DeepSeek R1 ist das ursprüngliche, auf Reasoning ausgerichtete Modell von DeepSeek für mathematische, logische und Programmieraufgaben. Es baut auf DeepSeek V3 Base auf und verwendet eine Trainingspipeline mit Kaltstartbeispielen, überwachter Verfeinerung und bestärkendem Lernen. Die Eingabe ist Text, und das Ergebnis ist eine Textlösung oder -antwort. Es bleibt von R1 Zero, der späteren Edition R1-0528 und den separat destillierten Modellen getrennt.
Der Hersteller unterscheidet R1 vom reinen Ansatz des bestärkenden Lernens bei R1 Zero. Kaltstartmaterial gibt R1 ein besser lesbares Ausgangsmuster, bevor das Reasoning-orientierte bestärkende Lernen beginnt. Anschliessendes Rejection Sampling und überwachtes Training ergänzen Reasoning- und allgemein verwendbare Daten, gefolgt von einer weiteren Phase bestärkenden Lernens. Die Modellkarte beschreibt zwei überwachte und zwei Phasen bestärkenden Lernens, die Reasoning-Muster und die Ausrichtung an der gewünschten Antwort verbessern sollen.
Die veröffentlichte Architektur umfasst insgesamt 671 Milliarden Parameter, davon 37 Milliarden aktiv pro Token, und einen Kontext von 128K. Dieses Fenster enthält Quelle, Prompt und generiertes Reasoning beziehungsweise Antwort zusammen; es ist keine separate Zusicherung für 128K Ausgabe. Auch lange mathematische Bedingungen, Codefragmente oder Anforderungssammlungen sollten so geordnet sein, dass das Modell das eigentliche Problem und die benötigte Ergebnisform erkennen kann.
DeepSeek empfiehlt eine Temperatur zwischen 0.5 und 0.7, bevorzugt 0.6, um Wiederholungen oder inkohärente Ausgabe zu reduzieren. Es rät dazu, Anweisungen im Nutzerprompt unterzubringen, statt einen Systemprompt hinzuzufügen. Der Forschungsbericht empfiehlt ausserdem eine direkte Zero-Shot-Formulierung von Problem und Ausgabeformat, weil Few-Shot-Prompting die Leistung dieses ursprünglichen Profils verringern kann. Dies sind Nutzungsempfehlungen des Herstellers und keine für jede Anwendung angenommenen Standardeinstellungen.
Geben Sie für mathematische Aufgaben die vollständigen Bedingungen, Variablendefinitionen und Definitionsbereichsbeschränkungen an. Der Hersteller empfiehlt, eine schrittweise Lösung mit dem Endergebnis in einem \\boxed{}-Ausdruck anzufordern. Ein beispielhafter Auftrag kann die endgültige Formel, die Annahmen, unter denen sie gilt, und eine Prüfung durch Einsetzen verlangen. Fügen Sie bei Code das zu implementierende Verhalten, Einschränkungen und repräsentative Eingaben bei und fordern Sie den vorgeschlagenen Algorithmus und das Codeergebnis getrennt von seiner Erklärung an.
Das Reasoning-Format des Modells trennt eine Denkphase von der endgültigen Antwort. DeepSeek weist darauf hin, dass einige Anfragen einen leeren Denkblock erzeugen können, und empfiehlt in seinem Referenzablauf ein Präfix zum Beginn des Reasonings, wenn tiefergehendes Reasoning beabsichtigt ist. Bewahren Sie die Unterscheidung zwischen diesem Herstellerformat und der endgültigen Antwort, die der Nutzer lesen soll. Das angeforderte Arbeitsergebnis kann eine knappe Schlussfolgerung oder Code sein, auch wenn der Zwischenprozess des Modells länger ausfällt.
