Introducción: un modelo de razonamiento más pequeño derivado de R1
DeepSeek-R1-Distill-Qwen-7B transfiere ejemplos de razonamiento de DeepSeek-R1 a un modelo denso basado en Qwen2.5-Math-7B. Acepta texto y genera texto, incluidas soluciones desarrolladas, explicaciones de programación y respuestas a problemas lógicos. Esta destilación exacta de 7B es un punto de control independiente de DeepSeek-R1 completo, del Qwen2.5-Math-7B original y de las ediciones destiladas más grandes. Su nombre registra tanto el productor de los datos de razonamiento como la familia del modelo subyacente.
Qué aporta la destilación
La investigación de R1 de DeepSeek distingue el entrenamiento del gran modelo maestro de razonamiento del ajuste fino de sus modelos alumnos más pequeños. El flujo de trabajo del maestro utiliza aprendizaje por refuerzo y etapas supervisadas; los modelos destilados publicados se ajustan con muestras producidas por R1. El fabricante describe 800,000 ejemplos seleccionados para estas versiones. No supongas que el alumno de 7B tiene por sí mismo la arquitectura de mezcla de expertos del modelo completo ni que pasó por todas las etapas de entrenamiento del maestro. La destilación le da a este modelo un estilo de razonamiento aprendido; no hace que sus conclusiones sean equivalentes a las del maestro.
El modelo exacto y su configuración
La tabla oficial de modelos identifica Qwen2.5-Math-7B como la base de esta edición. DeepSeek modifica la configuración y los ajustes del tokenizador, por lo que importan el punto de control exacto publicado y la plantilla de chat. Su configuración publicada utiliza una arquitectura de modelo de lenguaje causal Qwen2 con 28 capas y pesos bfloat16. Establece un máximo de 131,072 posiciones. Ese valor de configuración no es una validación independiente de la precisión con documentos largos: la tabla de contexto de 128K de la ficha compartida de R1 describe los modelos R1 completos, mientras que su tabla de modelos destilados identifica la procedencia sin publicar una tabla de contexto validado para cada alumno.
Úsalo para una tarea con un resultado comprobable. Para matemáticas, proporciona el enunciado completo, las definiciones y las unidades. Para código, incluye la función pertinente, la entrada, el resultado observado y el comportamiento deseado. Para una pregunta de lógica, enumera los hechos y distingue una conclusión requerida de un supuesto. Solicita un resultado final que pueda comprobarse de manera independiente, como un valor enmarcado, un esquema conciso de demostración o un parche explicado. Estos ejemplos aplican el alcance de razonamiento documentado por el fabricante; no afirman que el modelo ejecute código ni verifique demostraciones automáticamente.
Cómo preparar el prompt
DeepSeek recomienda colocar todas las instrucciones en el prompt del usuario y evitar un prompt de sistema para esta versión R1. Para un problema matemático, pide razonamiento paso a paso y una respuesta final claramente delimitada. Incluye cualquier estructura de salida en el mismo prompt: por ejemplo, una conclusión breve seguida de supuestos y cálculos de respaldo. Una aplicación debe utilizar el tokenizador y el formato propios del alumno, en lugar de sustituirlos por la plantilla base de Qwen sin revisar los cambios del fabricante.
El fabricante señala que algunas consultas pueden producir un bloque de pensamiento vacío y omitir el patrón de razonamiento previsto. Su solución recomendada es hacer que la generación comience con el marcador de apertura de pensamiento y un salto de línea en un flujo de trabajo compatible. Es una recomendación documentada de formato de generación, no una promesa de que todas las aplicaciones expongan ese control. Mantén la respuesta final separada del texto de razonamiento más largo al presentar un resultado.
Ajustes de generación y espacio disponible
DeepSeek recomienda una temperatura entre 0.5 y 0.7, con 0.6 como punto de partida preferido, para reducir la salida repetida o incoherente. Su configuración de evaluación utiliza una capacidad de generación de 32,768 tokens y top_p 0.95. Esas elecciones de evaluación no son un máximo estricto universal. El razonamiento, el texto fuente y la respuesta final necesitan espacio en el contexto configurado, por lo que una solicitud que contenga una demostración larga o un listado de código aún debe dejar espacio para completarse.
