DeepSeek-R1-Distill-Qwen-32B est le point de contrôle dense de raisonnement de taille 32B de DeepSeek, construit à partir de Qwen2.5-32B. DeepSeek ajuste la base avec des exemples de raisonnement générés par DeepSeek-R1. Il en résulte un modèle de texte distinct pour les problèmes nécessitant plusieurs étapes liées, comme une dérivation mathématique, une question algorithmique ou un raisonnement sous contraintes.
Ce qui distingue cette distillation du modèle R1 complet
La publication du fabricant distingue DeepSeek-R1-Zero, DeepSeek-R1 et les modèles distillés sur des bases Qwen ou Llama. La gamme R1 complète développe le raisonnement au moyen de son propre pipeline d’entraînement ; l’étape de distillation transfère les schémas représentés dans les exemples générés par R1 vers des points de contrôle denses distincts. Cette entrée correspond à l’édition distillée 32B fondée sur Qwen, et non au modèle R1 complet, à R1-Zero ou à la base Qwen2.5-32B non modifiée.
Les modèles distillés Qwen publiés sont ajustés avec 800,000 échantillons sélectionnés. DeepSeek modifie également leurs configurations et leurs tokenizers et demande aux utilisateurs de conserver ces réglages. L’origine de l’entraînement explique l’accent mis sur le raisonnement, tandis que le point de contrôle nommé et sa propre configuration déterminent la version réelle. Cela ne signifie pas que le modèle enseignant, plus grand, est automatiquement consulté pour répondre à chaque nouvelle question.
La configuration du point de contrôle 32B utilise une architecture de modèle de langue causal avec 64 couches, 40 têtes d’attention de requête et 8 têtes clé/valeur. Elle fixe le maximum de positions à 131,072. Ce chiffre de configuration concerne le modèle publié ; une commande de service d’exemple ou un autre membre de la famille R1 ne doit pas être considéré comme ayant le même réglage de contexte. Le modèle reçoit du texte et en génère, plutôt que d’accepter une image ou de produire un livrable visuel ou audio.
Préparer une tâche de mathématiques ou de programmation
Pour un problème mathématique, donnez l’énoncé complet, définissez les variables et indiquez le domaine ou les hypothèses. Précisez si le résultat final doit être une expression exacte, une approximation numérique ou la preuve d’une affirmation. Une demande utile peut solliciter une dérivation suivie de l’expression finale et d’une vérification par rapport aux conditions d’origine. Le fabricant recommande une réponse mathématique détaillée avec la réponse finale encadrée en LaTeX.
Pour un problème algorithmique, fournissez la plage des entrées, la sortie requise et les contraintes de solution. Demandez la démarche, l’implémentation et une explication de la préservation de la propriété requise. Si le problème concerne du code existant, fournissez la fonction pertinente, l’entrée qui provoque le comportement inattendu et le résultat attendu. La réponse peut comparer le parcours réel au parcours visé et proposer une correction ; l’exécution et la vérification du programme constituent des étapes distinctes de l’application.
Pour un problème de contraintes, énumérez explicitement les choix permis et les relations. Par exemple, une demande de planification peut fournir les participants, les disponibilités et les règles qui rendent deux affectations incompatibles. Demandez une affectation proposée accompagnée de la règle qui étaye chaque décision, et exigez que toute condition non résolue reste visible. La tâche de raisonnement devient ainsi vérifiable, plutôt que de demander au modèle de choisir sans les contraintes sous-jacentes.
Recommandations d’utilisation propres au fabricant
DeepSeek recommande de placer toutes les instructions dans la consigne utilisateur et d’éviter une consigne système distincte pour cette série. Cela diffère d’un modèle général de conversation qui s’appuie sur un message système pour définir la tâche. Regroupez le format de réponse demandé, les sources et la question réelle, en les délimitant clairement.
La plage de température recommandée va de 0.5 à 0.7, avec une préférence pour 0.6. Le fabricant relie cette recommandation à la réduction des répétitions ou des sorties incohérentes. Il note aussi que certaines requêtes peuvent produire un bloc de raisonnement vide et recommande de commencer la sortie par le marqueur d’ouverture du raisonnement. Ce sont des recommandations pour le parcours de raisonnement publié, pas une garantie qu’un réglage établit l’exactitude.
