DeepSeek-R1-Distill-Qwen-14B es el checkpoint de razonamiento de tamaño 14B basado en Qwen que publicó DeepSeek. Su base es Qwen2.5-14B, ajustada con ejemplos preparados por DeepSeek-R1. Acepta un problema o una conversación por escrito y devuelve texto que puede incluir una solución matemática, una explicación del comportamiento de un programa o una conclusión alcanzada a partir de varias condiciones proporcionadas.
Transferencia de razonamiento y edición con nombre propio
DeepSeek distingue los modelos R1 y R1-Zero completos de los modelos densos destilados sobre bases Qwen y Llama. En las versiones destiladas, los datos de entrenamiento llevan patrones de razonamiento del modelo R1 de mayor tamaño a un checkpoint diferente. El nombre 14B identifica esta base Qwen concreta; no identifica la arquitectura R1 completa, el checkpoint destilado de 32B ni la versión Qwen2.5-14B-Instruct corriente.
El fabricante describe 800,000 ejemplos seleccionados para las versiones destiladas de Qwen y señala cambios en sus configuraciones y tokenizadores. Conserva los ajustes de la versión de DeepSeek al utilizar este modelo. Esos cambios importan aunque el origen del modelo sea Qwen2.5. La propia configuración del checkpoint de 14B especifica 48 capas, 40 cabezas de atención de consulta y 8 cabezas de clave/valor, con un máximo de posiciones establecido en 131,072.
Qué proporcionar para obtener una respuesta desarrollada útil
Para una tarea de tutoría, incluye el problema y el intento de solución del estudiante, y después marca la transición que necesita explicación. Pide al modelo que identifique la condición pertinente, explique la corrección con la misma notación y continúe solo hasta donde sea necesario para establecer el resultado. Esto mantiene la respuesta conectada con la dificultad real del estudiante, en lugar de producir una lección completa sin relación.
Por ejemplo, un estudiante puede haber dividido entre una expresión sin indicar si puede ser cero. Proporciona la ecuación original y pregunta qué casos deben considerarse antes de esa transformación. El resultado deseado puede separar el caso permitido, el caso excepcional y el conjunto de soluciones final. Esta es una tarea matemática propuesta, cuya forma de respuesta está definida por la condición, en lugar de por una solicitud genérica de explicar álgebra.
Para una pregunta de programación, proporciona el algoritmo o la función y una entrada concreta. Pregunta cómo cambia el estado y por qué se obtiene el resultado devuelto. Un seguimiento puede pedir una implementación revisada bajo una restricción explícita, como conservar la firma de la función pública o evitar modificar la entrada. Incluye el código auxiliar pertinente y el comportamiento esperado para que la explicación no dependa de una implementación sin especificar.
Para una comparación lógica, identifica las alternativas y las condiciones que debe cumplir cada una. Pide las suposiciones utilizadas por cada enfoque, los conflictos que descartan una opción y la información que aún falta resolver. Una tabla de decisión compacta puede convertirse en el entregable final, mientras la prosa que la acompaña explica cómo la respaldan las reglas proporcionadas.
Recomendaciones de instrucciones de DeepSeek
El fabricante recomienda evitar un prompt de sistema y colocar todas las instrucciones directamente en el prompt del usuario. Reúne la tarea, los requisitos de salida y el material fuente necesario, identificando claramente qué texto es el problema y cuál es una instrucción sobre la respuesta. Utiliza el tokenizador y los ajustes de conversación publicados, en lugar de suponer que el formato Qwen original es intercambiable.
El rango de temperatura documentado es de 0.5 a 0.7, con 0.6 recomendado. DeepSeek relaciona esto con la reducción de la repetición y la salida incoherente. Para preguntas matemáticas, recomienda una respuesta desarrollada con el resultado final en un recuadro de LaTeX. También describe casos en que el modelo omite el bloque de razonamiento y recomienda comenzar la respuesta con el marcador de apertura del razonamiento para fomentar el flujo previsto.