Limitaciones que afectan la elección del modelo
Un modelo destilado pequeño mantiene un equilibrio propio entre recursos y capacidad de razonamiento. Los materiales de publicación del fabricante no establecen entradas de imagen, audio o video para este punto de control, ni un protocolo específico de llamadas a herramientas. La ejecución de herramientas o el acceso a datos actuales necesitarían un flujo de trabajo de aplicación configurado por separado. La versión tampoco hereda los cambios posteriores de política de prompts de DeepSeek-R1-0528 simplemente por llevar el nombre R1. Verifica las respuestas numéricas, examina los cambios de código propuestos y comprueba si la conclusión final se desprende de los hechos proporcionados; una transcripción larga del razonamiento por sí sola no es prueba de corrección.
", "aboutText": "Introducción: un modelo de razonamiento más pequeño derivado de R1\n\nDeepSeek-R1-Distill-Qwen-7B transfiere ejemplos de razonamiento de DeepSeek-R1 a un modelo denso basado en Qwen2.5-Math-7B. Acepta texto y genera texto, incluidas soluciones desarrolladas, explicaciones de programación y respuestas a problemas lógicos. Esta destilación exacta de 7B es un punto de control independiente de DeepSeek-R1 completo, del Qwen2.5-Math-7B original y de las ediciones destiladas más grandes. Su nombre registra tanto el productor de los datos de razonamiento como la familia del modelo subyacente.\n\nQué aporta la destilación\n\nLa investigación de R1 de DeepSeek distingue el entrenamiento del gran modelo maestro de razonamiento del ajuste fino de sus modelos alumnos más pequeños. El flujo de trabajo del maestro utiliza aprendizaje por refuerzo y etapas supervisadas; los modelos destilados publicados se ajustan con muestras producidas por R1. El fabricante describe 800,000 ejemplos seleccionados para estas versiones. No supongas que el alumno de 7B tiene por sí mismo la arquitectura de mezcla de expertos del modelo completo ni que pasó por todas las etapas de entrenamiento del maestro. La destilación le da a este modelo un estilo de razonamiento aprendido; no hace que sus conclusiones sean equivalentes a las del maestro.\n\nEl modelo exacto y su configuración\n\nLa tabla oficial de modelos identifica Qwen2.5-Math-7B como la base de esta edición. DeepSeek modifica la configuración y los ajustes del tokenizador, por lo que importan el punto de control exacto publicado y la plantilla de chat. Su configuración publicada utiliza una arquitectura de modelo de lenguaje causal Qwen2 con 28 capas y pesos bfloat16. Establece un máximo de 131,072 posiciones. Ese valor de configuración no es una validación independiente de la precisión con documentos largos: la tabla de contexto de 128K de la ficha compartida de R1 describe los modelos R1 completos, mientras que su tabla de modelos destilados identifica la procedencia sin publicar una tabla de contexto validado para cada alumno.\n\nÚsalo para una tarea con un resultado comprobable. Para matemáticas, proporciona el enunciado completo, las definiciones y las unidades. Para código, incluye la función pertinente, la entrada, el resultado observado y el comportamiento deseado. Para una pregunta de lógica, enumera los hechos y distingue una conclusión requerida de un supuesto. Solicita un resultado final que pueda comprobarse de manera independiente, como un valor enmarcado, un esquema conciso de demostración o un parche explicado. Estos ejemplos aplican el alcance de razonamiento documentado por el fabricante; no afirman que el modelo ejecute código ni verifique demostraciones automáticamente.\n\nCómo preparar el prompt\n\nDeepSeek recomienda colocar todas las instrucciones en el prompt del usuario y evitar un prompt de sistema para esta versión R1. Para un problema matemático, pide razonamiento paso a paso y una respuesta final claramente delimitada. Incluye cualquier estructura de salida en el mismo prompt: por ejemplo, una conclusión breve seguida de supuestos y cálculos de respaldo. Una aplicación debe utilizar el tokenizador y el formato propios del alumno, en lugar de sustituirlos por la plantilla base de Qwen sin revisar los cambios del fabricante.\n\nEl fabricante señala que algunas consultas pueden producir un bloque de pensamiento vacío y omitir el patrón de razonamiento previsto. Su solución recomendada es hacer que la generación comience con el marcador de apertura de pensamiento y un salto de línea en un flujo de trabajo compatible. Es una recomendación documentada de formato de generación, no una promesa de que todas las aplicaciones expongan ese control. Mantén la respuesta final separada del texto de razonamiento más largo al presentar un resultado.