Die ursprüngliche Forschung nennt konkrete Einschränkungen. R1 ist für Chinesisch und Englisch optimiert; Anfragen in anderen Sprachen können zu unerwünschter Sprachmischung führen. Es reagiert empfindlich auf die Promptgestaltung, und sein Verhalten bei komplexen Gesprächen über mehrere Runden, Rollenspielen, JSON und Funktionsaufrufen ist weniger entwickelt als sein Schwerpunkt auf mathematischem und programmierbezogenem Reasoning. Die für R1-0528 dokumentierte JSON- und Werkzeugunterstützung ist eine Änderung einer späteren Edition, nicht der Vertrag des ursprünglichen R1. Nennen Sie Ausgabesprache und -format ausdrücklich und formulieren Sie die Problemstellung direkt.
Definieren Sie für eine praktische technische Aufgabe, was als korrektes Ergebnis gilt: eine Formel mit Annahmen, ein Algorithmus mit der geforderten Komplexität oder ein begründeter Vergleich anhand vorgegebener Kriterien. Bitten Sie die endgültige Antwort, fehlende Informationen zu benennen, statt sie zu erfinden. Stellen Sie für quellenabhängige Arbeit die massgeblichen Passagen als Text bereit. Prüfen Sie den vorgeschlagenen Code oder die Schlussfolgerung anhand der ursprünglichen Bedingungen; das nützliche Arbeitsergebnis ist die endgültige Lösung mit ihrer unterstützenden Erklärung, getrennt von einer Aktion oder Validierung, die die umgebende Anwendung tatsächlich durchgeführt hat.
", "aboutText": "DeepSeek R1 ist das ursprüngliche, auf Reasoning ausgerichtete Modell von DeepSeek für mathematische, logische und Programmieraufgaben. Es baut auf DeepSeek V3 Base auf und verwendet eine Trainingspipeline mit Kaltstartbeispielen, überwachter Verfeinerung und bestärkendem Lernen. Die Eingabe ist Text, und das Ergebnis ist eine Textlösung oder -antwort. Es bleibt von R1 Zero, der späteren Edition R1-0528 und den separat destillierten Modellen getrennt.\n\nDer Hersteller unterscheidet R1 vom reinen Ansatz des bestärkenden Lernens bei R1 Zero. Kaltstartmaterial gibt R1 ein besser lesbares Ausgangsmuster, bevor das Reasoning-orientierte bestärkende Lernen beginnt. Anschliessendes Rejection Sampling und überwachtes Training ergänzen Reasoning- und allgemein verwendbare Daten, gefolgt von einer weiteren Phase bestärkenden Lernens. Die Modellkarte beschreibt zwei überwachte und zwei Phasen bestärkenden Lernens, die Reasoning-Muster und die Ausrichtung an der gewünschten Antwort verbessern sollen.\n\nDie veröffentlichte Architektur umfasst insgesamt 671 Milliarden Parameter, davon 37 Milliarden aktiv pro Token, und einen Kontext von 128K. Dieses Fenster enthält Quelle, Prompt und generiertes Reasoning beziehungsweise Antwort zusammen; es ist keine separate Zusicherung für 128K Ausgabe. Auch lange mathematische Bedingungen, Codefragmente oder Anforderungssammlungen sollten so geordnet sein, dass das Modell das eigentliche Problem und die benötigte Ergebnisform erkennen kann.\n\nDeepSeek empfiehlt eine Temperatur zwischen 0.5 und 0.7, bevorzugt 0.6, um Wiederholungen oder inkohärente Ausgabe zu reduzieren. Es rät dazu, Anweisungen im Nutzerprompt unterzubringen, statt einen Systemprompt hinzuzufügen. Der Forschungsbericht empfiehlt ausserdem eine direkte Zero-Shot-Formulierung von Problem und Ausgabeformat, weil Few-Shot-Prompting die Leistung dieses ursprünglichen Profils verringern kann. Dies sind Nutzungsempfehlungen des Herstellers und keine für jede Anwendung angenommenen Standardeinstellungen.