Una salida matemática útil puede contener el método elegido, las transformaciones justificadas y una expresión final separada. Indica si el resultado debe ser exacto o redondeado y especifica las unidades cuando sean relevantes. Para código, pide la explicación por separado de la implementación propuesta. Para lógica, pide la conclusión final junto con las condiciones bajo las cuales se cumple. Estos requisitos determinan lo que el lector o la aplicación realmente pueden utilizar después del texto de razonamiento.
Contexto y límites sustantivos
La configuración publicada actual establece el máximo de posiciones en 131,072. Es el valor de configuración de este checkpoint, no una promesa heredada sobre todas las interfaces que lo sirven. La configuración de generación de 32,768 tokens del fabricante forma parte de la evaluación; no establece un máximo estricto e independiente de longitud de respuesta. De igual modo, la capacidad de salida del modelo Qwen Instruct original no debe trasladarse a esta versión de razonamiento modificada sin su propia especificación.
Este es un modelo de texto. Una imagen de un problema matemático requiere convertir sus símbolos y condiciones a texto antes de la tarea de razonamiento, y ejecutar el código propuesto requiere un entorno de desarrollo o cálculo separado. La destilación describe el entrenamiento con ejemplos de R1, no una llamada automática al modelo maestro en tiempo de ejecución ni un verificador independiente incorporado.
Utiliza el checkpoint de 14B con nombre propio para una tarea definida de respuesta desarrollada y conserva la notación, las suposiciones y el resultado objetivo del problema. El propósito práctico es una solución que el lector pueda inspeccionar: qué condiciones se aplican, por qué se desprende cada paso importante y qué expresión final, implementación o conclusión responde a la pregunta original.
", "aboutText": "DeepSeek-R1-Distill-Qwen-14B es el checkpoint de razonamiento de tamaño 14B basado en Qwen que publicó DeepSeek. Su base es Qwen2.5-14B, ajustada con ejemplos preparados por DeepSeek-R1. Acepta un problema o una conversación por escrito y devuelve texto que puede incluir una solución matemática, una explicación del comportamiento de un programa o una conclusión alcanzada a partir de varias condiciones proporcionadas.\n\nTransferencia de razonamiento y edición con nombre propio\n\nDeepSeek distingue los modelos R1 y R1-Zero completos de los modelos densos destilados sobre bases Qwen y Llama. En las versiones destiladas, los datos de entrenamiento llevan patrones de razonamiento del modelo R1 de mayor tamaño a un checkpoint diferente. El nombre 14B identifica esta base Qwen concreta; no identifica la arquitectura R1 completa, el checkpoint destilado de 32B ni la versión Qwen2.5-14B-Instruct corriente.\n\nEl fabricante describe 800,000 ejemplos seleccionados para las versiones destiladas de Qwen y señala cambios en sus configuraciones y tokenizadores. Conserva los ajustes de la versión de DeepSeek al utilizar este modelo. Esos cambios importan aunque el origen del modelo sea Qwen2.5. La propia configuración del checkpoint de 14B especifica 48 capas, 40 cabezas de atención de consulta y 8 cabezas de clave/valor, con un máximo de posiciones establecido en 131,072.\n\nQué proporcionar para obtener una respuesta desarrollada útil\n\nPara una tarea de tutoría, incluye el problema y el intento de solución del estudiante, y después marca la transición que necesita explicación. Pide al modelo que identifique la condición pertinente, explique la corrección con la misma notación y continúe solo hasta donde sea necesario para establecer el resultado. Esto mantiene la respuesta conectada con la dificultad real del estudiante, en lugar de producir una lección completa sin relación.\n\nPor ejemplo, un estudiante puede haber dividido entre una expresión sin indicar si puede ser cero. Proporciona la ecuación original y pregunta qué casos deben considerarse antes de esa transformación. El resultado deseado puede separar el caso permitido, el caso excepcional y el conjunto de soluciones final. Esta es una tarea matemática propuesta, cuya forma de respuesta está definida por la condición, en lugar de por una solicitud genérica de explicar álgebra.