Introduction : un modèle de raisonnement plus petit dérivé de R1
DeepSeek-R1-Distill-Qwen-7B transfère des exemples de raisonnement de DeepSeek-R1 dans un modèle dense fondé sur Qwen2.5-Math-7B. Il accepte du texte et génère du texte, notamment des solutions détaillées, des explications de programmation et des réponses à des problèmes logiques. Cette distillation 7B précise constitue un point de contrôle distinct de DeepSeek-R1 complet, du Qwen2.5-Math-7B d’origine et des éditions distillées plus grandes. Son nom indique à la fois le producteur des données de raisonnement et la famille du modèle sous-jacent.
Ce qu’apporte la distillation
La recherche R1 de DeepSeek distingue l’entraînement du grand modèle enseignant de raisonnement de l’ajustement fin de ses modèles élèves plus petits. Le processus de l’enseignant utilise l’apprentissage par renforcement et des étapes supervisées ; les modèles distillés publiés sont ajustés avec des exemples produits par R1. Le concepteur décrit 800 000 exemples sélectionnés pour ces versions. Ne supposez pas que l’élève 7B possède lui-même l’architecture à mélange d’experts du modèle complet ou qu’il a suivi toutes les étapes d’entraînement de l’enseignant. La distillation donne à ce modèle un style de raisonnement appris ; elle ne rend pas ses conclusions équivalentes à celles de l’enseignant.
Le modèle exact et sa configuration
Le tableau officiel des modèles identifie Qwen2.5-Math-7B comme base de cette édition. DeepSeek modifie la configuration et les paramètres du tokenizer ; le point de contrôle exact publié et le modèle de conversation comptent donc. Sa configuration publiée utilise une architecture de modèle de langage causal Qwen2 avec 28 couches et des poids bfloat16. Elle fixe le nombre maximal de positions à 131 072. Cette valeur de configuration n’est pas une validation distincte de la précision sur les documents longs : le tableau de contexte 128K de la fiche R1 commune décrit les modèles R1 complets, tandis que son tableau des modèles distillés identifie leur filiation sans publier de tableau de contexte validé par élève.
Utilisez-le pour une tâche dont le résultat est vérifiable. En mathématiques, fournissez l’énoncé complet, les définitions et les unités. Pour le code, incluez la fonction concernée, l’entrée, le résultat observé et le comportement souhaité. Pour une question logique, listez les faits et distinguez une conclusion requise d’une hypothèse. Demandez un résultat final vérifiable indépendamment, par exemple une valeur encadrée, une trame de démonstration concise ou un correctif expliqué. Ces exemples appliquent le périmètre de raisonnement documenté du concepteur ; ils n’affirment pas que le modèle exécute du code ou vérifie automatiquement des démonstrations.
Comment préparer le prompt
DeepSeek recommande de placer toutes les instructions dans le prompt utilisateur et d’éviter un prompt système pour cette version R1. Pour un problème mathématique, demandez un raisonnement étape par étape et une réponse finale clairement délimitée. Incluez toute structure de sortie dans le même prompt : par exemple, une courte conclusion suivie des hypothèses et des calculs justificatifs. Une application doit utiliser le tokenizer et la mise en forme propres à l’élève, plutôt que d’utiliser le gabarit de conversation du modèle Qwen de base sans vérifier les modifications du concepteur.
Le concepteur indique que certaines requêtes peuvent produire un bloc de réflexion vide et contourner le schéma de raisonnement prévu. La solution qu’il recommande consiste à faire commencer la génération par le marqueur d’ouverture de réflexion et un saut de ligne dans un processus compatible. Il s’agit d’une recommandation documentée de format de génération, et non d’une promesse que chaque application expose cette commande. Gardez la réponse finale distincte du texte de raisonnement plus long lors de la présentation d’un résultat.
Paramètres de génération et espace disponible
DeepSeek recommande une température comprise entre 0.5 et 0.7, avec 0.6 comme point de départ privilégié, pour réduire les sorties répétitives ou incohérentes. Sa configuration d’évaluation utilise un budget de génération de 32 768 tokens et top_p 0.95. Ces choix d’évaluation ne constituent pas un maximum strict universel. Le raisonnement, le texte source et la réponse finale ont tous besoin de place dans le contexte configuré ; une requête contenant une longue démonstration ou un listing de code doit donc laisser de la place pour la réponse.