\n\nGeben Sie für mathematische Aufgaben die vollständigen Bedingungen, Variablendefinitionen und Definitionsbereichsbeschränkungen an. Der Hersteller empfiehlt, eine schrittweise Lösung mit dem Endergebnis in einem \\boxed{}-Ausdruck anzufordern. Ein beispielhafter Auftrag kann die endgültige Formel, die Annahmen, unter denen sie gilt, und eine Prüfung durch Einsetzen verlangen. Fügen Sie bei Code das zu implementierende Verhalten, Einschränkungen und repräsentative Eingaben bei und fordern Sie den vorgeschlagenen Algorithmus und das Codeergebnis getrennt von seiner Erklärung an.\n\nDas Reasoning-Format des Modells trennt eine Denkphase von der endgültigen Antwort. DeepSeek weist darauf hin, dass einige Anfragen einen leeren Denkblock erzeugen können, und empfiehlt in seinem Referenzablauf ein Präfix zum Beginn des Reasonings, wenn tiefergehendes Reasoning beabsichtigt ist. Bewahren Sie die Unterscheidung zwischen diesem Herstellerformat und der endgültigen Antwort, die der Nutzer lesen soll. Das angeforderte Arbeitsergebnis kann eine knappe Schlussfolgerung oder Code sein, auch wenn der Zwischenprozess des Modells länger ausfällt.\n\nDie ursprüngliche Forschung nennt konkrete Einschränkungen. R1 ist für Chinesisch und Englisch optimiert; Anfragen in anderen Sprachen können zu unerwünschter Sprachmischung führen. Es reagiert empfindlich auf die Promptgestaltung, und sein Verhalten bei komplexen Gesprächen über mehrere Runden, Rollenspielen, JSON und Funktionsaufrufen ist weniger entwickelt als sein Schwerpunkt auf mathematischem und programmierbezogenem Reasoning. Die für R1-0528 dokumentierte JSON- und Werkzeugunterstützung ist eine Änderung einer späteren Edition, nicht der Vertrag des ursprünglichen R1. Nennen Sie Ausgabesprache und -format ausdrücklich und formulieren Sie die Problemstellung direkt.\n\nDefinieren Sie für eine praktische technische Aufgabe, was als korrektes Ergebnis gilt: eine Formel mit Annahmen, ein Algorithmus mit der geforderten Komplexität oder ein begründeter Vergleich anhand vorgegebener Kriterien. Bitten Sie die endgültige Antwort, fehlende Informationen zu benennen, statt sie zu erfinden. Stellen Sie für quellenabhängige Arbeit die massgeblichen Passagen als Text bereit. Prüfen Sie den vorgeschlagenen Code oder die Schlussfolgerung anhand der ursprünglichen Bedingungen; das nützliche Arbeitsergebnis ist die endgültige Lösung mit ihrer unterstützenden Erklärung, getrennt von einer Aktion oder Validierung, die die umgebende Anwendung tatsächlich durchgeführt hat.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Optimize a rectangular enclosure\n\nA rectangular enclosure has 60 metres of fencing, used on all four sides. Its width and length are positive real numbers. Derive the largest possible area, justify why the optimum is global and check the dimensions against the fencing constraint. Give the final result in a boxed mathematical expression.A derivation, optimal dimensions, a perimeter check and a boxed maximum area.Check that the solution respects positivity and uses 2(length + width) = 60 rather than a three-sided constraint.deepseek/deepseek-r1DeepSeek R1 ist das ursprüngliche, auf Reasoning ausgerichtete Textmodell von DeepSeek für Mathematik, Code und Logik. Es verbindet Anweisungsbeispiele für den Kaltstart mit bestärkendem Lernen und einem Kontext von 128K; der Hersteller gibt Empfehlungen zu direkten Prompts und zur ausdrücklichen Formatierung der endgültigen Antwort.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek R1 ist das ursprüngliche, auf Reasoning ausgerichtete Modell von DeepSeek für mathematische, logische und Programmieraufgaben. Es baut auf DeepSeek V3 Base auf und verwendet eine Trainingspipeline mit Kaltstartbeispielen, überwachter Verfeinerung und bestärkendem Lernen. Die Eingabe ist Text, und das Ergebnis ist eine Textlösung oder -antwort. Es bleibt von R1 Zero, der späteren Edition R1-0528 und den separat destillierten Modellen getrennt.
