DeepSeek-R1-Distill-Qwen-32B est le modèle dense de raisonnement de taille 32B de DeepSeek, construit à partir de Qwen2.5-32B. DeepSeek affine cette base avec des exemples de raisonnement générés par DeepSeek-R1. Le résultat est un modèle textuel distinct pour les problèmes demandant 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 fondés sur Qwen ou Llama. La lignée R1 complète développe le raisonnement par son propre processus d’entraînement ; l’étape de distillation transfère les schémas représentés dans les exemples générés par R1 vers des modèles 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 affinés avec 800 000 exemples sélectionnés. DeepSeek modifie également leurs configurations et leurs tokeniseurs, et demande aux utilisateurs de conserver ces paramètres. L’origine de l’entraînement explique l’orientation vers le raisonnement, tandis que le modèle nommé et sa propre configuration déterminent la version réelle. Cela ne signifie pas que le grand modèle enseignant est automatiquement consulté pour répondre à chaque nouvelle question.
La configuration du modèle 32B emploie une architecture de modèle de langage causal comportant 64 couches, 40 têtes d’attention de requête et 8 têtes 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 doit pas être considéré comme ayant le même réglage de contexte. Le modèle reçoit du texte et génère du texte, plutôt que d’accepter une image ou de produire un livrable visuel ou audio.
Préparer une tâche mathématique ou de programmation
Pour un problème mathématique, donnez 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 exiger une dérivation suivie de l’expression finale et d’une vérification par rapport aux conditions initiales. Le fabricant recommande une réponse mathématique détaillée avec le résultat final encadré en LaTeX.
Pour un problème algorithmique, fournissez la plage des entrées, la sortie requise et les contraintes de solution. Demandez l’approche, l’implémentation et une explication de la manière dont elle préserve la propriété requise. Si le problème concerne du code existant, fournissez la fonction pertinente, l’entrée qui produit le comportement inattendu et le résultat attendu. La réponse peut comparer le chemin réel au chemin prévu et proposer une correction ; l’exécution et la vérification du programme constituent des étapes séparées de l’application.
Pour un problème de contraintes, énumérez explicitement les choix autorisés et leurs relations. Par exemple, une demande de planification peut préciser les participants, les disponibilités et les règles qui rendent deux affectations incompatibles. Demandez une affectation proposée avec la règle justifiant chaque décision, et exigez que toute condition non résolue reste visible. Le raisonnement devient ainsi examinable, 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 le prompt utilisateur et d’éviter un prompt système séparé pour cette série. Cette approche diffère d’un format général de dialogue qui s’appuie sur un message système pour définir la tâche. Regroupez le format de réponse demandé, les sources et la question réelle en les délimitant clairement.
La plage de température recommandée est de 0,5 à 0,7, avec une préférence pour 0,6. Le fabricant relie cette recommandation à la prévention des répétitions ou des sorties incohérentes. Il note également que certaines requêtes peuvent produire un bloc de raisonnement vide et recommande de commencer la sortie par le marqueur d’ouverture du raisonnement. Il s’agit de recommandations pour le processus de raisonnement publié, et non d’une garantie qu’un paramètre établit la justesse du résultat.
Un contrat de réponse pratique peut demander une explication de la méthode, les étapes importantes justifiées et un livrable final séparé. Pour une tâche mathématique, utilisez l’expression encadrée comme résultat final. Pour une tâche de programmation, séparez le code de ses hypothèses et de ses exemples d’entrée. Pour une tâche logique, reliez chaque conclusion à la règle ou au fait fourni qui la justifie. Le texte de raisonnement et le résultat nécessaire à l’application peuvent ainsi servir des objectifs distincts.
Limites du contexte, de la sortie et de l’intégration
Les 131 072 positions maximales de la configuration publiée doivent être considérées avec l’intégralité du prompt et du raisonnement généré. Le fabricant utilise un réglage de génération de 32 768 tokens lors de l’évaluation, mais ce réglage expérimental n’est pas une spécification publiée et séparée de capacité de sortie pour ce modèle. Ne déduisez pas un plafond de réponse d’un protocole de benchmark et ne transposez pas le chiffre de sortie de 8 192 tokens de l’édition Qwen Instruct originale à la version distillée modifiée.