Limites qui influent sur le choix du modèle
Un petit modèle distillé reste un compromis de raisonnement distinct. Les documents de publication du concepteur n’établissent pas d’entrée image, audio ou vidéo pour ce point de contrôle, ni de protocole dédié d’appel d’outils. L’exécution d’outils ou l’accès à des données actuelles nécessiteraient un processus applicatif configuré séparément. La version n’hérite pas non plus des modifications ultérieures de politique de prompts de DeepSeek-R1-0528 simplement par le nom R1. Vérifiez les réponses numériques, examinez les modifications de code proposées et contrôlez si la conclusion finale découle des faits fournis ; une longue transcription de raisonnement ne constitue pas à elle seule une preuve d’exactitude.
", "aboutText": "Introduction : un modèle de raisonnement plus petit dérivé de R1\n\nDeepSeek-R1-Distill-Qwen-7B transfère des exemples de raisonnement de DeepSeek-R1 dans un modèle dense fondé sur Qwen2.5-Math-7B. Il accepte du texte et génère du texte, notamment des solutions détaillées, des explications de programmation et des réponses à des problèmes logiques. Cette distillation 7B précise constitue un point de contrôle distinct de DeepSeek-R1 complet, du Qwen2.5-Math-7B d’origine et des éditions distillées plus grandes. Son nom indique à la fois le producteur des données de raisonnement et la famille du modèle sous-jacent.\n\nCe qu’apporte la distillation\n\nLa recherche R1 de DeepSeek distingue l’entraînement du grand modèle enseignant de raisonnement de l’ajustement fin de ses modèles élèves plus petits. Le processus de l’enseignant utilise l’apprentissage par renforcement et des étapes supervisées ; les modèles distillés publiés sont ajustés avec des exemples produits par R1. Le concepteur décrit 800 000 exemples sélectionnés pour ces versions. Ne supposez pas que l’élève 7B possède lui-même l’architecture à mélange d’experts du modèle complet ou qu’il a suivi toutes les étapes d’entraînement de l’enseignant. La distillation donne à ce modèle un style de raisonnement appris ; elle ne rend pas ses conclusions équivalentes à celles de l’enseignant.\n\nLe modèle exact et sa configuration\n\nLe tableau officiel des modèles identifie Qwen2.5-Math-7B comme base de cette édition. DeepSeek modifie la configuration et les paramètres du tokenizer ; le point de contrôle exact publié et le modèle de conversation comptent donc. Sa configuration publiée utilise une architecture de modèle de langage causal Qwen2 avec 28 couches et des poids bfloat16. Elle fixe le nombre maximal de positions à 131 072. Cette valeur de configuration n’est pas une validation distincte de la précision sur les documents longs : le tableau de contexte 128K de la fiche R1 commune décrit les modèles R1 complets, tandis que son tableau des modèles distillés identifie leur filiation sans publier de tableau de contexte validé par élève.\n\nUtilisez-le pour une tâche dont le résultat est vérifiable. En mathématiques, fournissez l’énoncé complet, les définitions et les unités. Pour le code, incluez la fonction concernée, l’entrée, le résultat observé et le comportement souhaité. Pour une question logique, listez les faits et distinguez une conclusion requise d’une hypothèse. Demandez un résultat final vérifiable indépendamment, par exemple une valeur encadrée, une trame de démonstration concise ou un correctif expliqué. Ces exemples appliquent le périmètre de raisonnement documenté du concepteur ; ils n’affirment pas que le modèle exécute du code ou vérifie automatiquement des démonstrations.\n\nComment préparer le prompt\n\nDeepSeek recommande de placer toutes les instructions dans le prompt utilisateur et d’éviter un prompt système pour cette version R1. Pour un problème mathématique, demandez un raisonnement étape par étape et une réponse finale clairement délimitée. Incluez toute structure de sortie dans le même prompt : par exemple, une courte conclusion suivie des hypothèses et des calculs justificatifs. Une application doit utiliser le tokenizer et la mise en forme propres à l’élève, plutôt que d’utiliser le gabarit de conversation du modèle Qwen de base sans vérifier les modifications du concepteur.\n\nLe concepteur indique que certaines requêtes peuvent produire un bloc de réflexion vide et contourner le schéma de raisonnement prévu. La solution qu’il recommande consiste à faire commencer la génération par le marqueur d’ouverture de réflexion et un saut de ligne dans un processus compatible. Il s’agit d’une recommandation documentée de format de génération, et non d’une promesse que chaque application expose cette commande. Gardez la réponse finale distincte du texte de raisonnement plus long lors de la présentation d’un résultat.