DeepSeek-R1-Distill-Qwen-14B est le checkpoint de raisonnement de taille 14B fondé sur Qwen et publié par DeepSeek. Sa base est Qwen2.5-14B, ajustée avec des exemples préparés par DeepSeek-R1. Il accepte un problème écrit ou une conversation et renvoie du texte pouvant comprendre une solution mathématique, une explication du comportement d’un programme ou une conclusion tirée de plusieurs conditions fournies.
Transfert du raisonnement et édition nommée
DeepSeek distingue les modèles R1 et R1-Zero complets des modèles denses distillés sur des bases Qwen et Llama. Pour les versions distillées, les données d’entraînement transfèrent des schémas de raisonnement du modèle R1 plus grand vers un checkpoint différent. Le nom 14B identifie cette base Qwen précise ; il ne désigne ni l’architecture R1 complète, ni le checkpoint distillé 32B, ni la version ordinaire Qwen2.5-14B-Instruct.
Le fabricant décrit 800,000 exemples sélectionnés pour les versions distillées Qwen et signale des modifications de leurs configurations et tokeniseurs. Conservez les réglages de la version DeepSeek lorsque vous utilisez ce modèle. Ces modifications comptent même si le modèle est issu de Qwen2.5. La configuration propre du checkpoint 14B spécifie 48 couches, 40 têtes d’attention de requête et 8 têtes de clé/valeur, avec un maximum de 131,072 positions.
Éléments à fournir pour une réponse détaillée utile
Pour une tâche de tutorat, incluez le problème et la tentative de solution de l’élève, puis marquez la transition à expliquer. Demandez au modèle d’identifier la condition pertinente, d’expliquer la correction avec la même notation et de poursuivre uniquement jusqu’à l’établissement du résultat. La réponse reste ainsi liée à la difficulté réelle de l’élève, au lieu de produire une leçon complète sans rapport direct.
Un élève peut, par exemple, avoir divisé par une expression sans préciser si elle peut être nulle. Fournissez l’équation d’origine et demandez quels cas doivent être examinés avant cette transformation. Le résultat souhaité peut distinguer le cas autorisé, le cas exceptionnel et l’ensemble des solutions final. Il s’agit d’une tâche mathématique proposée, dont la forme de réponse est définie par la condition plutôt que par une demande générale d’explication de l’algèbre.
Pour une question de programmation, fournissez l’algorithme ou la fonction et une entrée concrète. Demandez comment l’état évolue et pourquoi le résultat renvoyé en découle. Une demande ultérieure peut solliciter une implémentation révisée sous une contrainte explicite, comme le maintien de la signature publique de la fonction ou l’absence de modification de l’entrée. Incluez le code auxiliaire pertinent et le comportement attendu afin que l’explication ne dépende pas d’une implémentation non précisée.
Pour une comparaison logique, identifiez les alternatives et les conditions que chacune doit remplir. Demandez les hypothèses de chaque approche, les incompatibilités qui excluent un choix et les informations encore non résolues. Un tableau de décision compact peut alors devenir le livrable final, tandis que le texte qui l’entoure explique comment les règles fournies l’étayent.
Recommandations de consigne de DeepSeek
Le fabricant recommande d’éviter une consigne système et de placer toutes les instructions directement dans la consigne utilisateur. Regroupez la tâche, les exigences de sortie et les sources nécessaires, en identifiant clairement le texte du problème et les instructions sur la réponse. Utilisez le tokeniseur et les réglages de conversation publiés au lieu de supposer que le format Qwen d’origine est interchangeable.
La plage de température documentée va de 0.5 à 0.7, avec 0.6 recommandé. DeepSeek relie ce choix à la réduction des répétitions et des sorties incohérentes. Pour les questions mathématiques, il recommande une réponse détaillée avec le résultat final dans un encadré LaTeX. Il décrit aussi des cas où le modèle saute le bloc de raisonnement et recommande de commencer la réponse par le marqueur d’ouverture du raisonnement pour encourager le parcours prévu.
