DeepSeek-R1-Distill-Qwen-32B est le point de contrôle dense de raisonnement de taille 32B de DeepSeek, fondé sur Qwen2.5-32B. DeepSeek affine la base avec des exemples de raisonnement générés par DeepSeek-R1. Il en résulte un modèle textuel distinct pour les problèmes qui exigent plusieurs étapes reliées, comme une dérivation mathématique, une question algorithmique ou un raisonnement sur des contraintes.
Comment cette distillation diffère du modèle R1 complet
La version du fabricant distingue DeepSeek-R1-Zero, DeepSeek-R1 et les modèles distillés fondés sur Qwen ou Llama. La lignée R1 complète développe le raisonnement au moyen de son propre processus d’entraînement; l’étape de distillation transfère les schémas représentés dans les exemples générés par R1 dans des points de contrôle denses distincts. Cette fiche concerne l’édition distillée 32B fondée sur Qwen, et non le modèle R1 complet, R1-Zero ou la base Qwen2.5-32B non modifiée.
Les modèles Qwen distillés publiés sont affinés avec 800,000 échantillons sélectionnés. DeepSeek modifie aussi leurs configurations et leurs tokeniseurs et demande aux utilisateurs de conserver ces paramètres. L’origine de l’entraînement explique l’orientation vers le raisonnement, tandis que le point de contrôle nommé et sa propre configuration déterminent la version réelle. Cela ne signifie pas que le grand modèle enseignant est automatiquement consulté pour répondre à chaque nouvelle question.
La configuration du point de contrôle 32B utilise une architecture de modèle de langage causal avec 64 couches, 40 têtes d’attention de requête et 8 têtes clé/valeur. Elle fixe le nombre maximal de positions à 131,072. Cette valeur de configuration concerne le modèle publié; une commande d’exemple de mise en service ou un autre membre de la famille R1 ne doit pas être considéré comme ayant le même paramètre de contexte. Le modèle reçoit du texte et génère du texte plutôt que d’accepter une image ou de produire un livrable visuel ou audio.
Préparer une tâche mathématique ou de programmation
Pour un problème mathématique, donnez la condition complète, définissez les variables et précisez le domaine ou les hypothèses. Indiquez si le résultat final doit être une expression exacte, une approximation numérique ou la preuve d’une affirmation. Une demande utile peut exiger une dérivation suivie de l’expression finale et d’une vérification par rapport aux conditions originales. Le fabricant recommande une réponse mathématique développée dont le résultat final est placé dans un encadré LaTeX.
Pour un problème d’algorithme, fournissez la plage de valeurs d’entrée, la sortie requise et les contraintes sur la solution. Demandez l’approche, la mise en œuvre et une explication de la façon dont elle préserve la propriété requise. Si le problème concerne du code existant, fournissez la fonction pertinente, l’entrée qui produit le comportement inattendu et le résultat attendu. La réponse peut comparer le chemin réel au chemin voulu et proposer une correction; l’exécution et la vérification du programme sont 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 donner les participants, leurs disponibilités et les règles qui rendent deux affectations incompatibles. Demandez une affectation proposée avec la règle qui appuie chaque décision et exigez que toute condition non résolue reste visible. La tâche de raisonnement peut ainsi être examinée au lieu 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 gabarit conversationnel général 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 est de 0.5 à 0.7, avec une préférence pour 0.6. Le fabricant relie cette recommandation à la prévention des répétitions ou des sorties incohérentes. Il indique 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 flux de raisonnement publié, pas une garantie qu’un seul paramètre assure l’exactitude du résultat.
Un contrat de réponse pratique peut demander une explication de la méthode, les étapes importantes justifiées et un livrable final distinct. Dans une tâche mathématique, utilisez l’expression encadrée pour le résultat final. Dans une tâche de code, séparez le code de ses hypothèses et des exemples d’entrée. Pour une tâche logique, reliez chaque conclusion à la règle ou au fait fourni qui l’appuie. Cela permet au texte de raisonnement et au résultat nécessaire à l’application de servir des objectifs distincts.
