DeepSeek Math V2 se spécialise dans la démonstration de théorèmes en langage naturel et le raisonnement mathématique autovérifiable. Il est construit sur DeepSeek V3.2 Exp Base. Le fabricant part du constat qu’une bonne réponse finale peut reposer sur un raisonnement invalide, alors qu’un théorème exige souvent une dérivation complète plutôt qu’une réponse numérique. Le modèle se concentre donc sur la génération de preuves, le repérage de leurs défauts et l’amélioration de l’argument avant de finaliser la réponse.
Vérification des preuves. La méthode d’entraînement apprend à un vérificateur à lire un problème avec une preuve proposée, à repérer les problèmes et à juger la qualité de la preuve. Ses critères distinguent une dérivation complète et rigoureuse d’une solution autrement solide comportant de petites erreurs, et d’un argument fondamentalement invalide. Une demande pratique de révision de preuve devrait faire la même distinction : montrer où le raisonnement échoue, expliquer l’importance du problème et distinguer un détail manquant d’une lacune empêchant la conclusion.
Méta-vérification. La recherche examine aussi les critiques du vérificateur. Un défaut allégué doit réellement figurer dans la preuve proposée et justifier l’évaluation. Cette méthode répond au risque d’attribuer un jugement apparemment raisonnable tout en inventant un problème absent de la preuve. Pour une tâche de révision, fournissez la preuve originale et toute critique existante, puis demandez si la critique décrit fidèlement l’étape pertinente. Le livrable utile est une explication vérifiée de l’objection et de ses conséquences.
Génération de preuves et autoanalyse. DeepSeek entraîne le générateur à l’aide de la rétroaction du vérificateur et récompense explicitement l’évaluation exacte de son propre travail. Le modèle est encouragé à reconnaître les véritables erreurs, à corriger les problèmes qu’il peut résoudre et à présenter la meilleure preuve avec une évaluation honnête de son exhaustivité. La vérification et la génération progressent dans un cycle d’entraînement itératif; les preuves générées plus difficiles servent à améliorer le vérificateur. Le modèle obtenu peut à la fois générer et vérifier des arguments mathématiques.
Préparez le problème avec précision. Incluez les définitions, les quantificateurs, les domaines et toutes les hypothèses. Précisez si vous souhaitez une preuve d’existence, d’unicité, une inégalité, une construction ou un contre-exemple. Si un lemme autorisé est fourni, donnez son énoncé exact et expliquez s’il peut être utilisé directement ou doit aussi être démontré. Les consignes de preuve du fabricant exigent une solution justifiée même lorsque la tâche demande une réponse, et ne considèrent pas un renvoi à un autre texte comme un substitut à l’argument manquant.
La réponse attendue peut contenir un aperçu de l’idée, une preuve complète et une autoévaluation distincte. Pour une inégalité, demandez au modèle de vérifier les restrictions de domaine et les conditions d’égalité. Pour un problème de dénombrement, demandez-lui de justifier que les cas sont exhaustifs et ne se chevauchent pas. Pour une preuve existante, indiquez l’étape contestée et demandez soit une correction, soit une explication de la raison pour laquelle la conclusion proposée reste non démontrée. L’algèbre, la géométrie, la théorie des nombres, la combinatoire et les inégalités figurent dans les tâches d’évaluation mathématique du fabricant.
Affinement. Le flux publié peut réinjecter une preuve et son autoanalyse dans le même modèle pour traiter les défauts restants. Dans le cadre de recherche à tentative unique rapporté par le fabricant, le budget de preuve est de 128K jetons; certains arguments difficiles restent incomplets lorsque ce budget est épuisé. Dans votre travail, utilisez une objection précise comme entrée suivante et demandez quelle partie de la preuve change lorsque cette objection est résolue. Gardez visibles les définitions et hypothèses antérieures. Le livrable révisé doit indiquer ce qui a été établi et la difficulté qui subsiste.