Une sortie mathématique utile peut contenir la méthode choisie, les transformations justifiées et une expression finale distincte. Précisez si le résultat doit être exact ou arrondi et indiquez les unités lorsqu’elles comptent. Pour le code, demandez l’explication séparément de l’implémentation proposée. Pour la logique, demandez la conclusion finale et les conditions dans lesquelles elle vaut. Ces exigences déterminent ce que le lecteur ou l’application peut effectivement utiliser après le texte de raisonnement.
Contexte et limites de fond
La configuration actuellement publiée fixe le maximum de positions à 131,072. Il s’agit de la valeur de configuration de ce checkpoint, pas d’une promesse héritée concernant toutes les interfaces de service. Le réglage de génération de 32,768 jetons du fabricant fait partie de l’évaluation ; il n’établit pas une limite ferme distincte de longueur de réponse. La capacité de sortie du modèle Qwen Instruct d’origine ne doit pas non plus être transférée à cette version de raisonnement modifiée sans sa propre spécification.
Il s’agit d’un modèle de texte. Les symboles et conditions d’un problème mathématique présenté en image doivent être convertis en texte avant la tâche de raisonnement, et l’exécution du code proposé nécessite un environnement de développement ou de calcul séparé. La distillation décrit un entraînement avec des exemples R1, pas un appel automatique au modèle enseignant à l’exécution ni un vérificateur indépendant intégré.
Utilisez le checkpoint 14B nommé pour une tâche définie de réponse détaillée et préservez la notation, les hypothèses et le résultat cible du problème. L’objectif pratique est une solution que le lecteur peut examiner : quelles conditions s’appliquent, pourquoi chaque étape importante en découle et quelle expression, implémentation ou conclusion finale répond à la question d’origine.
", "aboutText": "DeepSeek-R1-Distill-Qwen-14B est le checkpoint de raisonnement de taille 14B fondé sur Qwen et publié par DeepSeek. Sa base est Qwen2.5-14B, ajustée avec des exemples préparés par DeepSeek-R1. Il accepte un problème écrit ou une conversation et renvoie du texte pouvant comprendre une solution mathématique, une explication du comportement d’un programme ou une conclusion tirée de plusieurs conditions fournies.\n\nTransfert du raisonnement et édition nommée\n\nDeepSeek distingue les modèles R1 et R1-Zero complets des modèles denses distillés sur des bases Qwen et Llama. Pour les versions distillées, les données d’entraînement transfèrent des schémas de raisonnement du modèle R1 plus grand vers un checkpoint différent. Le nom 14B identifie cette base Qwen précise ; il ne désigne ni l’architecture R1 complète, ni le checkpoint distillé 32B, ni la version ordinaire Qwen2.5-14B-Instruct.\n\nLe fabricant décrit 800,000 exemples sélectionnés pour les versions distillées Qwen et signale des modifications de leurs configurations et tokeniseurs. Conservez les réglages de la version DeepSeek lorsque vous utilisez ce modèle. Ces modifications comptent même si le modèle est issu de Qwen2.5. La configuration propre du checkpoint 14B spécifie 48 couches, 40 têtes d’attention de requête et 8 têtes de clé/valeur, avec un maximum de 131,072 positions.\n\nÉléments à fournir pour une réponse détaillée utile\n\nPour une tâche de tutorat, incluez le problème et la tentative de solution de l’élève, puis marquez la transition à expliquer. Demandez au modèle d’identifier la condition pertinente, d’expliquer la correction avec la même notation et de poursuivre uniquement jusqu’à l’établissement du résultat. La réponse reste ainsi liée à la difficulté réelle de l’élève, au lieu de produire une leçon complète sans rapport direct.\n\nUn élève peut, par exemple, avoir divisé par une expression sans préciser si elle peut être nulle. Fournissez l’équation d’origine et demandez quels cas doivent être examinés avant cette transformation. Le résultat souhaité peut distinguer le cas autorisé, le cas exceptionnel et l’ensemble des solutions final. Il s’agit d’une tâche mathématique proposée, dont la forme de réponse est définie par la condition plutôt que par une demande générale d’explication de l’algèbre.