DeepSeek-R1-Distill-Qwen-14B ist der von DeepSeek veröffentlichte Qwen-basierte Reasoning-Checkpoint in der Größe 14B. Seine Basis ist Qwen2.5-14B, feinabgestimmt mit von DeepSeek-R1 vorbereiteten Beispielen. Es akzeptiert eine schriftliche Problemstellung oder ein Gespräch und gibt Text zurück, der eine mathematische Lösung, eine Erklärung des Programmverhaltens oder eine aus mehreren vorgegebenen Bedingungen gewonnene Schlussfolgerung enthalten kann.
Reasoning-Übertragung und die benannte Edition
DeepSeek unterscheidet die vollständigen Modelle R1 und R1-Zero von den dichten Modellen, die auf Qwen- und Llama-Grundlagen destilliert wurden. Bei den destillierten Versionen übertragen die Trainingsdaten Reasoning-Muster des größeren R1-Modells in einen anderen Checkpoint. Der Name 14B kennzeichnet diese konkrete Qwen-Basis; er bezeichnet weder die vollständige R1-Architektur noch den 32B-Distill-Checkpoint oder die reguläre Veröffentlichung Qwen2.5-14B-Instruct.
Der Hersteller beschreibt 800.000 kuratierte Beispiele für die Qwen-Distill-Versionen und weist auf Änderungen an ihren Konfigurationen und Tokenizern hin. Behalten Sie beim Einsatz dieses Modells die Veröffentlichungseinstellungen von DeepSeek bei. Diese Änderungen sind relevant, auch wenn der Ursprung des Modells Qwen2.5 ist. Die eigene Konfiguration des 14B-Checkpoints legt 48 Schichten, 40 Query-Attention-Köpfe und 8 Key/Value-Köpfe fest; die maximale Positionszahl ist auf 131.072 gesetzt.
Was für eine nützliche ausgearbeitete Antwort bereitzustellen ist
Fügen Sie bei einer Lernaufgabe das Problem und den Lösungsversuch des Lernenden hinzu und markieren Sie dann den Übergang, der einer Erklärung bedarf. Bitten Sie das Modell, die relevante Bedingung zu benennen, die Korrektur in derselben Notation zu erklären und nur so weit fortzufahren, wie es zum Nachweis des Ergebnisses nötig ist. So bleibt die Antwort mit der tatsächlichen Schwierigkeit des Lernenden verbunden, statt eine sachfremde vollständige Lektion zu erzeugen.
Beispielsweise könnte ein Lernender durch einen Ausdruck dividiert haben, ohne anzugeben, ob dieser null sein kann. Stellen Sie die ursprüngliche Gleichung bereit und fragen Sie, welche Fälle vor dieser Umformung betrachtet werden müssen. Das gewünschte Ergebnis kann den zulässigen Fall, den Ausnahmefall und die endgültige Lösungsmenge trennen. Dies ist eine vorgeschlagene mathematische Aufgabe, deren Antwortform durch die Bedingung definiert wird und nicht durch eine allgemeine Bitte, Algebra zu erklären.
Stellen Sie bei einer Programmierfrage den Algorithmus oder die Funktion und eine konkrete Eingabe bereit. Fragen Sie, wie sich der Zustand verändert und warum das zurückgegebene Ergebnis folgt. Eine Rückfrage kann eine überarbeitete Implementierung unter einer ausdrücklichen Einschränkung verlangen, etwa die öffentliche Funktionssignatur beizubehalten oder die Eingabe nicht zu verändern. Fügen Sie den relevanten Hilfscode und das erwartete Verhalten hinzu, damit die Erklärung nicht von einer unbestimmten Implementierung abhängt.
Benennen Sie für einen logischen Vergleich die Alternativen und die Bedingungen, die jede erfüllen muss. Fordern Sie die Annahmen jedes Ansatzes, die Konflikte, die eine Option ausschließen, und die verbleibenden ungeklärten Informationen an. Eine kompakte Entscheidungstabelle kann dann das endgültige Arbeitsergebnis sein, während der umgebende Text erklärt, wie die bereitgestellten Regeln sie stützen.
