DeepSeek-R1-Distill-Qwen-32B ist der dichte Reasoning-Checkpoint von DeepSeek in der Größe 32B auf Basis von Qwen2.5-32B. DeepSeek stimmt die Basis mit Reasoning-Beispielen fein ab, die DeepSeek-R1 generiert hat. Das Ergebnis ist ein eigenständiges Textmodell für Probleme, die mehrere miteinander verbundene Schritte erfordern, etwa eine mathematische Herleitung, eine algorithmische Frage oder das Durchdenken von Einschränkungen.
Wie sich diese Destillation vom vollständigen R1-Modell unterscheidet
Die Veröffentlichung des Herstellers trennt DeepSeek-R1-Zero, DeepSeek-R1 und destillierte Modelle auf Qwen- oder Llama-Basis. Die vollständige R1-Reihe entwickelt Reasoning durch ihre eigene Trainingspipeline; die Destillationsphase überträgt Muster aus R1-generierten Beispielen auf separate dichte Checkpoints. Dieser Eintrag ist die Qwen-basierte Distill-Edition mit 32B, nicht das vollständige R1-Modell, R1-Zero oder die unveränderte Basis Qwen2.5-32B.
Die veröffentlichten Qwen-Distill-Modelle werden mit 800.000 kuratierten Beispielen feinabgestimmt. DeepSeek ändert außerdem ihre Konfigurationen und Tokenizer und weist Nutzer an, diese Einstellungen beizubehalten. Die Trainingsherkunft erklärt den Reasoning-Schwerpunkt; der benannte Checkpoint und seine eigene Konfiguration bestimmen jedoch die tatsächliche Veröffentlichung. Das bedeutet nicht, dass das größere Lehrermodell automatisch zur Beantwortung jeder neuen Frage herangezogen wird.
Die Konfiguration des 32B-Checkpoints verwendet eine kausale Sprachmodellarchitektur mit 64 Schichten, 40 Query-Attention-Köpfen und 8 Key/Value-Köpfen. Sie setzt die maximale Positionszahl auf 131.072. Diese Konfigurationsangabe betrifft das veröffentlichte Modell; ein beispielhafter Bereitstellungsbefehl oder ein anderes Mitglied der R1-Familie sollte nicht als dieselbe Kontexteinstellung behandelt werden. Das Modell nimmt Text entgegen und erzeugt Text, statt ein Bild zu akzeptieren oder ein visuelles beziehungsweise Audioartefakt zu erzeugen.
Eine mathematische oder Programmieraufgabe vorbereiten
Geben Sie für ein mathematisches Problem die vollständigen Bedingungen an, definieren Sie die Variablen und nennen Sie den Definitionsbereich oder die Annahmen. Legen Sie fest, ob das Endergebnis ein exakter Ausdruck, eine numerische Näherung oder der Beweis einer Aussage sein soll. Eine nützliche Anfrage kann eine Herleitung mit anschließendem Endausdruck und einer Prüfung anhand der ursprünglichen Bedingungen verlangen. Der Hersteller empfiehlt eine ausgearbeitete mathematische Antwort, deren Endergebnis in einer LaTeX-Box steht.
Stellen Sie für ein Algorithmusproblem den Eingabebereich, die erforderliche Ausgabe und die Einschränkungen für die Lösung bereit. Bitten Sie um den Ansatz, die Implementierung und eine Erklärung, warum sie die erforderliche Eigenschaft bewahrt. Betrifft das Problem bestehenden Code, geben Sie die relevante Funktion, die Eingabe mit unerwartetem Verhalten und das erwartete Ergebnis an. Die Antwort kann den tatsächlichen Pfad mit dem beabsichtigten vergleichen und eine Korrektur vorschlagen; Ausführung und Verifikation des Programms sind separate Anwendungsschritte.
Listen Sie für ein Problem mit Einschränkungen die zulässigen Optionen und Zusammenhänge ausdrücklich auf. Eine Planungsanfrage kann beispielsweise die Teilnehmer, ihre Verfügbarkeit und Regeln nennen, die zwei Zuordnungen unvereinbar machen. Bitten Sie um einen Zuordnungsvorschlag mit der Regel, die jede Entscheidung stützt, und verlangen Sie, dass ungeklärte Bedingungen sichtbar bleiben. So wird die Reasoning-Aufgabe überprüfbar, statt das Modell ohne die zugrunde liegenden Einschränkungen wählen zu lassen.
