DeepSeek Math V2 se especializa en la demostración de teoremas en lenguaje natural y el razonamiento matemático autoverificable. Está basado en DeepSeek V3.2 Exp Base. El punto de partida del fabricante es que una respuesta final correcta puede apoyarse en un razonamiento inválido, mientras que un teorema suele requerir una derivación completa en lugar de una respuesta numérica. Por ello, el modelo se centra en generar demostraciones, detectar sus defectos y mejorar el argumento antes de finalizar la respuesta.
Verificación de demostraciones. El método de entrenamiento enseña a un verificador a leer un problema junto con una demostración propuesta, identificar problemas y valorar la calidad de la demostración. Sus criterios distinguen una derivación completa y rigurosa de una solución por lo demás válida con errores menores, y de un argumento fundamentalmente inválido. Una solicitud práctica de revisión de demostraciones debe aplicar la misma distinción: señalar dónde falla el razonamiento, explicar por qué importa el problema y diferenciar un detalle ausente de una laguna que impide llegar a la conclusión.
Metaverificación. La investigación también revisa las críticas del propio verificador. Un defecto señalado debe aparecer realmente en la demostración propuesta y justificar la valoración. Así se aborda el riesgo de emitir un juicio aparentemente razonable mientras se inventa un problema que la demostración no contiene. Para una tarea de revisión, proporciona la demostración original junto con cualquier crítica existente y pregunta si la crítica representa fielmente el paso pertinente. El resultado útil es una explicación comprobada de la objeción y de sus consecuencias.
Generación de demostraciones y autoanálisis. DeepSeek entrena al generador con los comentarios del verificador y recompensa explícitamente la evaluación precisa de su propio trabajo. Se anima al modelo a reconocer errores reales, corregir los problemas que pueda resolver y presentar la mejor demostración junto con una valoración honesta de su grado de completitud. La verificación y la generación mejoran en un ciclo de entrenamiento iterativo; las demostraciones generadas más difíciles se convierten en material para mejorar el verificador. El modelo resultante puede tanto generar como verificar argumentos matemáticos.
Prepara el problema con precisión. Incluye definiciones, cuantificadores, dominios y todas las hipótesis. Indica si buscas existencia, unicidad, una desigualdad, una construcción o un contraejemplo. Si proporcionas un lema permitido, da su enunciado exacto y explica si puede usarse directamente o si también debe demostrarse. Los prompts de demostración del fabricante exigen una solución justificada incluso cuando la tarea pide una respuesta, y no consideran que una referencia a otro texto sustituya al argumento ausente.
La respuesta esperada puede contener una visión general de la idea, una demostración completa y una autoevaluación separada. Para una desigualdad, pide al modelo que compruebe las restricciones del dominio y las condiciones de igualdad. Para un problema de recuento, pídele que justifique que los casos son exhaustivos y no se solapan. Para una demostración existente, identifica el paso controvertido y solicita una reparación o una explicación de por qué la conclusión propuesta sigue sin demostrarse. El álgebra, la geometría, la teoría de números, la combinatoria y las desigualdades están presentes en las tareas de evaluación matemática del fabricante.
Perfeccionamiento. El flujo publicado puede devolver al mismo modelo una demostración y su autoanálisis para abordar los defectos pendientes. En el entorno de investigación de un solo intento descrito por el fabricante, el presupuesto de demostración es de 128K tokens; algunos argumentos difíciles quedan incompletos al agotarse ese presupuesto. En tu trabajo, utiliza una objeción concreta como siguiente entrada y pregunta qué parte de la demostración cambia al resolverla. Mantén visibles las definiciones e hipótesis anteriores. El resultado revisado debe indicar qué se ha establecido y qué dificultad queda pendiente.
La salida de Math V2 es una demostración y una crítica en lenguaje natural. Los sistemas de demostración formal como Lean comprueban otro tipo de artefacto; DeepSeek Prover V2 es una especialización distinta de razonamiento formal. Una evaluación que no detecte ningún defecto sigue mereciendo revisión matemática, especialmente cuando la demostración depende de un caso omitido o de un lema no enunciado. La investigación del productor señala que sus problemas más difíciles pueden quedar sin resolver incluso después de perfeccionar la demostración.