Promptempfehlungen von DeepSeek
Der Hersteller empfiehlt, auf einen Systemprompt zu verzichten und sämtliche Anweisungen direkt im Nutzerprompt zu platzieren. Stellen Sie Aufgabe, Ausgabeanforderungen und notwendiges Quellenmaterial zusammen und kennzeichnen Sie klar, welcher Text die Problemstellung und welcher eine Anweisung zur Antwort ist. Verwenden Sie den veröffentlichten Tokenizer und die Gesprächseinstellungen, statt anzunehmen, das ursprüngliche Qwen-Format sei austauschbar.
Der dokumentierte Temperaturbereich liegt zwischen 0.5 und 0.7; empfohlen wird 0.6. DeepSeek verbindet dies mit einer Verringerung von Wiederholungen und inkohärenter Ausgabe. Für mathematische Fragen empfiehlt es eine ausgearbeitete Antwort mit dem Endergebnis in einer LaTeX-Box. Es beschreibt außerdem Fälle, in denen das Modell den Reasoning-Block überspringt, und empfiehlt, die Antwort mit dem öffnenden Reasoning-Marker zu beginnen, um den beabsichtigten Reasoning-Ablauf zu fördern.
Eine nützliche mathematische Ausgabe kann die gewählte Methode, die begründeten Umformungen und einen separaten Endausdruck enthalten. Geben Sie an, ob das Ergebnis exakt oder gerundet sein soll, und nennen Sie Einheiten, wenn diese relevant sind. Fordern Sie bei Code die Erklärung getrennt von der vorgeschlagenen Implementierung an. Bitten Sie bei Logik um die endgültige Schlussfolgerung zusammen mit den Bedingungen, unter denen sie gilt. Diese Anforderungen bestimmen, was der Leser oder die Anwendung nach dem Reasoning-Text tatsächlich verwenden kann.
Kontext und inhaltliche Grenzen
Die aktuelle veröffentlichte Konfiguration setzt die maximale Positionszahl auf 131.072. Das ist der Konfigurationswert dieses Checkpoints, kein übernommenes Versprechen für jede bereitstellende Schnittstelle. Die Generierungseinstellung von 32.768 Tokens des Herstellers ist Teil der Evaluation; sie begründet keine separate harte Grenze für die maximale Antwortlänge. Ebenso sollte die Ausgabekapazität des ursprünglichen Qwen-Instruct-Modells nicht ohne eigene Spezifikation auf diese modifizierte Reasoning-Version übertragen werden.
Dies ist ein Textmodell. Bei einem Bild einer mathematischen Aufgabe müssen deren Symbole und Bedingungen vor der Reasoning-Aufgabe in Text umgewandelt werden; die Ausführung vorgeschlagenen Codes benötigt eine separate Entwicklungs- oder Rechenumgebung. Destillation beschreibt Training mit R1-Beispielen, keinen automatischen Laufzeitaufruf des Lehrermodells und keinen eingebauten unabhängigen Verifikator.
Verwenden Sie den benannten 14B-Checkpoint für eine definierte Aufgabe mit ausgearbeiteter Antwort und bewahren Sie die Notation, Annahmen und das Zielergebnis des Problems. Das praktische Ziel ist eine Lösung, die der Leser prüfen kann: welche Bedingungen gelten, warum jeder wichtige Schritt folgt und welcher endgültige Ausdruck, welche Implementierung oder welche Schlussfolgerung die ursprüngliche Frage beantwortet.
