DeepSeek-R1-Distill-Qwen-32B es el checkpoint denso de razonamiento de DeepSeek de tamaño 32B, construido a partir de Qwen2.5-32B. DeepSeek ajusta la base con ejemplos de razonamiento generados por DeepSeek-R1. El resultado es un modelo de texto distinto para problemas que requieren varios pasos conectados, como una derivación matemática, una pregunta de algoritmos o un razonamiento sujeto a restricciones.
Cómo se diferencia esta destilación del modelo R1 completo
La publicación del fabricante separa DeepSeek-R1-Zero, DeepSeek-R1 y los modelos destilados basados en Qwen o Llama. La línea R1 completa desarrolla el razonamiento mediante su propio proceso de entrenamiento; la etapa de destilación transfiere patrones representados en ejemplos generados por R1 a checkpoints densos independientes. Esta entrada es la edición destilada de 32B basada en Qwen, no el modelo R1 completo, R1-Zero ni la base Qwen2.5-32B sin modificar.
Los modelos destilados de Qwen publicados se ajustan con 800,000 muestras seleccionadas. DeepSeek también modifica sus configuraciones y tokenizadores e indica a los usuarios que conserven esos ajustes. El origen del entrenamiento explica el enfoque en razonamiento, mientras que el checkpoint con nombre propio y su configuración determinan la versión publicada real. Esto no significa que se consulte automáticamente al modelo maestro de mayor tamaño para responder cada pregunta nueva.
La configuración del checkpoint de 32B utiliza una arquitectura de modelo de lenguaje causal con 64 capas, 40 cabezas de atención de consulta y 8 cabezas de clave/valor. Establece el máximo de posiciones en 131,072. Esta cifra de configuración corresponde al modelo publicado; un comando de ejemplo para servirlo u otro miembro de la familia R1 no deben considerarse la misma configuración de contexto. El modelo recibe texto y genera texto, en lugar de aceptar una imagen o producir un recurso visual o de audio.
Preparación de una tarea matemática o de programación
Para un problema matemático, proporciona el enunciado completo, define las variables e indica el dominio o las suposiciones. Identifica si el resultado final debe ser una expresión exacta, una aproximación numérica o una demostración de una afirmación. Una solicitud útil puede pedir una derivación seguida de la expresión final y una comprobación frente a las condiciones originales. El fabricante recomienda una respuesta matemática desarrollada con la respuesta final encerrada en un recuadro de LaTeX.
Para un problema de algoritmos, proporciona el rango de entrada, la salida requerida y las restricciones de la solución. Pide el enfoque, la implementación y una explicación de por qué conserva la propiedad requerida. Si el problema se refiere a código existente, proporciona la función pertinente, la entrada que produce el comportamiento inesperado y el resultado esperado. La respuesta puede comparar el recorrido real con el previsto y proponer una corrección; la ejecución y verificación del programa son pasos independientes de la aplicación.
Para un problema con restricciones, enumera explícitamente las opciones permitidas y sus relaciones. Por ejemplo, una solicitud de programación de horarios puede indicar los participantes, la disponibilidad y las reglas que hacen incompatibles dos asignaciones. Pide una asignación propuesta con la regla que respalda cada decisión y exige que cualquier condición sin resolver permanezca visible. Esto hace que la tarea de razonamiento pueda inspeccionarse, en lugar de pedir al modelo que elija sin las restricciones subyacentes.
Recomendaciones de uso específicas del fabricante
DeepSeek recomienda incluir todas las instrucciones en el prompt del usuario y evitar un prompt de sistema separado para esta serie. Esto difiere de una plantilla de chat general que depende de un mensaje de sistema para definir la tarea. Coloca juntos el formato de respuesta solicitado, el material fuente y la pregunta real, con límites claros entre ellos.