\n\nPara una pregunta de programación, proporciona el algoritmo o la función y una entrada concreta. Pregunta cómo cambia el estado y por qué se obtiene el resultado devuelto. Un seguimiento puede pedir una implementación revisada bajo una restricción explícita, como conservar la firma de la función pública o evitar modificar la entrada. Incluye el código auxiliar pertinente y el comportamiento esperado para que la explicación no dependa de una implementación sin especificar.\n\nPara una comparación lógica, identifica las alternativas y las condiciones que debe cumplir cada una. Pide las suposiciones utilizadas por cada enfoque, los conflictos que descartan una opción y la información que aún falta resolver. Una tabla de decisión compacta puede convertirse en el entregable final, mientras la prosa que la acompaña explica cómo la respaldan las reglas proporcionadas.\n\nRecomendaciones de instrucciones de DeepSeek\n\nEl fabricante recomienda evitar un prompt de sistema y colocar todas las instrucciones directamente en el prompt del usuario. Reúne la tarea, los requisitos de salida y el material fuente necesario, identificando claramente qué texto es el problema y cuál es una instrucción sobre la respuesta. Utiliza el tokenizador y los ajustes de conversación publicados, en lugar de suponer que el formato Qwen original es intercambiable.\n\nEl rango de temperatura documentado es de 0.5 a 0.7, con 0.6 recomendado. DeepSeek relaciona esto con la reducción de la repetición y la salida incoherente. Para preguntas matemáticas, recomienda una respuesta desarrollada con el resultado final en un recuadro de LaTeX. También describe casos en que el modelo omite el bloque de razonamiento y recomienda comenzar la respuesta con el marcador de apertura del razonamiento para fomentar el flujo previsto.\n\nUna salida matemática útil puede contener el método elegido, las transformaciones justificadas y una expresión final separada. Indica si el resultado debe ser exacto o redondeado y especifica las unidades cuando sean relevantes. Para código, pide la explicación por separado de la implementación propuesta. Para lógica, pide la conclusión final junto con las condiciones bajo las cuales se cumple. Estos requisitos determinan lo que el lector o la aplicación realmente pueden utilizar después del texto de razonamiento.\n\nContexto y límites sustantivos\n\nLa configuración publicada actual establece el máximo de posiciones en 131,072. Es el valor de configuración de este checkpoint, no una promesa heredada sobre todas las interfaces que lo sirven. La configuración de generación de 32,768 tokens del fabricante forma parte de la evaluación; no establece un máximo estricto e independiente de longitud de respuesta. De igual modo, la capacidad de salida del modelo Qwen Instruct original no debe trasladarse a esta versión de razonamiento modificada sin su propia especificación.\n\nEste es un modelo de texto. Una imagen de un problema matemático requiere convertir sus símbolos y condiciones a texto antes de la tarea de razonamiento, y ejecutar el código propuesto requiere un entorno de desarrollo o cálculo separado. La destilación describe el entrenamiento con ejemplos de R1, no una llamada automática al modelo maestro en tiempo de ejecución ni un verificador independiente incorporado.\n\nUtiliza el checkpoint de 14B con nombre propio para una tarea definida de respuesta desarrollada y conserva la notación, las suposiciones y el resultado objetivo del problema. El propósito práctico es una solución que el lector pueda inspeccionar: qué condiciones se aplican, por qué se desprende cada paso importante y qué expresión final, implementación o conclusión responde a la pregunta original.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
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 es un checkpoint de razonamiento de texto basado en Qwen2.5-14B y en ejemplos generados por DeepSeek-R1. Permite respuestas desarrolladas de matemáticas, programación y lógica, con el tokenizador, las recomendaciones de instrucciones y la configuración de publicación propios de DeepSeek.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
DeepSeek-R1-Distill-Qwen-14B es el checkpoint de razonamiento de tamaño 14B basado en Qwen que publicó DeepSeek. Su base es Qwen2.5-14B, ajustada con ejemplos preparados por DeepSeek-R1. Acepta un problema o una conversación por escrito y devuelve texto que puede incluir una solución matemática, una explicación del comportamiento de un programa o una conclusión alcanzada a partir de varias condiciones proporcionadas.