Herstellerspezifische Nutzungsempfehlungen
DeepSeek empfiehlt, für diese Reihe sämtliche Anweisungen in den Nutzerprompt aufzunehmen und einen separaten Systemprompt zu vermeiden. Das unterscheidet sich von einer allgemeinen Chatvorlage, die sich zur Aufgabendefinition auf eine Systemnachricht stützt. Platzieren Sie das angeforderte Antwortformat, das Quellenmaterial und die eigentliche Frage gemeinsam mit klaren Abgrenzungen.
Der empfohlene Temperaturbereich liegt zwischen 0.5 und 0.7, bevorzugt wird 0.6. Der Hersteller begründet diese Empfehlung mit der Vermeidung von Wiederholungen oder inkohärenter Ausgabe. Er weist außerdem darauf hin, dass einige Anfragen einen leeren Reasoning-Block erzeugen können, und empfiehlt, die Ausgabe mit dem öffnenden Reasoning-Marker zu beginnen. Dies sind Empfehlungen für den veröffentlichten Reasoning-Ablauf, keine Garantie, dass eine einzelne Einstellung Korrektheit herstellt.
Ein praktischer Antwortvertrag kann eine Erklärung der Methode, die wichtigen begründeten Schritte und ein separates endgültiges Arbeitsergebnis verlangen. Verwenden Sie bei einer mathematischen Aufgabe für das Endergebnis den eingerahmten Ausdruck. Trennen Sie bei einer Programmieraufgabe den Code von seinen Annahmen und Beispieleingaben. Halten Sie bei einer logischen Aufgabe jede Schlussfolgerung mit der Regel oder bereitgestellten Tatsache verbunden, die sie stützt. Dadurch können der Reasoning-Text und das von der Anwendung benötigte Ergebnis unterschiedliche Zwecke erfüllen.
Kontext-, Ausgabe- und Integrationsgrenzen
Die maximale Positionszahl von 131.072 der veröffentlichten Konfiguration ist zusammen mit dem vollständigen Prompt und dem generierten Reasoning zu betrachten. Der Hersteller verwendet bei der Evaluation eine Generierungseinstellung von 32.768 Tokens, doch diese experimentelle Einstellung ist keine veröffentlichte separate Spezifikation der Ausgabekapazität dieses Checkpoints. Leiten Sie keine Antwortobergrenze aus einer Benchmarkkonfiguration ab und übertragen Sie nicht die Ausgabeangabe von 8.192 Tokens der ursprünglichen Qwen-Instruct-Edition auf die modifizierte Distill-Version.
Richten Sie die Eingaben auf die eigentliche mathematische, logische oder Programmierfrage aus und nennen Sie die gewünschte Endform. Ein externer Rechner, ein Repository, ein Dokumentenparser oder eine Suchfunktion muss von der umgebenden Anwendung bereitgestellt werden; sie sind nicht allein durch die Auswahl eines Text-Reasoning-Checkpoints enthalten. Das nützliche Ergebnis ist eine schriftliche Lösung oder vorgeschlagene Implementierung, deren Annahmen, Methode und endgültige Antwort dem vorgegebenen Problem entsprechen.