El rango de temperatura recomendado es de 0.5 a 0.7, con preferencia por 0.6. El fabricante vincula esa recomendación con evitar la repetición o la salida incoherente. También señala que algunas consultas pueden producir un bloque de razonamiento vacío y recomienda comenzar la salida con el marcador de apertura del razonamiento. Son recomendaciones para el flujo de razonamiento publicado, no una garantía de que una configuración establezca la corrección.
Un contrato de respuesta práctico puede pedir una explicación del método, los pasos importantes justificados y un entregable final separado. En una tarea matemática, utiliza la expresión enmarcada para el resultado final. En una tarea de programación, separa el código de sus suposiciones y entradas de ejemplo. Para una tarea lógica, mantén cada conclusión conectada con la regla o el hecho proporcionado que la respalda. Esto permite que el texto de razonamiento y el resultado que necesita la aplicación cumplan propósitos distintos.
Límites de contexto, salida e integración
Las 131,072 posiciones máximas de la configuración publicada deben considerarse junto con el prompt completo y el razonamiento generado. El fabricante utiliza una configuración de generación de 32,768 tokens en la evaluación, pero ese ajuste experimental no es una especificación publicada e independiente de capacidad de salida para este checkpoint. No deduzcas un límite de respuesta de una configuración de evaluación ni copies la cifra de salida de 8,192 tokens de la edición Qwen Instruct original a la versión destilada modificada.
Mantén las entradas centradas en la pregunta matemática, de programación o de lógica real e indica la forma final deseada. La aplicación que lo integra debe proporcionar cualquier calculadora externa, repositorio, analizador de documentos o función de búsqueda; estas herramientas no se incluyen por el mero hecho de seleccionar un checkpoint de razonamiento de texto. El resultado útil es una solución escrita o una implementación propuesta cuyas suposiciones, método y respuesta final correspondan al problema proporcionado.
", "aboutText": "DeepSeek-R1-Distill-Qwen-32B es el checkpoint denso de razonamiento de DeepSeek de tamaño 32B, construido a partir de Qwen2.5-32B. DeepSeek ajusta la base con ejemplos de razonamiento generados por DeepSeek-R1. El resultado es un modelo de texto distinto para problemas que requieren varios pasos conectados, como una derivación matemática, una pregunta de algoritmos o un razonamiento sujeto a restricciones.\n\nCómo se diferencia esta destilación del modelo R1 completo\n\nLa publicación del fabricante separa DeepSeek-R1-Zero, DeepSeek-R1 y los modelos destilados basados en Qwen o Llama. La línea R1 completa desarrolla el razonamiento mediante su propio proceso de entrenamiento; la etapa de destilación transfiere patrones representados en ejemplos generados por R1 a checkpoints densos independientes. Esta entrada es la edición destilada de 32B basada en Qwen, no el modelo R1 completo, R1-Zero ni la base Qwen2.5-32B sin modificar.\n\nLos modelos destilados de Qwen publicados se ajustan con 800,000 muestras seleccionadas. DeepSeek también modifica sus configuraciones y tokenizadores e indica a los usuarios que conserven esos ajustes. El origen del entrenamiento explica el enfoque en razonamiento, mientras que el checkpoint con nombre propio y su configuración determinan la versión publicada real. Esto no significa que se consulte automáticamente al modelo maestro de mayor tamaño para responder cada pregunta nueva.\n\nLa configuración del checkpoint de 32B utiliza una arquitectura de modelo de lenguaje causal con 64 capas, 40 cabezas de atención de consulta y 8 cabezas de clave/valor. Establece el máximo de posiciones en 131,072. Esta cifra de configuración corresponde al modelo publicado; un comando de ejemplo para servirlo u otro miembro de la familia R1 no deben considerarse la misma configuración de contexto. El modelo recibe texto y genera texto, en lugar de aceptar una imagen o producir un recurso visual o de audio.