\n\nAjustes de generación y espacio disponible\n\nDeepSeek recomienda una temperatura entre 0.5 y 0.7, con 0.6 como punto de partida preferido, para reducir la salida repetida o incoherente. Su configuración de evaluación utiliza una capacidad de generación de 32,768 tokens y top_p 0.95. Esas elecciones de evaluación no son un máximo estricto universal. El razonamiento, el texto fuente y la respuesta final necesitan espacio en el contexto configurado, por lo que una solicitud que contenga una demostración larga o un listado de código aún debe dejar espacio para completarse.\n\nLimitaciones que afectan la elección del modelo\n\nUn modelo destilado pequeño mantiene un equilibrio propio entre recursos y capacidad de razonamiento. Los materiales de publicación del fabricante no establecen entradas de imagen, audio o video para este punto de control, ni un protocolo específico de llamadas a herramientas. La ejecución de herramientas o el acceso a datos actuales necesitarían un flujo de trabajo de aplicación configurado por separado. La versión tampoco hereda los cambios posteriores de política de prompts de DeepSeek-R1-0528 simplemente por llevar el nombre R1. Verifica las respuestas numéricas, examina los cambios de código propuestos y comprueba si la conclusión final se desprende de los hechos proporcionados; una transcripción larga del razonamiento por sí sola no es prueba de corrección.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Calculate a mixture ratio\n\nA workshop mixes 2 liters of concentrate with 6 liters of water. It needs 20 liters of the same mixture. Calculate the required concentrate and water, show the proportional calculation and give a clearly labelled final answer with units. Check that the two quantities add to the requested volume.A short proportional calculation and final concentrate and water quantities in liters.Verify both the 1:3 concentrate-to-water ratio and the 20-liter total independently.DeepSeek-R1-Distill-Qwen-7B-ultraDeepSeek-R1-Distill-Qwen-7B es el modelo denso y compacto de razonamiento de DeepSeek, ajustado a partir de Qwen2.5-Math-7B con ejemplos generados por R1. Recibe texto y produce texto para tareas matemáticas, de programación y de lógica, con recomendaciones de prompts específicas de este punto de control.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Introducción: un modelo de razonamiento más pequeño derivado de R1
DeepSeek-R1-Distill-Qwen-7B transfiere ejemplos de razonamiento de DeepSeek-R1 a un modelo denso basado en Qwen2.5-Math-7B. Acepta texto y genera texto, incluidas soluciones desarrolladas, explicaciones de programación y respuestas a problemas lógicos. Esta destilación exacta de 7B es un punto de control independiente de DeepSeek-R1 completo, del Qwen2.5-Math-7B original y de las ediciones destiladas más grandes. Su nombre registra tanto el productor de los datos de razonamiento como la familia del modelo subyacente.
Qué aporta la destilación
La investigación de R1 de DeepSeek distingue el entrenamiento del gran modelo maestro de razonamiento del ajuste fino de sus modelos alumnos más pequeños. El flujo de trabajo del maestro utiliza aprendizaje por refuerzo y etapas supervisadas; los modelos destilados publicados se ajustan con muestras producidas por R1. El fabricante describe 800,000 ejemplos seleccionados para estas versiones. No supongas que el alumno de 7B tiene por sí mismo la arquitectura de mezcla de expertos del modelo completo ni que pasó por todas las etapas de entrenamiento del maestro. La destilación le da a este modelo un estilo de razonamiento aprendido; no hace que sus conclusiones sean equivalentes a las del maestro.
El modelo exacto y su configuración
La tabla oficial de modelos identifica Qwen2.5-Math-7B como la base de esta edición. DeepSeek modifica la configuración y los ajustes del tokenizador, por lo que importan el punto de control exacto publicado y la plantilla de chat. Su configuración publicada utiliza una arquitectura de modelo de lenguaje causal Qwen2 con 28 capas y pesos bfloat16. Establece un máximo de 131,072 posiciones. Ese valor de configuración no es una validación independiente de la precisión con documentos largos: la tabla de contexto de 128K de la ficha compartida de R1 describe los modelos R1 completos, mientras que su tabla de modelos destilados identifica la procedencia sin publicar una tabla de contexto validado para cada alumno.
Úsalo para una tarea con un resultado comprobable. Para matemáticas, proporciona el enunciado completo, las definiciones y las unidades. Para código, incluye la función pertinente, la entrada, el resultado observado y el comportamiento deseado. Para una pregunta de lógica, enumera los hechos y distingue una conclusión requerida de un supuesto. Solicita un resultado final que pueda comprobarse de manera independiente, como un valor enmarcado, un esquema conciso de demostración o un parche explicado. Estos ejemplos aplican el alcance de razonamiento documentado por el fabricante; no afirman que el modelo ejecute código ni verifique demostraciones automáticamente.