", "aboutText": "DeepSeek-R1-Distill-Qwen-32B ist der dichte Reasoning-Checkpoint von DeepSeek in der Größe 32B auf Basis von Qwen2.5-32B. DeepSeek stimmt die Basis mit Reasoning-Beispielen fein ab, die DeepSeek-R1 generiert hat. Das Ergebnis ist ein eigenständiges Textmodell für Probleme, die mehrere miteinander verbundene Schritte erfordern, etwa eine mathematische Herleitung, eine algorithmische Frage oder das Durchdenken von Einschränkungen.\n\nWie sich diese Destillation vom vollständigen R1-Modell unterscheidet\n\nDie Veröffentlichung des Herstellers trennt DeepSeek-R1-Zero, DeepSeek-R1 und destillierte Modelle auf Qwen- oder Llama-Basis. Die vollständige R1-Reihe entwickelt Reasoning durch ihre eigene Trainingspipeline; die Destillationsphase überträgt Muster aus R1-generierten Beispielen auf separate dichte Checkpoints. Dieser Eintrag ist die Qwen-basierte Distill-Edition mit 32B, nicht das vollständige R1-Modell, R1-Zero oder die unveränderte Basis Qwen2.5-32B.\n\nDie veröffentlichten Qwen-Distill-Modelle werden mit 800.000 kuratierten Beispielen feinabgestimmt. DeepSeek ändert außerdem ihre Konfigurationen und Tokenizer und weist Nutzer an, diese Einstellungen beizubehalten. Die Trainingsherkunft erklärt den Reasoning-Schwerpunkt; der benannte Checkpoint und seine eigene Konfiguration bestimmen jedoch die tatsächliche Veröffentlichung. Das bedeutet nicht, dass das größere Lehrermodell automatisch zur Beantwortung jeder neuen Frage herangezogen wird.\n\nDie Konfiguration des 32B-Checkpoints verwendet eine kausale Sprachmodellarchitektur mit 64 Schichten, 40 Query-Attention-Köpfen und 8 Key/Value-Köpfen. Sie setzt die maximale Positionszahl auf 131.072. Diese Konfigurationsangabe betrifft das veröffentlichte Modell; ein beispielhafter Bereitstellungsbefehl oder ein anderes Mitglied der R1-Familie sollte nicht als dieselbe Kontexteinstellung behandelt werden. Das Modell nimmt Text entgegen und erzeugt Text, statt ein Bild zu akzeptieren oder ein visuelles beziehungsweise Audioartefakt zu erzeugen.\n\nEine mathematische oder Programmieraufgabe vorbereiten\n\nGeben Sie für ein mathematisches Problem die vollständigen Bedingungen an, definieren Sie die Variablen und nennen Sie den Definitionsbereich oder die Annahmen. Legen Sie fest, ob das Endergebnis ein exakter Ausdruck, eine numerische Näherung oder der Beweis einer Aussage sein soll. Eine nützliche Anfrage kann eine Herleitung mit anschließendem Endausdruck und einer Prüfung anhand der ursprünglichen Bedingungen verlangen. Der Hersteller empfiehlt eine ausgearbeitete mathematische Antwort, deren Endergebnis in einer LaTeX-Box steht.\n\nStellen Sie für ein Algorithmusproblem den Eingabebereich, die erforderliche Ausgabe und die Einschränkungen für die Lösung bereit. Bitten Sie um den Ansatz, die Implementierung und eine Erklärung, warum sie die erforderliche Eigenschaft bewahrt. Betrifft das Problem bestehenden Code, geben Sie die relevante Funktion, die Eingabe mit unerwartetem Verhalten und das erwartete Ergebnis an. Die Antwort kann den tatsächlichen Pfad mit dem beabsichtigten vergleichen und eine Korrektur vorschlagen; Ausführung und Verifikation des Programms sind separate Anwendungsschritte.\n\nListen Sie für ein Problem mit Einschränkungen die zulässigen Optionen und Zusammenhänge ausdrücklich auf. Eine Planungsanfrage kann beispielsweise die Teilnehmer, ihre Verfügbarkeit und Regeln nennen, die zwei Zuordnungen unvereinbar machen. Bitten Sie um einen Zuordnungsvorschlag mit der Regel, die jede Entscheidung stützt, und verlangen Sie, dass ungeklärte Bedingungen sichtbar bleiben. So wird die Reasoning-Aufgabe überprüfbar, statt das Modell ohne die zugrunde liegenden Einschränkungen wählen zu lassen.