DeepSeek R1 Distill Llama 8B überträgt Reasoning-Muster von DeepSeek R1 in ein dichtes Modell auf Basis von Llama 3.1 8B Base. DeepSeek stimmt diese Grundlage mit von R1 generierten Beispielen fein ab. Das Ergebnis ist ein separater destillierter 8B-Checkpoint, der Texteingaben verarbeitet und eine Textantwort zurückgibt, etwa eine Herleitung, einen Codevorschlag oder die Erklärung eines logischen Problems.
Identität des destillierten Modells. Der Hersteller veröffentlicht Llama- und Qwen-Destillationen mit unterschiedlichen Grundlagen und Grössen. Die Llama-8B-Edition beginnt mit einem Base-Modell; Llama 70B beginnt mit Llama 3.3 70B Instruct. Die Qwen-Editionen verwenden ihre eigenen Grundlagen. Bewahren Sie bei der Modellwahl oder der Interpretation einer Antwort den genauen benannten Checkpoint. DeepSeek passt die destillierten Konfigurationen und Tokenizer an. Eine unveränderte Einrichtung des Grundlagenmodells beschreibt die vorbereitete Veröffentlichung daher nicht vollständig.
Nennen Sie bei einer mathematischen Frage die Annahmen, definieren Sie die Symbole und geben Sie die vollständige Aufgabe an. Bitten Sie um eine schrittweise Herleitung mit einem anschliessend klar abgetrennten Endergebnis. Ein nützlicher Lernauftrag kann fragen, warum eine bestimmte Umformung gültig ist und welche Annahme sie ermöglicht. Hängt eine Argumentation von einem Grenzfall ab, nehmen Sie diesen Fall in den Prompt auf und bitten Sie das Modell, ihn ausdrücklich zu prüfen. So entsteht eine Lösung, die sich untersuchen und besprechen lässt, statt einer unerklärten Antwort.
Nutzungsempfehlungen. DeepSeek empfiehlt für seine Reasoning-Reihe eine Temperatur zwischen 0.5 und 0.7, bevorzugt 0.6. Es rät dazu, die Anweisungen in der Nutzernachricht ohne separaten Systemprompt zu platzieren, und empfiehlt für mathematische Aufgaben, eine schrittweise Argumentation mit der endgültigen Antwort in Boxnotation anzufordern. Wird das beabsichtigte Reasoning-Muster übersprungen, empfiehlt DeepSeek in einer kompatiblen Generierungskonfiguration, das Antwortpräfix <think>\\n zu erzwingen. Dies sind veröffentlichte Empfehlungen zur Modellnutzung in kompatiblen Generierungsumgebungen.
Stellen Sie beim Programmieren eine überschaubare Funktion oder einen Algorithmus, repräsentative Eingaben und die erwarteten Ausgaben bereit. Bitten Sie um die vorgeschlagene Implementierung und Beispiele, die gewöhnliche Fälle und Ausnahmefälle abdecken. Bewahren Sie bei einem Fehlerbericht die Fehlermeldung und nennen Sie das beabsichtigte Verhalten; fordern Sie dann eine minimale Reparatur mit Erklärung an. Ein kleines, fokussiertes Problem erleichtert die Prüfung, ob die Antwort die tatsächliche Anforderung erfüllt, und das Auffinden des Punkts, der eine Rückfrage benötigt.
Geben Sie für eine logische Analyse die Prämissen getrennt von der zu prüfenden Schlussfolgerung an. Fordern Sie entweder eine Argumentation an, die sie verbindet, oder ein Gegenbeispiel, das zeigt, dass die Schlussfolgerung nicht zwingend folgt. Ist die Aufgabe unzureichend spezifiziert, bitten Sie vor einer eindeutigen Schlussfolgerung um die fehlende Annahme. Prüfen Sie wichtige Berechnungen unabhängig und führen Sie Code im vorgesehenen Projekt aus. Folgen Sie bei der Bewertung des Modells für einen Arbeitsablauf der Empfehlung des Herstellers, mehrere repräsentative Versuche statt einer einzelnen günstigen Antwort zu verwenden.