", "aboutText": "DeepSeek-R1-Distill-Qwen-14B ist der von DeepSeek veröffentlichte Qwen-basierte Reasoning-Checkpoint in der Größe 14B. Seine Basis ist Qwen2.5-14B, feinabgestimmt mit von DeepSeek-R1 vorbereiteten Beispielen. Es akzeptiert eine schriftliche Problemstellung oder ein Gespräch und gibt Text zurück, der eine mathematische Lösung, eine Erklärung des Programmverhaltens oder eine aus mehreren vorgegebenen Bedingungen gewonnene Schlussfolgerung enthalten kann.\n\nReasoning-Übertragung und die benannte Edition\n\nDeepSeek unterscheidet die vollständigen Modelle R1 und R1-Zero von den dichten Modellen, die auf Qwen- und Llama-Grundlagen destilliert wurden. Bei den destillierten Versionen übertragen die Trainingsdaten Reasoning-Muster des größeren R1-Modells in einen anderen Checkpoint. Der Name 14B kennzeichnet diese konkrete Qwen-Basis; er bezeichnet weder die vollständige R1-Architektur noch den 32B-Distill-Checkpoint oder die reguläre Veröffentlichung Qwen2.5-14B-Instruct.\n\nDer Hersteller beschreibt 800.000 kuratierte Beispiele für die Qwen-Distill-Versionen und weist auf Änderungen an ihren Konfigurationen und Tokenizern hin. Behalten Sie beim Einsatz dieses Modells die Veröffentlichungseinstellungen von DeepSeek bei. Diese Änderungen sind relevant, auch wenn der Ursprung des Modells Qwen2.5 ist. Die eigene Konfiguration des 14B-Checkpoints legt 48 Schichten, 40 Query-Attention-Köpfe und 8 Key/Value-Köpfe fest; die maximale Positionszahl ist auf 131.072 gesetzt.\n\nWas für eine nützliche ausgearbeitete Antwort bereitzustellen ist\n\nFügen Sie bei einer Lernaufgabe das Problem und den Lösungsversuch des Lernenden hinzu und markieren Sie dann den Übergang, der einer Erklärung bedarf. Bitten Sie das Modell, die relevante Bedingung zu benennen, die Korrektur in derselben Notation zu erklären und nur so weit fortzufahren, wie es zum Nachweis des Ergebnisses nötig ist. So bleibt die Antwort mit der tatsächlichen Schwierigkeit des Lernenden verbunden, statt eine sachfremde vollständige Lektion zu erzeugen.\n\nBeispielsweise könnte ein Lernender durch einen Ausdruck dividiert haben, ohne anzugeben, ob dieser null sein kann. Stellen Sie die ursprüngliche Gleichung bereit und fragen Sie, welche Fälle vor dieser Umformung betrachtet werden müssen. Das gewünschte Ergebnis kann den zulässigen Fall, den Ausnahmefall und die endgültige Lösungsmenge trennen. Dies ist eine vorgeschlagene mathematische Aufgabe, deren Antwortform durch die Bedingung definiert wird und nicht durch eine allgemeine Bitte, Algebra zu erklären.\n\nStellen Sie bei einer Programmierfrage den Algorithmus oder die Funktion und eine konkrete Eingabe bereit. Fragen Sie, wie sich der Zustand verändert und warum das zurückgegebene Ergebnis folgt. Eine Rückfrage kann eine überarbeitete Implementierung unter einer ausdrücklichen Einschränkung verlangen, etwa die öffentliche Funktionssignatur beizubehalten oder die Eingabe nicht zu verändern. Fügen Sie den relevanten Hilfscode und das erwartete Verhalten hinzu, damit die Erklärung nicht von einer unbestimmten Implementierung abhängt.\n\nBenennen Sie für einen logischen Vergleich die Alternativen und die Bedingungen, die jede erfüllen muss. Fordern Sie die Annahmen jedes Ansatzes, die Konflikte, die eine Option ausschließen, und die verbleibenden ungeklärten Informationen an. Eine kompakte Entscheidungstabelle kann dann das endgültige Arbeitsergebnis sein, während der umgebende Text erklärt, wie die bereitgestellten Regeln sie stützen.\n\nPromptempfehlungen von DeepSeek\n\nDer Hersteller empfiehlt, auf einen Systemprompt zu verzichten und sämtliche Anweisungen direkt im Nutzerprompt zu platzieren. Stellen Sie Aufgabe, Ausgabeanforderungen und notwendiges Quellenmaterial zusammen und kennzeichnen Sie klar, welcher Text die Problemstellung und welcher eine Anweisung zur Antwort ist. Verwenden Sie den veröffentlichten Tokenizer und die Gesprächseinstellungen, statt anzunehmen, das ursprüngliche Qwen-Format sei austauschbar.