators. Das resultierende Modell kann mathematische Argumente sowohl erzeugen als auch prüfen.
Die Aufgabe präzise vorbereiten. Fügen Sie Definitionen, Quantoren, Definitionsbereiche und alle Annahmen bei. Geben Sie an, ob Sie Existenz, Eindeutigkeit, eine Ungleichung, eine Konstruktion oder ein Gegenbeispiel verlangen. Wird ein zulässiges Lemma bereitgestellt, nennen Sie seinen genauen Wortlaut und erklären Sie, ob es direkt verwendet werden darf oder ebenfalls bewiesen werden muss. Die Beweisprompts des Herstellers verlangen auch dann eine begründete Lösung, wenn die Aufgabe nach einer Antwort fragt, und behandeln einen Verweis auf einen anderen Text nicht als Ersatz für die fehlende Argumentation.
Die erwartete Antwort kann einen Überblick über die Idee, einen vollständigen Beweis und eine separate Selbstevaluation enthalten. Lassen Sie das Modell bei einer Ungleichung die Einschränkungen des Definitionsbereichs und die Gleichheitsbedingungen prüfen. Lassen Sie es bei einer Zählaufgabe begründen, dass die Fälle vollständig sind und sich nicht überschneiden. Benennen Sie bei einem bestehenden Beweis den strittigen Schritt und verlangen Sie entweder eine Reparatur oder eine Erklärung, warum die vorgeschlagene Schlussfolgerung weiterhin unbewiesen bleibt. Algebra, Geometrie, Zahlentheorie, Kombinatorik und Ungleichungen sind in den mathematischen Evaluierungsaufgaben des Herstellers vertreten.
Verfeinerung. Der veröffentlichte Ablauf kann einen Beweis und seine Selbstanalyse an dasselbe Modell zurückgeben, um verbleibende Mängel zu behandeln. Im vom Hersteller beschriebenen Forschungsaufbau mit einem einzelnen Versuch beträgt das Beweisbudget 128K Tokens; manche schwierigen Argumentationen bleiben unvollständig, wenn dieses Budget ausgeschöpft ist. Verwenden Sie in Ihrer eigenen Arbeit einen konkreten Einwand als nächste Eingabe und fragen Sie, welcher Teil des Beweises sich ändert, wenn dieser Einwand behoben wird. Halten Sie die früheren Definitionen und Annahmen sichtbar. Das überarbeitete Ergebnis sollte angeben, was nachgewiesen wurde und welche Schwierigkeit bleibt.
Die Ausgabe von Math V2 ist ein natürlichsprachlicher Beweis mit Kritik. Formale Beweissysteme wie Lean prüfen eine andere Art von Ergebnis; DeepSeek Prover V2 ist eine separate Spezialisierung auf formales Schlussfolgern. Auch eine Bewertung, dass kein Fehler gefunden wurde, verdient mathematische Prüfung, besonders wenn der Beweis von einem ausgelassenen Fall oder einem nicht genannten Lemma abhängt. Die Forschung des Herstellers hält fest, dass die schwierigsten Probleme auch mit Verfeinerung ungelöst bleiben können.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits DeepSeek-Math-V2-ultra | 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 $0.001144 / 1K Tokens Ausgabe · Ausgabetoken $0.004572 / 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-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 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-Math-V2-ultra
Verwenden Sie die oben angezeigten Methodenpfade.
DeepSeek-Math-V2-ultraDeepSeeks Modell für natürlichsprachliche mathematische Beweise und Selbstverifikation auf Basis von DeepSeek V3.2 Exp Base. Es kann eine Lösung entwickeln, ihre logischen Lücken untersuchen und die Argumentation verfeinern, mit einem ausführlichen Beweis und einer Bewertung der verbleibenden Probleme.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek Math V2 ist auf natürlichsprachliches Theorembeweisen und selbst überprüfbares mathematisches Schlussfolgern spezialisiert. Es basiert auf DeepSeek V3.2 Exp Base. Ausgangspunkt des Herstellers ist, dass eine richtige Endantwort dennoch auf ungültigen Überlegungen beruhen kann, während ein Satz oft eine vollständige Herleitung statt einer numerischen Antwort verlangt. Das Modell konzentriert sich daher darauf, Beweise zu erzeugen, ihre Mängel zu erkennen und die Argumentation vor dem Abschluss der Antwort zu verbessern.
Beweisprüfung. Die Trainingsmethode lehrt einen Verifikator, eine Aufgabe gemeinsam mit einem Beweisvorschlag zu lesen, Probleme zu erkennen und die Beweisqualität zu beurteilen. Seine Kriterien unterscheiden eine vollständige, strenge Herleitung von einer ansonsten schlüssigen Lösung mit kleinen Fehlern sowie von einer grundlegend ungültigen Argumentation. Eine praktische Beweisprüfungsanfrage sollte dieselbe Unterscheidung verwenden: zeigen, wo das Schlussfolgern scheitert, erklären, warum das Problem wichtig ist, und ein fehlendes Detail von einer Lücke trennen, die die Schlussfolgerung verhindert.