Contexte, sortie et limites d’intégration
Les 131,072 positions maximales de la configuration publiée doivent être considérées avec la consigne complète et le raisonnement généré. Le fabricant utilise un paramètre de génération de 32,768 jetons dans l’évaluation, mais ce paramètre expérimental n’est pas une spécification publiée distincte de capacité de sortie pour ce point de contrôle. Ne déduisez pas un plafond de réponse d’une configuration d’évaluation et ne recopiez pas la valeur de sortie de 8,192 jetons de l’édition Qwen Instruct originale dans la version distillée modifiée.
Gardez les données d’entrée centrées sur la question mathématique, de programmation ou de logique réelle et précisez la forme finale souhaitée. Un calculateur externe, un dépôt, un analyseur de documents ou une fonction de recherche doit être fourni par l’application environnante; il n’est pas inclus du simple fait de choisir un point de contrôle textuel de raisonnement. Le résultat utile est une solution écrite ou une mise en œuvre 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, fondé sur Qwen2.5-32B. DeepSeek affine la base avec des exemples de raisonnement générés par DeepSeek-R1. Il en résulte un modèle textuel distinct pour les problèmes qui exigent plusieurs étapes reliées, comme une dérivation mathématique, une question algorithmique ou un raisonnement sur des contraintes.\n\nComment cette distillation diffère du modèle R1 complet\n\nLa version du fabricant distingue DeepSeek-R1-Zero, DeepSeek-R1 et les modèles distillés fondés sur Qwen ou Llama. La lignée R1 complète développe le raisonnement au moyen de son propre processus d’entraînement; l’étape de distillation transfère les schémas représentés dans les exemples générés par R1 dans des points de contrôle denses distincts. Cette fiche concerne l’édition distillée 32B fondée sur Qwen, et non le modèle R1 complet, R1-Zero ou la base Qwen2.5-32B non modifiée.\n\nLes modèles Qwen distillés publiés sont affinés avec 800,000 échantillons sélectionnés. DeepSeek modifie aussi leurs configurations et leurs tokeniseurs et demande aux utilisateurs de conserver ces paramètres. L’origine de l’entraînement explique l’orientation vers le raisonnement, tandis que le point de contrôle nommé et sa propre configuration déterminent la version réelle. Cela ne signifie pas que le grand modèle enseignant est automatiquement consulté pour répondre à chaque nouvelle question.\n\nLa configuration du point de contrôle 32B utilise une architecture de modèle de langage causal avec 64 couches, 40 têtes d’attention de requête et 8 têtes clé/valeur. Elle fixe le nombre maximal de positions à 131,072. Cette valeur de configuration concerne le modèle publié; une commande d’exemple de mise en service ou un autre membre de la famille R1 ne doit pas être considéré comme ayant le même paramètre de contexte. Le modèle reçoit du texte et génère du texte plutôt que d’accepter une image ou de produire un livrable visuel ou audio.\n\nPréparer une tâche mathématique ou de programmation\n\nPour un problème mathématique, donnez la condition complète, définissez les variables et précisez le domaine ou les hypothèses. Indiquez si le résultat final doit être une expression exacte, une approximation numérique ou la preuve d’une affirmation. Une demande utile peut exiger une dérivation suivie de l’expression finale et d’une vérification par rapport aux conditions originales. Le fabricant recommande une réponse mathématique développée dont le résultat final est placé dans un encadré LaTeX.\n\nPour un problème d’algorithme, fournissez la plage de valeurs d’entrée, la sortie requise et les contraintes sur la solution. Demandez l’approche, la mise en œuvre et une explication de la façon dont elle préserve la propriété requise. Si le problème concerne du code existant, fournissez la fonction pertinente, l’entrée qui produit le comportement inattendu et le résultat attendu. La réponse peut comparer le chemin réel au chemin voulu et proposer une correction; l’exécution et la vérification du programme sont 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 donner les participants, leurs disponibilités et les règles qui rendent deux affectations incompatibles. Demandez une affectation proposée avec la règle qui appuie chaque décision et exigez que toute condition non résolue reste visible. La tâche de raisonnement peut ainsi être examinée au lieu 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 gabarit conversationnel général 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 est de 0.5 à 0.7, avec une préférence pour 0.6. Le fabricant relie cette recommandation à la prévention des répétitions ou des sorties incohérentes. Il indique 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 flux de raisonnement publié, pas une garantie qu’un seul paramètre assure l’exactitude du résultat.