DeepSeek-R1-Distill-Qwen-32B est le checkpoint dense de raisonnement de taille 32B de DeepSeek, construit à partir de Qwen2.5-32B. DeepSeek ajuste cette base avec des exemples de raisonnement générés par DeepSeek-R1. Il en résulte un modèle de texte distinct pour les problèmes exigeant plusieurs étapes liées, comme une démonstration mathématique, une question algorithmique ou un raisonnement sous contraintes.
En quoi cette distillation diffère du modèle R1 complet
La publication du fabricant distingue DeepSeek-R1-Zero, DeepSeek-R1 et les modèles distillés à partir de Qwen ou de Llama. La ligne R1 complète développe le raisonnement grâce à son propre pipeline d’entraînement ; l’étape de distillation transfère les schémas représentés dans les exemples générés par R1 vers des checkpoints denses distincts. Cette entrée correspond à l’édition distillée 32B fondée sur Qwen, et non au modèle R1 complet, à R1-Zero ou à la base Qwen2.5-32B non modifiée.
Les modèles distillés Qwen publiés sont ajustés avec 800,000 échantillons sélectionnés. DeepSeek modifie aussi leurs configurations et leurs tokeniseurs, et demande aux utilisateurs de conserver ces réglages. L’origine de l’entraînement explique l’orientation vers le raisonnement, tandis que le checkpoint nommé et sa configuration propre déterminent la version réelle. Cela ne signifie pas que le modèle enseignant, plus grand, soit automatiquement consulté pour répondre à chaque nouvelle question.
La configuration du checkpoint 32B utilise une architecture de modèle de langage causal avec 64 couches, 40 têtes d’attention de requête et 8 têtes de clé/valeur. Elle fixe le nombre maximal de positions à 131,072. Ce chiffre concerne le modèle publié ; une commande de service donnée en exemple ou un autre membre de la famille R1 ne doivent pas être considérés comme le même réglage de contexte. Le modèle reçoit et génère du texte, sans accepter d’image ni produire de livrable visuel ou audio.
Préparer une tâche mathématique ou de programmation
Pour un problème mathématique, donnez l’énoncé complet, 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 solliciter une démonstration suivie de l’expression finale et d’une vérification des conditions d’origine. Le fabricant recommande une réponse mathématique détaillée avec la réponse finale dans un encadré LaTeX.
Pour un problème algorithmique, fournissez la plage d’entrée, la sortie requise et les contraintes sur la solution. Demandez l’approche, l’implémentation et une explication montrant pourquoi 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 parcours réel au parcours visé et proposer une correction ; l’exécution et la vérification du programme sont des étapes distinctes de l’application.
Pour un problème sous contraintes, énumérez explicitement les choix autorisés et leurs relations. Par exemple, une demande de planification peut fournir les participants, les disponibilités et les règles qui rendent deux affectations incompatibles. Demandez une affectation proposée avec la règle qui étaye chaque décision et exigez que toute condition non résolue reste visible. Le raisonnement devient ainsi vérifiable, au lieu de demander au modèle de choisir sans disposer des 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 séparée pour cette série. Cela diffère d’un modèle de conversation général qui s’appuie sur un message système pour définir la tâche. Regroupez le format de réponse demandé, les sources et la question réelle, avec des limites claires.
La plage de température recommandée va de 0.5 à 0.7, avec une préférence pour 0.6. Le fabricant relie cette recommandation à la prévention des répétitions ou des sorties incohérentes. Il signale aussi que certaines requêtes peuvent produire un bloc de raisonnement vide et recommande de commencer la sortie par le marqueur d’ouverture du raisonnement. Ces recommandations concernent le parcours de raisonnement publié ; elles ne garantissent pas qu’un réglage donné établisse la justesse du résultat.