\n\nPour une question de programmation, fournissez l’algorithme ou la fonction et une entrée concrète. Demandez comment l’état évolue et pourquoi le résultat renvoyé en découle. Une demande ultérieure peut solliciter une implémentation révisée sous une contrainte explicite, comme le maintien de la signature publique de la fonction ou l’absence de modification de l’entrée. Incluez le code auxiliaire pertinent et le comportement attendu afin que l’explication ne dépende pas d’une implémentation non précisée.\n\nPour une comparaison logique, identifiez les alternatives et les conditions que chacune doit remplir. Demandez les hypothèses de chaque approche, les incompatibilités qui excluent un choix et les informations encore non résolues. Un tableau de décision compact peut alors devenir le livrable final, tandis que le texte qui l’entoure explique comment les règles fournies l’étayent.\n\nRecommandations de consigne de DeepSeek\n\nLe fabricant recommande d’éviter une consigne système et de placer toutes les instructions directement dans la consigne utilisateur. Regroupez la tâche, les exigences de sortie et les sources nécessaires, en identifiant clairement le texte du problème et les instructions sur la réponse. Utilisez le tokeniseur et les réglages de conversation publiés au lieu de supposer que le format Qwen d’origine est interchangeable.\n\nLa plage de température documentée va de 0.5 à 0.7, avec 0.6 recommandé. DeepSeek relie ce choix à la réduction des répétitions et des sorties incohérentes. Pour les questions mathématiques, il recommande une réponse détaillée avec le résultat final dans un encadré LaTeX. Il décrit aussi des cas où le modèle saute le bloc de raisonnement et recommande de commencer la réponse par le marqueur d’ouverture du raisonnement pour encourager le parcours prévu.\n\nUne sortie mathématique utile peut contenir la méthode choisie, les transformations justifiées et une expression finale distincte. Précisez si le résultat doit être exact ou arrondi et indiquez les unités lorsqu’elles comptent. Pour le code, demandez l’explication séparément de l’implémentation proposée. Pour la logique, demandez la conclusion finale et les conditions dans lesquelles elle vaut. Ces exigences déterminent ce que le lecteur ou l’application peut effectivement utiliser après le texte de raisonnement.\n\nContexte et limites de fond\n\nLa configuration actuellement publiée fixe le maximum de positions à 131,072. Il s’agit de la valeur de configuration de ce checkpoint, pas d’une promesse héritée concernant toutes les interfaces de service. Le réglage de génération de 32,768 jetons du fabricant fait partie de l’évaluation ; il n’établit pas une limite ferme distincte de longueur de réponse. La capacité de sortie du modèle Qwen Instruct d’origine ne doit pas non plus être transférée à cette version de raisonnement modifiée sans sa propre spécification.\n\nIl s’agit d’un modèle de texte. Les symboles et conditions d’un problème mathématique présenté en image doivent être convertis en texte avant la tâche de raisonnement, et l’exécution du code proposé nécessite un environnement de développement ou de calcul séparé. La distillation décrit un entraînement avec des exemples R1, pas un appel automatique au modèle enseignant à l’exécution ni un vérificateur indépendant intégré.\n\nUtilisez le checkpoint 14B nommé pour une tâche définie de réponse détaillée et préservez la notation, les hypothèses et le résultat cible du problème. L’objectif pratique est une solution que le lecteur peut examiner : quelles conditions s’appliquent, pourquoi chaque étape importante en découle et quelle expression, implémentation ou conclusion finale répond à la question d’origine.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Repair an algebraic division step\n\nA student solves x(x - 3) = 2(x - 3) by dividing by x - 3 and concludes x = 2. Explain the missing case without changing the original equation. Separate the zero-divisor case from the nonzero case, then give the complete solution set and substitute each candidate back into the equation.A case split, a complete solution set and a substitution check for each candidate.The response checks the x - 3 = 0 case rather than silently dividing it away.deepseek-ai/DeepSeek-R1-Distill-Qwen-14BDeepSeek-R1-Distill-Qwen-14B est un checkpoint de raisonnement textuel fondé sur Qwen2.5-14B et sur des exemples générés par DeepSeek-R1. Il permet des réponses détaillées en mathématiques, en programmation et en logique, avec le tokeniseur, les recommandations de consigne et la configuration publiés par DeepSeek.