\n\nDer dokumentierte Temperaturbereich liegt zwischen 0.5 und 0.7; empfohlen wird 0.6. DeepSeek verbindet dies mit einer Verringerung von Wiederholungen und inkohärenter Ausgabe. Für mathematische Fragen empfiehlt es eine ausgearbeitete Antwort mit dem Endergebnis in einer LaTeX-Box. Es beschreibt außerdem Fälle, in denen das Modell den Reasoning-Block überspringt, und empfiehlt, die Antwort mit dem öffnenden Reasoning-Marker zu beginnen, um den beabsichtigten Reasoning-Ablauf zu fördern.\n\nEine nützliche mathematische Ausgabe kann die gewählte Methode, die begründeten Umformungen und einen separaten Endausdruck enthalten. Geben Sie an, ob das Ergebnis exakt oder gerundet sein soll, und nennen Sie Einheiten, wenn diese relevant sind. Fordern Sie bei Code die Erklärung getrennt von der vorgeschlagenen Implementierung an. Bitten Sie bei Logik um die endgültige Schlussfolgerung zusammen mit den Bedingungen, unter denen sie gilt. Diese Anforderungen bestimmen, was der Leser oder die Anwendung nach dem Reasoning-Text tatsächlich verwenden kann.\n\nKontext und inhaltliche Grenzen\n\nDie aktuelle veröffentlichte Konfiguration setzt die maximale Positionszahl auf 131.072. Das ist der Konfigurationswert dieses Checkpoints, kein übernommenes Versprechen für jede bereitstellende Schnittstelle. Die Generierungseinstellung von 32.768 Tokens des Herstellers ist Teil der Evaluation; sie begründet keine separate harte Grenze für die maximale Antwortlänge. Ebenso sollte die Ausgabekapazität des ursprünglichen Qwen-Instruct-Modells nicht ohne eigene Spezifikation auf diese modifizierte Reasoning-Version übertragen werden.\n\nDies ist ein Textmodell. Bei einem Bild einer mathematischen Aufgabe müssen deren Symbole und Bedingungen vor der Reasoning-Aufgabe in Text umgewandelt werden; die Ausführung vorgeschlagenen Codes benötigt eine separate Entwicklungs- oder Rechenumgebung. Destillation beschreibt Training mit R1-Beispielen, keinen automatischen Laufzeitaufruf des Lehrermodells und keinen eingebauten unabhängigen Verifikator.\n\nVerwenden Sie den benannten 14B-Checkpoint für eine definierte Aufgabe mit ausgearbeiteter Antwort und bewahren Sie die Notation, Annahmen und das Zielergebnis des Problems. Das praktische Ziel ist eine Lösung, die der Leser prüfen kann: welche Bedingungen gelten, warum jeder wichtige Schritt folgt und welcher endgültige Ausdruck, welche Implementierung oder welche Schlussfolgerung die ursprüngliche Frage beantwortet.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Repair an algebraic division step\n\nA student solves x(x - 3) = 2(x - 3) by dividing by x - 3 and concludes x = 2. Explain the missing case without changing the original equation. Separate the zero-divisor case from the nonzero case, then give the complete solution set and substitute each candidate back into the equation.A case split, a complete solution set and a substitution check for each candidate.The response checks the x - 3 = 0 case rather than silently dividing it away.deepseek-ai/DeepSeek-R1-Distill-Qwen-14BDeepSeek-R1-Distill-Qwen-14B ist ein Text-Reasoning-Checkpoint auf Basis von Qwen2.5-14B und von DeepSeek-R1 generierten Beispielen. Es unterstützt ausgearbeitete mathematische, logische und Programmierantworten mit dem eigenen Tokenizer, den Promptempfehlungen und der Veröffentlichungskonfiguration von DeepSeek.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek-R1-Distill-Qwen-14B ist der von DeepSeek veröffentlichte Qwen-basierte Reasoning-Checkpoint in der Größe 14B. Seine Basis ist Qwen2.5-14B, feinabgestimmt mit von DeepSeek-R1 vorbereiteten Beispielen. Es akzeptiert eine schriftliche Problemstellung oder ein Gespräch und gibt Text zurück, der eine mathematische Lösung, eine Erklärung des Programmverhaltens oder eine aus mehreren vorgegebenen Bedingungen gewonnene Schlussfolgerung enthalten kann.