Un contrat de réponse pratique peut demander une explication de la méthode, les principales étapes justifiées et un livrable final distinct. Pour une tâche mathématique, utilisez l’expression encadrée pour le résultat final. Pour une tâche de programmation, séparez le code de ses hypothèses et exemples d’entrée. Pour une tâche logique, reliez chaque conclusion à la règle ou au fait fourni qui l’étaye. Le texte de raisonnement et le résultat nécessaire à l’application remplissent ainsi des rôles distincts.
Limites de contexte, de sortie et d’intégration
Le maximum de 131,072 positions de la configuration publiée doit être considéré avec l’ensemble de la consigne et du raisonnement généré. Le fabricant utilise un réglage de génération de 32,768 jetons lors de l’évaluation, mais ce réglage expérimental n’est pas une spécification publiée séparée de la capacité de sortie de ce checkpoint. Ne déduisez pas un plafond de réponse d’une configuration de benchmark et ne recopiez pas la capacité de sortie de 8,192 jetons de l’édition Qwen Instruct d’origine dans la version distillée modifiée.
Concentrez les entrées sur la question mathématique, de programmation ou de logique réelle et précisez la forme finale souhaitée. Un calculateur externe, un dépôt, un analyseur documentaire ou une fonction de recherche doivent être fournis par l’application qui intègre le modèle ; ils ne sont pas inclus par la seule sélection d’un checkpoint de raisonnement textuel. Le résultat utile est une solution écrite ou une implémentation proposée dont les hypothèses, la méthode et la réponse finale correspondent au problème fourni.
", "aboutText": "DeepSeek-R1-Distill-Qwen-32B est le checkpoint dense de raisonnement de taille 32B de DeepSeek, construit à partir de Qwen2.5-32B. DeepSeek ajuste cette base avec des exemples de raisonnement générés par DeepSeek-R1. Il en résulte un modèle de texte distinct pour les problèmes exigeant plusieurs étapes liées, comme une démonstration mathématique, une question algorithmique ou un raisonnement sous contraintes.\n\nEn quoi cette distillation diffère du modèle R1 complet\n\nLa publication du fabricant distingue DeepSeek-R1-Zero, DeepSeek-R1 et les modèles distillés à partir de Qwen ou de Llama. La ligne R1 complète développe le raisonnement grâce à son propre pipeline d’entraînement ; l’étape de distillation transfère les schémas représentés dans les exemples générés par R1 vers des checkpoints denses distincts. Cette entrée correspond à l’édition distillée 32B fondée sur Qwen, et non au modèle R1 complet, à R1-Zero ou à la base Qwen2.5-32B non modifiée.\n\nLes modèles distillés Qwen publiés sont ajustés avec 800,000 échantillons sélectionnés. DeepSeek modifie aussi leurs configurations et leurs tokeniseurs, et demande aux utilisateurs de conserver ces réglages. L’origine de l’entraînement explique l’orientation vers le raisonnement, tandis que le checkpoint nommé et sa configuration propre déterminent la version réelle. Cela ne signifie pas que le modèle enseignant, plus grand, soit automatiquement consulté pour répondre à chaque nouvelle question.\n\nLa configuration du checkpoint 32B utilise une architecture de modèle de langage causal avec 64 couches, 40 têtes d’attention de requête et 8 têtes de clé/valeur. Elle fixe le nombre maximal de positions à 131,072. Ce chiffre concerne le modèle publié ; une commande de service donnée en exemple ou un autre membre de la famille R1 ne doivent pas être considérés comme le même réglage de contexte. Le modèle reçoit et génère du texte, sans accepter d’image ni produire de livrable visuel ou audio.\n\nPréparer une tâche mathématique ou de programmation\n\nPour un problème mathématique, donnez l’énoncé complet, 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 solliciter une démonstration suivie de l’expression finale et d’une vérification des conditions d’origine. Le fabricant recommande une réponse mathématique détaillée avec la réponse finale dans un encadré LaTeX.\n\nPour un problème algorithmique, fournissez la plage d’entrée, la sortie requise et les contraintes sur la solution. Demandez l’approche, l’implémentation et une explication montrant pourquoi 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 parcours réel au parcours visé et proposer une correction ; l’exécution et la vérification du programme sont des étapes distinctes de l’application.