", "aboutText": "DeepSeek R1 Distill Llama 8B überträgt Reasoning-Muster von DeepSeek R1 in ein dichtes Modell auf Basis von Llama 3.1 8B Base. DeepSeek stimmt diese Grundlage mit von R1 generierten Beispielen fein ab. Das Ergebnis ist ein separater destillierter 8B-Checkpoint, der Texteingaben verarbeitet und eine Textantwort zurückgibt, etwa eine Herleitung, einen Codevorschlag oder die Erklärung eines logischen Problems.\n\nIdentität des destillierten Modells. Der Hersteller veröffentlicht Llama- und Qwen-Destillationen mit unterschiedlichen Grundlagen und Grössen. Die Llama-8B-Edition beginnt mit einem Base-Modell; Llama 70B beginnt mit Llama 3.3 70B Instruct. Die Qwen-Editionen verwenden ihre eigenen Grundlagen. Bewahren Sie bei der Modellwahl oder der Interpretation einer Antwort den genauen benannten Checkpoint. DeepSeek passt die destillierten Konfigurationen und Tokenizer an. Eine unveränderte Einrichtung des Grundlagenmodells beschreibt die vorbereitete Veröffentlichung daher nicht vollständig.\n\nNennen Sie bei einer mathematischen Frage die Annahmen, definieren Sie die Symbole und geben Sie die vollständige Aufgabe an. Bitten Sie um eine schrittweise Herleitung mit einem anschliessend klar abgetrennten Endergebnis. Ein nützlicher Lernauftrag kann fragen, warum eine bestimmte Umformung gültig ist und welche Annahme sie ermöglicht. Hängt eine Argumentation von einem Grenzfall ab, nehmen Sie diesen Fall in den Prompt auf und bitten Sie das Modell, ihn ausdrücklich zu prüfen. So entsteht eine Lösung, die sich untersuchen und besprechen lässt, statt einer unerklärten Antwort.\n\nNutzungsempfehlungen. DeepSeek empfiehlt für seine Reasoning-Reihe eine Temperatur zwischen 0.5 und 0.7, bevorzugt 0.6. Es rät dazu, die Anweisungen in der Nutzernachricht ohne separaten Systemprompt zu platzieren, und empfiehlt für mathematische Aufgaben, eine schrittweise Argumentation mit der endgültigen Antwort in Boxnotation anzufordern. Wird das beabsichtigte Reasoning-Muster übersprungen, empfiehlt DeepSeek in einer kompatiblen Generierungskonfiguration, das Antwortpräfix `Technisches Beispiel auf Englisch
Explain a square-root boundary\n\nSolve sqrt(x + 6) = x over the real numbers. Give a concise derivation, state the domain restrictions before squaring and check every resulting candidate in the original equation. Put the final solution set in box notation and explain why squaring can introduce an invalid candidate.A domain statement, an algebraic derivation, candidate substitutions and a boxed solution set.Check that every accepted root satisfies both the sign restriction and the unsquared equation.deepseek/deepseek-r1-distill-llama-8bEin kompaktes dichtes Reasoning-Modell, das DeepSeek auf Llama 3.1 8B Base aufgebaut und anhand von R1 generierten Beispielen feinabgestimmt hat. Es erzeugt aus einer klar formulierten Problemstellung Textlösungen für mathematische, logische und Programmieraufgaben.
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 Llama 8B überträgt Reasoning-Muster von DeepSeek R1 in ein dichtes Modell auf Basis von Llama 3.1 8B Base. DeepSeek stimmt diese Grundlage mit von R1 generierten Beispielen fein ab. Das Ergebnis ist ein separater destillierter 8B-Checkpoint, der Texteingaben verarbeitet und eine Textantwort zurückgibt, etwa eine Herleitung, einen Codevorschlag oder die Erklärung eines logischen Problems.
Identität des destillierten Modells. Der Hersteller veröffentlicht Llama- und Qwen-Destillationen mit unterschiedlichen Grundlagen und Grössen. Die Llama-8B-Edition beginnt mit einem Base-Modell; Llama 70B beginnt mit Llama 3.3 70B Instruct. Die Qwen-Editionen verwenden ihre eigenen Grundlagen. Bewahren Sie bei der Modellwahl oder der Interpretation einer Antwort den genauen benannten Checkpoint. DeepSeek passt die destillierten Konfigurationen und Tokenizer an. Eine unveränderte Einrichtung des Grundlagenmodells beschreibt die vorbereitete Veröffentlichung daher nicht vollständig.