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-14B est le checkpoint de raisonnement de taille 14B fondé sur Qwen et publié par DeepSeek. Sa base est Qwen2.5-14B, ajustée avec des exemples préparés par DeepSeek-R1. Il accepte un problème écrit ou une conversation et renvoie du texte pouvant comprendre une solution mathématique, une explication du comportement d’un programme ou une conclusion tirée de plusieurs conditions fournies.
Transfert du raisonnement et édition nommée
DeepSeek distingue les modèles R1 et R1-Zero complets des modèles denses distillés sur des bases Qwen et Llama. Pour les versions distillées, les données d’entraînement transfèrent des schémas de raisonnement du modèle R1 plus grand vers un checkpoint différent. Le nom 14B identifie cette base Qwen précise ; il ne désigne ni l’architecture R1 complète, ni le checkpoint distillé 32B, ni la version ordinaire Qwen2.5-14B-Instruct.
Le fabricant décrit 800,000 exemples sélectionnés pour les versions distillées Qwen et signale des modifications de leurs configurations et tokeniseurs. Conservez les réglages de la version DeepSeek lorsque vous utilisez ce modèle. Ces modifications comptent même si le modèle est issu de Qwen2.5. La configuration propre du checkpoint 14B spécifie 48 couches, 40 têtes d’attention de requête et 8 têtes de clé/valeur, avec un maximum de 131,072 positions.
Éléments à fournir pour une réponse détaillée utile
Pour une tâche de tutorat, incluez le problème et la tentative de solution de l’élève, puis marquez la transition à expliquer. Demandez au modèle d’identifier la condition pertinente, d’expliquer la correction avec la même notation et de poursuivre uniquement jusqu’à l’établissement du résultat. La réponse reste ainsi liée à la difficulté réelle de l’élève, au lieu de produire une leçon complète sans rapport direct.
Un élève peut, par exemple, avoir divisé par une expression sans préciser si elle peut être nulle. Fournissez l’équation d’origine et demandez quels cas doivent être examinés avant cette transformation. Le résultat souhaité peut distinguer le cas autorisé, le cas exceptionnel et l’ensemble des solutions final. Il s’agit d’une tâche mathématique proposée, dont la forme de réponse est définie par la condition plutôt que par une demande générale d’explication de l’algèbre.
Pour une question de programmation, fournissez l’algorithme ou la fonction et une entrée concrète. Demandez comment l’état évolue et pourquoi le résultat renvoyé en découle. Une demande ultérieure peut solliciter une implémentation révisée sous une contrainte explicite, comme le maintien de la signature publique de la fonction ou l’absence de modification de l’entrée. Incluez le code auxiliaire pertinent et le comportement attendu afin que l’explication ne dépende pas d’une implémentation non précisée.
Pour une comparaison logique, identifiez les alternatives et les conditions que chacune doit remplir. Demandez les hypothèses de chaque approche, les incompatibilités qui excluent un choix et les informations encore non résolues. Un tableau de décision compact peut alors devenir le livrable final, tandis que le texte qui l’entoure explique comment les règles fournies l’étayent.
Recommandations de consigne de DeepSeek
Le fabricant recommande d’éviter une consigne système et de placer toutes les instructions directement dans la consigne utilisateur. Regroupez la tâche, les exigences de sortie et les sources nécessaires, en identifiant clairement le texte du problème et les instructions sur la réponse. Utilisez le tokeniseur et les réglages de conversation publiés au lieu de supposer que le format Qwen d’origine est interchangeable.
La plage de température documentée va de 0.5 à 0.7, avec 0.6 recommandé. DeepSeek relie ce choix à la réduction des répétitions et des sorties incohérentes. Pour les questions mathématiques, il recommande une réponse détaillée avec le résultat final dans un encadré LaTeX. Il décrit aussi des cas où le modèle saute le bloc de raisonnement et recommande de commencer la réponse par le marqueur d’ouverture du raisonnement pour encourager le parcours prévu.
Une sortie mathématique utile peut contenir la méthode choisie, les transformations justifiées et une expression finale distincte. Précisez si le résultat doit être exact ou arrondi et indiquez les unités lorsqu’elles comptent. Pour le code, demandez l’explication séparément de l’implémentation proposée. Pour la logique, demandez la conclusion finale et les conditions dans lesquelles elle vaut. Ces exigences déterminent ce que le lecteur ou l’application peut effectivement utiliser après le texte de raisonnement.