La sortie de Math V2 est une preuve et une critique en langage naturel. Les systèmes de preuve formelle comme Lean vérifient un autre type de livrable; DeepSeek Prover V2 est une spécialisation distincte de raisonnement formel. Une évaluation ne trouvant aucune faille mérite tout de même une révision mathématique, surtout lorsque la preuve dépend d’un cas omis ou d’un lemme non énoncé. La recherche du producteur signale que ses problèmes les plus difficiles peuvent rester non résolus même après affinement.
", "aboutText": "DeepSeek Math V2 se spécialise dans la démonstration de théorèmes en langage naturel et le raisonnement mathématique autovérifiable. Il est construit sur DeepSeek V3.2 Exp Base. Le fabricant part du constat qu’une bonne réponse finale peut reposer sur un raisonnement invalide, alors qu’un théorème exige souvent une dérivation complète plutôt qu’une réponse numérique. Le modèle se concentre donc sur la génération de preuves, le repérage de leurs défauts et l’amélioration de l’argument avant de finaliser la réponse.\n\nVérification des preuves. La méthode d’entraînement apprend à un vérificateur à lire un problème avec une preuve proposée, à repérer les problèmes et à juger la qualité de la preuve. Ses critères distinguent une dérivation complète et rigoureuse d’une solution autrement solide comportant de petites erreurs, et d’un argument fondamentalement invalide. Une demande pratique de révision de preuve devrait faire la même distinction : montrer où le raisonnement échoue, expliquer l’importance du problème et distinguer un détail manquant d’une lacune empêchant la conclusion.\n\nMéta-vérification. La recherche examine aussi les critiques du vérificateur. Un défaut allégué doit réellement figurer dans la preuve proposée et justifier l’évaluation. Cette méthode répond au risque d’attribuer un jugement apparemment raisonnable tout en inventant un problème absent de la preuve. Pour une tâche de révision, fournissez la preuve originale et toute critique existante, puis demandez si la critique décrit fidèlement l’étape pertinente. Le livrable utile est une explication vérifiée de l’objection et de ses conséquences.\n\nGénération de preuves et autoanalyse. DeepSeek entraîne le générateur à l’aide de la rétroaction du vérificateur et récompense explicitement l’évaluation exacte de son propre travail. Le modèle est encouragé à reconnaître les véritables erreurs, à corriger les problèmes qu’il peut résoudre et à présenter la meilleure preuve avec une évaluation honnête de son exhaustivité. La vérification et la génération progressent dans un cycle d’entraînement itératif; les preuves générées plus difficiles servent à améliorer le vérificateur. Le modèle obtenu peut à la fois générer et vérifier des arguments mathématiques.\n\nPréparez le problème avec précision. Incluez les définitions, les quantificateurs, les domaines et toutes les hypothèses. Précisez si vous souhaitez une preuve d’existence, d’unicité, une inégalité, une construction ou un contre-exemple. Si un lemme autorisé est fourni, donnez son énoncé exact et expliquez s’il peut être utilisé directement ou doit aussi être démontré. Les consignes de preuve du fabricant exigent une solution justifiée même lorsque la tâche demande une réponse, et ne considèrent pas un renvoi à un autre texte comme un substitut à l’argument manquant.\n\nLa réponse attendue peut contenir un aperçu de l’idée, une preuve complète et une autoévaluation distincte. Pour une inégalité, demandez au modèle de vérifier les restrictions de domaine et les conditions d’égalité. Pour un problème de dénombrement, demandez-lui de justifier que les cas sont exhaustifs et ne se chevauchent pas. Pour une preuve existante, indiquez l’étape contestée et demandez soit une correction, soit une explication de la raison pour laquelle la conclusion proposée reste non démontrée. L’algèbre, la géométrie, la théorie des nombres, la combinatoire et les inégalités figurent dans les tâches d’évaluation mathématique du fabricant.