Transferencia de razonamiento y edición con nombre propio
DeepSeek distingue los modelos R1 y R1-Zero completos de los modelos densos destilados sobre bases Qwen y Llama. En las versiones destiladas, los datos de entrenamiento llevan patrones de razonamiento del modelo R1 de mayor tamaño a un checkpoint diferente. El nombre 14B identifica esta base Qwen concreta; no identifica la arquitectura R1 completa, el checkpoint destilado de 32B ni la versión Qwen2.5-14B-Instruct corriente.
El fabricante describe 800,000 ejemplos seleccionados para las versiones destiladas de Qwen y señala cambios en sus configuraciones y tokenizadores. Conserva los ajustes de la versión de DeepSeek al utilizar este modelo. Esos cambios importan aunque el origen del modelo sea Qwen2.5. La propia configuración del checkpoint de 14B especifica 48 capas, 40 cabezas de atención de consulta y 8 cabezas de clave/valor, con un máximo de posiciones establecido en 131,072.
Qué proporcionar para obtener una respuesta desarrollada útil
Para una tarea de tutoría, incluye el problema y el intento de solución del estudiante, y después marca la transición que necesita explicación. Pide al modelo que identifique la condición pertinente, explique la corrección con la misma notación y continúe solo hasta donde sea necesario para establecer el resultado. Esto mantiene la respuesta conectada con la dificultad real del estudiante, en lugar de producir una lección completa sin relación.
Por ejemplo, un estudiante puede haber dividido entre una expresión sin indicar si puede ser cero. Proporciona la ecuación original y pregunta qué casos deben considerarse antes de esa transformación. El resultado deseado puede separar el caso permitido, el caso excepcional y el conjunto de soluciones final. Esta es una tarea matemática propuesta, cuya forma de respuesta está definida por la condición, en lugar de por una solicitud genérica de explicar álgebra.
Para una pregunta de programación, proporciona el algoritmo o la función y una entrada concreta. Pregunta cómo cambia el estado y por qué se obtiene el resultado devuelto. Un seguimiento puede pedir una implementación revisada bajo una restricción explícita, como conservar la firma de la función pública o evitar modificar la entrada. Incluye el código auxiliar pertinente y el comportamiento esperado para que la explicación no dependa de una implementación sin especificar.
Para una comparación lógica, identifica las alternativas y las condiciones que debe cumplir cada una. Pide las suposiciones utilizadas por cada enfoque, los conflictos que descartan una opción y la información que aún falta resolver. Una tabla de decisión compacta puede convertirse en el entregable final, mientras la prosa que la acompaña explica cómo la respaldan las reglas proporcionadas.
Recomendaciones de instrucciones de DeepSeek
El fabricante recomienda evitar un prompt de sistema y colocar todas las instrucciones directamente en el prompt del usuario. Reúne la tarea, los requisitos de salida y el material fuente necesario, identificando claramente qué texto es el problema y cuál es una instrucción sobre la respuesta. Utiliza el tokenizador y los ajustes de conversación publicados, en lugar de suponer que el formato Qwen original es intercambiable.
El rango de temperatura documentado es de 0.5 a 0.7, con 0.6 recomendado. DeepSeek relaciona esto con la reducción de la repetición y la salida incoherente. Para preguntas matemáticas, recomienda una respuesta desarrollada con el resultado final en un recuadro de LaTeX. También describe casos en que el modelo omite el bloque de razonamiento y recomienda comenzar la respuesta con el marcador de apertura del razonamiento para fomentar el flujo previsto.