\n\nParamètres de génération et espace disponible\n\nDeepSeek recommande une température comprise entre 0.5 et 0.7, avec 0.6 comme point de départ privilégié, pour réduire les sorties répétitives ou incohérentes. Sa configuration d’évaluation utilise un budget de génération de 32 768 tokens et top_p 0.95. Ces choix d’évaluation ne constituent pas un maximum strict universel. Le raisonnement, le texte source et la réponse finale ont tous besoin de place dans le contexte configuré ; une requête contenant une longue démonstration ou un listing de code doit donc laisser de la place pour la réponse.\n\nLimites qui influent sur le choix du modèle\n\nUn petit modèle distillé reste un compromis de raisonnement distinct. Les documents de publication du concepteur n’établissent pas d’entrée image, audio ou vidéo pour ce point de contrôle, ni de protocole dédié d’appel d’outils. L’exécution d’outils ou l’accès à des données actuelles nécessiteraient un processus applicatif configuré séparément. La version n’hérite pas non plus des modifications ultérieures de politique de prompts de DeepSeek-R1-0528 simplement par le nom R1. Vérifiez les réponses numériques, examinez les modifications de code proposées et contrôlez si la conclusion finale découle des faits fournis ; une longue transcription de raisonnement ne constitue pas à elle seule une preuve d’exactitude.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Calculate a mixture ratio\n\nA workshop mixes 2 liters of concentrate with 6 liters of water. It needs 20 liters of the same mixture. Calculate the required concentrate and water, show the proportional calculation and give a clearly labelled final answer with units. Check that the two quantities add to the requested volume.A short proportional calculation and final concentrate and water quantities in liters.Verify both the 1:3 concentrate-to-water ratio and the 20-liter total independently.DeepSeek-R1-Distill-Qwen-7B-ultraDeepSeek-R1-Distill-Qwen-7B est le modèle de raisonnement dense et compact de DeepSeek, ajusté à partir de Qwen2.5-Math-7B à l’aide d’exemples générés par R1. Il reçoit et produit du texte pour les tâches mathématiques, de programmation et de logique, avec des recommandations de prompting propres au point de contrôle.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Introduction : un modèle de raisonnement plus petit dérivé de R1
DeepSeek-R1-Distill-Qwen-7B transfère des exemples de raisonnement de DeepSeek-R1 dans un modèle dense fondé sur Qwen2.5-Math-7B. Il accepte du texte et génère du texte, notamment des solutions détaillées, des explications de programmation et des réponses à des problèmes logiques. Cette distillation 7B précise constitue un point de contrôle distinct de DeepSeek-R1 complet, du Qwen2.5-Math-7B d’origine et des éditions distillées plus grandes. Son nom indique à la fois le producteur des données de raisonnement et la famille du modèle sous-jacent.
Ce qu’apporte la distillation
La recherche R1 de DeepSeek distingue l’entraînement du grand modèle enseignant de raisonnement de l’ajustement fin de ses modèles élèves plus petits. Le processus de l’enseignant utilise l’apprentissage par renforcement et des étapes supervisées ; les modèles distillés publiés sont ajustés avec des exemples produits par R1. Le concepteur décrit 800 000 exemples sélectionnés pour ces versions. Ne supposez pas que l’élève 7B possède lui-même l’architecture à mélange d’experts du modèle complet ou qu’il a suivi toutes les étapes d’entraînement de l’enseignant. La distillation donne à ce modèle un style de raisonnement appris ; elle ne rend pas ses conclusions équivalentes à celles de l’enseignant.
Le modèle exact et sa configuration
Le tableau officiel des modèles identifie Qwen2.5-Math-7B comme base de cette édition. DeepSeek modifie la configuration et les paramètres du tokenizer ; le point de contrôle exact publié et le modèle de conversation comptent donc. Sa configuration publiée utilise une architecture de modèle de langage causal Qwen2 avec 28 couches et des poids bfloat16. Elle fixe le nombre maximal de positions à 131 072. Cette valeur de configuration n’est pas une validation distincte de la précision sur les documents longs : le tableau de contexte 128K de la fiche R1 commune décrit les modèles R1 complets, tandis que son tableau des modèles distillés identifie leur filiation sans publier de tableau de contexte validé par élève.
Utilisez-le pour une tâche dont le résultat est vérifiable. En mathématiques, fournissez l’énoncé complet, les définitions et les unités. Pour le code, incluez la fonction concernée, l’entrée, le résultat observé et le comportement souhaité. Pour une question logique, listez les faits et distinguez une conclusion requise d’une hypothèse. Demandez un résultat final vérifiable indépendamment, par exemple une valeur encadrée, une trame de démonstration concise ou un correctif expliqué. Ces exemples appliquent le périmètre de raisonnement documenté du concepteur ; ils n’affirment pas que le modèle exécute du code ou vérifie automatiquement des démonstrations.