", "aboutText": "DeepSeek Math V2 se especializa en la demostración de teoremas en lenguaje natural y el razonamiento matemático autoverificable. Está basado en DeepSeek V3.2 Exp Base. El punto de partida del fabricante es que una respuesta final correcta puede apoyarse en un razonamiento inválido, mientras que un teorema suele requerir una derivación completa en lugar de una respuesta numérica. Por ello, el modelo se centra en generar demostraciones, detectar sus defectos y mejorar el argumento antes de finalizar la respuesta.\n\nVerificación de demostraciones. El método de entrenamiento enseña a un verificador a leer un problema junto con una demostración propuesta, identificar problemas y valorar la calidad de la demostración. Sus criterios distinguen una derivación completa y rigurosa de una solución por lo demás válida con errores menores, y de un argumento fundamentalmente inválido. Una solicitud práctica de revisión de demostraciones debe aplicar la misma distinción: señalar dónde falla el razonamiento, explicar por qué importa el problema y diferenciar un detalle ausente de una laguna que impide llegar a la conclusión.\n\nMetaverificación. La investigación también revisa las críticas del propio verificador. Un defecto señalado debe aparecer realmente en la demostración propuesta y justificar la valoración. Así se aborda el riesgo de emitir un juicio aparentemente razonable mientras se inventa un problema que la demostración no contiene. Para una tarea de revisión, proporciona la demostración original junto con cualquier crítica existente y pregunta si la crítica representa fielmente el paso pertinente. El resultado útil es una explicación comprobada de la objeción y de sus consecuencias.\n\nGeneración de demostraciones y autoanálisis. DeepSeek entrena al generador con los comentarios del verificador y recompensa explícitamente la evaluación precisa de su propio trabajo. Se anima al modelo a reconocer errores reales, corregir los problemas que pueda resolver y presentar la mejor demostración junto con una valoración honesta de su grado de completitud. La verificación y la generación mejoran en un ciclo de entrenamiento iterativo; las demostraciones generadas más difíciles se convierten en material para mejorar el verificador. El modelo resultante puede tanto generar como verificar argumentos matemáticos.\n\nPrepara el problema con precisión. Incluye definiciones, cuantificadores, dominios y todas las hipótesis. Indica si buscas existencia, unicidad, una desigualdad, una construcción o un contraejemplo. Si proporcionas un lema permitido, da su enunciado exacto y explica si puede usarse directamente o si también debe demostrarse. Los prompts de demostración del fabricante exigen una solución justificada incluso cuando la tarea pide una respuesta, y no consideran que una referencia a otro texto sustituya al argumento ausente.\n\nLa respuesta esperada puede contener una visión general de la idea, una demostración completa y una autoevaluación separada. Para una desigualdad, pide al modelo que compruebe las restricciones del dominio y las condiciones de igualdad. Para un problema de recuento, pídele que justifique que los casos son exhaustivos y no se solapan. Para una demostración existente, identifica el paso controvertido y solicita una reparación o una explicación de por qué la conclusión propuesta sigue sin demostrarse. El álgebra, la geometría, la teoría de números, la combinatoria y las desigualdades están presentes en las tareas de evaluación matemática del fabricante.\n\nPerfeccionamiento. El flujo publicado puede devolver al mismo modelo una demostración y su autoanálisis para abordar los defectos pendientes. En el entorno de investigación de un solo intento descrito por el fabricante, el presupuesto de demostración es de 128K tokens; algunos argumentos difíciles quedan incompletos al agotarse ese presupuesto. En tu trabajo, utiliza una objeción concreta como siguiente entrada y pregunta qué parte de la demostración cambia al resolverla. Mantén visibles las definiciones e hipótesis anteriores. El resultado revisado debe indicar qué se ha establecido y qué dificultad queda pendiente.\n\nLa salida de Math V2 es una demostración y una crítica en lenguaje natural. Los sistemas de demostración formal como Lean comprueban otro tipo de artefacto; DeepSeek Prover V2 es una especialización distinta de razonamiento formal. Una evaluación que no detecte ningún defecto sigue mereciendo revisión matemática, especialmente cuando la demostración depende de un caso omitido o de un lema no enunciado. La investigación del productor señala que sus problemas más difíciles pueden quedar sin resolver incluso después de perfeccionar la demostración.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Repair a divisibility proof\n\nReview this proposed proof: 'If 6 divides ab, then 6 divides a or 6 divides b, because every prime factor of 6 must divide one of the factors.' Here a and b are integers. Identify the invalid implication, provide a counterexample and state a correct related proposition with proof. Separate your proof from a self-check of its completeness.A precise flaw explanation, an integer counterexample, a corrected proposition with proof and a separate self-check.Verify the counterexample meets the premise and defeats both alternatives in the claimed conclusion.DeepSeek-Math-V2-ultraModelo de DeepSeek para demostraciones matemáticas en lenguaje natural y autoverificación, basado en DeepSeek V3.2 Exp Base. Puede desarrollar una solución, examinar sus lagunas lógicas y perfeccionar el argumento, con una demostración detallada y una evaluación de los problemas pendientes.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
DeepSeek Math V2 se especializa en la demostración de teoremas en lenguaje natural y el razonamiento matemático autoverificable. Está basado en DeepSeek V3.2 Exp Base. El punto de partida del fabricante es que una respuesta final correcta puede apoyarse en un razonamiento inválido, mientras que un teorema suele requerir una derivación completa en lugar de una respuesta numérica. Por ello, el modelo se centra en generar demostraciones, detectar sus defectos y mejorar el argumento antes de finalizar la respuesta.