Der Hersteller unterscheidet R1 vom reinen Ansatz des bestärkenden Lernens bei R1 Zero. Kaltstartmaterial gibt R1 ein besser lesbares Ausgangsmuster, bevor das Reasoning-orientierte bestärkende Lernen beginnt. Anschliessendes Rejection Sampling und überwachtes Training ergänzen Reasoning- und allgemein verwendbare Daten, gefolgt von einer weiteren Phase bestärkenden Lernens. Die Modellkarte beschreibt zwei überwachte und zwei Phasen bestärkenden Lernens, die Reasoning-Muster und die Ausrichtung an der gewünschten Antwort verbessern sollen.
Die veröffentlichte Architektur umfasst insgesamt 671 Milliarden Parameter, davon 37 Milliarden aktiv pro Token, und einen Kontext von 128K. Dieses Fenster enthält Quelle, Prompt und generiertes Reasoning beziehungsweise Antwort zusammen; es ist keine separate Zusicherung für 128K Ausgabe. Auch lange mathematische Bedingungen, Codefragmente oder Anforderungssammlungen sollten so geordnet sein, dass das Modell das eigentliche Problem und die benötigte Ergebnisform erkennen kann.
DeepSeek empfiehlt eine Temperatur zwischen 0.5 und 0.7, bevorzugt 0.6, um Wiederholungen oder inkohärente Ausgabe zu reduzieren. Es rät dazu, Anweisungen im Nutzerprompt unterzubringen, statt einen Systemprompt hinzuzufügen. Der Forschungsbericht empfiehlt ausserdem eine direkte Zero-Shot-Formulierung von Problem und Ausgabeformat, weil Few-Shot-Prompting die Leistung dieses ursprünglichen Profils verringern kann. Dies sind Nutzungsempfehlungen des Herstellers und keine für jede Anwendung angenommenen Standardeinstellungen.
Geben Sie für mathematische Aufgaben die vollständigen Bedingungen, Variablendefinitionen und Definitionsbereichsbeschränkungen an. Der Hersteller empfiehlt, eine schrittweise Lösung mit dem Endergebnis in einem \\boxed{}-Ausdruck anzufordern. Ein beispielhafter Auftrag kann die endgültige Formel, die Annahmen, unter denen sie gilt, und eine Prüfung durch Einsetzen verlangen. Fügen Sie bei Code das zu implementierende Verhalten, Einschränkungen und repräsentative Eingaben bei und fordern Sie den vorgeschlagenen Algorithmus und das Codeergebnis getrennt von seiner Erklärung an.
Das Reasoning-Format des Modells trennt eine Denkphase von der endgültigen Antwort. DeepSeek weist darauf hin, dass einige Anfragen einen leeren Denkblock erzeugen können, und empfiehlt in seinem Referenzablauf ein Präfix zum Beginn des Reasonings, wenn tiefergehendes Reasoning beabsichtigt ist. Bewahren Sie die Unterscheidung zwischen diesem Herstellerformat und der endgültigen Antwort, die der Nutzer lesen soll. Das angeforderte Arbeitsergebnis kann eine knappe Schlussfolgerung oder Code sein, auch wenn der Zwischenprozess des Modells länger ausfällt.
Die ursprüngliche Forschung nennt konkrete Einschränkungen. R1 ist für Chinesisch und Englisch optimiert; Anfragen in anderen Sprachen können zu unerwünschter Sprachmischung führen. Es reagiert empfindlich auf die Promptgestaltung, und sein Verhalten bei komplexen Gesprächen über mehrere Runden, Rollenspielen, JSON und Funktionsaufrufen ist weniger entwickelt als sein Schwerpunkt auf mathematischem und programmierbezogenem Reasoning. Die für R1-0528 dokumentierte JSON- und Werkzeugunterstützung ist eine Änderung einer späteren Edition, nicht der Vertrag des ursprünglichen R1. Nennen Sie Ausgabesprache und -format ausdrücklich und formulieren Sie die Problemstellung direkt.