Reasoning-Übertragung und die benannte Edition
DeepSeek unterscheidet die vollständigen Modelle R1 und R1-Zero von den dichten Modellen, die auf Qwen- und Llama-Grundlagen destilliert wurden. Bei den destillierten Versionen übertragen die Trainingsdaten Reasoning-Muster des größeren R1-Modells in einen anderen Checkpoint. Der Name 14B kennzeichnet diese konkrete Qwen-Basis; er bezeichnet weder die vollständige R1-Architektur noch den 32B-Distill-Checkpoint oder die reguläre Veröffentlichung Qwen2.5-14B-Instruct.
Der Hersteller beschreibt 800.000 kuratierte Beispiele für die Qwen-Distill-Versionen und weist auf Änderungen an ihren Konfigurationen und Tokenizern hin. Behalten Sie beim Einsatz dieses Modells die Veröffentlichungseinstellungen von DeepSeek bei. Diese Änderungen sind relevant, auch wenn der Ursprung des Modells Qwen2.5 ist. Die eigene Konfiguration des 14B-Checkpoints legt 48 Schichten, 40 Query-Attention-Köpfe und 8 Key/Value-Köpfe fest; die maximale Positionszahl ist auf 131.072 gesetzt.
Was für eine nützliche ausgearbeitete Antwort bereitzustellen ist
Fügen Sie bei einer Lernaufgabe das Problem und den Lösungsversuch des Lernenden hinzu und markieren Sie dann den Übergang, der einer Erklärung bedarf. Bitten Sie das Modell, die relevante Bedingung zu benennen, die Korrektur in derselben Notation zu erklären und nur so weit fortzufahren, wie es zum Nachweis des Ergebnisses nötig ist. So bleibt die Antwort mit der tatsächlichen Schwierigkeit des Lernenden verbunden, statt eine sachfremde vollständige Lektion zu erzeugen.
Beispielsweise könnte ein Lernender durch einen Ausdruck dividiert haben, ohne anzugeben, ob dieser null sein kann. Stellen Sie die ursprüngliche Gleichung bereit und fragen Sie, welche Fälle vor dieser Umformung betrachtet werden müssen. Das gewünschte Ergebnis kann den zulässigen Fall, den Ausnahmefall und die endgültige Lösungsmenge trennen. Dies ist eine vorgeschlagene mathematische Aufgabe, deren Antwortform durch die Bedingung definiert wird und nicht durch eine allgemeine Bitte, Algebra zu erklären.
Stellen Sie bei einer Programmierfrage den Algorithmus oder die Funktion und eine konkrete Eingabe bereit. Fragen Sie, wie sich der Zustand verändert und warum das zurückgegebene Ergebnis folgt. Eine Rückfrage kann eine überarbeitete Implementierung unter einer ausdrücklichen Einschränkung verlangen, etwa die öffentliche Funktionssignatur beizubehalten oder die Eingabe nicht zu verändern. Fügen Sie den relevanten Hilfscode und das erwartete Verhalten hinzu, damit die Erklärung nicht von einer unbestimmten Implementierung abhängt.
Benennen Sie für einen logischen Vergleich die Alternativen und die Bedingungen, die jede erfüllen muss. Fordern Sie die Annahmen jedes Ansatzes, die Konflikte, die eine Option ausschließen, und die verbleibenden ungeklärten Informationen an. Eine kompakte Entscheidungstabelle kann dann das endgültige Arbeitsergebnis sein, während der umgebende Text erklärt, wie die bereitgestellten Regeln sie stützen.