Contexte et limites de fond
La configuration actuellement publiée fixe le maximum de positions à 131,072. Il s’agit de la valeur de configuration de ce checkpoint, pas d’une promesse héritée concernant toutes les interfaces de service. Le réglage de génération de 32,768 jetons du fabricant fait partie de l’évaluation ; il n’établit pas une limite ferme distincte de longueur de réponse. La capacité de sortie du modèle Qwen Instruct d’origine ne doit pas non plus être transférée à cette version de raisonnement modifiée sans sa propre spécification.
Il s’agit d’un modèle de texte. Les symboles et conditions d’un problème mathématique présenté en image doivent être convertis en texte avant la tâche de raisonnement, et l’exécution du code proposé nécessite un environnement de développement ou de calcul séparé. La distillation décrit un entraînement avec des exemples R1, pas un appel automatique au modèle enseignant à l’exécution ni un vérificateur indépendant intégré.
Utilisez le checkpoint 14B nommé pour une tâche définie de réponse détaillée et préservez la notation, les hypothèses et le résultat cible du problème. L’objectif pratique est une solution que le lecteur peut examiner : quelles conditions s’appliquent, pourquoi chaque étape importante en découle et quelle expression, implémentation ou conclusion finale répond à la question d’origine.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites deepseek-ai/DeepSeek-R1-Distill-Qwen-14B | 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 $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0002 / 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-14B", "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-14B',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-14B',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-14B
Utilisez les chemins de méthode indiqués ci-dessus.
deepseek-ai/DeepSeek-R1-Distill-Qwen-14BDeepSeek-R1-Distill-Qwen-14B est un checkpoint de raisonnement textuel fondé sur Qwen2.5-14B et sur des exemples générés par DeepSeek-R1. Il permet des réponses détaillées en mathématiques, en programmation et en logique, avec le tokeniseur, les recommandations de consigne et la configuration publiés par DeepSeek.
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-14B est le checkpoint de raisonnement de taille 14B fondé sur Qwen et publié par DeepSeek. Sa base est Qwen2.5-14B, ajustée avec des exemples préparés par DeepSeek-R1. Il accepte un problème écrit ou une conversation et renvoie du texte pouvant comprendre une solution mathématique, une explication du comportement d’un programme ou une conclusion tirée de plusieurs conditions fournies.
Transfert du raisonnement et édition nommée
DeepSeek distingue les modèles R1 et R1-Zero complets des modèles denses distillés sur des bases Qwen et Llama. Pour les versions distillées, les données d’entraînement transfèrent des schémas de raisonnement du modèle R1 plus grand vers un checkpoint différent. Le nom 14B identifie cette base Qwen précise ; il ne désigne ni l’architecture R1 complète, ni le checkpoint distillé 32B, ni la version ordinaire Qwen2.5-14B-Instruct.
Le fabricant décrit 800,000 exemples sélectionnés pour les versions distillées Qwen et signale des modifications de leurs configurations et tokeniseurs. Conservez les réglages de la version DeepSeek lorsque vous utilisez ce modèle. Ces modifications comptent même si le modèle est issu de Qwen2.5. La configuration propre du checkpoint 14B spécifie 48 couches, 40 têtes d’attention de requête et 8 têtes de clé/valeur, avec un maximum de 131,072 positions.
Éléments à fournir pour une réponse détaillée utile
Pour une tâche de tutorat, incluez le problème et la tentative de solution de l’élève, puis marquez la transition à expliquer. Demandez au modèle d’identifier la condition pertinente, d’expliquer la correction avec la même notation et de poursuivre uniquement jusqu’à l’établissement du résultat. La réponse reste ainsi liée à la difficulté réelle de l’élève, au lieu de produire une leçon complète sans rapport direct.
Un élève peut, par exemple, avoir divisé par une expression sans préciser si elle peut être nulle. Fournissez l’équation d’origine et demandez quels cas doivent être examinés avant cette transformation. Le résultat souhaité peut distinguer le cas autorisé, le cas exceptionnel et l’ensemble des solutions final. Il s’agit d’une tâche mathématique proposée, dont la forme de réponse est définie par la condition plutôt que par une demande générale d’explication de l’algèbre.