\n\nHerstellerspezifische Nutzungsempfehlungen\n\nDeepSeek empfiehlt, für diese Reihe sämtliche Anweisungen in den Nutzerprompt aufzunehmen und einen separaten Systemprompt zu vermeiden. Das unterscheidet sich von einer allgemeinen Chatvorlage, die sich zur Aufgabendefinition auf eine Systemnachricht stützt. Platzieren Sie das angeforderte Antwortformat, das Quellenmaterial und die eigentliche Frage gemeinsam mit klaren Abgrenzungen.\n\nDer empfohlene Temperaturbereich liegt zwischen 0.5 und 0.7, bevorzugt wird 0.6. Der Hersteller begründet diese Empfehlung mit der Vermeidung von Wiederholungen oder inkohärenter Ausgabe. Er weist außerdem darauf hin, dass einige Anfragen einen leeren Reasoning-Block erzeugen können, und empfiehlt, die Ausgabe mit dem öffnenden Reasoning-Marker zu beginnen. Dies sind Empfehlungen für den veröffentlichten Reasoning-Ablauf, keine Garantie, dass eine einzelne Einstellung Korrektheit herstellt.\n\nEin praktischer Antwortvertrag kann eine Erklärung der Methode, die wichtigen begründeten Schritte und ein separates endgültiges Arbeitsergebnis verlangen. Verwenden Sie bei einer mathematischen Aufgabe für das Endergebnis den eingerahmten Ausdruck. Trennen Sie bei einer Programmieraufgabe den Code von seinen Annahmen und Beispieleingaben. Halten Sie bei einer logischen Aufgabe jede Schlussfolgerung mit der Regel oder bereitgestellten Tatsache verbunden, die sie stützt. Dadurch können der Reasoning-Text und das von der Anwendung benötigte Ergebnis unterschiedliche Zwecke erfüllen.\n\nKontext-, Ausgabe- und Integrationsgrenzen\n\nDie maximale Positionszahl von 131.072 der veröffentlichten Konfiguration ist zusammen mit dem vollständigen Prompt und dem generierten Reasoning zu betrachten. Der Hersteller verwendet bei der Evaluation eine Generierungseinstellung von 32.768 Tokens, doch diese experimentelle Einstellung ist keine veröffentlichte separate Spezifikation der Ausgabekapazität dieses Checkpoints. Leiten Sie keine Antwortobergrenze aus einer Benchmarkkonfiguration ab und übertragen Sie nicht die Ausgabeangabe von 8.192 Tokens der ursprünglichen Qwen-Instruct-Edition auf die modifizierte Distill-Version.\n\nRichten Sie die Eingaben auf die eigentliche mathematische, logische oder Programmierfrage aus und nennen Sie die gewünschte Endform. Ein externer Rechner, ein Repository, ein Dokumentenparser oder eine Suchfunktion muss von der umgebenden Anwendung bereitgestellt werden; sie sind nicht allein durch die Auswahl eines Text-Reasoning-Checkpoints enthalten. Das nützliche Ergebnis ist eine schriftliche Lösung oder vorgeschlagene Implementierung, deren Annahmen, Methode und endgültige Antwort dem vorgegebenen Problem entsprechen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Solve a bounded scheduling problem\n\nSchedule three one-hour interviews in slots 09:00, 10:00 and 11:00. Ada cannot attend 09:00; Ben cannot attend 11:00; Chen must be before Ada. Each person gets one distinct slot. Give a valid schedule, explain how each constraint is satisfied and state whether another schedule is possible.A person-to-slot table, a constraint check and a justified uniqueness or non-uniqueness conclusion.Check all three constraints and distinct slots directly against the proposed schedule.deepseek-ai/DeepSeek-R1-Distill-Qwen-32BDeepSeek-R1-Distill-Qwen-32B ist ein dichtes Text-Reasoning-Modell, das aus Qwen2.5-32B mit Beispielen von DeepSeek-R1 feinabgestimmt wurde. Es ist für mehrstufige mathematische, Programmier- und Logikaufgaben vorgesehen, mit herstellerspezifischen Prompt-Empfehlungen und einer Veröffentlichungskonfiguration mit 131.072 Positionen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek-R1-Distill-Qwen-32B ist der dichte Reasoning-Checkpoint von DeepSeek in der Größe 32B auf Basis von Qwen2.5-32B. DeepSeek stimmt die Basis mit Reasoning-Beispielen fein ab, die DeepSeek-R1 generiert hat. Das Ergebnis ist ein eigenständiges Textmodell für Probleme, die mehrere miteinander verbundene Schritte erfordern, etwa eine mathematische Herleitung, eine algorithmische Frage oder das Durchdenken von Einschränkungen.