Cómo preparar el prompt
DeepSeek recomienda colocar todas las instrucciones en el prompt del usuario y evitar un prompt de sistema para esta versión R1. Para un problema matemático, pide razonamiento paso a paso y una respuesta final claramente delimitada. Incluye cualquier estructura de salida en el mismo prompt: por ejemplo, una conclusión breve seguida de supuestos y cálculos de respaldo. Una aplicación debe utilizar el tokenizador y el formato propios del alumno, en lugar de sustituirlos por la plantilla base de Qwen sin revisar los cambios del fabricante.
El fabricante señala que algunas consultas pueden producir un bloque de pensamiento vacío y omitir el patrón de razonamiento previsto. Su solución recomendada es hacer que la generación comience con el marcador de apertura de pensamiento y un salto de línea en un flujo de trabajo compatible. Es una recomendación documentada de formato de generación, no una promesa de que todas las aplicaciones expongan ese control. Mantén la respuesta final separada del texto de razonamiento más largo al presentar un resultado.
Ajustes de generación y espacio disponible
DeepSeek recomienda una temperatura entre 0.5 y 0.7, con 0.6 como punto de partida preferido, para reducir la salida repetida o incoherente. Su configuración de evaluación utiliza una capacidad de generación de 32,768 tokens y top_p 0.95. Esas elecciones de evaluación no son un máximo estricto universal. El razonamiento, el texto fuente y la respuesta final necesitan espacio en el contexto configurado, por lo que una solicitud que contenga una demostración larga o un listado de código aún debe dejar espacio para completarse.
Limitaciones que afectan la elección del modelo
Un modelo destilado pequeño mantiene un equilibrio propio entre recursos y capacidad de razonamiento. Los materiales de publicación del fabricante no establecen entradas de imagen, audio o video para este punto de control, ni un protocolo específico de llamadas a herramientas. La ejecución de herramientas o el acceso a datos actuales necesitarían un flujo de trabajo de aplicación configurado por separado. La versión tampoco hereda los cambios posteriores de política de prompts de DeepSeek-R1-0528 simplemente por llevar el nombre R1. Verifica las respuestas numéricas, examina los cambios de código propuestos y comprueba si la conclusión final se desprende de los hechos proporcionados; una transcripción larga del razonamiento por sí sola no es prueba de corrección.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites DeepSeek-R1-Distill-Qwen-7B-ultra | 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 $0.00014 / 1K tokens Salida · Tokens de salida $0.00028 / 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-R1-Distill-Qwen-7B-ultra", "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-R1-Distill-Qwen-7B-ultra',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-R1-Distill-Qwen-7B-ultra',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-R1-Distill-Qwen-7B-ultra
Usa las rutas de método indicadas arriba.
DeepSeek-R1-Distill-Qwen-7B-ultraDeepSeek-R1-Distill-Qwen-7B es el modelo denso y compacto de razonamiento de DeepSeek, ajustado a partir de Qwen2.5-Math-7B con ejemplos generados por R1. Recibe texto y produce texto para tareas matemáticas, de programación y de lógica, con recomendaciones de prompts específicas de este punto de control.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Introducción: un modelo de razonamiento más pequeño derivado de R1
DeepSeek-R1-Distill-Qwen-7B transfiere ejemplos de razonamiento de DeepSeek-R1 a un modelo denso basado en Qwen2.5-Math-7B. Acepta texto y genera texto, incluidas soluciones desarrolladas, explicaciones de programación y respuestas a problemas lógicos. Esta destilación exacta de 7B es un punto de control independiente de DeepSeek-R1 completo, del Qwen2.5-Math-7B original y de las ediciones destiladas más grandes. Su nombre registra tanto el productor de los datos de razonamiento como la familia del modelo subyacente.
Qué aporta la destilación
La investigación de R1 de DeepSeek distingue el entrenamiento del gran modelo maestro de razonamiento del ajuste fino de sus modelos alumnos más pequeños. El flujo de trabajo del maestro utiliza aprendizaje por refuerzo y etapas supervisadas; los modelos destilados publicados se ajustan con muestras producidas por R1. El fabricante describe 800,000 ejemplos seleccionados para estas versiones. No supongas que el alumno de 7B tiene por sí mismo la arquitectura de mezcla de expertos del modelo completo ni que pasó por todas las etapas de entrenamiento del maestro. La destilación le da a este modelo un estilo de razonamiento aprendido; no hace que sus conclusiones sean equivalentes a las del maestro.
