DeepSeek R1 es el modelo original de DeepSeek centrado en el razonamiento para tareas matemáticas, de programación y de lógica. Se basa en DeepSeek V3 Base y utiliza un proceso de entrenamiento con ejemplos de arranque en frío, refinamiento supervisado y aprendizaje por refuerzo. La entrada es texto y el resultado es una solución o respuesta textual. Sigue siendo distinto de R1 Zero, de la edición posterior R1-0528 y de los modelos destilados por separado.
El desarrollador distingue R1 del enfoque de R1 Zero, basado exclusivamente en aprendizaje por refuerzo. El material de arranque en frío proporciona a R1 un patrón inicial más legible antes del aprendizaje por refuerzo orientado al razonamiento. El muestreo por rechazo y el entrenamiento supervisado posteriores incorporan datos de razonamiento y de propósito general, seguidos de otra etapa de aprendizaje por refuerzo. La ficha describe dos etapas supervisadas y dos de aprendizaje por refuerzo, destinadas a mejorar los patrones de razonamiento y la alineación con la respuesta solicitada.
Su arquitectura publicada tiene 671 mil millones de parámetros totales, con 37 mil millones activos por token y una ventana de contexto de 128K. Esa ventana contiene conjuntamente la fuente, el prompt y el razonamiento o la respuesta generados; no es una garantía independiente de una salida de 128K. Un enunciado matemático extenso, un fragmento de código o un conjunto de requisitos debe organizarse de todos modos para que el modelo pueda identificar el problema real y el formato del resultado que necesitas.
DeepSeek recomienda una temperatura entre 0.5 y 0.7, con 0.6 como valor recomendado, para reducir la repetición o las salidas incoherentes. Aconseja colocar las instrucciones en el prompt del usuario en lugar de agregar un prompt de sistema. Su informe de investigación también recomienda un planteamiento directo del problema y del formato de salida sin ejemplos previos, ya que los prompts con pocos ejemplos pueden reducir el rendimiento de este perfil original. Estas son recomendaciones de uso del desarrollador, no valores predeterminados que se deban asumir para todas las aplicaciones.
Para matemáticas, proporciona el enunciado completo, las definiciones de las variables y las restricciones del dominio. El desarrollador recomienda pedir una solución paso a paso con el resultado final en una expresión \\boxed{}. Un ejemplo de instrucciones puede solicitar la fórmula final, los supuestos bajo los que se cumple y una comprobación por sustitución. Para código, incluye el comportamiento que se debe implementar, las restricciones y una entrada representativa; después pide el algoritmo propuesto y el artefacto de código por separado de su explicación.
El formato de razonamiento del modelo separa una fase de razonamiento de la respuesta final. DeepSeek señala que algunas consultas pueden producir un bloque de razonamiento vacío y recomienda un prefijo de inicio del razonamiento en su flujo de trabajo de referencia cuando se busca un razonamiento más profundo. Conserva la distinción entre ese formato del desarrollador y la respuesta final que quieres que lea el usuario. El entregable solicitado puede ser una conclusión breve o código, incluso cuando el proceso intermedio del modelo sea más extenso.
La investigación original identifica limitaciones concretas. R1 está optimizado para chino e inglés, y las consultas en otros idiomas pueden provocar mezclas de idiomas no deseadas. Es sensible a la formulación del prompt, y su comportamiento en conversaciones complejas de varios turnos, juego de roles, JSON y llamadas a funciones está menos desarrollado que su enfoque en el razonamiento matemático y de programación. La compatibilidad con JSON y herramientas documentada para R1-0528 es un cambio de una edición posterior, no el contrato del R1 original. Indica explícitamente el idioma y el formato de salida y mantén directo el planteamiento del problema.
Para una tarea técnica práctica, define qué constituye un resultado correcto: una fórmula con supuestos, un algoritmo que cumpla la complejidad indicada o una comparación razonada con los criterios proporcionados. Pide que la respuesta final identifique la información faltante en lugar de inventarla. Para trabajos que dependan de fuentes, proporciona los pasajes de referencia autorizados como texto. Revisa el código o la conclusión propuestos frente a las condiciones originales; el artefacto útil es la solución final y la explicación que la sustenta, diferenciadas de una acción o validación que la aplicación circundante haya realizado realmente.