Verificación de demostraciones. El método de entrenamiento enseña a un verificador a leer un problema junto con una demostración propuesta, identificar problemas y valorar la calidad de la demostración. Sus criterios distinguen una derivación completa y rigurosa de una solución por lo demás válida con errores menores, y de un argumento fundamentalmente inválido. Una solicitud práctica de revisión de demostraciones debe aplicar la misma distinción: señalar dónde falla el razonamiento, explicar por qué importa el problema y diferenciar un detalle ausente de una laguna que impide llegar a la conclusión.
Metaverificación. La investigación también revisa las críticas del propio verificador. Un defecto señalado debe aparecer realmente en la demostración propuesta y justificar la valoración. Así se aborda el riesgo de emitir un juicio aparentemente razonable mientras se inventa un problema que la demostración no contiene. Para una tarea de revisión, proporciona la demostración original junto con cualquier crítica existente y pregunta si la crítica representa fielmente el paso pertinente. El resultado útil es una explicación comprobada de la objeción y de sus consecuencias.
Generación de demostraciones y autoanálisis. DeepSeek entrena al generador con los comentarios del verificador y recompensa explícitamente la evaluación precisa de su propio trabajo. Se anima al modelo a reconocer errores reales, corregir los problemas que pueda resolver y presentar la mejor demostración junto con una valoración honesta de su grado de completitud. La verificación y la generación mejoran en un ciclo de entrenamiento iterativo; las demostraciones generadas más difíciles se convierten en material para mejorar el verificador. El modelo resultante puede tanto generar como verificar argumentos matemáticos.
Prepara el problema con precisión. Incluye definiciones, cuantificadores, dominios y todas las hipótesis. Indica si buscas existencia, unicidad, una desigualdad, una construcción o un contraejemplo. Si proporcionas un lema permitido, da su enunciado exacto y explica si puede usarse directamente o si también debe demostrarse. Los prompts de demostración del fabricante exigen una solución justificada incluso cuando la tarea pide una respuesta, y no consideran que una referencia a otro texto sustituya al argumento ausente.
La respuesta esperada puede contener una visión general de la idea, una demostración completa y una autoevaluación separada. Para una desigualdad, pide al modelo que compruebe las restricciones del dominio y las condiciones de igualdad. Para un problema de recuento, pídele que justifique que los casos son exhaustivos y no se solapan. Para una demostración existente, identifica el paso controvertido y solicita una reparación o una explicación de por qué la conclusión propuesta sigue sin demostrarse. El álgebra, la geometría, la teoría de números, la combinatoria y las desigualdades están presentes en las tareas de evaluación matemática del fabricante.
Perfeccionamiento. El flujo publicado puede devolver al mismo modelo una demostración y su autoanálisis para abordar los defectos pendientes. En el entorno de investigación de un solo intento descrito por el fabricante, el presupuesto de demostración es de 128K tokens; algunos argumentos difíciles quedan incompletos al agotarse ese presupuesto. En tu trabajo, utiliza una objeción concreta como siguiente entrada y pregunta qué parte de la demostración cambia al resolverla. Mantén visibles las definiciones e hipótesis anteriores. El resultado revisado debe indicar qué se ha establecido y qué dificultad queda pendiente.
La salida de Math V2 es una demostración y una crítica en lenguaje natural. Los sistemas de demostración formal como Lean comprueban otro tipo de artefacto; DeepSeek Prover V2 es una especialización distinta de razonamiento formal. Una evaluación que no detecte ningún defecto sigue mereciendo revisión matemática, especialmente cuando la demostración depende de un caso omitido o de un lema no enunciado. La investigación del productor señala que sus problemas más difíciles pueden quedar sin resolver incluso después de perfeccionar la demostración.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites DeepSeek-Math-V2-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 $0.001144 / 1K tokens Salida · Tokens de salida $0.004572 / 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-Math-V2-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-Math-V2-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-Math-V2-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 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-Math-V2-ultra
Usa las rutas de método indicadas arriba.
DeepSeek-Math-V2-ultraModelo de DeepSeek para demostraciones matemáticas en lenguaje natural y autoverificación, basado en DeepSeek V3.2 Exp Base. Puede desarrollar una solución, examinar sus lagunas lógicas y perfeccionar el argumento, con una demostración detallada y una evaluación de los problemas pendientes.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
DeepSeek Math V2 se especializa en la demostración de teoremas en lenguaje natural y el razonamiento matemático autoverificable. Está basado en DeepSeek V3.2 Exp Base. El punto de partida del fabricante es que una respuesta final correcta puede apoyarse en un razonamiento inválido, mientras que un teorema suele requerir una derivación completa en lugar de una respuesta numérica. Por ello, el modelo se centra en generar demostraciones, detectar sus defectos y mejorar el argumento antes de finalizar la respuesta.