Wie sich diese Destillation vom vollständigen R1-Modell unterscheidet
Die Veröffentlichung des Herstellers trennt DeepSeek-R1-Zero, DeepSeek-R1 und destillierte Modelle auf Qwen- oder Llama-Basis. Die vollständige R1-Reihe entwickelt Reasoning durch ihre eigene Trainingspipeline; die Destillationsphase überträgt Muster aus R1-generierten Beispielen auf separate dichte Checkpoints. Dieser Eintrag ist die Qwen-basierte Distill-Edition mit 32B, nicht das vollständige R1-Modell, R1-Zero oder die unveränderte Basis Qwen2.5-32B.
Die veröffentlichten Qwen-Distill-Modelle werden mit 800.000 kuratierten Beispielen feinabgestimmt. DeepSeek ändert außerdem ihre Konfigurationen und Tokenizer und weist Nutzer an, diese Einstellungen beizubehalten. Die Trainingsherkunft erklärt den Reasoning-Schwerpunkt; der benannte Checkpoint und seine eigene Konfiguration bestimmen jedoch die tatsächliche Veröffentlichung. Das bedeutet nicht, dass das größere Lehrermodell automatisch zur Beantwortung jeder neuen Frage herangezogen wird.
Die Konfiguration des 32B-Checkpoints verwendet eine kausale Sprachmodellarchitektur mit 64 Schichten, 40 Query-Attention-Köpfen und 8 Key/Value-Köpfen. Sie setzt die maximale Positionszahl auf 131.072. Diese Konfigurationsangabe betrifft das veröffentlichte Modell; ein beispielhafter Bereitstellungsbefehl oder ein anderes Mitglied der R1-Familie sollte nicht als dieselbe Kontexteinstellung behandelt werden. Das Modell nimmt Text entgegen und erzeugt Text, statt ein Bild zu akzeptieren oder ein visuelles beziehungsweise Audioartefakt zu erzeugen.
Eine mathematische oder Programmieraufgabe vorbereiten
Geben Sie für ein mathematisches Problem die vollständigen Bedingungen an, definieren Sie die Variablen und nennen Sie den Definitionsbereich oder die Annahmen. Legen Sie fest, ob das Endergebnis ein exakter Ausdruck, eine numerische Näherung oder der Beweis einer Aussage sein soll. Eine nützliche Anfrage kann eine Herleitung mit anschließendem Endausdruck und einer Prüfung anhand der ursprünglichen Bedingungen verlangen. Der Hersteller empfiehlt eine ausgearbeitete mathematische Antwort, deren Endergebnis in einer LaTeX-Box steht.
Stellen Sie für ein Algorithmusproblem den Eingabebereich, die erforderliche Ausgabe und die Einschränkungen für die Lösung bereit. Bitten Sie um den Ansatz, die Implementierung und eine Erklärung, warum sie die erforderliche Eigenschaft bewahrt. Betrifft das Problem bestehenden Code, geben Sie die relevante Funktion, die Eingabe mit unerwartetem Verhalten und das erwartete Ergebnis an. Die Antwort kann den tatsächlichen Pfad mit dem beabsichtigten vergleichen und eine Korrektur vorschlagen; Ausführung und Verifikation des Programms sind separate Anwendungsschritte.
Listen Sie für ein Problem mit Einschränkungen die zulässigen Optionen und Zusammenhänge ausdrücklich auf. Eine Planungsanfrage kann beispielsweise die Teilnehmer, ihre Verfügbarkeit und Regeln nennen, die zwei Zuordnungen unvereinbar machen. Bitten Sie um einen Zuordnungsvorschlag mit der Regel, die jede Entscheidung stützt, und verlangen Sie, dass ungeklärte Bedingungen sichtbar bleiben. So wird die Reasoning-Aufgabe überprüfbar, statt das Modell ohne die zugrunde liegenden Einschränkungen wählen zu lassen.