Nennen Sie bei einer mathematischen Frage die Annahmen, definieren Sie die Symbole und geben Sie die vollständige Aufgabe an. Bitten Sie um eine schrittweise Herleitung mit einem anschliessend klar abgetrennten Endergebnis. Ein nützlicher Lernauftrag kann fragen, warum eine bestimmte Umformung gültig ist und welche Annahme sie ermöglicht. Hängt eine Argumentation von einem Grenzfall ab, nehmen Sie diesen Fall in den Prompt auf und bitten Sie das Modell, ihn ausdrücklich zu prüfen. So entsteht eine Lösung, die sich untersuchen und besprechen lässt, statt einer unerklärten Antwort.
Nutzungsempfehlungen. DeepSeek empfiehlt für seine Reasoning-Reihe eine Temperatur zwischen 0.5 und 0.7, bevorzugt 0.6. Es rät dazu, die Anweisungen in der Nutzernachricht ohne separaten Systemprompt zu platzieren, und empfiehlt für mathematische Aufgaben, eine schrittweise Argumentation mit der endgültigen Antwort in Boxnotation anzufordern. Wird das beabsichtigte Reasoning-Muster übersprungen, empfiehlt DeepSeek in einer kompatiblen Generierungskonfiguration, das Antwortpräfix <think>\\n zu erzwingen. Dies sind veröffentlichte Empfehlungen zur Modellnutzung in kompatiblen Generierungsumgebungen.
Stellen Sie beim Programmieren eine überschaubare Funktion oder einen Algorithmus, repräsentative Eingaben und die erwarteten Ausgaben bereit. Bitten Sie um die vorgeschlagene Implementierung und Beispiele, die gewöhnliche Fälle und Ausnahmefälle abdecken. Bewahren Sie bei einem Fehlerbericht die Fehlermeldung und nennen Sie das beabsichtigte Verhalten; fordern Sie dann eine minimale Reparatur mit Erklärung an. Ein kleines, fokussiertes Problem erleichtert die Prüfung, ob die Antwort die tatsächliche Anforderung erfüllt, und das Auffinden des Punkts, der eine Rückfrage benötigt.
Geben Sie für eine logische Analyse die Prämissen getrennt von der zu prüfenden Schlussfolgerung an. Fordern Sie entweder eine Argumentation an, die sie verbindet, oder ein Gegenbeispiel, das zeigt, dass die Schlussfolgerung nicht zwingend folgt. Ist die Aufgabe unzureichend spezifiziert, bitten Sie vor einer eindeutigen Schlussfolgerung um die fehlende Annahme. Prüfen Sie wichtige Berechnungen unabhängig und führen Sie Code im vorgesehenen Projekt aus. Folgen Sie bei der Bewertung des Modells für einen Arbeitsablauf der Empfehlung des Herstellers, mehrere repräsentative Versuche statt einer einzelnen günstigen Antwort zu verwenden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek/deepseek-r1-distill-llama-8b | 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 $0.00008 / 1K Tokens Ausgabe · Ausgabetoken $0.00008 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek/deepseek-r1-distill-llama-8b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek/deepseek-r1-distill-llama-8b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek/deepseek-r1-distill-llama-8b',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/deepseek-r1-distill-llama-8b
Verwenden Sie die oben angezeigten Methodenpfade.
deepseek/deepseek-r1-distill-llama-8bEin kompaktes dichtes Reasoning-Modell, das DeepSeek auf Llama 3.1 8B Base aufgebaut und anhand von R1 generierten Beispielen feinabgestimmt hat. Es erzeugt aus einer klar formulierten Problemstellung Textlösungen für mathematische, logische und Programmieraufgaben.
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 Llama 8B überträgt Reasoning-Muster von DeepSeek R1 in ein dichtes Modell auf Basis von Llama 3.1 8B Base. DeepSeek stimmt diese Grundlage mit von R1 generierten Beispielen fein ab. Das Ergebnis ist ein separater destillierter 8B-Checkpoint, der Texteingaben verarbeitet und eine Textantwort zurückgibt, etwa eine Herleitung, einen Codevorschlag oder die Erklärung eines logischen Problems.