\n\nPour un problème sous contraintes, énumérez explicitement les choix autorisés et leurs relations. Par exemple, une demande de planification peut fournir les participants, les disponibilités et les règles qui rendent deux affectations incompatibles. Demandez une affectation proposée avec la règle qui étaye chaque décision et exigez que toute condition non résolue reste visible. Le raisonnement devient ainsi vérifiable, au lieu de demander au modèle de choisir sans disposer des 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 séparée pour cette série. Cela diffère d’un modèle de conversation général qui s’appuie sur un message système pour définir la tâche. Regroupez le format de réponse demandé, les sources et la question réelle, avec des limites claires.\n\nLa plage de température recommandée va de 0.5 à 0.7, avec une préférence pour 0.6. Le fabricant relie cette recommandation à la prévention des répétitions ou des sorties incohérentes. Il signale aussi que certaines requêtes peuvent produire un bloc de raisonnement vide et recommande de commencer la sortie par le marqueur d’ouverture du raisonnement. Ces recommandations concernent le parcours de raisonnement publié ; elles ne garantissent pas qu’un réglage donné établisse la justesse du résultat.\n\nUn contrat de réponse pratique peut demander une explication de la méthode, les principales étapes justifiées et un livrable final distinct. Pour une tâche mathématique, utilisez l’expression encadrée pour le résultat final. Pour une tâche de programmation, séparez le code de ses hypothèses et exemples d’entrée. Pour une tâche logique, reliez chaque conclusion à la règle ou au fait fourni qui l’étaye. Le texte de raisonnement et le résultat nécessaire à l’application remplissent ainsi des rôles distincts.\n\nLimites de contexte, de sortie et d’intégration\n\nLe maximum de 131,072 positions de la configuration publiée doit être considéré avec l’ensemble de la consigne et du raisonnement généré. Le fabricant utilise un réglage de génération de 32,768 jetons lors de l’évaluation, mais ce réglage expérimental n’est pas une spécification publiée séparée de la capacité de sortie de ce checkpoint. Ne déduisez pas un plafond de réponse d’une configuration de benchmark et ne recopiez pas la capacité de sortie de 8,192 jetons de l’édition Qwen Instruct d’origine dans la version distillée modifiée.\n\nConcentrez les entrées sur la question mathématique, de programmation ou de logique réelle et précisez la forme finale souhaitée. Un calculateur externe, un dépôt, un analyseur documentaire ou une fonction de recherche doivent être fournis par l’application qui intègre le modèle ; ils ne sont pas inclus par la seule sélection d’un checkpoint de raisonnement textuel. Le résultat utile est une solution écrite ou une implémentation proposée dont les hypothèses, la méthode et la réponse finale correspondent au problème fourni.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Solve a bounded scheduling problem\n\nSchedule three one-hour interviews in slots 09:00, 10:00 and 11:00. Ada cannot attend 09:00; Ben cannot attend 11:00; Chen must be before Ada. Each person gets one distinct slot. Give a valid schedule, explain how each constraint is satisfied and state whether another schedule is possible.A person-to-slot table, a constraint check and a justified uniqueness or non-uniqueness conclusion.Check all three constraints and distinct slots directly against the proposed schedule.deepseek-ai/DeepSeek-R1-Distill-Qwen-32BDeepSeek-R1-Distill-Qwen-32B est un modèle dense de raisonnement textuel ajusté à partir de Qwen2.5-32B avec des exemples de DeepSeek-R1. Il vise les tâches mathématiques, de programmation et de logique en 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 checkpoint dense de raisonnement de taille 32B de DeepSeek, construit à partir de Qwen2.5-32B. DeepSeek ajuste cette base avec des exemples de raisonnement générés par DeepSeek-R1. Il en résulte un modèle de texte distinct pour les problèmes exigeant plusieurs étapes liées, comme une démonstration mathématique, une question algorithmique ou un raisonnement sous contraintes.