Una salida matemática útil puede contener el método elegido, las transformaciones justificadas y una expresión final separada. Indica si el resultado debe ser exacto o redondeado y especifica las unidades cuando sean relevantes. Para código, pide la explicación por separado de la implementación propuesta. Para lógica, pide la conclusión final junto con las condiciones bajo las cuales se cumple. Estos requisitos determinan lo que el lector o la aplicación realmente pueden utilizar después del texto de razonamiento.
Contexto y límites sustantivos
La configuración publicada actual establece el máximo de posiciones en 131,072. Es el valor de configuración de este checkpoint, no una promesa heredada sobre todas las interfaces que lo sirven. La configuración de generación de 32,768 tokens del fabricante forma parte de la evaluación; no establece un máximo estricto e independiente de longitud de respuesta. De igual modo, la capacidad de salida del modelo Qwen Instruct original no debe trasladarse a esta versión de razonamiento modificada sin su propia especificación.
Este es un modelo de texto. Una imagen de un problema matemático requiere convertir sus símbolos y condiciones a texto antes de la tarea de razonamiento, y ejecutar el código propuesto requiere un entorno de desarrollo o cálculo separado. La destilación describe el entrenamiento con ejemplos de R1, no una llamada automática al modelo maestro en tiempo de ejecución ni un verificador independiente incorporado.
Utiliza el checkpoint de 14B con nombre propio para una tarea definida de respuesta desarrollada y conserva la notación, las suposiciones y el resultado objetivo del problema. El propósito práctico es una solución que el lector pueda inspeccionar: qué condiciones se aplican, por qué se desprende cada paso importante y qué expresión final, implementación o conclusión responde a la pregunta original.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites deepseek-ai/DeepSeek-R1-Distill-Qwen-14B | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0002 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-14B
Usa las rutas de método indicadas arriba.
deepseek-ai/DeepSeek-R1-Distill-Qwen-14BDeepSeek-R1-Distill-Qwen-14B es un checkpoint de razonamiento de texto basado en Qwen2.5-14B y en ejemplos generados por DeepSeek-R1. Permite respuestas desarrolladas de matemáticas, programación y lógica, con el tokenizador, las recomendaciones de instrucciones y la configuración de publicación propios de DeepSeek.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
DeepSeek-R1-Distill-Qwen-14B es el checkpoint de razonamiento de tamaño 14B basado en Qwen que publicó DeepSeek. Su base es Qwen2.5-14B, ajustada con ejemplos preparados por DeepSeek-R1. Acepta un problema o una conversación por escrito y devuelve texto que puede incluir una solución matemática, una explicación del comportamiento de un programa o una conclusión alcanzada a partir de varias condiciones proporcionadas.
Transferencia de razonamiento y edición con nombre propio
DeepSeek distingue los modelos R1 y R1-Zero completos de los modelos densos destilados sobre bases Qwen y Llama. En las versiones destiladas, los datos de entrenamiento llevan patrones de razonamiento del modelo R1 de mayor tamaño a un checkpoint diferente. El nombre 14B identifica esta base Qwen concreta; no identifica la arquitectura R1 completa, el checkpoint destilado de 32B ni la versión Qwen2.5-14B-Instruct corriente.
El fabricante describe 800,000 ejemplos seleccionados para las versiones destiladas de Qwen y señala cambios en sus configuraciones y tokenizadores. Conserva los ajustes de la versión de DeepSeek al utilizar este modelo. Esos cambios importan aunque el origen del modelo sea Qwen2.5. La propia configuración del checkpoint de 14B especifica 48 capas, 40 cabezas de atención de consulta y 8 cabezas de clave/valor, con un máximo de posiciones establecido en 131,072.
Qué proporcionar para obtener una respuesta desarrollada útil
Para una tarea de tutoría, incluye el problema y el intento de solución del estudiante, y después marca la transición que necesita explicación. Pide al modelo que identifique la condición pertinente, explique la corrección con la misma notación y continúe solo hasta donde sea necesario para establecer el resultado. Esto mantiene la respuesta conectada con la dificultad real del estudiante, en lugar de producir una lección completa sin relación.