Identität des destillierten Modells. Der Hersteller veröffentlicht Llama- und Qwen-Destillationen mit unterschiedlichen Grundlagen und Grössen. Die Llama-8B-Edition beginnt mit einem Base-Modell; Llama 70B beginnt mit Llama 3.3 70B Instruct. Die Qwen-Editionen verwenden ihre eigenen Grundlagen. Bewahren Sie bei der Modellwahl oder der Interpretation einer Antwort den genauen benannten Checkpoint. DeepSeek passt die destillierten Konfigurationen und Tokenizer an. Eine unveränderte Einrichtung des Grundlagenmodells beschreibt die vorbereitete Veröffentlichung daher nicht vollständig.
Nennen Sie bei einer mathematischen Frage die Annahmen, definieren Sie die Symbole und geben Sie die vollständige Aufgabe an. Bitten Sie um eine schrittweise Herleitung mit einem anschliessend klar abgetrennten Endergebnis. Ein nützlicher Lernauftrag kann fragen, warum eine bestimmte Umformung gültig ist und welche Annahme sie ermöglicht. Hängt eine Argumentation von einem Grenzfall ab, nehmen Sie diesen Fall in den Prompt auf und bitten Sie das Modell, ihn ausdrücklich zu prüfen. So entsteht eine Lösung, die sich untersuchen und besprechen lässt, statt einer unerklärten Antwort.
Nutzungsempfehlungen. DeepSeek empfiehlt für seine Reasoning-Reihe eine Temperatur zwischen 0.5 und 0.7, bevorzugt 0.6. Es rät dazu, die Anweisungen in der Nutzernachricht ohne separaten Systemprompt zu platzieren, und empfiehlt für mathematische Aufgaben, eine schrittweise Argumentation mit der endgültigen Antwort in Boxnotation anzufordern. Wird das beabsichtigte Reasoning-Muster übersprungen, empfiehlt DeepSeek in einer kompatiblen Generierungskonfiguration, das Antwortpräfix <think>\\n zu erzwingen. Dies sind veröffentlichte Empfehlungen zur Modellnutzung in kompatiblen Generierungsumgebungen.
Stellen Sie beim Programmieren eine überschaubare Funktion oder einen Algorithmus, repräsentative Eingaben und die erwarteten Ausgaben bereit. Bitten Sie um die vorgeschlagene Implementierung und Beispiele, die gewöhnliche Fälle und Ausnahmefälle abdecken. Bewahren Sie bei einem Fehlerbericht die Fehlermeldung und nennen Sie das beabsichtigte Verhalten; fordern Sie dann eine minimale Reparatur mit Erklärung an. Ein kleines, fokussiertes Problem erleichtert die Prüfung, ob die Antwort die tatsächliche Anforderung erfüllt, und das Auffinden des Punkts, der eine Rückfrage benötigt.
Geben Sie für eine logische Analyse die Prämissen getrennt von der zu prüfenden Schlussfolgerung an. Fordern Sie entweder eine Argumentation an, die sie verbindet, oder ein Gegenbeispiel, das zeigt, dass die Schlussfolgerung nicht zwingend folgt. Ist die Aufgabe unzureichend spezifiziert, bitten Sie vor einer eindeutigen Schlussfolgerung um die fehlende Annahme. Prüfen Sie wichtige Berechnungen unabhängig und führen Sie Code im vorgesehenen Projekt aus. Folgen Sie bei der Bewertung des Modells für einen Arbeitsablauf der Empfehlung des Herstellers, mehrere repräsentative Versuche statt einer einzelnen günstigen Antwort zu verwenden.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek/deepseek-r1-distill-llama-8b | 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 $0.00008 / 1K Tokens Ausgabe · Ausgabetoken $0.00008 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "deepseek/deepseek-r1-distill-llama-8b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1-distill-llama-8b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1-distill-llama-8b', '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/deepseek-r1-distill-llama-8b
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Explain a square-root boundary\n\nSolve sqrt(x + 6) = x over the real numbers. Give a concise derivation, state the domain restrictions before squaring and check every resulting candidate in the original equation. Put the final solution set in box notation and explain why squaring can introduce an invalid candidate.A domain statement, an algebraic derivation, candidate substitutions and a boxed solution set.Check that every accepted root satisfies both the sign restriction and the unsquared equation.