\n\nAffinement. Le flux publié peut réinjecter une preuve et son autoanalyse dans le même modèle pour traiter les défauts restants. Dans le cadre de recherche à tentative unique rapporté par le fabricant, le budget de preuve est de 128K jetons; certains arguments difficiles restent incomplets lorsque ce budget est épuisé. Dans votre travail, utilisez une objection précise comme entrée suivante et demandez quelle partie de la preuve change lorsque cette objection est résolue. Gardez visibles les définitions et hypothèses antérieures. Le livrable révisé doit indiquer ce qui a été établi et la difficulté qui subsiste.\n\nLa sortie de Math V2 est une preuve et une critique en langage naturel. Les systèmes de preuve formelle comme Lean vérifient un autre type de livrable; DeepSeek Prover V2 est une spécialisation distincte de raisonnement formel. Une évaluation ne trouvant aucune faille mérite tout de même une révision mathématique, surtout lorsque la preuve dépend d’un cas omis ou d’un lemme non énoncé. La recherche du producteur signale que ses problèmes les plus difficiles peuvent rester non résolus même après affinement.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Repair a divisibility proof\n\nReview this proposed proof: 'If 6 divides ab, then 6 divides a or 6 divides b, because every prime factor of 6 must divide one of the factors.' Here a and b are integers. Identify the invalid implication, provide a counterexample and state a correct related proposition with proof. Separate your proof from a self-check of its completeness.A precise flaw explanation, an integer counterexample, a corrected proposition with proof and a separate self-check.Verify the counterexample meets the premise and defeats both alternatives in the claimed conclusion.DeepSeek-Math-V2-ultraLe modèle de DeepSeek pour les preuves mathématiques en langage naturel et l’autovérification, construit sur DeepSeek V3.2 Exp Base. Il peut élaborer une solution, examiner ses lacunes logiques et affiner l’argument, avec une preuve détaillée et une évaluation des problèmes restants.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
DeepSeek Math V2 se spécialise dans la démonstration de théorèmes en langage naturel et le raisonnement mathématique autovérifiable. Il est construit sur DeepSeek V3.2 Exp Base. Le fabricant part du constat qu’une bonne réponse finale peut reposer sur un raisonnement invalide, alors qu’un théorème exige souvent une dérivation complète plutôt qu’une réponse numérique. Le modèle se concentre donc sur la génération de preuves, le repérage de leurs défauts et l’amélioration de l’argument avant de finaliser la réponse.
Vérification des preuves. La méthode d’entraînement apprend à un vérificateur à lire un problème avec une preuve proposée, à repérer les problèmes et à juger la qualité de la preuve. Ses critères distinguent une dérivation complète et rigoureuse d’une solution autrement solide comportant de petites erreurs, et d’un argument fondamentalement invalide. Une demande pratique de révision de preuve devrait faire la même distinction : montrer où le raisonnement échoue, expliquer l’importance du problème et distinguer un détail manquant d’une lacune empêchant la conclusion.
Méta-vérification. La recherche examine aussi les critiques du vérificateur. Un défaut allégué doit réellement figurer dans la preuve proposée et justifier l’évaluation. Cette méthode répond au risque d’attribuer un jugement apparemment raisonnable tout en inventant un problème absent de la preuve. Pour une tâche de révision, fournissez la preuve originale et toute critique existante, puis demandez si la critique décrit fidèlement l’étape pertinente. Le livrable utile est une explication vérifiée de l’objection et de ses conséquences.
Génération de preuves et autoanalyse. DeepSeek entraîne le générateur à l’aide de la rétroaction du vérificateur et récompense explicitement l’évaluation exacte de son propre travail. Le modèle est encouragé à reconnaître les véritables erreurs, à corriger les problèmes qu’il peut résoudre et à présenter la meilleure preuve avec une évaluation honnête de son exhaustivité. La vérification et la génération progressent dans un cycle d’entraînement itératif; les preuves générées plus difficiles servent à améliorer le vérificateur. Le modèle obtenu peut à la fois générer et vérifier des arguments mathématiques.