\n\nUn contrat de réponse pratique peut demander une explication de la méthode, les étapes importantes justifiées et un livrable final distinct. Dans une tâche mathématique, utilisez l’expression encadrée pour le résultat final. Dans une tâche de code, séparez le code de ses hypothèses et des exemples d’entrée. Pour une tâche logique, reliez chaque conclusion à la règle ou au fait fourni qui l’appuie. Cela permet au texte de raisonnement et au résultat nécessaire à l’application de servir des objectifs distincts.\n\nContexte, sortie et limites d’intégration\n\nLes 131,072 positions maximales de la configuration publiée doivent être considérées avec la consigne complète et le raisonnement généré. Le fabricant utilise un paramètre de génération de 32,768 jetons dans l’évaluation, mais ce paramètre expérimental n’est pas une spécification publiée distincte de capacité de sortie pour ce point de contrôle. Ne déduisez pas un plafond de réponse d’une configuration d’évaluation et ne recopiez pas la valeur de sortie de 8,192 jetons de l’édition Qwen Instruct originale dans la version distillée modifiée.\n\nGardez les données d’entrée centrées sur la question mathématique, de programmation ou de logique réelle et précisez la forme finale souhaitée. Un calculateur externe, un dépôt, un analyseur de documents ou une fonction de recherche doit être fourni par l’application environnante; il n’est pas inclus du simple fait de choisir un point de contrôle textuel de raisonnement. Le résultat utile est une solution écrite ou une mise en œuvre 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 textuel dense de raisonnement affiné à partir de Qwen2.5-32B avec des exemples DeepSeek-R1. Il vise les tâches mathématiques, de code et de logique à plusieurs étapes, avec des consignes propres au fabricant et une configuration publiée de 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, fondé sur Qwen2.5-32B. DeepSeek affine la base avec des exemples de raisonnement générés par DeepSeek-R1. Il en résulte un modèle textuel distinct pour les problèmes qui exigent plusieurs étapes reliées, comme une dérivation mathématique, une question algorithmique ou un raisonnement sur des contraintes.
Comment cette distillation diffère du modèle R1 complet
La version du fabricant distingue DeepSeek-R1-Zero, DeepSeek-R1 et les modèles distillés fondés sur Qwen ou Llama. La lignée R1 complète développe le raisonnement au moyen de son propre processus d’entraînement; l’étape de distillation transfère les schémas représentés dans les exemples générés par R1 dans des points de contrôle denses distincts. Cette fiche concerne l’édition distillée 32B fondée sur Qwen, et non le modèle R1 complet, R1-Zero ou la base Qwen2.5-32B non modifiée.
Les modèles Qwen distillés publiés sont affinés avec 800,000 échantillons sélectionnés. DeepSeek modifie aussi leurs configurations et leurs tokeniseurs et demande aux utilisateurs de conserver ces paramètres. L’origine de l’entraînement explique l’orientation vers le raisonnement, tandis que le point de contrôle nommé et sa propre configuration déterminent la version réelle. Cela ne signifie pas que le grand modèle enseignant est automatiquement consulté pour répondre à chaque nouvelle question.
La configuration du point de contrôle 32B utilise une architecture de modèle de langage causal avec 64 couches, 40 têtes d’attention de requête et 8 têtes clé/valeur. Elle fixe le nombre maximal de positions à 131,072. Cette valeur de configuration concerne le modèle publié; une commande d’exemple de mise en service ou un autre membre de la famille R1 ne doit pas être considéré comme ayant le même paramètre de contexte. Le modèle reçoit du texte et génère du texte plutôt que d’accepter une image ou de produire un livrable visuel ou audio.