Un contrat de réponse pratique peut demander une explication de la méthode, les étapes importantes justifiées et un livrable final distinct. Pour une tâche mathématique, utilisez l’expression encadrée comme résultat final. Pour une tâche de code, séparez le code de ses hypothèses et des exemples d’entrée. Pour une tâche logique, rattachez chaque conclusion à la règle ou au fait fourni qui l’étaye. Le texte de raisonnement et le résultat nécessaire à l’application peuvent ainsi remplir des fonctions distinctes.
Contexte, sortie et limites d’intégration
Les 131,072 positions maximales de la configuration publiée doivent être considérées avec l’ensemble de la consigne et du raisonnement généré. Le fabricant utilise un réglage de génération de 32,768 tokens lors de l’évaluation, mais ce réglage expérimental ne constitue pas une spécification publiée et séparée de capacité de sortie pour ce point de contrôle. Ne déduisez pas un plafond de réponse d’une configuration de test et ne reportez pas le chiffre de sortie de 8,192 tokens de l’édition Qwen Instruct d’origine sur cette version distillée modifiée.
Gardez les entrées centrées sur la question mathématique, informatique ou logique réelle et indiquez la forme finale souhaitée. Une calculatrice externe, un dépôt, un analyseur de documents ou une fonction de recherche doit être fourni par l’application environnante ; le simple choix d’un point de contrôle de raisonnement textuel ne l’inclut pas. Le résultat utile est une solution écrite ou une implémentation proposée dont les hypothèses, la méthode et la réponse finale correspondent au problème fourni.
", "aboutText": "DeepSeek-R1-Distill-Qwen-32B est le point de contrôle dense de raisonnement de taille 32B de DeepSeek, construit à partir de Qwen2.5-32B. DeepSeek ajuste la base avec des exemples de raisonnement générés par DeepSeek-R1. Il en résulte un modèle de texte distinct pour les problèmes nécessitant plusieurs étapes liées, comme une dérivation mathématique, une question algorithmique ou un raisonnement sous contraintes.\n\nCe qui distingue cette distillation du modèle R1 complet\n\nLa publication du fabricant distingue DeepSeek-R1-Zero, DeepSeek-R1 et les modèles distillés sur des bases Qwen ou Llama. La gamme R1 complète développe le raisonnement au moyen de son propre pipeline d’entraînement ; l’étape de distillation transfère les schémas représentés dans les exemples générés par R1 vers des points de contrôle denses distincts. Cette entrée correspond à l’édition distillée 32B fondée sur Qwen, et non au modèle R1 complet, à R1-Zero ou à la base Qwen2.5-32B non modifiée.\n\nLes modèles distillés Qwen publiés sont ajustés avec 800,000 échantillons sélectionnés. DeepSeek modifie également leurs configurations et leurs tokenizers et demande aux utilisateurs de conserver ces réglages. L’origine de l’entraînement explique l’accent mis sur le raisonnement, tandis que le point de contrôle nommé et sa propre configuration déterminent la version réelle. Cela ne signifie pas que le modèle enseignant, plus grand, est automatiquement consulté pour répondre à chaque nouvelle question.\n\nLa configuration du point de contrôle 32B utilise une architecture de modèle de langue causal avec 64 couches, 40 têtes d’attention de requête et 8 têtes clé/valeur. Elle fixe le maximum de positions à 131,072. Ce chiffre de configuration concerne le modèle publié ; une commande de service d’exemple ou un autre membre de la famille R1 ne doit pas être considéré comme ayant le même réglage de contexte. Le modèle reçoit du texte et en génère, plutôt que d’accepter une image ou de produire un livrable visuel ou audio.\n\nPréparer une tâche de mathématiques ou de programmation\n\nPour un problème mathématique, donnez l’énoncé complet, définissez les variables et indiquez le domaine ou les hypothèses. Précisez si le résultat final doit être une expression exacte, une approximation numérique ou la preuve d’une affirmation. Une demande utile peut solliciter une dérivation suivie de l’expression finale et d’une vérification par rapport aux conditions d’origine. Le fabricant recommande une réponse mathématique détaillée avec la réponse finale encadrée en LaTeX.\n\nPour un problème algorithmique, fournissez la plage des entrées, la sortie requise et les contraintes de solution. Demandez la démarche, l’implémentation et une explication de la préservation de la propriété requise. Si le problème concerne du code existant, fournissez la fonction pertinente, l’entrée qui provoque le comportement inattendu et le résultat attendu. La réponse peut comparer le parcours réel au parcours visé et proposer une correction ; l’exécution et la vérification du programme constituent des étapes distinctes de l’application.