Pour une question de programmation, fournissez l’algorithme ou la fonction et une entrée concrète. Demandez comment l’état évolue et pourquoi le résultat renvoyé en découle. Une demande ultérieure peut solliciter une implémentation révisée sous une contrainte explicite, comme le maintien de la signature publique de la fonction ou l’absence de modification de l’entrée. Incluez le code auxiliaire pertinent et le comportement attendu afin que l’explication ne dépende pas d’une implémentation non précisée.
Pour une comparaison logique, identifiez les alternatives et les conditions que chacune doit remplir. Demandez les hypothèses de chaque approche, les incompatibilités qui excluent un choix et les informations encore non résolues. Un tableau de décision compact peut alors devenir le livrable final, tandis que le texte qui l’entoure explique comment les règles fournies l’étayent.
Recommandations de consigne de DeepSeek
Le fabricant recommande d’éviter une consigne système et de placer toutes les instructions directement dans la consigne utilisateur. Regroupez la tâche, les exigences de sortie et les sources nécessaires, en identifiant clairement le texte du problème et les instructions sur la réponse. Utilisez le tokeniseur et les réglages de conversation publiés au lieu de supposer que le format Qwen d’origine est interchangeable.
La plage de température documentée va de 0.5 à 0.7, avec 0.6 recommandé. DeepSeek relie ce choix à la réduction des répétitions et des sorties incohérentes. Pour les questions mathématiques, il recommande une réponse détaillée avec le résultat final dans un encadré LaTeX. Il décrit aussi des cas où le modèle saute le bloc de raisonnement et recommande de commencer la réponse par le marqueur d’ouverture du raisonnement pour encourager le parcours prévu.
Une sortie mathématique utile peut contenir la méthode choisie, les transformations justifiées et une expression finale distincte. Précisez si le résultat doit être exact ou arrondi et indiquez les unités lorsqu’elles comptent. Pour le code, demandez l’explication séparément de l’implémentation proposée. Pour la logique, demandez la conclusion finale et les conditions dans lesquelles elle vaut. Ces exigences déterminent ce que le lecteur ou l’application peut effectivement utiliser après le texte de raisonnement.
Contexte et limites de fond
La configuration actuellement publiée fixe le maximum de positions à 131,072. Il s’agit de la valeur de configuration de ce checkpoint, pas d’une promesse héritée concernant toutes les interfaces de service. Le réglage de génération de 32,768 jetons du fabricant fait partie de l’évaluation ; il n’établit pas une limite ferme distincte de longueur de réponse. La capacité de sortie du modèle Qwen Instruct d’origine ne doit pas non plus être transférée à cette version de raisonnement modifiée sans sa propre spécification.
Il s’agit d’un modèle de texte. Les symboles et conditions d’un problème mathématique présenté en image doivent être convertis en texte avant la tâche de raisonnement, et l’exécution du code proposé nécessite un environnement de développement ou de calcul séparé. La distillation décrit un entraînement avec des exemples R1, pas un appel automatique au modèle enseignant à l’exécution ni un vérificateur indépendant intégré.
Utilisez le checkpoint 14B nommé pour une tâche définie de réponse détaillée et préservez la notation, les hypothèses et le résultat cible du problème. L’objectif pratique est une solution que le lecteur peut examiner : quelles conditions s’appliquent, pourquoi chaque étape importante en découle et quelle expression, implémentation ou conclusion finale répond à la question d’origine.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites deepseek-ai/DeepSeek-R1-Distill-Qwen-14B | 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 $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0002 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-14B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-14B', '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-14B', '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-14B
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Repair an algebraic division step\n\nA student solves x(x - 3) = 2(x - 3) by dividing by x - 3 and concludes x = 2. Explain the missing case without changing the original equation. Separate the zero-divisor case from the nonzero case, then give the complete solution set and substitute each candidate back into the equation.A case split, a complete solution set and a substitution check for each candidate.The response checks the x - 3 = 0 case rather than silently dividing it away.