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 7 mil millones de parámetros es un punto de control separado de DeepSeek-R1 completo, del Qwen2.5-Math-7B original y de las ediciones destiladas mayores. Su nombre registra tanto al productor de los datos de razonamiento como a la familia del modelo subyacente.
Qué aporta la destilación
La investigación R1 de DeepSeek distingue el entrenamiento del gran modelo maestro de razonamiento del ajuste fino de sus alumnos más pequeños. El proceso 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 7 mil millones de parámetros tiene por sí mismo la arquitectura de mezcla de expertos del modelo completo ni que haya pasado por todas las etapas de entrenamiento del maestro. La destilación dota a este modelo de 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 cambia ajustes de configuración y 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 lingüístico 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 su origen sin publicar una tabla de contexto validado por alumno.
Utilízalo 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 lógica, enumera los hechos y distingue una conclusión requerida de un supuesto. Solicita un resultado final que pueda comprobarse de forma independiente, como un valor enmarcado, un esquema de demostración conciso o un parche explicado. Estos ejemplos aplican el alcance de razonamiento documentado por el fabricante; no afirman que el modelo ejecute código o verifique demostraciones automáticamente.
Cómo preparar el prompt
DeepSeek recomienda colocar todas las instrucciones en el prompt del usuario y evitar un mensaje 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 los supuestos y los 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 comprobar los cambios del fabricante.
El fabricante señala que algunas consultas pueden producir un bloque de razonamiento vacío y omitir el patrón de razonamiento previsto. Su solución recomendada es hacer que la generación comience con el marcador de apertura de razonamiento y un salto de línea en un flujo compatible. Es una recomendación documentada sobre el 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 las salidas repetidas o incoherentes. Su configuración de evaluación utiliza una capacidad de generación de 32.768 tokens y top_p 0.95. Esas opciones 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 o un listado de código largos debe seguir dejando margen para la generación.
Limitaciones que afectan a la elección del modelo
Un modelo destilado pequeño sigue representando un compromiso de razonamiento específico. Los materiales de publicación del fabricante no establecen entrada de imágenes, audio o vídeo 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 aplicación configurado por separado. La versión tampoco hereda los cambios posteriores de política de prompts de DeepSeek-R1-0528 por llevar el nombre R1. Verifica las respuestas numéricas, inspecciona los cambios de código propuestos y comprueba si la conclusión final se deriva de los hechos proporcionados; una transcripción larga de razonamiento por sí sola no demuestra la 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 7 mil millones de parámetros es un punto de control separado de DeepSeek-R1 completo, del Qwen2.5-Math-7B original y de las ediciones destiladas mayores. Su nombre registra tanto al productor de los datos de razonamiento como a la familia del modelo subyacente.\n\nQué aporta la destilación\n\nLa investigación R1 de DeepSeek distingue el entrenamiento del gran modelo maestro de razonamiento del ajuste fino de sus alumnos más pequeños. El proceso 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 7 mil millones de parámetros tiene por sí mismo la arquitectura de mezcla de expertos del modelo completo ni que haya pasado por todas las etapas de entrenamiento del maestro. La destilación dota a este modelo de 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 cambia ajustes de configuración y 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 lingüístico 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 su origen sin publicar una tabla de contexto validado por alumno.\n\nUtilízalo 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 lógica, enumera los hechos y distingue una conclusión requerida de un supuesto. Solicita un resultado final que pueda comprobarse de forma independiente, como un valor enmarcado, un esquema de demostración conciso o un parche explicado. Estos ejemplos aplican el alcance de razonamiento documentado por el fabricante; no afirman que el modelo ejecute código o verifique demostraciones automáticamente.\n\nCómo preparar el prompt\n\nDeepSeek recomienda colocar todas las instrucciones en el prompt del usuario y evitar un mensaje 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 los supuestos y los 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 comprobar los cambios del fabricante.\n\nEl fabricante señala que algunas consultas pueden producir un bloque de razonamiento vacío y omitir el patrón de razonamiento previsto. Su solución recomendada es hacer que la generación comience con el marcador de apertura de razonamiento y un salto de línea en un flujo compatible. Es una recomendación documentada sobre el 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 las salidas repetidas o incoherentes. Su configuración de evaluación utiliza una capacidad de generación de 32.768 tokens y top_p 0.95. Esas opciones 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 o un listado de código largos debe seguir dejando margen para la generación.\n\nLimitaciones que afectan a la elección del modelo\n\nUn modelo destilado pequeño sigue representando un compromiso de razonamiento específico. Los materiales de publicación del fabricante no establecen entrada de imágenes, audio o vídeo 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 aplicación configurado por separado. La versión tampoco hereda los cambios posteriores de política de prompts de DeepSeek-R1-0528 por llevar el nombre R1. Verifica las respuestas numéricas, inspecciona los cambios de código propuestos y comprueba si la conclusión final se deriva de los hechos proporcionados; una transcripción larga de razonamiento por sí sola no demuestra la corrección.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "755076c7e46de0809d5921fd0b00220a950d98323dd3240354018cf19b72311c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7BDeepSeek-R1-Distill-Qwen-7B es el modelo denso y compacto de razonamiento de DeepSeek, ajustado a partir de Qwen2.5-Math-7B mediante ejemplos generados por R1. Recibe texto y produce texto para tareas matemáticas, de programación y lógicas, con recomendaciones de uso de prompts específicas para 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 7 mil millones de parámetros es un punto de control separado de DeepSeek-R1 completo, del Qwen2.5-Math-7B original y de las ediciones destiladas mayores. Su nombre registra tanto al productor de los datos de razonamiento como a la familia del modelo subyacente.