\n\nPreparación de una tarea matemática o de programación\n\nPara un problema matemático, proporciona el enunciado completo, define las variables e indica el dominio o las suposiciones. Identifica si el resultado final debe ser una expresión exacta, una aproximación numérica o una demostración de una afirmación. Una solicitud útil puede pedir una derivación seguida de la expresión final y una comprobación frente a las condiciones originales. El fabricante recomienda una respuesta matemática desarrollada con la respuesta final encerrada en un recuadro de LaTeX.\n\nPara un problema de algoritmos, proporciona el rango de entrada, la salida requerida y las restricciones de la solución. Pide el enfoque, la implementación y una explicación de por qué conserva la propiedad requerida. Si el problema se refiere a código existente, proporciona la función pertinente, la entrada que produce el comportamiento inesperado y el resultado esperado. La respuesta puede comparar el recorrido real con el previsto y proponer una corrección; la ejecución y verificación del programa son pasos independientes de la aplicación.\n\nPara un problema con restricciones, enumera explícitamente las opciones permitidas y sus relaciones. Por ejemplo, una solicitud de programación de horarios puede indicar los participantes, la disponibilidad y las reglas que hacen incompatibles dos asignaciones. Pide una asignación propuesta con la regla que respalda cada decisión y exige que cualquier condición sin resolver permanezca visible. Esto hace que la tarea de razonamiento pueda inspeccionarse, en lugar de pedir al modelo que elija sin las restricciones subyacentes.\n\nRecomendaciones de uso específicas del fabricante\n\nDeepSeek recomienda incluir todas las instrucciones en el prompt del usuario y evitar un prompt de sistema separado para esta serie. Esto difiere de una plantilla de chat general que depende de un mensaje de sistema para definir la tarea. Coloca juntos el formato de respuesta solicitado, el material fuente y la pregunta real, con límites claros entre ellos.\n\nEl rango de temperatura recomendado es de 0.5 a 0.7, con preferencia por 0.6. El fabricante vincula esa recomendación con evitar la repetición o la salida incoherente. También señala que algunas consultas pueden producir un bloque de razonamiento vacío y recomienda comenzar la salida con el marcador de apertura del razonamiento. Son recomendaciones para el flujo de razonamiento publicado, no una garantía de que una configuración establezca la corrección.\n\nUn contrato de respuesta práctico puede pedir una explicación del método, los pasos importantes justificados y un entregable final separado. En una tarea matemática, utiliza la expresión enmarcada para el resultado final. En una tarea de programación, separa el código de sus suposiciones y entradas de ejemplo. Para una tarea lógica, mantén cada conclusión conectada con la regla o el hecho proporcionado que la respalda. Esto permite que el texto de razonamiento y el resultado que necesita la aplicación cumplan propósitos distintos.\n\nLímites de contexto, salida e integración\n\nLas 131,072 posiciones máximas de la configuración publicada deben considerarse junto con el prompt completo y el razonamiento generado. El fabricante utiliza una configuración de generación de 32,768 tokens en la evaluación, pero ese ajuste experimental no es una especificación publicada e independiente de capacidad de salida para este checkpoint. No deduzcas un límite de respuesta de una configuración de evaluación ni copies la cifra de salida de 8,192 tokens de la edición Qwen Instruct original a la versión destilada modificada.\n\nMantén las entradas centradas en la pregunta matemática, de programación o de lógica real e indica la forma final deseada. La aplicación que lo integra debe proporcionar cualquier calculadora externa, repositorio, analizador de documentos o función de búsqueda; estas herramientas no se incluyen por el mero hecho de seleccionar un checkpoint de razonamiento de texto. El resultado útil es una solución escrita o una implementación propuesta cuyas suposiciones, método y respuesta final correspondan al problema proporcionado.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
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 es un modelo denso de razonamiento de texto ajustado a partir de Qwen2.5-32B con ejemplos de DeepSeek-R1. Está destinado a tareas matemáticas, de programación y de lógica de varios pasos, con pautas de instrucciones específicas del fabricante y una configuración de la versión publicada de 131,072 posiciones.