Promptempfehlungen von DeepSeek
Der Hersteller empfiehlt, auf einen Systemprompt zu verzichten und sämtliche Anweisungen direkt im Nutzerprompt zu platzieren. Stellen Sie Aufgabe, Ausgabeanforderungen und notwendiges Quellenmaterial zusammen und kennzeichnen Sie klar, welcher Text die Problemstellung und welcher eine Anweisung zur Antwort ist. Verwenden Sie den veröffentlichten Tokenizer und die Gesprächseinstellungen, statt anzunehmen, das ursprüngliche Qwen-Format sei austauschbar.
Der dokumentierte Temperaturbereich liegt zwischen 0.5 und 0.7; empfohlen wird 0.6. DeepSeek verbindet dies mit einer Verringerung von Wiederholungen und inkohärenter Ausgabe. Für mathematische Fragen empfiehlt es eine ausgearbeitete Antwort mit dem Endergebnis in einer LaTeX-Box. Es beschreibt außerdem Fälle, in denen das Modell den Reasoning-Block überspringt, und empfiehlt, die Antwort mit dem öffnenden Reasoning-Marker zu beginnen, um den beabsichtigten Reasoning-Ablauf zu fördern.
Eine nützliche mathematische Ausgabe kann die gewählte Methode, die begründeten Umformungen und einen separaten Endausdruck enthalten. Geben Sie an, ob das Ergebnis exakt oder gerundet sein soll, und nennen Sie Einheiten, wenn diese relevant sind. Fordern Sie bei Code die Erklärung getrennt von der vorgeschlagenen Implementierung an. Bitten Sie bei Logik um die endgültige Schlussfolgerung zusammen mit den Bedingungen, unter denen sie gilt. Diese Anforderungen bestimmen, was der Leser oder die Anwendung nach dem Reasoning-Text tatsächlich verwenden kann.
Kontext und inhaltliche Grenzen
Die aktuelle veröffentlichte Konfiguration setzt die maximale Positionszahl auf 131.072. Das ist der Konfigurationswert dieses Checkpoints, kein übernommenes Versprechen für jede bereitstellende Schnittstelle. Die Generierungseinstellung von 32.768 Tokens des Herstellers ist Teil der Evaluation; sie begründet keine separate harte Grenze für die maximale Antwortlänge. Ebenso sollte die Ausgabekapazität des ursprünglichen Qwen-Instruct-Modells nicht ohne eigene Spezifikation auf diese modifizierte Reasoning-Version übertragen werden.
Dies ist ein Textmodell. Bei einem Bild einer mathematischen Aufgabe müssen deren Symbole und Bedingungen vor der Reasoning-Aufgabe in Text umgewandelt werden; die Ausführung vorgeschlagenen Codes benötigt eine separate Entwicklungs- oder Rechenumgebung. Destillation beschreibt Training mit R1-Beispielen, keinen automatischen Laufzeitaufruf des Lehrermodells und keinen eingebauten unabhängigen Verifikator.
Verwenden Sie den benannten 14B-Checkpoint für eine definierte Aufgabe mit ausgearbeiteter Antwort und bewahren Sie die Notation, Annahmen und das Zielergebnis des Problems. Das praktische Ziel ist eine Lösung, die der Leser prüfen kann: welche Bedingungen gelten, warum jeder wichtige Schritt folgt und welcher endgültige Ausdruck, welche Implementierung oder welche Schlussfolgerung die ursprüngliche Frage beantwortet.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek-ai/DeepSeek-R1-Distill-Qwen-14B | 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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0002 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-14B", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek-ai/DeepSeek-R1-Distill-Qwen-14B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek-ai/DeepSeek-R1-Distill-Qwen-14B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-14B
Verwenden Sie die oben angezeigten Methodenpfade.
deepseek-ai/DeepSeek-R1-Distill-Qwen-14BDeepSeek-R1-Distill-Qwen-14B ist ein Text-Reasoning-Checkpoint auf Basis von Qwen2.5-14B und von DeepSeek-R1 generierten Beispielen. Es unterstützt ausgearbeitete mathematische, logische und Programmierantworten mit dem eigenen Tokenizer, den Promptempfehlungen und der Veröffentlichungskonfiguration von DeepSeek.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek-R1-Distill-Qwen-14B ist der von DeepSeek veröffentlichte Qwen-basierte Reasoning-Checkpoint in der Größe 14B. Seine Basis ist Qwen2.5-14B, feinabgestimmt mit von DeepSeek-R1 vorbereiteten Beispielen. Es akzeptiert eine schriftliche Problemstellung oder ein Gespräch und gibt Text zurück, der eine mathematische Lösung, eine Erklärung des Programmverhaltens oder eine aus mehreren vorgegebenen Bedingungen gewonnene Schlussfolgerung enthalten kann.