Por ejemplo, un estudiante puede haber dividido entre una expresión sin indicar si puede ser cero. Proporciona la ecuación original y pregunta qué casos deben considerarse antes de esa transformación. El resultado deseado puede separar el caso permitido, el caso excepcional y el conjunto de soluciones final. Esta es una tarea matemática propuesta, cuya forma de respuesta está definida por la condición, en lugar de por una solicitud genérica de explicar álgebra.
Para una pregunta de programación, proporciona el algoritmo o la función y una entrada concreta. Pregunta cómo cambia el estado y por qué se obtiene el resultado devuelto. Un seguimiento puede pedir una implementación revisada bajo una restricción explícita, como conservar la firma de la función pública o evitar modificar la entrada. Incluye el código auxiliar pertinente y el comportamiento esperado para que la explicación no dependa de una implementación sin especificar.
Para una comparación lógica, identifica las alternativas y las condiciones que debe cumplir cada una. Pide las suposiciones utilizadas por cada enfoque, los conflictos que descartan una opción y la información que aún falta resolver. Una tabla de decisión compacta puede convertirse en el entregable final, mientras la prosa que la acompaña explica cómo la respaldan las reglas proporcionadas.
Recomendaciones de instrucciones de DeepSeek
El fabricante recomienda evitar un prompt de sistema y colocar todas las instrucciones directamente en el prompt del usuario. Reúne la tarea, los requisitos de salida y el material fuente necesario, identificando claramente qué texto es el problema y cuál es una instrucción sobre la respuesta. Utiliza el tokenizador y los ajustes de conversación publicados, en lugar de suponer que el formato Qwen original es intercambiable.
El rango de temperatura documentado es de 0.5 a 0.7, con 0.6 recomendado. DeepSeek relaciona esto con la reducción de la repetición y la salida incoherente. Para preguntas matemáticas, recomienda una respuesta desarrollada con el resultado final en un recuadro de LaTeX. También describe casos en que el modelo omite el bloque de razonamiento y recomienda comenzar la respuesta con el marcador de apertura del razonamiento para fomentar el flujo previsto.
Una salida matemática útil puede contener el método elegido, las transformaciones justificadas y una expresión final separada. Indica si el resultado debe ser exacto o redondeado y especifica las unidades cuando sean relevantes. Para código, pide la explicación por separado de la implementación propuesta. Para lógica, pide la conclusión final junto con las condiciones bajo las cuales se cumple. Estos requisitos determinan lo que el lector o la aplicación realmente pueden utilizar después del texto de razonamiento.
Contexto y límites sustantivos
La configuración publicada actual establece el máximo de posiciones en 131,072. Es el valor de configuración de este checkpoint, no una promesa heredada sobre todas las interfaces que lo sirven. La configuración de generación de 32,768 tokens del fabricante forma parte de la evaluación; no establece un máximo estricto e independiente de longitud de respuesta. De igual modo, la capacidad de salida del modelo Qwen Instruct original no debe trasladarse a esta versión de razonamiento modificada sin su propia especificación.
Este es un modelo de texto. Una imagen de un problema matemático requiere convertir sus símbolos y condiciones a texto antes de la tarea de razonamiento, y ejecutar el código propuesto requiere un entorno de desarrollo o cálculo separado. La destilación describe el entrenamiento con ejemplos de R1, no una llamada automática al modelo maestro en tiempo de ejecución ni un verificador independiente incorporado.
Utiliza el checkpoint de 14B con nombre propio para una tarea definida de respuesta desarrollada y conserva la notación, las suposiciones y el resultado objetivo del problema. El propósito práctico es una solución que el lector pueda inspeccionar: qué condiciones se aplican, por qué se desprende cada paso importante y qué expresión final, implementación o conclusión responde a la pregunta original.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites deepseek-ai/DeepSeek-R1-Distill-Qwen-14B | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0002 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-14B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-14B
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
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.