Definieren Sie für eine praktische technische Aufgabe, was als korrektes Ergebnis gilt: eine Formel mit Annahmen, ein Algorithmus mit der geforderten Komplexität oder ein begründeter Vergleich anhand vorgegebener Kriterien. Bitten Sie die endgültige Antwort, fehlende Informationen zu benennen, statt sie zu erfinden. Stellen Sie für quellenabhängige Arbeit die massgeblichen Passagen als Text bereit. Prüfen Sie den vorgeschlagenen Code oder die Schlussfolgerung anhand der ursprünglichen Bedingungen; das nützliche Arbeitsergebnis ist die endgültige Lösung mit ihrer unterstützenden Erklärung, getrennt von einer Aktion oder Validierung, die die umgebende Anwendung tatsächlich durchgeführt hat.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek/deepseek-r1 | 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.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0014 / 1K Tokens Ausgabe · Ausgabetoken $0.005 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0014 / 1K Tokens Ausgabe · Ausgabetoken $0.005 / 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", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek/deepseek-r1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek/deepseek-r1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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
Verwenden Sie die oben angezeigten Methodenpfade.
deepseek/deepseek-r1DeepSeek R1 ist das ursprüngliche, auf Reasoning ausgerichtete Textmodell von DeepSeek für Mathematik, Code und Logik. Es verbindet Anweisungsbeispiele für den Kaltstart mit bestärkendem Lernen und einem Kontext von 128K; der Hersteller gibt Empfehlungen zu direkten Prompts und zur ausdrücklichen Formatierung der endgültigen Antwort.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek R1 ist das ursprüngliche, auf Reasoning ausgerichtete Modell von DeepSeek für mathematische, logische und Programmieraufgaben. Es baut auf DeepSeek V3 Base auf und verwendet eine Trainingspipeline mit Kaltstartbeispielen, überwachter Verfeinerung und bestärkendem Lernen. Die Eingabe ist Text, und das Ergebnis ist eine Textlösung oder -antwort. Es bleibt von R1 Zero, der späteren Edition R1-0528 und den separat destillierten Modellen getrennt.
Der Hersteller unterscheidet R1 vom reinen Ansatz des bestärkenden Lernens bei R1 Zero. Kaltstartmaterial gibt R1 ein besser lesbares Ausgangsmuster, bevor das Reasoning-orientierte bestärkende Lernen beginnt. Anschliessendes Rejection Sampling und überwachtes Training ergänzen Reasoning- und allgemein verwendbare Daten, gefolgt von einer weiteren Phase bestärkenden Lernens. Die Modellkarte beschreibt zwei überwachte und zwei Phasen bestärkenden Lernens, die Reasoning-Muster und die Ausrichtung an der gewünschten Antwort verbessern sollen.
Die veröffentlichte Architektur umfasst insgesamt 671 Milliarden Parameter, davon 37 Milliarden aktiv pro Token, und einen Kontext von 128K. Dieses Fenster enthält Quelle, Prompt und generiertes Reasoning beziehungsweise Antwort zusammen; es ist keine separate Zusicherung für 128K Ausgabe. Auch lange mathematische Bedingungen, Codefragmente oder Anforderungssammlungen sollten so geordnet sein, dass das Modell das eigentliche Problem und die benötigte Ergebnisform erkennen kann.