En quoi cette distillation diffère du modèle R1 complet
La publication du fabricant distingue DeepSeek-R1-Zero, DeepSeek-R1 et les modèles distillés à partir de Qwen ou de Llama. La ligne R1 complète développe le raisonnement grâce à son propre pipeline d’entraînement ; l’étape de distillation transfère les schémas représentés dans les exemples générés par R1 vers des checkpoints denses distincts. Cette entrée correspond à l’édition distillée 32B fondée sur Qwen, et non au modèle R1 complet, à R1-Zero ou à la base Qwen2.5-32B non modifiée.
Les modèles distillés Qwen publiés sont ajustés avec 800,000 échantillons sélectionnés. DeepSeek modifie aussi leurs configurations et leurs tokeniseurs, et demande aux utilisateurs de conserver ces réglages. L’origine de l’entraînement explique l’orientation vers le raisonnement, tandis que le checkpoint nommé et sa configuration propre déterminent la version réelle. Cela ne signifie pas que le modèle enseignant, plus grand, soit automatiquement consulté pour répondre à chaque nouvelle question.
La configuration du checkpoint 32B utilise une architecture de modèle de langage causal avec 64 couches, 40 têtes d’attention de requête et 8 têtes de clé/valeur. Elle fixe le nombre maximal de positions à 131,072. Ce chiffre concerne le modèle publié ; une commande de service donnée en exemple ou un autre membre de la famille R1 ne doivent pas être considérés comme le même réglage de contexte. Le modèle reçoit et génère du texte, sans accepter d’image ni produire de livrable visuel ou audio.
Préparer une tâche mathématique ou de programmation
Pour un problème mathématique, donnez l’énoncé complet, 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 solliciter une démonstration suivie de l’expression finale et d’une vérification des conditions d’origine. Le fabricant recommande une réponse mathématique détaillée avec la réponse finale dans un encadré LaTeX.
Pour un problème algorithmique, fournissez la plage d’entrée, la sortie requise et les contraintes sur la solution. Demandez l’approche, l’implémentation et une explication montrant pourquoi 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 parcours réel au parcours visé et proposer une correction ; l’exécution et la vérification du programme sont des étapes distinctes de l’application.
Pour un problème sous contraintes, énumérez explicitement les choix autorisés et leurs relations. Par exemple, une demande de planification peut fournir les participants, les disponibilités et les règles qui rendent deux affectations incompatibles. Demandez une affectation proposée avec la règle qui étaye chaque décision et exigez que toute condition non résolue reste visible. Le raisonnement devient ainsi vérifiable, au lieu de demander au modèle de choisir sans disposer des 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 séparée pour cette série. Cela diffère d’un modèle de conversation général qui s’appuie sur un message système pour définir la tâche. Regroupez le format de réponse demandé, les sources et la question réelle, avec des limites claires.
La plage de température recommandée va de 0.5 à 0.7, avec une préférence pour 0.6. Le fabricant relie cette recommandation à la prévention des répétitions ou des sorties incohérentes. Il signale aussi que certaines requêtes peuvent produire un bloc de raisonnement vide et recommande de commencer la sortie par le marqueur d’ouverture du raisonnement. Ces recommandations concernent le parcours de raisonnement publié ; elles ne garantissent pas qu’un réglage donné établisse la justesse du résultat.
Un contrat de réponse pratique peut demander une explication de la méthode, les principales étapes justifiées et un livrable final distinct. Pour une tâche mathématique, utilisez l’expression encadrée pour le résultat final. Pour une tâche de programmation, séparez le code de ses hypothèses et exemples d’entrée. Pour une tâche logique, reliez chaque conclusion à la règle ou au fait fourni qui l’étaye. Le texte de raisonnement et le résultat nécessaire à l’application remplissent ainsi des rôles distincts.