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-32B es el checkpoint denso de razonamiento de DeepSeek de tamaño 32B, construido a partir de Qwen2.5-32B. DeepSeek ajusta la base con ejemplos de razonamiento generados por DeepSeek-R1. El resultado es un modelo de texto distinto para problemas que requieren varios pasos conectados, como una derivación matemática, una pregunta de algoritmos o un razonamiento sujeto a restricciones.
Cómo se diferencia esta destilación del modelo R1 completo
La publicación del fabricante separa DeepSeek-R1-Zero, DeepSeek-R1 y los modelos destilados basados en Qwen o Llama. La línea R1 completa desarrolla el razonamiento mediante su propio proceso de entrenamiento; la etapa de destilación transfiere patrones representados en ejemplos generados por R1 a checkpoints densos independientes. Esta entrada es la edición destilada de 32B basada en Qwen, no el modelo R1 completo, R1-Zero ni la base Qwen2.5-32B sin modificar.
Los modelos destilados de Qwen publicados se ajustan con 800,000 muestras seleccionadas. DeepSeek también modifica sus configuraciones y tokenizadores e indica a los usuarios que conserven esos ajustes. El origen del entrenamiento explica el enfoque en razonamiento, mientras que el checkpoint con nombre propio y su configuración determinan la versión publicada real. Esto no significa que se consulte automáticamente al modelo maestro de mayor tamaño para responder cada pregunta nueva.
La configuración del checkpoint de 32B utiliza una arquitectura de modelo de lenguaje causal con 64 capas, 40 cabezas de atención de consulta y 8 cabezas de clave/valor. Establece el máximo de posiciones en 131,072. Esta cifra de configuración corresponde al modelo publicado; un comando de ejemplo para servirlo u otro miembro de la familia R1 no deben considerarse la misma configuración de contexto. El modelo recibe texto y genera texto, en lugar de aceptar una imagen o producir un recurso visual o de audio.
Preparación de una tarea matemática o de programación
Para un problema matemático, proporciona el enunciado completo, define las variables e indica el dominio o las suposiciones. Identifica si el resultado final debe ser una expresión exacta, una aproximación numérica o una demostración de una afirmación. Una solicitud útil puede pedir una derivación seguida de la expresión final y una comprobación frente a las condiciones originales. El fabricante recomienda una respuesta matemática desarrollada con la respuesta final encerrada en un recuadro de LaTeX.
Para un problema de algoritmos, proporciona el rango de entrada, la salida requerida y las restricciones de la solución. Pide el enfoque, la implementación y una explicación de por qué conserva la propiedad requerida. Si el problema se refiere a código existente, proporciona la función pertinente, la entrada que produce el comportamiento inesperado y el resultado esperado. La respuesta puede comparar el recorrido real con el previsto y proponer una corrección; la ejecución y verificación del programa son pasos independientes de la aplicación.
Para un problema con restricciones, enumera explícitamente las opciones permitidas y sus relaciones. Por ejemplo, una solicitud de programación de horarios puede indicar los participantes, la disponibilidad y las reglas que hacen incompatibles dos asignaciones. Pide una asignación propuesta con la regla que respalda cada decisión y exige que cualquier condición sin resolver permanezca visible. Esto hace que la tarea de razonamiento pueda inspeccionarse, en lugar de pedir al modelo que elija sin las restricciones subyacentes.
Recomendaciones de uso específicas del fabricante
DeepSeek recomienda incluir todas las instrucciones en el prompt del usuario y evitar un prompt de sistema separado para esta serie. Esto difiere de una plantilla de chat general que depende de un mensaje de sistema para definir la tarea. Coloca juntos el formato de respuesta solicitado, el material fuente y la pregunta real, con límites claros entre ellos.
El rango de temperatura recomendado es de 0.5 a 0.7, con preferencia por 0.6. El fabricante vincula esa recomendación con evitar la repetición o la salida incoherente. También señala que algunas consultas pueden producir un bloque de razonamiento vacío y recomienda comenzar la salida con el marcador de apertura del razonamiento. Son recomendaciones para el flujo de razonamiento publicado, no una garantía de que una configuración establezca la corrección.
