DeepSeek R1 Distill Llama 8B transfiere patrones de razonamiento de DeepSeek R1 a un modelo denso basado en Llama 3.1 8B Base. DeepSeek ajusta esta base con ejemplos generados por R1. El resultado es un punto de control destilado independiente de 8B que trabaja con entrada textual y devuelve una respuesta textual, incluida una deducción, una propuesta de código o una explicación de un problema lógico.
Identidad del modelo destilado. El fabricante publica destilaciones Llama y Qwen con bases y tamaños diferentes. La edición Llama 8B comienza con un modelo Base; Llama 70B comienza con Llama 3.3 70B Instruct. Las ediciones Qwen utilizan sus propias bases. Conserva el punto de control exacto identificado al elegir un modelo o interpretar su respuesta. DeepSeek ajusta las configuraciones y los tokenizadores destilados, por lo que una configuración sin modificar del modelo base no describe por completo la versión preparada.
Para una pregunta matemática, indica los supuestos, define los símbolos e incluye todo el problema. Pide una deducción paso a paso seguida de un resultado final claramente separado. Una solicitud docente útil puede preguntar por qué una transformación concreta es válida y qué supuesto la hace posible. Cuando un argumento dependa de un caso límite, incluye ese caso en la instrucción y pide al modelo que lo compruebe explícitamente. Esto produce una solución que puedes examinar y comentar en lugar de una respuesta sin explicación.
Recomendaciones de uso. DeepSeek recomienda una temperatura entre 0.5 y 0.7, con preferencia por 0.6 para su serie de razonamiento. Aconseja colocar las instrucciones en el mensaje del usuario, sin una instrucción de sistema independiente, y pide a los usuarios de matemáticas que soliciten razonamiento secuencial con la respuesta final en notación de recuadro. Para los casos en que se omite el patrón de razonamiento previsto, DeepSeek recomienda imponer el prefijo de respuesta <think>\\n en una configuración de generación compatible. Son recomendaciones publicadas de uso del modelo para entornos de generación compatibles.
Para programación, proporciona una función o algoritmo concisos, entradas representativas y las salidas esperadas. Pide la implementación propuesta y ejemplos que cubran casos normales y excepcionales. Para un informe de error, conserva el mensaje de error e indica el comportamiento previsto; solicita después una reparación mínima con una explicación. Un problema pequeño y enfocado facilita comprobar si la respuesta aborda el requisito real y localizar el punto que necesita una solicitud posterior.
Para análisis lógico, proporciona las premisas por separado de la conclusión que quieres comprobar. Solicita un argumento que las conecte o un contraejemplo que muestre que la conclusión no tiene por qué deducirse. Si la tarea está insuficientemente especificada, pide el supuesto ausente antes de una conclusión definitiva. Verifica de forma independiente los cálculos importantes y ejecuta el código en el proyecto al que está destinado. Al evaluar el modelo para un flujo de trabajo, sigue el consejo del productor de utilizar varias pruebas representativas en lugar de una respuesta favorable.
", "aboutText": "DeepSeek R1 Distill Llama 8B transfiere patrones de razonamiento de DeepSeek R1 a un modelo denso basado en Llama 3.1 8B Base. DeepSeek ajusta esta base con ejemplos generados por R1. El resultado es un punto de control destilado independiente de 8B que trabaja con entrada textual y devuelve una respuesta textual, incluida una deducción, una propuesta de código o una explicación de un problema lógico.\n\nIdentidad del modelo destilado. El fabricante publica destilaciones Llama y Qwen con bases y tamaños diferentes. La edición Llama 8B comienza con un modelo Base; Llama 70B comienza con Llama 3.3 70B Instruct. Las ediciones Qwen utilizan sus propias bases. Conserva el punto de control exacto identificado al elegir un modelo o interpretar su respuesta. DeepSeek ajusta las configuraciones y los tokenizadores destilados, por lo que una configuración sin modificar del modelo base no describe por completo la versión preparada.