Limites de contexte, de sortie et d’intégration
Le maximum de 131,072 positions de la configuration publiée doit être considéré avec l’ensemble de la consigne et du raisonnement généré. Le fabricant utilise un réglage de génération de 32,768 jetons lors de l’évaluation, mais ce réglage expérimental n’est pas une spécification publiée séparée de la capacité de sortie de ce checkpoint. Ne déduisez pas un plafond de réponse d’une configuration de benchmark et ne recopiez pas la capacité de sortie de 8,192 jetons de l’édition Qwen Instruct d’origine dans la version distillée modifiée.
Concentrez les entrées sur la question mathématique, de programmation ou de logique réelle et précisez la forme finale souhaitée. Un calculateur externe, un dépôt, un analyseur documentaire ou une fonction de recherche doivent être fournis par l’application qui intègre le modèle ; ils ne sont pas inclus par la seule sélection d’un checkpoint de raisonnement textuel. Le résultat utile est une solution écrite ou une implémentation proposée dont les hypothèses, la méthode et la réponse finale correspondent au problème fourni.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites deepseek-ai/DeepSeek-R1-Distill-Qwen-32B | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00036 / 1K tokens Sortie · Tokens en sortie $0.00036 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-32B", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek-ai/DeepSeek-R1-Distill-Qwen-32B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek-ai/DeepSeek-R1-Distill-Qwen-32B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-32B
Utilisez les chemins de méthode indiqués ci-dessus.
deepseek-ai/DeepSeek-R1-Distill-Qwen-32BDeepSeek-R1-Distill-Qwen-32B est un modèle dense de raisonnement textuel ajusté à partir de Qwen2.5-32B avec des exemples de DeepSeek-R1. Il vise les tâches mathématiques, de programmation et de logique en 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 checkpoint dense de raisonnement de taille 32B de DeepSeek, construit à partir de Qwen2.5-32B. DeepSeek ajuste cette base avec des exemples de raisonnement générés par DeepSeek-R1. Il en résulte un modèle de texte distinct pour les problèmes exigeant plusieurs étapes liées, comme une démonstration mathématique, une question algorithmique ou un raisonnement sous contraintes.
En quoi cette distillation diffère du modèle R1 complet
La publication du fabricant distingue DeepSeek-R1-Zero, DeepSeek-R1 et les modèles distillés à partir de Qwen ou de Llama. La ligne R1 complète développe le raisonnement grâce à son propre pipeline d’entraînement ; l’étape de distillation transfère les schémas représentés dans les exemples générés par R1 vers des checkpoints denses distincts. Cette entrée correspond à l’édition distillée 32B fondée sur Qwen, et non au modèle R1 complet, à R1-Zero ou à la base Qwen2.5-32B non modifiée.
Les modèles distillés Qwen publiés sont ajustés avec 800,000 échantillons sélectionnés. DeepSeek modifie aussi leurs configurations et leurs tokeniseurs, et demande aux utilisateurs de conserver ces réglages. L’origine de l’entraînement explique l’orientation vers le raisonnement, tandis que le checkpoint nommé et sa configuration propre déterminent la version réelle. Cela ne signifie pas que le modèle enseignant, plus grand, soit automatiquement consulté pour répondre à chaque nouvelle question.
La configuration du checkpoint 32B utilise une architecture de modèle de langage causal avec 64 couches, 40 têtes d’attention de requête et 8 têtes de clé/valeur. Elle fixe le nombre maximal de positions à 131,072. Ce chiffre concerne le modèle publié ; une commande de service donnée en exemple ou un autre membre de la famille R1 ne doivent pas être considérés comme le même réglage de contexte. Le modèle reçoit et génère du texte, sans accepter d’image ni produire de livrable visuel ou audio.