Herstellerspezifische Nutzungsempfehlungen
DeepSeek empfiehlt, für diese Reihe sämtliche Anweisungen in den Nutzerprompt aufzunehmen und einen separaten Systemprompt zu vermeiden. Das unterscheidet sich von einer allgemeinen Chatvorlage, die sich zur Aufgabendefinition auf eine Systemnachricht stützt. Platzieren Sie das angeforderte Antwortformat, das Quellenmaterial und die eigentliche Frage gemeinsam mit klaren Abgrenzungen.
Der empfohlene Temperaturbereich liegt zwischen 0.5 und 0.7, bevorzugt wird 0.6. Der Hersteller begründet diese Empfehlung mit der Vermeidung von Wiederholungen oder inkohärenter Ausgabe. Er weist außerdem darauf hin, dass einige Anfragen einen leeren Reasoning-Block erzeugen können, und empfiehlt, die Ausgabe mit dem öffnenden Reasoning-Marker zu beginnen. Dies sind Empfehlungen für den veröffentlichten Reasoning-Ablauf, keine Garantie, dass eine einzelne Einstellung Korrektheit herstellt.
Ein praktischer Antwortvertrag kann eine Erklärung der Methode, die wichtigen begründeten Schritte und ein separates endgültiges Arbeitsergebnis verlangen. Verwenden Sie bei einer mathematischen Aufgabe für das Endergebnis den eingerahmten Ausdruck. Trennen Sie bei einer Programmieraufgabe den Code von seinen Annahmen und Beispieleingaben. Halten Sie bei einer logischen Aufgabe jede Schlussfolgerung mit der Regel oder bereitgestellten Tatsache verbunden, die sie stützt. Dadurch können der Reasoning-Text und das von der Anwendung benötigte Ergebnis unterschiedliche Zwecke erfüllen.
Kontext-, Ausgabe- und Integrationsgrenzen
Die maximale Positionszahl von 131.072 der veröffentlichten Konfiguration ist zusammen mit dem vollständigen Prompt und dem generierten Reasoning zu betrachten. Der Hersteller verwendet bei der Evaluation eine Generierungseinstellung von 32.768 Tokens, doch diese experimentelle Einstellung ist keine veröffentlichte separate Spezifikation der Ausgabekapazität dieses Checkpoints. Leiten Sie keine Antwortobergrenze aus einer Benchmarkkonfiguration ab und übertragen Sie nicht die Ausgabeangabe von 8.192 Tokens der ursprünglichen Qwen-Instruct-Edition auf die modifizierte Distill-Version.
Richten Sie die Eingaben auf die eigentliche mathematische, logische oder Programmierfrage aus und nennen Sie die gewünschte Endform. Ein externer Rechner, ein Repository, ein Dokumentenparser oder eine Suchfunktion muss von der umgebenden Anwendung bereitgestellt werden; sie sind nicht allein durch die Auswahl eines Text-Reasoning-Checkpoints enthalten. Das nützliche Ergebnis ist eine schriftliche Lösung oder vorgeschlagene Implementierung, deren Annahmen, Methode und endgültige Antwort dem vorgegebenen Problem entsprechen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek-ai/DeepSeek-R1-Distill-Qwen-32B | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00036 / 1K Token Ausgabe · Ausgabetoken $0.00036 / 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-32B", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek-ai/DeepSeek-R1-Distill-Qwen-32B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek-ai/DeepSeek-R1-Distill-Qwen-32B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-32B
Verwenden Sie die oben angezeigten Methodenpfade.
deepseek-ai/DeepSeek-R1-Distill-Qwen-32BDeepSeek-R1-Distill-Qwen-32B ist ein dichtes Text-Reasoning-Modell, das aus Qwen2.5-32B mit Beispielen von DeepSeek-R1 feinabgestimmt wurde. Es ist für mehrstufige mathematische, Programmier- und Logikaufgaben vorgesehen, mit herstellerspezifischen Prompt-Empfehlungen und einer Veröffentlichungskonfiguration mit 131.072 Positionen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek-R1-Distill-Qwen-32B ist der dichte Reasoning-Checkpoint von DeepSeek in der Größe 32B auf Basis von Qwen2.5-32B. DeepSeek stimmt die Basis mit Reasoning-Beispielen fein ab, die DeepSeek-R1 generiert hat. Das Ergebnis ist ein eigenständiges Textmodell für Probleme, die mehrere miteinander verbundene Schritte erfordern, etwa eine mathematische Herleitung, eine algorithmische Frage oder das Durchdenken von Einschränkungen.