Préparez le problème avec précision. Incluez les définitions, les quantificateurs, les domaines et toutes les hypothèses. Précisez si vous souhaitez une preuve d’existence, d’unicité, une inégalité, une construction ou un contre-exemple. Si un lemme autorisé est fourni, donnez son énoncé exact et expliquez s’il peut être utilisé directement ou doit aussi être démontré. Les consignes de preuve du fabricant exigent une solution justifiée même lorsque la tâche demande une réponse, et ne considèrent pas un renvoi à un autre texte comme un substitut à l’argument manquant.
La réponse attendue peut contenir un aperçu de l’idée, une preuve complète et une autoévaluation distincte. Pour une inégalité, demandez au modèle de vérifier les restrictions de domaine et les conditions d’égalité. Pour un problème de dénombrement, demandez-lui de justifier que les cas sont exhaustifs et ne se chevauchent pas. Pour une preuve existante, indiquez l’étape contestée et demandez soit une correction, soit une explication de la raison pour laquelle la conclusion proposée reste non démontrée. L’algèbre, la géométrie, la théorie des nombres, la combinatoire et les inégalités figurent dans les tâches d’évaluation mathématique du fabricant.
Affinement. Le flux publié peut réinjecter une preuve et son autoanalyse dans le même modèle pour traiter les défauts restants. Dans le cadre de recherche à tentative unique rapporté par le fabricant, le budget de preuve est de 128K jetons; certains arguments difficiles restent incomplets lorsque ce budget est épuisé. Dans votre travail, utilisez une objection précise comme entrée suivante et demandez quelle partie de la preuve change lorsque cette objection est résolue. Gardez visibles les définitions et hypothèses antérieures. Le livrable révisé doit indiquer ce qui a été établi et la difficulté qui subsiste.
La sortie de Math V2 est une preuve et une critique en langage naturel. Les systèmes de preuve formelle comme Lean vérifient un autre type de livrable; DeepSeek Prover V2 est une spécialisation distincte de raisonnement formel. Une évaluation ne trouvant aucune faille mérite tout de même une révision mathématique, surtout lorsque la preuve dépend d’un cas omis ou d’un lemme non énoncé. La recherche du producteur signale que ses problèmes les plus difficiles peuvent rester non résolus même après affinement.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites DeepSeek-Math-V2-ultra | 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 $0.001144 / 1K jetons Sortie · Jetons en sortie $0.004572 / 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-Math-V2-ultra", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='DeepSeek-Math-V2-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='DeepSeek-Math-V2-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-Math-V2-ultra
Utilisez les chemins de méthode indiqués ci-dessus.
DeepSeek-Math-V2-ultraLe modèle de DeepSeek pour les preuves mathématiques en langage naturel et l’autovérification, construit sur DeepSeek V3.2 Exp Base. Il peut élaborer une solution, examiner ses lacunes logiques et affiner l’argument, avec une preuve détaillée et une évaluation des problèmes restants.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
DeepSeek Math V2 se spécialise dans la démonstration de théorèmes en langage naturel et le raisonnement mathématique autovérifiable. Il est construit sur DeepSeek V3.2 Exp Base. Le fabricant part du constat qu’une bonne réponse finale peut reposer sur un raisonnement invalide, alors qu’un théorème exige souvent une dérivation complète plutôt qu’une réponse numérique. Le modèle se concentre donc sur la génération de preuves, le repérage de leurs défauts et l’amélioration de l’argument avant de finaliser la réponse.
Vérification des preuves. La méthode d’entraînement apprend à un vérificateur à lire un problème avec une preuve proposée, à repérer les problèmes et à juger la qualité de la preuve. Ses critères distinguent une dérivation complète et rigoureuse d’une solution autrement solide comportant de petites erreurs, et d’un argument fondamentalement invalide. Une demande pratique de révision de preuve devrait faire la même distinction : montrer où le raisonnement échoue, expliquer l’importance du problème et distinguer un détail manquant d’une lacune empêchant la conclusion.