Qué aporta la destilación
La investigación R1 de DeepSeek distingue el entrenamiento del gran modelo maestro de razonamiento del ajuste fino de sus alumnos más pequeños. El proceso 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 7 mil millones de parámetros tiene por sí mismo la arquitectura de mezcla de expertos del modelo completo ni que haya pasado por todas las etapas de entrenamiento del maestro. La destilación dota a este modelo de 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 cambia ajustes de configuración y 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 lingüístico 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 su origen sin publicar una tabla de contexto validado por alumno.
Utilízalo 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 lógica, enumera los hechos y distingue una conclusión requerida de un supuesto. Solicita un resultado final que pueda comprobarse de forma independiente, como un valor enmarcado, un esquema de demostración conciso o un parche explicado. Estos ejemplos aplican el alcance de razonamiento documentado por el fabricante; no afirman que el modelo ejecute código o verifique demostraciones automáticamente.
Cómo preparar el prompt
DeepSeek recomienda colocar todas las instrucciones en el prompt del usuario y evitar un mensaje 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 los supuestos y los 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 comprobar los cambios del fabricante.
El fabricante señala que algunas consultas pueden producir un bloque de razonamiento vacío y omitir el patrón de razonamiento previsto. Su solución recomendada es hacer que la generación comience con el marcador de apertura de razonamiento y un salto de línea en un flujo compatible. Es una recomendación documentada sobre el 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 las salidas repetidas o incoherentes. Su configuración de evaluación utiliza una capacidad de generación de 32.768 tokens y top_p 0.95. Esas opciones 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 o un listado de código largos debe seguir dejando margen para la generación.
Limitaciones que afectan a la elección del modelo
Un modelo destilado pequeño sigue representando un compromiso de razonamiento específico. Los materiales de publicación del fabricante no establecen entrada de imágenes, audio o vídeo 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 aplicación configurado por separado. La versión tampoco hereda los cambios posteriores de política de prompts de DeepSeek-R1-0528 por llevar el nombre R1. Verifica las respuestas numéricas, inspecciona los cambios de código propuestos y comprueba si la conclusión final se deriva de los hechos proporcionados; una transcripción larga de razonamiento por sí sola no demuestra la corrección.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Conversación textual | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
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 |
Parámetrocontrol_scope | ContratoConversación textual; stream es un booleano y su valor predeterminado es false. |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Alias de método: /chat/completions
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 $0.0001 / 1K tokens Salida · Tokens de salida $0.0001 / 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":"Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B
/chat/completions
Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7BDeepSeek-R1-Distill-Qwen-7B es el modelo denso y compacto de razonamiento de DeepSeek, ajustado a partir de Qwen2.5-Math-7B mediante ejemplos generados por R1. Recibe texto y produce texto para tareas matemáticas, de programación y lógicas, con recomendaciones de uso de prompts específicas para 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 7 mil millones de parámetros es un punto de control separado de DeepSeek-R1 completo, del Qwen2.5-Math-7B original y de las ediciones destiladas mayores. Su nombre registra tanto al productor de los datos de razonamiento como a la familia del modelo subyacente.
Qué aporta la destilación
La investigación R1 de DeepSeek distingue el entrenamiento del gran modelo maestro de razonamiento del ajuste fino de sus alumnos más pequeños. El proceso 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 7 mil millones de parámetros tiene por sí mismo la arquitectura de mezcla de expertos del modelo completo ni que haya pasado por todas las etapas de entrenamiento del maestro. La destilación dota a este modelo de 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 cambia ajustes de configuración y 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 lingüístico 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 su origen sin publicar una tabla de contexto validado por alumno.
Utilízalo 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 lógica, enumera los hechos y distingue una conclusión requerida de un supuesto. Solicita un resultado final que pueda comprobarse de forma independiente, como un valor enmarcado, un esquema de demostración conciso o un parche explicado. Estos ejemplos aplican el alcance de razonamiento documentado por el fabricante; no afirman que el modelo ejecute código o verifique demostraciones automáticamente.
Cómo preparar el prompt
DeepSeek recomienda colocar todas las instrucciones en el prompt del usuario y evitar un mensaje 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 los supuestos y los 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 comprobar los cambios del fabricante.
El fabricante señala que algunas consultas pueden producir un bloque de razonamiento vacío y omitir el patrón de razonamiento previsto. Su solución recomendada es hacer que la generación comience con el marcador de apertura de razonamiento y un salto de línea en un flujo compatible. Es una recomendación documentada sobre el 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 las salidas repetidas o incoherentes. Su configuración de evaluación utiliza una capacidad de generación de 32.768 tokens y top_p 0.95. Esas opciones 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 o un listado de código largos debe seguir dejando margen para la generación.
Limitaciones que afectan a la elección del modelo
Un modelo destilado pequeño sigue representando un compromiso de razonamiento específico. Los materiales de publicación del fabricante no establecen entrada de imágenes, audio o vídeo 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 aplicación configurado por separado. La versión tampoco hereda los cambios posteriores de política de prompts de DeepSeek-R1-0528 por llevar el nombre R1. Verifica las respuestas numéricas, inspecciona los cambios de código propuestos y comprueba si la conclusión final se deriva de los hechos proporcionados; una transcripción larga de razonamiento por sí sola no demuestra la corrección.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B | 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 $0.0001 / 1K tokens Salida · Tokens de salida $0.0001 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B', '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': 'Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B', '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 Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B
/chat/completions