\n\nPour un problème de contraintes, énumérez explicitement les choix permis et les relations. Par exemple, une demande de planification peut fournir les participants, les disponibilités et les règles qui rendent deux affectations incompatibles. Demandez une affectation proposée accompagnée de la règle qui étaye chaque décision, et exigez que toute condition non résolue reste visible. La tâche de raisonnement devient ainsi vérifiable, plutôt que de demander au modèle de choisir sans les contraintes sous-jacentes.\n\nRecommandations d’utilisation propres au fabricant\n\nDeepSeek recommande de placer toutes les instructions dans la consigne utilisateur et d’éviter une consigne système distincte pour cette série. Cela diffère d’un modèle général de conversation qui s’appuie sur un message système pour définir la tâche. Regroupez le format de réponse demandé, les sources et la question réelle, en les délimitant clairement.\n\nLa plage de température recommandée va de 0.5 à 0.7, avec une préférence pour 0.6. Le fabricant relie cette recommandation à la réduction des répétitions ou des sorties incohérentes. Il note aussi que certaines requêtes peuvent produire un bloc de raisonnement vide et recommande de commencer la sortie par le marqueur d’ouverture du raisonnement. Ce sont des recommandations pour le parcours de raisonnement publié, pas une garantie qu’un réglage établit l’exactitude.\n\nUn contrat de réponse pratique peut demander une explication de la méthode, les étapes importantes justifiées et un livrable final distinct. Pour une tâche mathématique, utilisez l’expression encadrée comme résultat final. Pour une tâche de code, séparez le code de ses hypothèses et des exemples d’entrée. Pour une tâche logique, rattachez chaque conclusion à la règle ou au fait fourni qui l’étaye. Le texte de raisonnement et le résultat nécessaire à l’application peuvent ainsi remplir des fonctions distinctes.\n\nContexte, sortie et limites d’intégration\n\nLes 131,072 positions maximales de la configuration publiée doivent être considérées avec l’ensemble de la consigne et du raisonnement généré. Le fabricant utilise un réglage de génération de 32,768 tokens lors de l’évaluation, mais ce réglage expérimental ne constitue pas une spécification publiée et séparée de capacité de sortie pour ce point de contrôle. Ne déduisez pas un plafond de réponse d’une configuration de test et ne reportez pas le chiffre de sortie de 8,192 tokens de l’édition Qwen Instruct d’origine sur cette version distillée modifiée.\n\nGardez les entrées centrées sur la question mathématique, informatique ou logique réelle et indiquez la forme finale souhaitée. Une calculatrice externe, un dépôt, un analyseur de documents ou une fonction de recherche doit être fourni par l’application environnante ; le simple choix d’un point de contrôle de raisonnement textuel ne l’inclut pas. Le résultat utile est une solution écrite ou une implémentation proposée dont les hypothèses, la méthode et la réponse finale correspondent au problème fourni.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Solve a bounded scheduling problem\n\nSchedule three one-hour interviews in slots 09:00, 10:00 and 11:00. Ada cannot attend 09:00; Ben cannot attend 11:00; Chen must be before Ada. Each person gets one distinct slot. Give a valid schedule, explain how each constraint is satisfied and state whether another schedule is possible.A person-to-slot table, a constraint check and a justified uniqueness or non-uniqueness conclusion.Check all three constraints and distinct slots directly against the proposed schedule.deepseek-ai/DeepSeek-R1-Distill-Qwen-32BDeepSeek-R1-Distill-Qwen-32B est un modèle dense de raisonnement textuel ajusté à partir de Qwen2.5-32B avec des exemples de DeepSeek-R1. Il vise les tâches de mathématiques, de code et de logique en plusieurs étapes, avec des recommandations de consigne propres au fabricant et une configuration de version à 131,072 positions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
DeepSeek-R1-Distill-Qwen-32B est le point de contrôle dense de raisonnement de taille 32B de DeepSeek, construit à partir de Qwen2.5-32B. DeepSeek ajuste la base avec des exemples de raisonnement générés par DeepSeek-R1. Il en résulte un modèle de texte distinct pour les problèmes nécessitant plusieurs étapes liées, comme une dérivation mathématique, une question algorithmique ou un raisonnement sous contraintes.