Un contrato de respuesta práctico puede pedir una explicación del método, los pasos importantes justificados y un entregable final separado. En una tarea matemática, utiliza la expresión enmarcada para el resultado final. En una tarea de programación, separa el código de sus suposiciones y entradas de ejemplo. Para una tarea lógica, mantén cada conclusión conectada con la regla o el hecho proporcionado que la respalda. Esto permite que el texto de razonamiento y el resultado que necesita la aplicación cumplan propósitos distintos.
Límites de contexto, salida e integración
Las 131,072 posiciones máximas de la configuración publicada deben considerarse junto con el prompt completo y el razonamiento generado. El fabricante utiliza una configuración de generación de 32,768 tokens en la evaluación, pero ese ajuste experimental no es una especificación publicada e independiente de capacidad de salida para este checkpoint. No deduzcas un límite de respuesta de una configuración de evaluación ni copies la cifra de salida de 8,192 tokens de la edición Qwen Instruct original a la versión destilada modificada.
Mantén las entradas centradas en la pregunta matemática, de programación o de lógica real e indica la forma final deseada. La aplicación que lo integra debe proporcionar cualquier calculadora externa, repositorio, analizador de documentos o función de búsqueda; estas herramientas no se incluyen por el mero hecho de seleccionar un checkpoint de razonamiento de texto. El resultado útil es una solución escrita o una implementación propuesta cuyas suposiciones, método y respuesta final correspondan al problema proporcionado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites deepseek-ai/DeepSeek-R1-Distill-Qwen-32B | 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 $0.00036 / 1K tokens Salida · Tokens de salida $0.00036 / 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-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 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-32B
Usa las rutas de método indicadas arriba.
deepseek-ai/DeepSeek-R1-Distill-Qwen-32BDeepSeek-R1-Distill-Qwen-32B es un modelo denso de razonamiento de texto ajustado a partir de Qwen2.5-32B con ejemplos de DeepSeek-R1. Está destinado a tareas matemáticas, de programación y de lógica de varios pasos, con pautas de instrucciones específicas del fabricante y una configuración de la versión publicada de 131,072 posiciones.
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-32B es el checkpoint denso de razonamiento de DeepSeek de tamaño 32B, construido a partir de Qwen2.5-32B. DeepSeek ajusta la base con ejemplos de razonamiento generados por DeepSeek-R1. El resultado es un modelo de texto distinto para problemas que requieren varios pasos conectados, como una derivación matemática, una pregunta de algoritmos o un razonamiento sujeto a restricciones.
Cómo se diferencia esta destilación del modelo R1 completo
La publicación del fabricante separa DeepSeek-R1-Zero, DeepSeek-R1 y los modelos destilados basados en Qwen o Llama. La línea R1 completa desarrolla el razonamiento mediante su propio proceso de entrenamiento; la etapa de destilación transfiere patrones representados en ejemplos generados por R1 a checkpoints densos independientes. Esta entrada es la edición destilada de 32B basada en Qwen, no el modelo R1 completo, R1-Zero ni la base Qwen2.5-32B sin modificar.
Los modelos destilados de Qwen publicados se ajustan con 800,000 muestras seleccionadas. DeepSeek también modifica sus configuraciones y tokenizadores e indica a los usuarios que conserven esos ajustes. El origen del entrenamiento explica el enfoque en razonamiento, mientras que el checkpoint con nombre propio y su configuración determinan la versión publicada real. Esto no significa que se consulte automáticamente al modelo maestro de mayor tamaño para responder cada pregunta nueva.
La configuración del checkpoint de 32B utiliza una arquitectura de modelo de lenguaje causal con 64 capas, 40 cabezas de atención de consulta y 8 cabezas de clave/valor. Establece el máximo de posiciones en 131,072. Esta cifra de configuración corresponde al modelo publicado; un comando de ejemplo para servirlo u otro miembro de la familia R1 no deben considerarse la misma configuración de contexto. El modelo recibe texto y genera texto, en lugar de aceptar una imagen o producir un recurso visual o de audio.