Verificación de demostraciones. El método de entrenamiento enseña a un verificador a leer un problema junto con una demostración propuesta, identificar problemas y valorar la calidad de la demostración. Sus criterios distinguen una derivación completa y rigurosa de una solución por lo demás válida con errores menores, y de un argumento fundamentalmente inválido. Una solicitud práctica de revisión de demostraciones debe aplicar la misma distinción: señalar dónde falla el razonamiento, explicar por qué importa el problema y diferenciar un detalle ausente de una laguna que impide llegar a la conclusión.
Metaverificación. La investigación también revisa las críticas del propio verificador. Un defecto señalado debe aparecer realmente en la demostración propuesta y justificar la valoración. Así se aborda el riesgo de emitir un juicio aparentemente razonable mientras se inventa un problema que la demostración no contiene. Para una tarea de revisión, proporciona la demostración original junto con cualquier crítica existente y pregunta si la crítica representa fielmente el paso pertinente. El resultado útil es una explicación comprobada de la objeción y de sus consecuencias.
Generación de demostraciones y autoanálisis. DeepSeek entrena al generador con los comentarios del verificador y recompensa explícitamente la evaluación precisa de su propio trabajo. Se anima al modelo a reconocer errores reales, corregir los problemas que pueda resolver y presentar la mejor demostración junto con una valoración honesta de su grado de completitud. La verificación y la generación mejoran en un ciclo de entrenamiento iterativo; las demostraciones generadas más difíciles se convierten en material para mejorar el verificador. El modelo resultante puede tanto generar como verificar argumentos matemáticos.
Prepara el problema con precisión. Incluye definiciones, cuantificadores, dominios y todas las hipótesis. Indica si buscas existencia, unicidad, una desigualdad, una construcción o un contraejemplo. Si proporcionas un lema permitido, da su enunciado exacto y explica si puede usarse directamente o si también debe demostrarse. Los prompts de demostración del fabricante exigen una solución justificada incluso cuando la tarea pide una respuesta, y no consideran que una referencia a otro texto sustituya al argumento ausente.
La respuesta esperada puede contener una visión general de la idea, una demostración completa y una autoevaluación separada. Para una desigualdad, pide al modelo que compruebe las restricciones del dominio y las condiciones de igualdad. Para un problema de recuento, pídele que justifique que los casos son exhaustivos y no se solapan. Para una demostración existente, identifica el paso controvertido y solicita una reparación o una explicación de por qué la conclusión propuesta sigue sin demostrarse. El álgebra, la geometría, la teoría de números, la combinatoria y las desigualdades están presentes en las tareas de evaluación matemática del fabricante.
Perfeccionamiento. El flujo publicado puede devolver al mismo modelo una demostración y su autoanálisis para abordar los defectos pendientes. En el entorno de investigación de un solo intento descrito por el fabricante, el presupuesto de demostración es de 128K tokens; algunos argumentos difíciles quedan incompletos al agotarse ese presupuesto. En tu trabajo, utiliza una objeción concreta como siguiente entrada y pregunta qué parte de la demostración cambia al resolverla. Mantén visibles las definiciones e hipótesis anteriores. El resultado revisado debe indicar qué se ha establecido y qué dificultad queda pendiente.
La salida de Math V2 es una demostración y una crítica en lenguaje natural. Los sistemas de demostración formal como Lean comprueban otro tipo de artefacto; DeepSeek Prover V2 es una especialización distinta de razonamiento formal. Una evaluación que no detecte ningún defecto sigue mereciendo revisión matemática, especialmente cuando la demostración depende de un caso omitido o de un lema no enunciado. La investigación del productor señala que sus problemas más difíciles pueden quedar sin resolver incluso después de perfeccionar la demostración.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites DeepSeek-Math-V2-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 $0.001144 / 1K tokens Salida · Tokens de salida $0.004572 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "DeepSeek-Math-V2-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Math-V2-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-Math-V2-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 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-Math-V2-ultra
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Repair a divisibility proof\n\nReview this proposed proof: 'If 6 divides ab, then 6 divides a or 6 divides b, because every prime factor of 6 must divide one of the factors.' Here a and b are integers. Identify the invalid implication, provide a counterexample and state a correct related proposition with proof. Separate your proof from a self-check of its completeness.A precise flaw explanation, an integer counterexample, a corrected proposition with proof and a separate self-check.Verify the counterexample meets the premise and defeats both alternatives in the claimed conclusion.