", "aboutText": "DeepSeek R1 es el modelo original de DeepSeek centrado en el razonamiento para tareas matemáticas, de programación y de lógica. Se basa en DeepSeek V3 Base y utiliza un proceso de entrenamiento con ejemplos de arranque en frío, refinamiento supervisado y aprendizaje por refuerzo. La entrada es texto y el resultado es una solución o respuesta textual. Sigue siendo distinto de R1 Zero, de la edición posterior R1-0528 y de los modelos destilados por separado.\n\nEl desarrollador distingue R1 del enfoque de R1 Zero, basado exclusivamente en aprendizaje por refuerzo. El material de arranque en frío proporciona a R1 un patrón inicial más legible antes del aprendizaje por refuerzo orientado al razonamiento. El muestreo por rechazo y el entrenamiento supervisado posteriores incorporan datos de razonamiento y de propósito general, seguidos de otra etapa de aprendizaje por refuerzo. La ficha describe dos etapas supervisadas y dos de aprendizaje por refuerzo, destinadas a mejorar los patrones de razonamiento y la alineación con la respuesta solicitada.\n\nSu arquitectura publicada tiene 671 mil millones de parámetros totales, con 37 mil millones activos por token y una ventana de contexto de 128K. Esa ventana contiene conjuntamente la fuente, el prompt y el razonamiento o la respuesta generados; no es una garantía independiente de una salida de 128K. Un enunciado matemático extenso, un fragmento de código o un conjunto de requisitos debe organizarse de todos modos para que el modelo pueda identificar el problema real y el formato del resultado que necesitas.\n\nDeepSeek recomienda una temperatura entre 0.5 y 0.7, con 0.6 como valor recomendado, para reducir la repetición o las salidas incoherentes. Aconseja colocar las instrucciones en el prompt del usuario en lugar de agregar un prompt de sistema. Su informe de investigación también recomienda un planteamiento directo del problema y del formato de salida sin ejemplos previos, ya que los prompts con pocos ejemplos pueden reducir el rendimiento de este perfil original. Estas son recomendaciones de uso del desarrollador, no valores predeterminados que se deban asumir para todas las aplicaciones.\n\nPara matemáticas, proporciona el enunciado completo, las definiciones de las variables y las restricciones del dominio. El desarrollador recomienda pedir una solución paso a paso con el resultado final en una expresión \\boxed{}. Un ejemplo de instrucciones puede solicitar la fórmula final, los supuestos bajo los que se cumple y una comprobación por sustitución. Para código, incluye el comportamiento que se debe implementar, las restricciones y una entrada representativa; después pide el algoritmo propuesto y el artefacto de código por separado de su explicación.\n\nEl formato de razonamiento del modelo separa una fase de razonamiento de la respuesta final. DeepSeek señala que algunas consultas pueden producir un bloque de razonamiento vacío y recomienda un prefijo de inicio del razonamiento en su flujo de trabajo de referencia cuando se busca un razonamiento más profundo. Conserva la distinción entre ese formato del desarrollador y la respuesta final que quieres que lea el usuario. El entregable solicitado puede ser una conclusión breve o código, incluso cuando el proceso intermedio del modelo sea más extenso.\n\nLa investigación original identifica limitaciones concretas. R1 está optimizado para chino e inglés, y las consultas en otros idiomas pueden provocar mezclas de idiomas no deseadas. Es sensible a la formulación del prompt, y su comportamiento en conversaciones complejas de varios turnos, juego de roles, JSON y llamadas a funciones está menos desarrollado que su enfoque en el razonamiento matemático y de programación. La compatibilidad con JSON y herramientas documentada para R1-0528 es un cambio de una edición posterior, no el contrato del R1 original. Indica explícitamente el idioma y el formato de salida y mantén directo el planteamiento del problema.\n\nPara una tarea técnica práctica, define qué constituye un resultado correcto: una fórmula con supuestos, un algoritmo que cumpla la complejidad indicada o una comparación razonada con los criterios proporcionados. Pide que la respuesta final identifique la información faltante en lugar de inventarla. Para trabajos que dependan de fuentes, proporciona los pasajes de referencia autorizados como texto. Revisa el código o la conclusión propuestos frente a las condiciones originales; el artefacto útil es la solución final y la explicación que la sustenta, diferenciadas de una acción o validación que la aplicación circundante haya realizado realmente.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Optimize a rectangular enclosure\n\nA rectangular enclosure has 60 metres of fencing, used on all four sides. Its width and length are positive real numbers. Derive the largest possible area, justify why the optimum is global and check the dimensions against the fencing constraint. Give the final result in a boxed mathematical expression.A derivation, optimal dimensions, a perimeter check and a boxed maximum area.Check that the solution respects positivity and uses 2(length + width) = 60 rather than a three-sided constraint.deepseek/deepseek-r1DeepSeek R1 es el modelo de texto original de DeepSeek centrado en el razonamiento para matemáticas, código y lógica. Combina ejemplos de instrucciones de arranque en frío con aprendizaje por refuerzo y un contexto de 128K, con recomendaciones del desarrollador para prompts directos y un formato explícito de respuesta final.
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 es el modelo original de DeepSeek centrado en el razonamiento para tareas matemáticas, de programación y de lógica. Se basa en DeepSeek V3 Base y utiliza un proceso de entrenamiento con ejemplos de arranque en frío, refinamiento supervisado y aprendizaje por refuerzo. La entrada es texto y el resultado es una solución o respuesta textual. Sigue siendo distinto de R1 Zero, de la edición posterior R1-0528 y de los modelos destilados por separado.