DeepSeek empfiehlt eine Temperatur zwischen 0.5 und 0.7, bevorzugt 0.6, um Wiederholungen oder inkohärente Ausgabe zu reduzieren. Es rät dazu, Anweisungen im Nutzerprompt unterzubringen, statt einen Systemprompt hinzuzufügen. Der Forschungsbericht empfiehlt ausserdem eine direkte Zero-Shot-Formulierung von Problem und Ausgabeformat, weil Few-Shot-Prompting die Leistung dieses ursprünglichen Profils verringern kann. Dies sind Nutzungsempfehlungen des Herstellers und keine für jede Anwendung angenommenen Standardeinstellungen.
Geben Sie für mathematische Aufgaben die vollständigen Bedingungen, Variablendefinitionen und Definitionsbereichsbeschränkungen an. Der Hersteller empfiehlt, eine schrittweise Lösung mit dem Endergebnis in einem \\boxed{}-Ausdruck anzufordern. Ein beispielhafter Auftrag kann die endgültige Formel, die Annahmen, unter denen sie gilt, und eine Prüfung durch Einsetzen verlangen. Fügen Sie bei Code das zu implementierende Verhalten, Einschränkungen und repräsentative Eingaben bei und fordern Sie den vorgeschlagenen Algorithmus und das Codeergebnis getrennt von seiner Erklärung an.
Das Reasoning-Format des Modells trennt eine Denkphase von der endgültigen Antwort. DeepSeek weist darauf hin, dass einige Anfragen einen leeren Denkblock erzeugen können, und empfiehlt in seinem Referenzablauf ein Präfix zum Beginn des Reasonings, wenn tiefergehendes Reasoning beabsichtigt ist. Bewahren Sie die Unterscheidung zwischen diesem Herstellerformat und der endgültigen Antwort, die der Nutzer lesen soll. Das angeforderte Arbeitsergebnis kann eine knappe Schlussfolgerung oder Code sein, auch wenn der Zwischenprozess des Modells länger ausfällt.
Die ursprüngliche Forschung nennt konkrete Einschränkungen. R1 ist für Chinesisch und Englisch optimiert; Anfragen in anderen Sprachen können zu unerwünschter Sprachmischung führen. Es reagiert empfindlich auf die Promptgestaltung, und sein Verhalten bei komplexen Gesprächen über mehrere Runden, Rollenspielen, JSON und Funktionsaufrufen ist weniger entwickelt als sein Schwerpunkt auf mathematischem und programmierbezogenem Reasoning. Die für R1-0528 dokumentierte JSON- und Werkzeugunterstützung ist eine Änderung einer späteren Edition, nicht der Vertrag des ursprünglichen R1. Nennen Sie Ausgabesprache und -format ausdrücklich und formulieren Sie die Problemstellung direkt.
Definieren Sie für eine praktische technische Aufgabe, was als korrektes Ergebnis gilt: eine Formel mit Annahmen, ein Algorithmus mit der geforderten Komplexität oder ein begründeter Vergleich anhand vorgegebener Kriterien. Bitten Sie die endgültige Antwort, fehlende Informationen zu benennen, statt sie zu erfinden. Stellen Sie für quellenabhängige Arbeit die massgeblichen Passagen als Text bereit. Prüfen Sie den vorgeschlagenen Code oder die Schlussfolgerung anhand der ursprünglichen Bedingungen; das nützliche Arbeitsergebnis ist die endgültige Lösung mit ihrer unterstützenden Erklärung, getrennt von einer Aktion oder Validierung, die die umgebende Anwendung tatsächlich durchgeführt hat.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek/deepseek-r1 | 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.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0014 / 1K Tokens Ausgabe · Ausgabetoken $0.005 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0014 / 1K Tokens Ausgabe · Ausgabetoken $0.005 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "deepseek/deepseek-r1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Optimize a rectangular enclosure\n\nA rectangular enclosure has 60 metres of fencing, used on all four sides. Its width and length are positive real numbers. Derive the largest possible area, justify why the optimum is global and check the dimensions against the fencing constraint. Give the final result in a boxed mathematical expression.A derivation, optimal dimensions, a perimeter check and a boxed maximum area.Check that the solution respects positivity and uses 2(length + width) = 60 rather than a three-sided constraint.