Wie sich diese Destillation vom vollständigen R1-Modell unterscheidet
Die Veröffentlichung des Herstellers trennt DeepSeek-R1-Zero, DeepSeek-R1 und destillierte Modelle auf Qwen- oder Llama-Basis. Die vollständige R1-Reihe entwickelt Reasoning durch ihre eigene Trainingspipeline; die Destillationsphase überträgt Muster aus R1-generierten Beispielen auf separate dichte Checkpoints. Dieser Eintrag ist die Qwen-basierte Distill-Edition mit 32B, nicht das vollständige R1-Modell, R1-Zero oder die unveränderte Basis Qwen2.5-32B.
Die veröffentlichten Qwen-Distill-Modelle werden mit 800.000 kuratierten Beispielen feinabgestimmt. DeepSeek ändert außerdem ihre Konfigurationen und Tokenizer und weist Nutzer an, diese Einstellungen beizubehalten. Die Trainingsherkunft erklärt den Reasoning-Schwerpunkt; der benannte Checkpoint und seine eigene Konfiguration bestimmen jedoch die tatsächliche Veröffentlichung. Das bedeutet nicht, dass das größere Lehrermodell automatisch zur Beantwortung jeder neuen Frage herangezogen wird.
Die Konfiguration des 32B-Checkpoints verwendet eine kausale Sprachmodellarchitektur mit 64 Schichten, 40 Query-Attention-Köpfen und 8 Key/Value-Köpfen. Sie setzt die maximale Positionszahl auf 131.072. Diese Konfigurationsangabe betrifft das veröffentlichte Modell; ein beispielhafter Bereitstellungsbefehl oder ein anderes Mitglied der R1-Familie sollte nicht als dieselbe Kontexteinstellung behandelt werden. Das Modell nimmt Text entgegen und erzeugt Text, statt ein Bild zu akzeptieren oder ein visuelles beziehungsweise Audioartefakt zu erzeugen.
Eine mathematische oder Programmieraufgabe vorbereiten
Geben Sie für ein mathematisches Problem die vollständigen Bedingungen an, definieren Sie die Variablen und nennen Sie den Definitionsbereich oder die Annahmen. Legen Sie fest, ob das Endergebnis ein exakter Ausdruck, eine numerische Näherung oder der Beweis einer Aussage sein soll. Eine nützliche Anfrage kann eine Herleitung mit anschließendem Endausdruck und einer Prüfung anhand der ursprünglichen Bedingungen verlangen. Der Hersteller empfiehlt eine ausgearbeitete mathematische Antwort, deren Endergebnis in einer LaTeX-Box steht.
Stellen Sie für ein Algorithmusproblem den Eingabebereich, die erforderliche Ausgabe und die Einschränkungen für die Lösung bereit. Bitten Sie um den Ansatz, die Implementierung und eine Erklärung, warum sie die erforderliche Eigenschaft bewahrt. Betrifft das Problem bestehenden Code, geben Sie die relevante Funktion, die Eingabe mit unerwartetem Verhalten und das erwartete Ergebnis an. Die Antwort kann den tatsächlichen Pfad mit dem beabsichtigten vergleichen und eine Korrektur vorschlagen; Ausführung und Verifikation des Programms sind separate Anwendungsschritte.
Listen Sie für ein Problem mit Einschränkungen die zulässigen Optionen und Zusammenhänge ausdrücklich auf. Eine Planungsanfrage kann beispielsweise die Teilnehmer, ihre Verfügbarkeit und Regeln nennen, die zwei Zuordnungen unvereinbar machen. Bitten Sie um einen Zuordnungsvorschlag mit der Regel, die jede Entscheidung stützt, und verlangen Sie, dass ungeklärte Bedingungen sichtbar bleiben. So wird die Reasoning-Aufgabe überprüfbar, statt das Modell ohne die zugrunde liegenden Einschränkungen wählen zu lassen.