Ce qui distingue cette distillation du modèle R1 complet
La publication du fabricant distingue DeepSeek-R1-Zero, DeepSeek-R1 et les modèles distillés sur des bases Qwen ou Llama. La gamme R1 complète développe le raisonnement au moyen de son propre pipeline d’entraînement ; l’étape de distillation transfère les schémas représentés dans les exemples générés par R1 vers des points de contrôle denses distincts. Cette entrée correspond à l’édition distillée 32B fondée sur Qwen, et non au modèle R1 complet, à R1-Zero ou à la base Qwen2.5-32B non modifiée.
Les modèles distillés Qwen publiés sont ajustés avec 800,000 échantillons sélectionnés. DeepSeek modifie également leurs configurations et leurs tokenizers et demande aux utilisateurs de conserver ces réglages. L’origine de l’entraînement explique l’accent mis sur le raisonnement, tandis que le point de contrôle nommé et sa propre configuration déterminent la version réelle. Cela ne signifie pas que le modèle enseignant, plus grand, est automatiquement consulté pour répondre à chaque nouvelle question.
La configuration du point de contrôle 32B utilise une architecture de modèle de langue causal avec 64 couches, 40 têtes d’attention de requête et 8 têtes clé/valeur. Elle fixe le maximum de positions à 131,072. Ce chiffre de configuration concerne le modèle publié ; une commande de service d’exemple ou un autre membre de la famille R1 ne doit pas être considéré comme ayant le même réglage de contexte. Le modèle reçoit du texte et en génère, plutôt que d’accepter une image ou de produire un livrable visuel ou audio.
Préparer une tâche de mathématiques ou de programmation
Pour un problème mathématique, donnez l’énoncé complet, définissez les variables et indiquez le domaine ou les hypothèses. Précisez si le résultat final doit être une expression exacte, une approximation numérique ou la preuve d’une affirmation. Une demande utile peut solliciter une dérivation suivie de l’expression finale et d’une vérification par rapport aux conditions d’origine. Le fabricant recommande une réponse mathématique détaillée avec la réponse finale encadrée en LaTeX.
Pour un problème algorithmique, fournissez la plage des entrées, la sortie requise et les contraintes de solution. Demandez la démarche, l’implémentation et une explication de la préservation de la propriété requise. Si le problème concerne du code existant, fournissez la fonction pertinente, l’entrée qui provoque le comportement inattendu et le résultat attendu. La réponse peut comparer le parcours réel au parcours visé et proposer une correction ; l’exécution et la vérification du programme constituent des étapes distinctes de l’application.
Pour un problème de contraintes, énumérez explicitement les choix permis et les relations. Par exemple, une demande de planification peut fournir les participants, les disponibilités et les règles qui rendent deux affectations incompatibles. Demandez une affectation proposée accompagnée de la règle qui étaye chaque décision, et exigez que toute condition non résolue reste visible. La tâche de raisonnement devient ainsi vérifiable, plutôt que de demander au modèle de choisir sans les contraintes sous-jacentes.
Recommandations d’utilisation propres au fabricant
DeepSeek recommande de placer toutes les instructions dans la consigne utilisateur et d’éviter une consigne système distincte pour cette série. Cela diffère d’un modèle général de conversation qui s’appuie sur un message système pour définir la tâche. Regroupez le format de réponse demandé, les sources et la question réelle, en les délimitant clairement.
La plage de température recommandée va de 0.5 à 0.7, avec une préférence pour 0.6. Le fabricant relie cette recommandation à la réduction des répétitions ou des sorties incohérentes. Il note aussi que certaines requêtes peuvent produire un bloc de raisonnement vide et recommande de commencer la sortie par le marqueur d’ouverture du raisonnement. Ce sont des recommandations pour le parcours de raisonnement publié, pas une garantie qu’un réglage établit l’exactitude.
Un contrat de réponse pratique peut demander une explication de la méthode, les étapes importantes justifiées et un livrable final distinct. Pour une tâche mathématique, utilisez l’expression encadrée comme résultat final. Pour une tâche de code, séparez le code de ses hypothèses et des exemples d’entrée. Pour une tâche logique, rattachez chaque conclusion à la règle ou au fait fourni qui l’étaye. Le texte de raisonnement et le résultat nécessaire à l’application peuvent ainsi remplir des fonctions distinctes.