Préparer une tâche mathématique ou de programmation
Pour un problème mathématique, donnez la condition complète, définissez les variables et précisez le domaine ou les hypothèses. Indiquez si le résultat final doit être une expression exacte, une approximation numérique ou la preuve d’une affirmation. Une demande utile peut exiger une dérivation suivie de l’expression finale et d’une vérification par rapport aux conditions originales. Le fabricant recommande une réponse mathématique développée dont le résultat final est placé dans un encadré LaTeX.
Pour un problème d’algorithme, fournissez la plage de valeurs d’entrée, la sortie requise et les contraintes sur la solution. Demandez l’approche, la mise en œuvre et une explication de la façon dont elle préserve la propriété requise. Si le problème concerne du code existant, fournissez la fonction pertinente, l’entrée qui produit le comportement inattendu et le résultat attendu. La réponse peut comparer le chemin réel au chemin voulu et proposer une correction; l’exécution et la vérification du programme sont 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 donner les participants, leurs disponibilités et les règles qui rendent deux affectations incompatibles. Demandez une affectation proposée avec la règle qui appuie chaque décision et exigez que toute condition non résolue reste visible. La tâche de raisonnement peut ainsi être examinée au lieu 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 gabarit conversationnel général 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 est de 0.5 à 0.7, avec une préférence pour 0.6. Le fabricant relie cette recommandation à la prévention des répétitions ou des sorties incohérentes. Il indique 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 flux de raisonnement publié, pas une garantie qu’un seul paramètre assure l’exactitude du résultat.
Un contrat de réponse pratique peut demander une explication de la méthode, les étapes importantes justifiées et un livrable final distinct. Dans une tâche mathématique, utilisez l’expression encadrée pour le résultat final. Dans une tâche de code, séparez le code de ses hypothèses et des exemples d’entrée. Pour une tâche logique, reliez chaque conclusion à la règle ou au fait fourni qui l’appuie. Cela permet au texte de raisonnement et au résultat nécessaire à l’application de servir des objectifs distincts.
Contexte, sortie et limites d’intégration
Les 131,072 positions maximales de la configuration publiée doivent être considérées avec la consigne complète et le raisonnement généré. Le fabricant utilise un paramètre de génération de 32,768 jetons dans l’évaluation, mais ce paramètre expérimental n’est pas une spécification publiée distincte de capacité de sortie pour ce point de contrôle. Ne déduisez pas un plafond de réponse d’une configuration d’évaluation et ne recopiez pas la valeur de sortie de 8,192 jetons de l’édition Qwen Instruct originale dans la version distillée modifiée.
Gardez les données d’entrée centrées sur la question mathématique, de programmation ou de logique réelle et précisez la forme finale souhaitée. Un calculateur externe, un dépôt, un analyseur de documents ou une fonction de recherche doit être fourni par l’application environnante; il n’est pas inclus du simple fait de choisir un point de contrôle textuel de raisonnement. Le résultat utile est une solution écrite ou une mise en œuvre 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’ID 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: Fonction fournie comme outil | 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 refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | 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 comme texte littéral ; aucun ID 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’ID 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/objet 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 jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.00036 / 1K jetons Sortie · Jetons en sortie $0.00036 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | 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 textuel dense de raisonnement affiné à partir de Qwen2.5-32B avec des exemples DeepSeek-R1. Il vise les tâches mathématiques, de code et de logique à plusieurs étapes, avec des consignes propres au fabricant et une configuration publiée de 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, fondé sur Qwen2.5-32B. DeepSeek affine la base avec des exemples de raisonnement générés par DeepSeek-R1. Il en résulte un modèle textuel distinct pour les problèmes qui exigent plusieurs étapes reliées, comme une dérivation mathématique, une question algorithmique ou un raisonnement sur des contraintes.
Comment cette distillation diffère du modèle R1 complet
La version du fabricant distingue DeepSeek-R1-Zero, DeepSeek-R1 et les modèles distillés fondés sur Qwen ou Llama. La lignée R1 complète développe le raisonnement au moyen de son propre processus d’entraînement; l’étape de distillation transfère les schémas représentés dans les exemples générés par R1 dans des points de contrôle denses distincts. Cette fiche concerne l’édition distillée 32B fondée sur Qwen, et non le modèle R1 complet, R1-Zero ou la base Qwen2.5-32B non modifiée.