Herstellerspezifische Nutzungsempfehlungen
DeepSeek empfiehlt, für diese Reihe sämtliche Anweisungen in den Nutzerprompt aufzunehmen und einen separaten Systemprompt zu vermeiden. Das unterscheidet sich von einer allgemeinen Chatvorlage, die sich zur Aufgabendefinition auf eine Systemnachricht stützt. Platzieren Sie das angeforderte Antwortformat, das Quellenmaterial und die eigentliche Frage gemeinsam mit klaren Abgrenzungen.
Der empfohlene Temperaturbereich liegt zwischen 0.5 und 0.7, bevorzugt wird 0.6. Der Hersteller begründet diese Empfehlung mit der Vermeidung von Wiederholungen oder inkohärenter Ausgabe. Er weist außerdem darauf hin, dass einige Anfragen einen leeren Reasoning-Block erzeugen können, und empfiehlt, die Ausgabe mit dem öffnenden Reasoning-Marker zu beginnen. Dies sind Empfehlungen für den veröffentlichten Reasoning-Ablauf, keine Garantie, dass eine einzelne Einstellung Korrektheit herstellt.
Ein praktischer Antwortvertrag kann eine Erklärung der Methode, die wichtigen begründeten Schritte und ein separates endgültiges Arbeitsergebnis verlangen. Verwenden Sie bei einer mathematischen Aufgabe für das Endergebnis den eingerahmten Ausdruck. Trennen Sie bei einer Programmieraufgabe den Code von seinen Annahmen und Beispieleingaben. Halten Sie bei einer logischen Aufgabe jede Schlussfolgerung mit der Regel oder bereitgestellten Tatsache verbunden, die sie stützt. Dadurch können der Reasoning-Text und das von der Anwendung benötigte Ergebnis unterschiedliche Zwecke erfüllen.
Kontext-, Ausgabe- und Integrationsgrenzen
Die maximale Positionszahl von 131.072 der veröffentlichten Konfiguration ist zusammen mit dem vollständigen Prompt und dem generierten Reasoning zu betrachten. Der Hersteller verwendet bei der Evaluation eine Generierungseinstellung von 32.768 Tokens, doch diese experimentelle Einstellung ist keine veröffentlichte separate Spezifikation der Ausgabekapazität dieses Checkpoints. Leiten Sie keine Antwortobergrenze aus einer Benchmarkkonfiguration ab und übertragen Sie nicht die Ausgabeangabe von 8.192 Tokens der ursprünglichen Qwen-Instruct-Edition auf die modifizierte Distill-Version.
Richten Sie die Eingaben auf die eigentliche mathematische, logische oder Programmierfrage aus und nennen Sie die gewünschte Endform. Ein externer Rechner, ein Repository, ein Dokumentenparser oder eine Suchfunktion muss von der umgebenden Anwendung bereitgestellt werden; sie sind nicht allein durch die Auswahl eines Text-Reasoning-Checkpoints enthalten. Das nützliche Ergebnis ist eine schriftliche Lösung oder vorgeschlagene Implementierung, deren Annahmen, Methode und endgültige Antwort dem vorgegebenen Problem entsprechen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek-ai/DeepSeek-R1-Distill-Qwen-32B | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00036 / 1K Token Ausgabe · Ausgabetoken $0.00036 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-ai/DeepSeek-R1-Distill-Qwen-32B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-ai/DeepSeek-R1-Distill-Qwen-32B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-32B
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Solve a bounded scheduling problem\n\nSchedule three one-hour interviews in slots 09:00, 10:00 and 11:00. Ada cannot attend 09:00; Ben cannot attend 11:00; Chen must be before Ada. Each person gets one distinct slot. Give a valid schedule, explain how each constraint is satisfied and state whether another schedule is possible.A person-to-slot table, a constraint check and a justified uniqueness or non-uniqueness conclusion.Check all three constraints and distinct slots directly against the proposed schedule.