Contexte, sortie et limites d’intégration
Les 131,072 positions maximales de la configuration publiée doivent être considérées avec l’ensemble de la consigne et du raisonnement généré. Le fabricant utilise un réglage de génération de 32,768 tokens lors de l’évaluation, mais ce réglage expérimental ne constitue pas une spécification publiée et séparée de capacité de sortie pour ce point de contrôle. Ne déduisez pas un plafond de réponse d’une configuration de test et ne reportez pas le chiffre de sortie de 8,192 tokens de l’édition Qwen Instruct d’origine sur cette version distillée modifiée.
Gardez les entrées centrées sur la question mathématique, informatique ou logique réelle et indiquez la forme finale souhaitée. Une calculatrice externe, un dépôt, un analyseur de documents ou une fonction de recherche doit être fourni par l’application environnante ; le simple choix d’un point de contrôle de raisonnement textuel ne l’inclut pas. Le résultat utile est une solution écrite ou une implémentation proposée dont les hypothèses, la méthode et la réponse finale correspondent au problème fourni.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites deepseek-ai/DeepSeek-R1-Distill-Qwen-32B | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00036 / 1K tokens Sortie · Tokens en sortie $0.00036 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-32B", "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-ai/DeepSeek-R1-Distill-Qwen-32B',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-ai/DeepSeek-R1-Distill-Qwen-32B',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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-32B
Utilisez les chemins de méthode indiqués ci-dessus.
deepseek-ai/DeepSeek-R1-Distill-Qwen-32BDeepSeek-R1-Distill-Qwen-32B est un modèle dense de raisonnement textuel ajusté à partir de Qwen2.5-32B avec des exemples de DeepSeek-R1. Il vise les tâches de mathématiques, de code et de logique en plusieurs étapes, avec des recommandations de consigne propres au fabricant et une configuration de version à 131,072 positions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
DeepSeek-R1-Distill-Qwen-32B est le point de contrôle dense de raisonnement de taille 32B de DeepSeek, construit à partir de Qwen2.5-32B. DeepSeek ajuste la base avec des exemples de raisonnement générés par DeepSeek-R1. Il en résulte un modèle de texte distinct pour les problèmes nécessitant plusieurs étapes liées, comme une dérivation mathématique, une question algorithmique ou un raisonnement sous contraintes.
Ce qui distingue cette distillation du modèle R1 complet
La publication du fabricant distingue DeepSeek-R1-Zero, DeepSeek-R1 et les modèles distillés sur des bases Qwen ou Llama. La gamme R1 complète développe le raisonnement au moyen de son propre pipeline d’entraînement ; l’étape de distillation transfère les schémas représentés dans les exemples générés par R1 vers des points de contrôle denses distincts. Cette entrée correspond à l’édition distillée 32B fondée sur Qwen, et non au modèle R1 complet, à R1-Zero ou à la base Qwen2.5-32B non modifiée.
Les modèles distillés Qwen publiés sont ajustés avec 800,000 échantillons sélectionnés. DeepSeek modifie également leurs configurations et leurs tokenizers et demande aux utilisateurs de conserver ces réglages. L’origine de l’entraînement explique l’accent mis sur le raisonnement, tandis que le point de contrôle nommé et sa propre configuration déterminent la version réelle. Cela ne signifie pas que le modèle enseignant, plus grand, est automatiquement consulté pour répondre à chaque nouvelle question.
La configuration du point de contrôle 32B utilise une architecture de modèle de langue causal avec 64 couches, 40 têtes d’attention de requête et 8 têtes clé/valeur. Elle fixe le maximum de positions à 131,072. Ce chiffre de configuration concerne le modèle publié ; une commande de service d’exemple ou un autre membre de la famille R1 ne doit pas être considéré comme ayant le même réglage de contexte. Le modèle reçoit du texte et en génère, plutôt que d’accepter une image ou de produire un livrable visuel ou audio.
Préparer une tâche de mathématiques ou de programmation
Pour un problème mathématique, donnez l’énoncé complet, définissez les variables et indiquez le domaine ou les hypothèses. Précisez si le résultat final doit être une expression exacte, une approximation numérique ou la preuve d’une affirmation. Une demande utile peut solliciter une dérivation suivie de l’expression finale et d’une vérification par rapport aux conditions d’origine. Le fabricant recommande une réponse mathématique détaillée avec la réponse finale encadrée en LaTeX.