El modelo exacto y su configuración
La tabla oficial de modelos identifica Qwen2.5-Math-7B como la base de esta edición. DeepSeek modifica la configuración y los ajustes del tokenizador, por lo que importan el punto de control exacto publicado y la plantilla de chat. Su configuración publicada utiliza una arquitectura de modelo de lenguaje causal Qwen2 con 28 capas y pesos bfloat16. Establece un máximo de 131,072 posiciones. Ese valor de configuración no es una validación independiente de la precisión con documentos largos: la tabla de contexto de 128K de la ficha compartida de R1 describe los modelos R1 completos, mientras que su tabla de modelos destilados identifica la procedencia sin publicar una tabla de contexto validado para cada alumno.
Úsalo para una tarea con un resultado comprobable. Para matemáticas, proporciona el enunciado completo, las definiciones y las unidades. Para código, incluye la función pertinente, la entrada, el resultado observado y el comportamiento deseado. Para una pregunta de lógica, enumera los hechos y distingue una conclusión requerida de un supuesto. Solicita un resultado final que pueda comprobarse de manera independiente, como un valor enmarcado, un esquema conciso de demostración o un parche explicado. Estos ejemplos aplican el alcance de razonamiento documentado por el fabricante; no afirman que el modelo ejecute código ni verifique demostraciones automáticamente.
Cómo preparar el prompt
DeepSeek recomienda colocar todas las instrucciones en el prompt del usuario y evitar un prompt de sistema para esta versión R1. Para un problema matemático, pide razonamiento paso a paso y una respuesta final claramente delimitada. Incluye cualquier estructura de salida en el mismo prompt: por ejemplo, una conclusión breve seguida de supuestos y cálculos de respaldo. Una aplicación debe utilizar el tokenizador y el formato propios del alumno, en lugar de sustituirlos por la plantilla base de Qwen sin revisar los cambios del fabricante.
El fabricante señala que algunas consultas pueden producir un bloque de pensamiento vacío y omitir el patrón de razonamiento previsto. Su solución recomendada es hacer que la generación comience con el marcador de apertura de pensamiento y un salto de línea en un flujo de trabajo compatible. Es una recomendación documentada de formato de generación, no una promesa de que todas las aplicaciones expongan ese control. Mantén la respuesta final separada del texto de razonamiento más largo al presentar un resultado.
Ajustes de generación y espacio disponible
DeepSeek recomienda una temperatura entre 0.5 y 0.7, con 0.6 como punto de partida preferido, para reducir la salida repetida o incoherente. Su configuración de evaluación utiliza una capacidad de generación de 32,768 tokens y top_p 0.95. Esas elecciones de evaluación no son un máximo estricto universal. El razonamiento, el texto fuente y la respuesta final necesitan espacio en el contexto configurado, por lo que una solicitud que contenga una demostración larga o un listado de código aún debe dejar espacio para completarse.
Limitaciones que afectan la elección del modelo
Un modelo destilado pequeño mantiene un equilibrio propio entre recursos y capacidad de razonamiento. Los materiales de publicación del fabricante no establecen entradas de imagen, audio o video para este punto de control, ni un protocolo específico de llamadas a herramientas. La ejecución de herramientas o el acceso a datos actuales necesitarían un flujo de trabajo de aplicación configurado por separado. La versión tampoco hereda los cambios posteriores de política de prompts de DeepSeek-R1-0528 simplemente por llevar el nombre R1. Verifica las respuestas numéricas, examina los cambios de código propuestos y comprueba si la conclusión final se desprende de los hechos proporcionados; una transcripción larga del razonamiento por sí sola no es prueba de corrección.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites DeepSeek-R1-Distill-Qwen-7B-ultra | 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 $0.00014 / 1K tokens Salida · Tokens de salida $0.00028 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "DeepSeek-R1-Distill-Qwen-7B-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-R1-Distill-Qwen-7B-ultra', '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-R1-Distill-Qwen-7B-ultra', '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-R1-Distill-Qwen-7B-ultra
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Calculate a mixture ratio\n\nA workshop mixes 2 liters of concentrate with 6 liters of water. It needs 20 liters of the same mixture. Calculate the required concentrate and water, show the proportional calculation and give a clearly labelled final answer with units. Check that the two quantities add to the requested volume.A short proportional calculation and final concentrate and water quantities in liters.Verify both the 1:3 concentrate-to-water ratio and the 20-liter total independently.