Comment préparer le prompt
DeepSeek recommande de placer toutes les instructions dans le prompt utilisateur et d’éviter un prompt système pour cette version R1. Pour un problème mathématique, demandez un raisonnement étape par étape et une réponse finale clairement délimitée. Incluez toute structure de sortie dans le même prompt : par exemple, une courte conclusion suivie des hypothèses et des calculs justificatifs. Une application doit utiliser le tokenizer et la mise en forme propres à l’élève, plutôt que d’utiliser le gabarit de conversation du modèle Qwen de base sans vérifier les modifications du concepteur.
Le concepteur indique que certaines requêtes peuvent produire un bloc de réflexion vide et contourner le schéma de raisonnement prévu. La solution qu’il recommande consiste à faire commencer la génération par le marqueur d’ouverture de réflexion et un saut de ligne dans un processus compatible. Il s’agit d’une recommandation documentée de format de génération, et non d’une promesse que chaque application expose cette commande. Gardez la réponse finale distincte du texte de raisonnement plus long lors de la présentation d’un résultat.
Paramètres de génération et espace disponible
DeepSeek recommande une température comprise entre 0.5 et 0.7, avec 0.6 comme point de départ privilégié, pour réduire les sorties répétitives ou incohérentes. Sa configuration d’évaluation utilise un budget de génération de 32 768 tokens et top_p 0.95. Ces choix d’évaluation ne constituent pas un maximum strict universel. Le raisonnement, le texte source et la réponse finale ont tous besoin de place dans le contexte configuré ; une requête contenant une longue démonstration ou un listing de code doit donc laisser de la place pour la réponse.
Limites qui influent sur le choix du modèle
Un petit modèle distillé reste un compromis de raisonnement distinct. Les documents de publication du concepteur n’établissent pas d’entrée image, audio ou vidéo pour ce point de contrôle, ni de protocole dédié d’appel d’outils. L’exécution d’outils ou l’accès à des données actuelles nécessiteraient un processus applicatif configuré séparément. La version n’hérite pas non plus des modifications ultérieures de politique de prompts de DeepSeek-R1-0528 simplement par le nom R1. Vérifiez les réponses numériques, examinez les modifications de code proposées et contrôlez si la conclusion finale découle des faits fournis ; une longue transcription de raisonnement ne constitue pas à elle seule une preuve d’exactitude.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites DeepSeek-R1-Distill-Qwen-7B-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’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 $0.00014 / 1K tokens Sortie · Tokens en sortie $0.00028 / 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-R1-Distill-Qwen-7B-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-R1-Distill-Qwen-7B-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-R1-Distill-Qwen-7B-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, 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-R1-Distill-Qwen-7B-ultra
Utilisez les chemins de méthode indiqués ci-dessus.
DeepSeek-R1-Distill-Qwen-7B-ultraDeepSeek-R1-Distill-Qwen-7B est le modèle de raisonnement dense et compact de DeepSeek, ajusté à partir de Qwen2.5-Math-7B à l’aide d’exemples générés par R1. Il reçoit et produit du texte pour les tâches mathématiques, de programmation et de logique, avec des recommandations de prompting propres au point de contrôle.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Introduction : un modèle de raisonnement plus petit dérivé de R1
DeepSeek-R1-Distill-Qwen-7B transfère des exemples de raisonnement de DeepSeek-R1 dans un modèle dense fondé sur Qwen2.5-Math-7B. Il accepte du texte et génère du texte, notamment des solutions détaillées, des explications de programmation et des réponses à des problèmes logiques. Cette distillation 7B précise constitue un point de contrôle distinct de DeepSeek-R1 complet, du Qwen2.5-Math-7B d’origine et des éditions distillées plus grandes. Son nom indique à la fois le producteur des données de raisonnement et la famille du modèle sous-jacent.
Ce qu’apporte la distillation
La recherche R1 de DeepSeek distingue l’entraînement du grand modèle enseignant de raisonnement de l’ajustement fin de ses modèles élèves plus petits. Le processus de l’enseignant utilise l’apprentissage par renforcement et des étapes supervisées ; les modèles distillés publiés sont ajustés avec des exemples produits par R1. Le concepteur décrit 800 000 exemples sélectionnés pour ces versions. Ne supposez pas que l’élève 7B possède lui-même l’architecture à mélange d’experts du modèle complet ou qu’il a suivi toutes les étapes d’entraînement de l’enseignant. La distillation donne à ce modèle un style de raisonnement appris ; elle ne rend pas ses conclusions équivalentes à celles de l’enseignant.