Reasoning-Übertragung und die benannte Edition
DeepSeek unterscheidet die vollständigen Modelle R1 und R1-Zero von den dichten Modellen, die auf Qwen- und Llama-Grundlagen destilliert wurden. Bei den destillierten Versionen übertragen die Trainingsdaten Reasoning-Muster des größeren R1-Modells in einen anderen Checkpoint. Der Name 14B kennzeichnet diese konkrete Qwen-Basis; er bezeichnet weder die vollständige R1-Architektur noch den 32B-Distill-Checkpoint oder die reguläre Veröffentlichung Qwen2.5-14B-Instruct.
Der Hersteller beschreibt 800.000 kuratierte Beispiele für die Qwen-Distill-Versionen und weist auf Änderungen an ihren Konfigurationen und Tokenizern hin. Behalten Sie beim Einsatz dieses Modells die Veröffentlichungseinstellungen von DeepSeek bei. Diese Änderungen sind relevant, auch wenn der Ursprung des Modells Qwen2.5 ist. Die eigene Konfiguration des 14B-Checkpoints legt 48 Schichten, 40 Query-Attention-Köpfe und 8 Key/Value-Köpfe fest; die maximale Positionszahl ist auf 131.072 gesetzt.
Was für eine nützliche ausgearbeitete Antwort bereitzustellen ist
Fügen Sie bei einer Lernaufgabe das Problem und den Lösungsversuch des Lernenden hinzu und markieren Sie dann den Übergang, der einer Erklärung bedarf. Bitten Sie das Modell, die relevante Bedingung zu benennen, die Korrektur in derselben Notation zu erklären und nur so weit fortzufahren, wie es zum Nachweis des Ergebnisses nötig ist. So bleibt die Antwort mit der tatsächlichen Schwierigkeit des Lernenden verbunden, statt eine sachfremde vollständige Lektion zu erzeugen.
Beispielsweise könnte ein Lernender durch einen Ausdruck dividiert haben, ohne anzugeben, ob dieser null sein kann. Stellen Sie die ursprüngliche Gleichung bereit und fragen Sie, welche Fälle vor dieser Umformung betrachtet werden müssen. Das gewünschte Ergebnis kann den zulässigen Fall, den Ausnahmefall und die endgültige Lösungsmenge trennen. Dies ist eine vorgeschlagene mathematische Aufgabe, deren Antwortform durch die Bedingung definiert wird und nicht durch eine allgemeine Bitte, Algebra zu erklären.
Stellen Sie bei einer Programmierfrage den Algorithmus oder die Funktion und eine konkrete Eingabe bereit. Fragen Sie, wie sich der Zustand verändert und warum das zurückgegebene Ergebnis folgt. Eine Rückfrage kann eine überarbeitete Implementierung unter einer ausdrücklichen Einschränkung verlangen, etwa die öffentliche Funktionssignatur beizubehalten oder die Eingabe nicht zu verändern. Fügen Sie den relevanten Hilfscode und das erwartete Verhalten hinzu, damit die Erklärung nicht von einer unbestimmten Implementierung abhängt.
Benennen Sie für einen logischen Vergleich die Alternativen und die Bedingungen, die jede erfüllen muss. Fordern Sie die Annahmen jedes Ansatzes, die Konflikte, die eine Option ausschließen, und die verbleibenden ungeklärten Informationen an. Eine kompakte Entscheidungstabelle kann dann das endgültige Arbeitsergebnis sein, während der umgebende Text erklärt, wie die bereitgestellten Regeln sie stützen.