Méta-vérification. La recherche examine aussi les critiques du vérificateur. Un défaut allégué doit réellement figurer dans la preuve proposée et justifier l’évaluation. Cette méthode répond au risque d’attribuer un jugement apparemment raisonnable tout en inventant un problème absent de la preuve. Pour une tâche de révision, fournissez la preuve originale et toute critique existante, puis demandez si la critique décrit fidèlement l’étape pertinente. Le livrable utile est une explication vérifiée de l’objection et de ses conséquences.
Génération de preuves et autoanalyse. DeepSeek entraîne le générateur à l’aide de la rétroaction du vérificateur et récompense explicitement l’évaluation exacte de son propre travail. Le modèle est encouragé à reconnaître les véritables erreurs, à corriger les problèmes qu’il peut résoudre et à présenter la meilleure preuve avec une évaluation honnête de son exhaustivité. La vérification et la génération progressent dans un cycle d’entraînement itératif; les preuves générées plus difficiles servent à améliorer le vérificateur. Le modèle obtenu peut à la fois générer et vérifier des arguments mathématiques.
Préparez le problème avec précision. Incluez les définitions, les quantificateurs, les domaines et toutes les hypothèses. Précisez si vous souhaitez une preuve d’existence, d’unicité, une inégalité, une construction ou un contre-exemple. Si un lemme autorisé est fourni, donnez son énoncé exact et expliquez s’il peut être utilisé directement ou doit aussi être démontré. Les consignes de preuve du fabricant exigent une solution justifiée même lorsque la tâche demande une réponse, et ne considèrent pas un renvoi à un autre texte comme un substitut à l’argument manquant.
La réponse attendue peut contenir un aperçu de l’idée, une preuve complète et une autoévaluation distincte. Pour une inégalité, demandez au modèle de vérifier les restrictions de domaine et les conditions d’égalité. Pour un problème de dénombrement, demandez-lui de justifier que les cas sont exhaustifs et ne se chevauchent pas. Pour une preuve existante, indiquez l’étape contestée et demandez soit une correction, soit une explication de la raison pour laquelle la conclusion proposée reste non démontrée. L’algèbre, la géométrie, la théorie des nombres, la combinatoire et les inégalités figurent dans les tâches d’évaluation mathématique du fabricant.
Affinement. Le flux publié peut réinjecter une preuve et son autoanalyse dans le même modèle pour traiter les défauts restants. Dans le cadre de recherche à tentative unique rapporté par le fabricant, le budget de preuve est de 128K jetons; certains arguments difficiles restent incomplets lorsque ce budget est épuisé. Dans votre travail, utilisez une objection précise comme entrée suivante et demandez quelle partie de la preuve change lorsque cette objection est résolue. Gardez visibles les définitions et hypothèses antérieures. Le livrable révisé doit indiquer ce qui a été établi et la difficulté qui subsiste.
La sortie de Math V2 est une preuve et une critique en langage naturel. Les systèmes de preuve formelle comme Lean vérifient un autre type de livrable; DeepSeek Prover V2 est une spécialisation distincte de raisonnement formel. Une évaluation ne trouvant aucune faille mérite tout de même une révision mathématique, surtout lorsque la preuve dépend d’un cas omis ou d’un lemme non énoncé. La recherche du producteur signale que ses problèmes les plus difficiles peuvent rester non résolus même après affinement.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites DeepSeek-Math-V2-ultra | 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 $0.001144 / 1K jetons Sortie · Jetons en sortie $0.004572 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "DeepSeek-Math-V2-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'DeepSeek-Math-V2-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'DeepSeek-Math-V2-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-Math-V2-ultra
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Repair a divisibility proof\n\nReview this proposed proof: 'If 6 divides ab, then 6 divides a or 6 divides b, because every prime factor of 6 must divide one of the factors.' Here a and b are integers. Identify the invalid implication, provide a counterexample and state a correct related proposition with proof. Separate your proof from a self-check of its completeness.A precise flaw explanation, an integer counterexample, a corrected proposition with proof and a separate self-check.Verify the counterexample meets the premise and defeats both alternatives in the claimed conclusion.