Pour un problème algorithmique, fournissez la plage des entrées, la sortie requise et les contraintes de solution. Demandez la démarche, l’implémentation et une explication de la préservation de la propriété requise. Si le problème concerne du code existant, fournissez la fonction pertinente, l’entrée qui provoque le comportement inattendu et le résultat attendu. La réponse peut comparer le parcours réel au parcours visé et proposer une correction ; l’exécution et la vérification du programme constituent des étapes distinctes de l’application.
Pour un problème de contraintes, énumérez explicitement les choix permis et les relations. Par exemple, une demande de planification peut fournir les participants, les disponibilités et les règles qui rendent deux affectations incompatibles. Demandez une affectation proposée accompagnée de la règle qui étaye chaque décision, et exigez que toute condition non résolue reste visible. La tâche de raisonnement devient ainsi vérifiable, plutôt que de demander au modèle de choisir sans les contraintes sous-jacentes.
Recommandations d’utilisation propres au fabricant
DeepSeek recommande de placer toutes les instructions dans la consigne utilisateur et d’éviter une consigne système distincte pour cette série. Cela diffère d’un modèle général de conversation qui s’appuie sur un message système pour définir la tâche. Regroupez le format de réponse demandé, les sources et la question réelle, en les délimitant clairement.
La plage de température recommandée va de 0.5 à 0.7, avec une préférence pour 0.6. Le fabricant relie cette recommandation à la réduction des répétitions ou des sorties incohérentes. Il note aussi que certaines requêtes peuvent produire un bloc de raisonnement vide et recommande de commencer la sortie par le marqueur d’ouverture du raisonnement. Ce sont des recommandations pour le parcours de raisonnement publié, pas une garantie qu’un réglage établit l’exactitude.
Un contrat de réponse pratique peut demander une explication de la méthode, les étapes importantes justifiées et un livrable final distinct. Pour une tâche mathématique, utilisez l’expression encadrée comme résultat final. Pour une tâche de code, séparez le code de ses hypothèses et des exemples d’entrée. Pour une tâche logique, rattachez chaque conclusion à la règle ou au fait fourni qui l’étaye. Le texte de raisonnement et le résultat nécessaire à l’application peuvent ainsi remplir des fonctions distinctes.
Contexte, sortie et limites d’intégration
Les 131,072 positions maximales de la configuration publiée doivent être considérées avec l’ensemble de la consigne et du raisonnement généré. Le fabricant utilise un réglage de génération de 32,768 tokens lors de l’évaluation, mais ce réglage expérimental ne constitue pas une spécification publiée et séparée de capacité de sortie pour ce point de contrôle. Ne déduisez pas un plafond de réponse d’une configuration de test et ne reportez pas le chiffre de sortie de 8,192 tokens de l’édition Qwen Instruct d’origine sur cette version distillée modifiée.
Gardez les entrées centrées sur la question mathématique, informatique ou logique réelle et indiquez la forme finale souhaitée. Une calculatrice externe, un dépôt, un analyseur de documents ou une fonction de recherche doit être fourni par l’application environnante ; le simple choix d’un point de contrôle de raisonnement textuel ne l’inclut pas. Le résultat utile est une solution écrite ou une implémentation proposée dont les hypothèses, la méthode et la réponse finale correspondent au problème fourni.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites deepseek-ai/DeepSeek-R1-Distill-Qwen-32B | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00036 / 1K tokens Sortie · Tokens en sortie $0.00036 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-ai/DeepSeek-R1-Distill-Qwen-32B', '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-ai/DeepSeek-R1-Distill-Qwen-32B', '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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-32B
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Solve a bounded scheduling problem\n\nSchedule three one-hour interviews in slots 09:00, 10:00 and 11:00. Ada cannot attend 09:00; Ben cannot attend 11:00; Chen must be before Ada. Each person gets one distinct slot. Give a valid schedule, explain how each constraint is satisfied and state whether another schedule is possible.A person-to-slot table, a constraint check and a justified uniqueness or non-uniqueness conclusion.Check all three constraints and distinct slots directly against the proposed schedule.