El desarrollador distingue R1 del enfoque de R1 Zero, basado exclusivamente en aprendizaje por refuerzo. El material de arranque en frío proporciona a R1 un patrón inicial más legible antes del aprendizaje por refuerzo orientado al razonamiento. El muestreo por rechazo y el entrenamiento supervisado posteriores incorporan datos de razonamiento y de propósito general, seguidos de otra etapa de aprendizaje por refuerzo. La ficha describe dos etapas supervisadas y dos de aprendizaje por refuerzo, destinadas a mejorar los patrones de razonamiento y la alineación con la respuesta solicitada.
Su arquitectura publicada tiene 671 mil millones de parámetros totales, con 37 mil millones activos por token y una ventana de contexto de 128K. Esa ventana contiene conjuntamente la fuente, el prompt y el razonamiento o la respuesta generados; no es una garantía independiente de una salida de 128K. Un enunciado matemático extenso, un fragmento de código o un conjunto de requisitos debe organizarse de todos modos para que el modelo pueda identificar el problema real y el formato del resultado que necesitas.
DeepSeek recomienda una temperatura entre 0.5 y 0.7, con 0.6 como valor recomendado, para reducir la repetición o las salidas incoherentes. Aconseja colocar las instrucciones en el prompt del usuario en lugar de agregar un prompt de sistema. Su informe de investigación también recomienda un planteamiento directo del problema y del formato de salida sin ejemplos previos, ya que los prompts con pocos ejemplos pueden reducir el rendimiento de este perfil original. Estas son recomendaciones de uso del desarrollador, no valores predeterminados que se deban asumir para todas las aplicaciones.
Para matemáticas, proporciona el enunciado completo, las definiciones de las variables y las restricciones del dominio. El desarrollador recomienda pedir una solución paso a paso con el resultado final en una expresión \\boxed{}. Un ejemplo de instrucciones puede solicitar la fórmula final, los supuestos bajo los que se cumple y una comprobación por sustitución. Para código, incluye el comportamiento que se debe implementar, las restricciones y una entrada representativa; después pide el algoritmo propuesto y el artefacto de código por separado de su explicación.
El formato de razonamiento del modelo separa una fase de razonamiento de la respuesta final. DeepSeek señala que algunas consultas pueden producir un bloque de razonamiento vacío y recomienda un prefijo de inicio del razonamiento en su flujo de trabajo de referencia cuando se busca un razonamiento más profundo. Conserva la distinción entre ese formato del desarrollador y la respuesta final que quieres que lea el usuario. El entregable solicitado puede ser una conclusión breve o código, incluso cuando el proceso intermedio del modelo sea más extenso.
La investigación original identifica limitaciones concretas. R1 está optimizado para chino e inglés, y las consultas en otros idiomas pueden provocar mezclas de idiomas no deseadas. Es sensible a la formulación del prompt, y su comportamiento en conversaciones complejas de varios turnos, juego de roles, JSON y llamadas a funciones está menos desarrollado que su enfoque en el razonamiento matemático y de programación. La compatibilidad con JSON y herramientas documentada para R1-0528 es un cambio de una edición posterior, no el contrato del R1 original. Indica explícitamente el idioma y el formato de salida y mantén directo el planteamiento del problema.
Para una tarea técnica práctica, define qué constituye un resultado correcto: una fórmula con supuestos, un algoritmo que cumpla la complejidad indicada o una comparación razonada con los criterios proporcionados. Pide que la respuesta final identifique la información faltante en lugar de inventarla. Para trabajos que dependan de fuentes, proporciona los pasajes de referencia autorizados como texto. Revisa el código o la conclusión propuestos frente a las condiciones originales; el artefacto útil es la solución final y la explicación que la sustenta, diferenciadas de una acción o validación que la aplicación circundante haya realizado realmente.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites deepseek/deepseek-r1 | 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.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0014 / 1K tokens Salida · Tokens de salida $0.005 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0014 / 1K tokens Salida · Tokens de salida $0.005 / 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/deepseek-r1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek/deepseek-r1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek/deepseek-r1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/deepseek-r1
Usa las rutas de método indicadas arriba.
deepseek/deepseek-r1DeepSeek R1 es el modelo de texto original de DeepSeek centrado en el razonamiento para matemáticas, código y lógica. Combina ejemplos de instrucciones de arranque en frío con aprendizaje por refuerzo y un contexto de 128K, con recomendaciones del desarrollador para prompts directos y un formato explícito de respuesta final.