\n\nPara una pregunta matemática, indica los supuestos, define los símbolos e incluye todo el problema. Pide una deducción paso a paso seguida de un resultado final claramente separado. Una solicitud docente útil puede preguntar por qué una transformación concreta es válida y qué supuesto la hace posible. Cuando un argumento dependa de un caso límite, incluye ese caso en la instrucción y pide al modelo que lo compruebe explícitamente. Esto produce una solución que puedes examinar y comentar en lugar de una respuesta sin explicación.\n\nRecomendaciones de uso. DeepSeek recomienda una temperatura entre 0.5 y 0.7, con preferencia por 0.6 para su serie de razonamiento. Aconseja colocar las instrucciones en el mensaje del usuario, sin una instrucción de sistema independiente, y pide a los usuarios de matemáticas que soliciten razonamiento secuencial con la respuesta final en notación de recuadro. Para los casos en que se omite el patrón de razonamiento previsto, DeepSeek recomienda imponer el prefijo de respuesta `Ejemplo técnico en inglés
Explain a square-root boundary\n\nSolve sqrt(x + 6) = x over the real numbers. Give a concise derivation, state the domain restrictions before squaring and check every resulting candidate in the original equation. Put the final solution set in box notation and explain why squaring can introduce an invalid candidate.A domain statement, an algebraic derivation, candidate substitutions and a boxed solution set.Check that every accepted root satisfies both the sign restriction and the unsquared equation.deepseek/deepseek-r1-distill-llama-8bUn modelo compacto y denso de razonamiento construido por DeepSeek sobre Llama 3.1 8B Base y ajustado con ejemplos generados por R1. Produce soluciones textuales para tareas matemáticas, lógicas y de programación a partir de un problema claramente enunciado.
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 Llama 8B transfiere patrones de razonamiento de DeepSeek R1 a un modelo denso basado en Llama 3.1 8B Base. DeepSeek ajusta esta base con ejemplos generados por R1. El resultado es un punto de control destilado independiente de 8B que trabaja con entrada textual y devuelve una respuesta textual, incluida una deducción, una propuesta de código o una explicación de un problema lógico.
Identidad del modelo destilado. El fabricante publica destilaciones Llama y Qwen con bases y tamaños diferentes. La edición Llama 8B comienza con un modelo Base; Llama 70B comienza con Llama 3.3 70B Instruct. Las ediciones Qwen utilizan sus propias bases. Conserva el punto de control exacto identificado al elegir un modelo o interpretar su respuesta. DeepSeek ajusta las configuraciones y los tokenizadores destilados, por lo que una configuración sin modificar del modelo base no describe por completo la versión preparada.
Para una pregunta matemática, indica los supuestos, define los símbolos e incluye todo el problema. Pide una deducción paso a paso seguida de un resultado final claramente separado. Una solicitud docente útil puede preguntar por qué una transformación concreta es válida y qué supuesto la hace posible. Cuando un argumento dependa de un caso límite, incluye ese caso en la instrucción y pide al modelo que lo compruebe explícitamente. Esto produce una solución que puedes examinar y comentar en lugar de una respuesta sin explicación.
Recomendaciones de uso. DeepSeek recomienda una temperatura entre 0.5 y 0.7, con preferencia por 0.6 para su serie de razonamiento. Aconseja colocar las instrucciones en el mensaje del usuario, sin una instrucción de sistema independiente, y pide a los usuarios de matemáticas que soliciten razonamiento secuencial con la respuesta final en notación de recuadro. Para los casos en que se omite el patrón de razonamiento previsto, DeepSeek recomienda imponer el prefijo de respuesta <think>\\n en una configuración de generación compatible. Son recomendaciones publicadas de uso del modelo para entornos de generación compatibles.
Para programación, proporciona una función o algoritmo concisos, entradas representativas y las salidas esperadas. Pide la implementación propuesta y ejemplos que cubran casos normales y excepcionales. Para un informe de error, conserva el mensaje de error e indica el comportamiento previsto; solicita después una reparación mínima con una explicación. Un problema pequeño y enfocado facilita comprobar si la respuesta aborda el requisito real y localizar el punto que necesita una solicitud posterior.