Le modèle exact et sa configuration
Le tableau officiel des modèles identifie Qwen2.5-Math-7B comme base de cette édition. DeepSeek modifie la configuration et les paramètres du tokenizer ; le point de contrôle exact publié et le modèle de conversation comptent donc. Sa configuration publiée utilise une architecture de modèle de langage causal Qwen2 avec 28 couches et des poids bfloat16. Elle fixe le nombre maximal de positions à 131 072. Cette valeur de configuration n’est pas une validation distincte de la précision sur les documents longs : le tableau de contexte 128K de la fiche R1 commune décrit les modèles R1 complets, tandis que son tableau des modèles distillés identifie leur filiation sans publier de tableau de contexte validé par élève.
Utilisez-le pour une tâche dont le résultat est vérifiable. En mathématiques, fournissez l’énoncé complet, les définitions et les unités. Pour le code, incluez la fonction concernée, l’entrée, le résultat observé et le comportement souhaité. Pour une question logique, listez les faits et distinguez une conclusion requise d’une hypothèse. Demandez un résultat final vérifiable indépendamment, par exemple une valeur encadrée, une trame de démonstration concise ou un correctif expliqué. Ces exemples appliquent le périmètre de raisonnement documenté du concepteur ; ils n’affirment pas que le modèle exécute du code ou vérifie automatiquement des démonstrations.
Comment préparer le prompt
DeepSeek recommande de placer toutes les instructions dans le prompt utilisateur et d’éviter un prompt système pour cette version R1. Pour un problème mathématique, demandez un raisonnement étape par étape et une réponse finale clairement délimitée. Incluez toute structure de sortie dans le même prompt : par exemple, une courte conclusion suivie des hypothèses et des calculs justificatifs. Une application doit utiliser le tokenizer et la mise en forme propres à l’élève, plutôt que d’utiliser le gabarit de conversation du modèle Qwen de base sans vérifier les modifications du concepteur.
Le concepteur indique que certaines requêtes peuvent produire un bloc de réflexion vide et contourner le schéma de raisonnement prévu. La solution qu’il recommande consiste à faire commencer la génération par le marqueur d’ouverture de réflexion et un saut de ligne dans un processus compatible. Il s’agit d’une recommandation documentée de format de génération, et non d’une promesse que chaque application expose cette commande. Gardez la réponse finale distincte du texte de raisonnement plus long lors de la présentation d’un résultat.
Paramètres de génération et espace disponible
DeepSeek recommande une température comprise entre 0.5 et 0.7, avec 0.6 comme point de départ privilégié, pour réduire les sorties répétitives ou incohérentes. Sa configuration d’évaluation utilise un budget de génération de 32 768 tokens et top_p 0.95. Ces choix d’évaluation ne constituent pas un maximum strict universel. Le raisonnement, le texte source et la réponse finale ont tous besoin de place dans le contexte configuré ; une requête contenant une longue démonstration ou un listing de code doit donc laisser de la place pour la réponse.
Limites qui influent sur le choix du modèle
Un petit modèle distillé reste un compromis de raisonnement distinct. Les documents de publication du concepteur n’établissent pas d’entrée image, audio ou vidéo pour ce point de contrôle, ni de protocole dédié d’appel d’outils. L’exécution d’outils ou l’accès à des données actuelles nécessiteraient un processus applicatif configuré séparément. La version n’hérite pas non plus des modifications ultérieures de politique de prompts de DeepSeek-R1-0528 simplement par le nom R1. Vérifiez les réponses numériques, examinez les modifications de code proposées et contrôlez si la conclusion finale découle des faits fournis ; une longue transcription de raisonnement ne constitue pas à elle seule une preuve d’exactitude.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites DeepSeek-R1-Distill-Qwen-7B-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 tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.00014 / 1K tokens Sortie · Tokens en sortie $0.00028 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "DeepSeek-R1-Distill-Qwen-7B-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-R1-Distill-Qwen-7B-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-R1-Distill-Qwen-7B-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 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-R1-Distill-Qwen-7B-ultra
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Calculate a mixture ratio\n\nA workshop mixes 2 liters of concentrate with 6 liters of water. It needs 20 liters of the same mixture. Calculate the required concentrate and water, show the proportional calculation and give a clearly labelled final answer with units. Check that the two quantities add to the requested volume.A short proportional calculation and final concentrate and water quantities in liters.Verify both the 1:3 concentrate-to-water ratio and the 20-liter total independently.