Les modèles Qwen distillés publiés sont affinés avec 800,000 échantillons sélectionnés. DeepSeek modifie aussi leurs configurations et leurs tokeniseurs et demande aux utilisateurs de conserver ces paramètres. L’origine de l’entraînement explique l’orientation vers le raisonnement, tandis que le point de contrôle nommé et sa propre configuration déterminent la version réelle. Cela ne signifie pas que le grand modèle enseignant est automatiquement consulté pour répondre à chaque nouvelle question.
La configuration du point de contrôle 32B utilise une architecture de modèle de langage causal avec 64 couches, 40 têtes d’attention de requête et 8 têtes clé/valeur. Elle fixe le nombre maximal de positions à 131,072. Cette valeur de configuration concerne le modèle publié; une commande d’exemple de mise en service ou un autre membre de la famille R1 ne doit pas être considéré comme ayant le même paramètre de contexte. Le modèle reçoit du texte et génère du texte plutôt que d’accepter une image ou de produire un livrable visuel ou audio.
Préparer une tâche mathématique ou de programmation
Pour un problème mathématique, donnez la condition complète, définissez les variables et précisez le domaine ou les hypothèses. Indiquez si le résultat final doit être une expression exacte, une approximation numérique ou la preuve d’une affirmation. Une demande utile peut exiger une dérivation suivie de l’expression finale et d’une vérification par rapport aux conditions originales. Le fabricant recommande une réponse mathématique développée dont le résultat final est placé dans un encadré LaTeX.
Pour un problème d’algorithme, fournissez la plage de valeurs d’entrée, la sortie requise et les contraintes sur la solution. Demandez l’approche, la mise en œuvre et une explication de la façon dont elle préserve la propriété requise. Si le problème concerne du code existant, fournissez la fonction pertinente, l’entrée qui produit le comportement inattendu et le résultat attendu. La réponse peut comparer le chemin réel au chemin voulu et proposer une correction; l’exécution et la vérification du programme sont 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 donner les participants, leurs disponibilités et les règles qui rendent deux affectations incompatibles. Demandez une affectation proposée avec la règle qui appuie chaque décision et exigez que toute condition non résolue reste visible. La tâche de raisonnement peut ainsi être examinée au lieu 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 gabarit conversationnel général 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 est de 0.5 à 0.7, avec une préférence pour 0.6. Le fabricant relie cette recommandation à la prévention des répétitions ou des sorties incohérentes. Il indique 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 flux de raisonnement publié, pas une garantie qu’un seul paramètre assure l’exactitude du résultat.
Un contrat de réponse pratique peut demander une explication de la méthode, les étapes importantes justifiées et un livrable final distinct. Dans une tâche mathématique, utilisez l’expression encadrée pour le résultat final. Dans une tâche de code, séparez le code de ses hypothèses et des exemples d’entrée. Pour une tâche logique, reliez chaque conclusion à la règle ou au fait fourni qui l’appuie. Cela permet au texte de raisonnement et au résultat nécessaire à l’application de servir des objectifs distincts.
Contexte, sortie et limites d’intégration
Les 131,072 positions maximales de la configuration publiée doivent être considérées avec la consigne complète et le raisonnement généré. Le fabricant utilise un paramètre de génération de 32,768 jetons dans l’évaluation, mais ce paramètre expérimental n’est pas une spécification publiée distincte de capacité de sortie pour ce point de contrôle. Ne déduisez pas un plafond de réponse d’une configuration d’évaluation et ne recopiez pas la valeur de sortie de 8,192 jetons de l’édition Qwen Instruct originale dans la version distillée modifiée.
Gardez les données d’entrée centrées sur la question mathématique, de programmation ou de logique réelle et précisez la forme finale souhaitée. Un calculateur externe, un dépôt, un analyseur de documents ou une fonction de recherche doit être fourni par l’application environnante; il n’est pas inclus du simple fait de choisir un point de contrôle textuel de raisonnement. Le résultat utile est une solution écrite ou une mise en œuvre 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 jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.00036 / 1K jetons Sortie · Jetons en sortie $0.00036 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ID 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | 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.