Préparer une tâche mathématique ou de programmation
Pour un problème mathématique, donnez l’énoncé complet, 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 solliciter une démonstration suivie de l’expression finale et d’une vérification des conditions d’origine. Le fabricant recommande une réponse mathématique détaillée avec la réponse finale dans un encadré LaTeX.
Pour un problème algorithmique, fournissez la plage d’entrée, la sortie requise et les contraintes sur la solution. Demandez l’approche, l’implémentation et une explication montrant pourquoi 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 parcours réel au parcours visé et proposer une correction ; l’exécution et la vérification du programme sont des étapes distinctes de l’application.
Pour un problème sous contraintes, énumérez explicitement les choix autorisés et leurs relations. Par exemple, une demande de planification peut fournir les participants, les disponibilités et les règles qui rendent deux affectations incompatibles. Demandez une affectation proposée avec la règle qui étaye chaque décision et exigez que toute condition non résolue reste visible. Le raisonnement devient ainsi vérifiable, au lieu de demander au modèle de choisir sans disposer des 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 séparée pour cette série. Cela diffère d’un modèle de conversation général qui s’appuie sur un message système pour définir la tâche. Regroupez le format de réponse demandé, les sources et la question réelle, avec des limites claires.
La plage de température recommandée va de 0.5 à 0.7, avec une préférence pour 0.6. Le fabricant relie cette recommandation à la prévention des répétitions ou des sorties incohérentes. Il signale aussi que certaines requêtes peuvent produire un bloc de raisonnement vide et recommande de commencer la sortie par le marqueur d’ouverture du raisonnement. Ces recommandations concernent le parcours de raisonnement publié ; elles ne garantissent pas qu’un réglage donné établisse la justesse du résultat.
Un contrat de réponse pratique peut demander une explication de la méthode, les principales étapes justifiées et un livrable final distinct. Pour une tâche mathématique, utilisez l’expression encadrée pour le résultat final. Pour une tâche de programmation, séparez le code de ses hypothèses et exemples d’entrée. Pour une tâche logique, reliez chaque conclusion à la règle ou au fait fourni qui l’étaye. Le texte de raisonnement et le résultat nécessaire à l’application remplissent ainsi des rôles distincts.
Limites de contexte, de sortie et d’intégration
Le maximum de 131,072 positions de la configuration publiée doit être considéré avec l’ensemble de la consigne et du raisonnement généré. Le fabricant utilise un réglage de génération de 32,768 jetons lors de l’évaluation, mais ce réglage expérimental n’est pas une spécification publiée séparée de la capacité de sortie de ce checkpoint. Ne déduisez pas un plafond de réponse d’une configuration de benchmark et ne recopiez pas la capacité de sortie de 8,192 jetons de l’édition Qwen Instruct d’origine dans la version distillée modifiée.
Concentrez les entrées sur la question mathématique, de programmation ou de logique réelle et précisez la forme finale souhaitée. Un calculateur externe, un dépôt, un analyseur documentaire ou une fonction de recherche doivent être fournis par l’application qui intègre le modèle ; ils ne sont pas inclus par la seule sélection d’un checkpoint de raisonnement textuel. Le résultat utile est une solution écrite ou une implémentation proposée dont les hypothèses, la méthode et la réponse finale correspondent au problème fourni.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites deepseek-ai/DeepSeek-R1-Distill-Qwen-32B | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00036 / 1K tokens Sortie · Tokens en sortie $0.00036 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-ai/DeepSeek-R1-Distill-Qwen-32B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-ai/DeepSeek-R1-Distill-Qwen-32B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-32B
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Solve a bounded scheduling problem\n\nSchedule three one-hour interviews in slots 09:00, 10:00 and 11:00. Ada cannot attend 09:00; Ben cannot attend 11:00; Chen must be before Ada. Each person gets one distinct slot. Give a valid schedule, explain how each constraint is satisfied and state whether another schedule is possible.A person-to-slot table, a constraint check and a justified uniqueness or non-uniqueness conclusion.Check all three constraints and distinct slots directly against the proposed schedule.