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 es el modelo original de DeepSeek centrado en el razonamiento para tareas matemáticas, de programación y de lógica. Se basa en DeepSeek V3 Base y utiliza un proceso de entrenamiento con ejemplos de arranque en frío, refinamiento supervisado y aprendizaje por refuerzo. La entrada es texto y el resultado es una solución o respuesta textual. Sigue siendo distinto de R1 Zero, de la edición posterior R1-0528 y de los modelos destilados por separado.
El desarrollador distingue R1 del enfoque de R1 Zero, basado exclusivamente en aprendizaje por refuerzo. El material de arranque en frío proporciona a R1 un patrón inicial más legible antes del aprendizaje por refuerzo orientado al razonamiento. El muestreo por rechazo y el entrenamiento supervisado posteriores incorporan datos de razonamiento y de propósito general, seguidos de otra etapa de aprendizaje por refuerzo. La ficha describe dos etapas supervisadas y dos de aprendizaje por refuerzo, destinadas a mejorar los patrones de razonamiento y la alineación con la respuesta solicitada.
Su arquitectura publicada tiene 671 mil millones de parámetros totales, con 37 mil millones activos por token y una ventana de contexto de 128K. Esa ventana contiene conjuntamente la fuente, el prompt y el razonamiento o la respuesta generados; no es una garantía independiente de una salida de 128K. Un enunciado matemático extenso, un fragmento de código o un conjunto de requisitos debe organizarse de todos modos para que el modelo pueda identificar el problema real y el formato del resultado que necesitas.
DeepSeek recomienda una temperatura entre 0.5 y 0.7, con 0.6 como valor recomendado, para reducir la repetición o las salidas incoherentes. Aconseja colocar las instrucciones en el prompt del usuario en lugar de agregar un prompt de sistema. Su informe de investigación también recomienda un planteamiento directo del problema y del formato de salida sin ejemplos previos, ya que los prompts con pocos ejemplos pueden reducir el rendimiento de este perfil original. Estas son recomendaciones de uso del desarrollador, no valores predeterminados que se deban asumir para todas las aplicaciones.
Para matemáticas, proporciona el enunciado completo, las definiciones de las variables y las restricciones del dominio. El desarrollador recomienda pedir una solución paso a paso con el resultado final en una expresión \\boxed{}. Un ejemplo de instrucciones puede solicitar la fórmula final, los supuestos bajo los que se cumple y una comprobación por sustitución. Para código, incluye el comportamiento que se debe implementar, las restricciones y una entrada representativa; después pide el algoritmo propuesto y el artefacto de código por separado de su explicación.
El formato de razonamiento del modelo separa una fase de razonamiento de la respuesta final. DeepSeek señala que algunas consultas pueden producir un bloque de razonamiento vacío y recomienda un prefijo de inicio del razonamiento en su flujo de trabajo de referencia cuando se busca un razonamiento más profundo. Conserva la distinción entre ese formato del desarrollador y la respuesta final que quieres que lea el usuario. El entregable solicitado puede ser una conclusión breve o código, incluso cuando el proceso intermedio del modelo sea más extenso.
La investigación original identifica limitaciones concretas. R1 está optimizado para chino e inglés, y las consultas en otros idiomas pueden provocar mezclas de idiomas no deseadas. Es sensible a la formulación del prompt, y su comportamiento en conversaciones complejas de varios turnos, juego de roles, JSON y llamadas a funciones está menos desarrollado que su enfoque en el razonamiento matemático y de programación. La compatibilidad con JSON y herramientas documentada para R1-0528 es un cambio de una edición posterior, no el contrato del R1 original. Indica explícitamente el idioma y el formato de salida y mantén directo el planteamiento del problema.
Para una tarea técnica práctica, define qué constituye un resultado correcto: una fórmula con supuestos, un algoritmo que cumpla la complejidad indicada o una comparación razonada con los criterios proporcionados. Pide que la respuesta final identifique la información faltante en lugar de inventarla. Para trabajos que dependan de fuentes, proporciona los pasajes de referencia autorizados como texto. Revisa el código o la conclusión propuestos frente a las condiciones originales; el artefacto útil es la solución final y la explicación que la sustenta, diferenciadas de una acción o validación que la aplicación circundante haya realizado realmente.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites deepseek/deepseek-r1 | 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.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0014 / 1K tokens Salida · Tokens de salida $0.005 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0014 / 1K tokens Salida · Tokens de salida $0.005 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "deepseek/deepseek-r1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/deepseek-r1
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Optimize a rectangular enclosure\n\nA rectangular enclosure has 60 metres of fencing, used on all four sides. Its width and length are positive real numbers. Derive the largest possible area, justify why the optimum is global and check the dimensions against the fencing constraint. Give the final result in a boxed mathematical expression.A derivation, optimal dimensions, a perimeter check and a boxed maximum area.Check that the solution respects positivity and uses 2(length + width) = 60 rather than a three-sided constraint.