Metaverifikation. Die Forschung prüft auch die Kritik des Verifikators selbst. Ein behaupteter Mangel muss tatsächlich im Beweisvorschlag vorkommen und die Bewertung rechtfertigen. Das begegnet dem Risiko, ein plausibel wirkendes Urteil abzugeben und dabei ein Problem zu erfinden, das der Beweis nicht enthält. Stellen Sie für eine Prüfaufgabe den Originalbeweis gemeinsam mit bestehender Kritik bereit und fragen Sie, ob die Kritik den relevanten Schritt korrekt wiedergibt. Das nützliche Ergebnis ist eine geprüfte Erklärung des Einwands und seiner Folgen.
Beweiserzeugung und Selbstanalyse. DeepSeek trainiert den Generator anhand von Verifikatorrückmeldungen und belohnt ausdrücklich die genaue Bewertung der eigenen Arbeit. Das Modell wird dazu angehalten, echte Fehler anzuerkennen, lösbare Probleme zu beheben und den bestmöglichen Beweis gemeinsam mit einer ehrlichen Bewertung seiner Vollständigkeit vorzulegen. Verifikation und Erzeugung verbessern sich in einem iterativen Trainingszyklus; schwierigere erzeugte Beweise werden zu Material für die Verbesserung des Verifikators. Das resultierende Modell kann mathematische Argumente sowohl erzeugen als auch prüfen.
Die Aufgabe präzise vorbereiten. Fügen Sie Definitionen, Quantoren, Definitionsbereiche und alle Annahmen bei. Geben Sie an, ob Sie Existenz, Eindeutigkeit, eine Ungleichung, eine Konstruktion oder ein Gegenbeispiel verlangen. Wird ein zulässiges Lemma bereitgestellt, nennen Sie seinen genauen Wortlaut und erklären Sie, ob es direkt verwendet werden darf oder ebenfalls bewiesen werden muss. Die Beweisprompts des Herstellers verlangen auch dann eine begründete Lösung, wenn die Aufgabe nach einer Antwort fragt, und behandeln einen Verweis auf einen anderen Text nicht als Ersatz für die fehlende Argumentation.
Die erwartete Antwort kann einen Überblick über die Idee, einen vollständigen Beweis und eine separate Selbstevaluation enthalten. Lassen Sie das Modell bei einer Ungleichung die Einschränkungen des Definitionsbereichs und die Gleichheitsbedingungen prüfen. Lassen Sie es bei einer Zählaufgabe begründen, dass die Fälle vollständig sind und sich nicht überschneiden. Benennen Sie bei einem bestehenden Beweis den strittigen Schritt und verlangen Sie entweder eine Reparatur oder eine Erklärung, warum die vorgeschlagene Schlussfolgerung weiterhin unbewiesen bleibt. Algebra, Geometrie, Zahlentheorie, Kombinatorik und Ungleichungen sind in den mathematischen Evaluierungsaufgaben des Herstellers vertreten.
Verfeinerung. Der veröffentlichte Ablauf kann einen Beweis und seine Selbstanalyse an dasselbe Modell zurückgeben, um verbleibende Mängel zu behandeln. Im vom Hersteller beschriebenen Forschungsaufbau mit einem einzelnen Versuch beträgt das Beweisbudget 128K Tokens; manche schwierigen Argumentationen bleiben unvollständig, wenn dieses Budget ausgeschöpft ist. Verwenden Sie in Ihrer eigenen Arbeit einen konkreten Einwand als nächste Eingabe und fragen Sie, welcher Teil des Beweises sich ändert, wenn dieser Einwand behoben wird. Halten Sie die früheren Definitionen und Annahmen sichtbar. Das überarbeitete Ergebnis sollte angeben, was nachgewiesen wurde und welche Schwierigkeit bleibt.
Die Ausgabe von Math V2 ist ein natürlichsprachlicher Beweis mit Kritik. Formale Beweissysteme wie Lean prüfen eine andere Art von Ergebnis; DeepSeek Prover V2 ist eine separate Spezialisierung auf formales Schlussfolgern. Auch eine Bewertung, dass kein Fehler gefunden wurde, verdient mathematische Prüfung, besonders wenn der Beweis von einem ausgelassenen Fall oder einem nicht genannten Lemma abhängt. Die Forschung des Herstellers hält fest, dass die schwierigsten Probleme auch mit Verfeinerung ungelöst bleiben können.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits DeepSeek-Math-V2-ultra | 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 $0.001144 / 1K Tokens Ausgabe · Ausgabetoken $0.004572 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "DeepSeek-Math-V2-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-Math-V2-ultra
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
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.