Para análisis lógico, proporciona las premisas por separado de la conclusión que quieres comprobar. Solicita un argumento que las conecte o un contraejemplo que muestre que la conclusión no tiene por qué deducirse. Si la tarea está insuficientemente especificada, pide el supuesto ausente antes de una conclusión definitiva. Verifica de forma independiente los cálculos importantes y ejecuta el código en el proyecto al que está destinado. Al evaluar el modelo para un flujo de trabajo, sigue el consejo del productor de utilizar varias pruebas representativas en lugar de una respuesta favorable.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites deepseek/deepseek-r1-distill-llama-8b | 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 $0.00008 / 1K tokens Salida · Tokens de salida $0.00008 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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-distill-llama-8b", "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-distill-llama-8b',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-distill-llama-8b',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 las cabeceras. 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-distill-llama-8b
Usa las rutas de método indicadas arriba.
deepseek/deepseek-r1-distill-llama-8bUn modelo compacto y denso de razonamiento construido por DeepSeek sobre Llama 3.1 8B Base y ajustado con ejemplos generados por R1. Produce soluciones textuales para tareas matemáticas, lógicas y de programación a partir de un problema claramente enunciado.
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 Llama 8B transfiere patrones de razonamiento de DeepSeek R1 a un modelo denso basado en Llama 3.1 8B Base. DeepSeek ajusta esta base con ejemplos generados por R1. El resultado es un punto de control destilado independiente de 8B que trabaja con entrada textual y devuelve una respuesta textual, incluida una deducción, una propuesta de código o una explicación de un problema lógico.
Identidad del modelo destilado. El fabricante publica destilaciones Llama y Qwen con bases y tamaños diferentes. La edición Llama 8B comienza con un modelo Base; Llama 70B comienza con Llama 3.3 70B Instruct. Las ediciones Qwen utilizan sus propias bases. Conserva el punto de control exacto identificado al elegir un modelo o interpretar su respuesta. DeepSeek ajusta las configuraciones y los tokenizadores destilados, por lo que una configuración sin modificar del modelo base no describe por completo la versión preparada.
Para una pregunta matemática, indica los supuestos, define los símbolos e incluye todo el problema. Pide una deducción paso a paso seguida de un resultado final claramente separado. Una solicitud docente útil puede preguntar por qué una transformación concreta es válida y qué supuesto la hace posible. Cuando un argumento dependa de un caso límite, incluye ese caso en la instrucción y pide al modelo que lo compruebe explícitamente. Esto produce una solución que puedes examinar y comentar en lugar de una respuesta sin explicación.
Recomendaciones de uso. DeepSeek recomienda una temperatura entre 0.5 y 0.7, con preferencia por 0.6 para su serie de razonamiento. Aconseja colocar las instrucciones en el mensaje del usuario, sin una instrucción de sistema independiente, y pide a los usuarios de matemáticas que soliciten razonamiento secuencial con la respuesta final en notación de recuadro. Para los casos en que se omite el patrón de razonamiento previsto, DeepSeek recomienda imponer el prefijo de respuesta <think>\\n en una configuración de generación compatible. Son recomendaciones publicadas de uso del modelo para entornos de generación compatibles.
Para programación, proporciona una función o algoritmo concisos, entradas representativas y las salidas esperadas. Pide la implementación propuesta y ejemplos que cubran casos normales y excepcionales. Para un informe de error, conserva el mensaje de error e indica el comportamiento previsto; solicita después una reparación mínima con una explicación. Un problema pequeño y enfocado facilita comprobar si la respuesta aborda el requisito real y localizar el punto que necesita una solicitud posterior.
Para análisis lógico, proporciona las premisas por separado de la conclusión que quieres comprobar. Solicita un argumento que las conecte o un contraejemplo que muestre que la conclusión no tiene por qué deducirse. Si la tarea está insuficientemente especificada, pide el supuesto ausente antes de una conclusión definitiva. Verifica de forma independiente los cálculos importantes y ejecuta el código en el proyecto al que está destinado. Al evaluar el modelo para un flujo de trabajo, sigue el consejo del productor de utilizar varias pruebas representativas en lugar de una respuesta favorable.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites deepseek/deepseek-r1-distill-llama-8b | 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 $0.00008 / 1K tokens Salida · Tokens de salida $0.00008 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "deepseek/deepseek-r1-distill-llama-8b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-distill-llama-8b', '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-distill-llama-8b', '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 las cabeceras. 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-distill-llama-8b
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Explain a square-root boundary\n\nSolve sqrt(x + 6) = x over the real numbers. Give a concise derivation, state the domain restrictions before squaring and check every resulting candidate in the original equation. Put the final solution set in box notation and explain why squaring can introduce an invalid candidate.A domain statement, an algebraic derivation, candidate substitutions and a boxed solution set.Check that every accepted root satisfies both the sign restriction and the unsquared equation.