Preparación de una tarea matemática o de programación
Para un problema matemático, proporciona el enunciado completo, define las variables e indica el dominio o las suposiciones. Identifica si el resultado final debe ser una expresión exacta, una aproximación numérica o una demostración de una afirmación. Una solicitud útil puede pedir una derivación seguida de la expresión final y una comprobación frente a las condiciones originales. El fabricante recomienda una respuesta matemática desarrollada con la respuesta final encerrada en un recuadro de LaTeX.
Para un problema de algoritmos, proporciona el rango de entrada, la salida requerida y las restricciones de la solución. Pide el enfoque, la implementación y una explicación de por qué conserva la propiedad requerida. Si el problema se refiere a código existente, proporciona la función pertinente, la entrada que produce el comportamiento inesperado y el resultado esperado. La respuesta puede comparar el recorrido real con el previsto y proponer una corrección; la ejecución y verificación del programa son pasos independientes de la aplicación.
Para un problema con restricciones, enumera explícitamente las opciones permitidas y sus relaciones. Por ejemplo, una solicitud de programación de horarios puede indicar los participantes, la disponibilidad y las reglas que hacen incompatibles dos asignaciones. Pide una asignación propuesta con la regla que respalda cada decisión y exige que cualquier condición sin resolver permanezca visible. Esto hace que la tarea de razonamiento pueda inspeccionarse, en lugar de pedir al modelo que elija sin las restricciones subyacentes.
Recomendaciones de uso específicas del fabricante
DeepSeek recomienda incluir todas las instrucciones en el prompt del usuario y evitar un prompt de sistema separado para esta serie. Esto difiere de una plantilla de chat general que depende de un mensaje de sistema para definir la tarea. Coloca juntos el formato de respuesta solicitado, el material fuente y la pregunta real, con límites claros entre ellos.
El rango de temperatura recomendado es de 0.5 a 0.7, con preferencia por 0.6. El fabricante vincula esa recomendación con evitar la repetición o la salida incoherente. También señala que algunas consultas pueden producir un bloque de razonamiento vacío y recomienda comenzar la salida con el marcador de apertura del razonamiento. Son recomendaciones para el flujo de razonamiento publicado, no una garantía de que una configuración establezca la corrección.
Un contrato de respuesta práctico puede pedir una explicación del método, los pasos importantes justificados y un entregable final separado. En una tarea matemática, utiliza la expresión enmarcada para el resultado final. En una tarea de programación, separa el código de sus suposiciones y entradas de ejemplo. Para una tarea lógica, mantén cada conclusión conectada con la regla o el hecho proporcionado que la respalda. Esto permite que el texto de razonamiento y el resultado que necesita la aplicación cumplan propósitos distintos.
Límites de contexto, salida e integración
Las 131,072 posiciones máximas de la configuración publicada deben considerarse junto con el prompt completo y el razonamiento generado. El fabricante utiliza una configuración de generación de 32,768 tokens en la evaluación, pero ese ajuste experimental no es una especificación publicada e independiente de capacidad de salida para este checkpoint. No deduzcas un límite de respuesta de una configuración de evaluación ni copies la cifra de salida de 8,192 tokens de la edición Qwen Instruct original a la versión destilada modificada.
Mantén las entradas centradas en la pregunta matemática, de programación o de lógica real e indica la forma final deseada. La aplicación que lo integra debe proporcionar cualquier calculadora externa, repositorio, analizador de documentos o función de búsqueda; estas herramientas no se incluyen por el mero hecho de seleccionar un checkpoint de razonamiento de texto. El resultado útil es una solución escrita o una implementación propuesta cuyas suposiciones, método y respuesta final correspondan al problema proporcionado.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites deepseek-ai/DeepSeek-R1-Distill-Qwen-32B | 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 $0.00036 / 1K tokens Salida · Tokens de salida $0.00036 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-32B
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
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.