Promptempfehlungen von DeepSeek
Der Hersteller empfiehlt, auf einen Systemprompt zu verzichten und sämtliche Anweisungen direkt im Nutzerprompt zu platzieren. Stellen Sie Aufgabe, Ausgabeanforderungen und notwendiges Quellenmaterial zusammen und kennzeichnen Sie klar, welcher Text die Problemstellung und welcher eine Anweisung zur Antwort ist. Verwenden Sie den veröffentlichten Tokenizer und die Gesprächseinstellungen, statt anzunehmen, das ursprüngliche Qwen-Format sei austauschbar.
Der dokumentierte Temperaturbereich liegt zwischen 0.5 und 0.7; empfohlen wird 0.6. DeepSeek verbindet dies mit einer Verringerung von Wiederholungen und inkohärenter Ausgabe. Für mathematische Fragen empfiehlt es eine ausgearbeitete Antwort mit dem Endergebnis in einer LaTeX-Box. Es beschreibt außerdem Fälle, in denen das Modell den Reasoning-Block überspringt, und empfiehlt, die Antwort mit dem öffnenden Reasoning-Marker zu beginnen, um den beabsichtigten Reasoning-Ablauf zu fördern.
Eine nützliche mathematische Ausgabe kann die gewählte Methode, die begründeten Umformungen und einen separaten Endausdruck enthalten. Geben Sie an, ob das Ergebnis exakt oder gerundet sein soll, und nennen Sie Einheiten, wenn diese relevant sind. Fordern Sie bei Code die Erklärung getrennt von der vorgeschlagenen Implementierung an. Bitten Sie bei Logik um die endgültige Schlussfolgerung zusammen mit den Bedingungen, unter denen sie gilt. Diese Anforderungen bestimmen, was der Leser oder die Anwendung nach dem Reasoning-Text tatsächlich verwenden kann.
Kontext und inhaltliche Grenzen
Die aktuelle veröffentlichte Konfiguration setzt die maximale Positionszahl auf 131.072. Das ist der Konfigurationswert dieses Checkpoints, kein übernommenes Versprechen für jede bereitstellende Schnittstelle. Die Generierungseinstellung von 32.768 Tokens des Herstellers ist Teil der Evaluation; sie begründet keine separate harte Grenze für die maximale Antwortlänge. Ebenso sollte die Ausgabekapazität des ursprünglichen Qwen-Instruct-Modells nicht ohne eigene Spezifikation auf diese modifizierte Reasoning-Version übertragen werden.
Dies ist ein Textmodell. Bei einem Bild einer mathematischen Aufgabe müssen deren Symbole und Bedingungen vor der Reasoning-Aufgabe in Text umgewandelt werden; die Ausführung vorgeschlagenen Codes benötigt eine separate Entwicklungs- oder Rechenumgebung. Destillation beschreibt Training mit R1-Beispielen, keinen automatischen Laufzeitaufruf des Lehrermodells und keinen eingebauten unabhängigen Verifikator.
Verwenden Sie den benannten 14B-Checkpoint für eine definierte Aufgabe mit ausgearbeiteter Antwort und bewahren Sie die Notation, Annahmen und das Zielergebnis des Problems. Das praktische Ziel ist eine Lösung, die der Leser prüfen kann: welche Bedingungen gelten, warum jeder wichtige Schritt folgt und welcher endgültige Ausdruck, welche Implementierung oder welche Schlussfolgerung die ursprüngliche Frage beantwortet.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek-ai/DeepSeek-R1-Distill-Qwen-14B | 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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0002 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-14B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-ai/DeepSeek-R1-Distill-Qwen-14B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-ai/DeepSeek-R1-Distill-Qwen-14B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-14B
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Repair an algebraic division step\n\nA student solves x(x - 3) = 2(x - 3) by dividing by x - 3 and concludes x = 2. Explain the missing case without changing the original equation. Separate the zero-divisor case from the nonzero case, then give the complete solution set and substitute each candidate back into the equation.A case split, a complete solution set and a substitution check for each candidate.The response checks the x - 3 = 0 case rather than silently dividing it away.