Centrez 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 de documents ou une fonction de recherche doit être fourni par l’application environnante ; il n’est pas inclus par le simple choix d’un modèle 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 modèle dense de raisonnement de taille 32B de DeepSeek, construit à partir de Qwen2.5-32B. DeepSeek affine cette base avec des exemples de raisonnement générés par DeepSeek-R1. Le résultat est un modèle textuel distinct pour les problèmes demandant 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 fondés sur Qwen ou Llama. La lignée R1 complète développe le raisonnement par son propre processus d’entraînement ; l’étape de distillation transfère les schémas représentés dans les exemples générés par R1 vers des modèles 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 affinés avec 800 000 exemples sélectionnés. DeepSeek modifie également leurs configurations et leurs tokeniseurs, et demande aux utilisateurs de conserver ces paramètres. L’origine de l’entraînement explique l’orientation vers le raisonnement, tandis que le modèle nommé et sa propre configuration déterminent la version réelle. Cela ne signifie pas que le grand modèle enseignant est automatiquement consulté pour répondre à chaque nouvelle question.\n\nLa configuration du modèle 32B emploie une architecture de modèle de langage causal comportant 64 couches, 40 têtes d’attention de requête et 8 têtes 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 doit pas être considéré comme ayant le même réglage de contexte. Le modèle reçoit du texte et génère du texte, plutôt que d’accepter une image ou de produire un livrable visuel ou audio.\n\nPréparer une tâche mathématique ou de programmation\n\nPour un problème mathématique, donnez 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 exiger une dérivation suivie de l’expression finale et d’une vérification par rapport aux conditions initiales. Le fabricant recommande une réponse mathématique détaillée avec le résultat final encadré en LaTeX.\n\nPour un problème algorithmique, fournissez la plage des entrées, la sortie requise et les contraintes de solution. Demandez l’approche, l’implémentation et une explication de la manière dont elle préserve la propriété requise. Si le problème concerne du code existant, fournissez la fonction pertinente, l’entrée qui produit le comportement inattendu et le résultat attendu. La réponse peut comparer le chemin réel au chemin prévu et proposer une correction ; l’exécution et la vérification du programme constituent des étapes séparées de l’application.\n\nPour un problème de contraintes, énumérez explicitement les choix autorisés et leurs relations. Par exemple, une demande de planification peut préciser les participants, les disponibilités et les règles qui rendent deux affectations incompatibles. Demandez une affectation proposée avec la règle justifiant chaque décision, et exigez que toute condition non résolue reste visible. Le raisonnement devient ainsi examinable, 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 le prompt utilisateur et d’éviter un prompt système séparé pour cette série. Cette approche diffère d’un format général de dialogue qui s’appuie sur un message système pour définir la tâche. Regroupez le format de réponse demandé, les sources et la question réelle en les délimitant clairement.\n\nLa plage de température recommandée est de 0,5 à 0,7, avec une préférence pour 0,6. Le fabricant relie cette recommandation à la prévention des répétitions ou des sorties incohérentes. Il note également que certaines requêtes peuvent produire un bloc de raisonnement vide et recommande de commencer la sortie par le marqueur d’ouverture du raisonnement. Il s’agit de recommandations pour le processus de raisonnement publié, et non d’une garantie qu’un paramètre établit la justesse du résultat.\n\nUn contrat de réponse pratique peut demander une explication de la méthode, les étapes importantes justifiées et un livrable final séparé. Pour une tâche mathématique, utilisez l’expression encadrée comme résultat final. Pour une tâche de programmation, séparez le code de ses hypothèses et de ses exemples d’entrée. Pour une tâche logique, reliez chaque conclusion à la règle ou au fait fourni qui la justifie. Le texte de raisonnement et le résultat nécessaire à l’application peuvent ainsi servir des objectifs distincts.\n\nLimites du contexte, de la sortie et de l’intégration\n\nLes 131 072 positions maximales de la configuration publiée doivent être considérées avec l’intégralité du prompt et du raisonnement généré. Le fabricant utilise un réglage de génération de 32 768 tokens lors de l’évaluation, mais ce réglage expérimental n’est pas une spécification publiée et séparée de capacité de sortie pour ce modèle. Ne déduisez pas un plafond de réponse d’un protocole de benchmark et ne transposez pas le chiffre de sortie de 8 192 tokens de l’édition Qwen Instruct originale à la version distillée modifiée.\n\nCentrez 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 de documents ou une fonction de recherche doit être fourni par l’application environnante ; il n’est pas inclus par le simple choix d’un modèle 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 affiné 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 recommandations de prompt 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 modèle dense de raisonnement de taille 32B de DeepSeek, construit à partir de Qwen2.5-32B. DeepSeek affine cette base avec des exemples de raisonnement générés par DeepSeek-R1. Le résultat est un modèle textuel distinct pour les problèmes demandant 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 fondés sur Qwen ou Llama. La lignée R1 complète développe le raisonnement par son propre processus d’entraînement ; l’étape de distillation transfère les schémas représentés dans les exemples générés par R1 vers des modèles 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 affinés avec 800 000 exemples sélectionnés. DeepSeek modifie également leurs configurations et leurs tokeniseurs, et demande aux utilisateurs de conserver ces paramètres. L’origine de l’entraînement explique l’orientation vers le raisonnement, tandis que le modèle nommé et sa propre configuration déterminent la version réelle. Cela ne signifie pas que le grand modèle enseignant est automatiquement consulté pour répondre à chaque nouvelle question.
La configuration du modèle 32B emploie une architecture de modèle de langage causal comportant 64 couches, 40 têtes d’attention de requête et 8 têtes 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 doit pas être considéré comme ayant le même réglage de contexte. Le modèle reçoit du texte et génère du texte, plutôt que d’accepter une image ou de produire un livrable visuel ou audio.
Préparer une tâche mathématique ou de programmation
Pour un problème mathématique, donnez 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 exiger une dérivation suivie de l’expression finale et d’une vérification par rapport aux conditions initiales. Le fabricant recommande une réponse mathématique détaillée avec le résultat final encadré en LaTeX.
Pour un problème algorithmique, fournissez la plage des entrées, la sortie requise et les contraintes de solution. Demandez l’approche, l’implémentation et une explication de la manière dont elle préserve la propriété requise. Si le problème concerne du code existant, fournissez la fonction pertinente, l’entrée qui produit le comportement inattendu et le résultat attendu. La réponse peut comparer le chemin réel au chemin prévu et proposer une correction ; l’exécution et la vérification du programme constituent des étapes séparées de l’application.
Pour un problème de contraintes, énumérez explicitement les choix autorisés et leurs relations. Par exemple, une demande de planification peut préciser les participants, les disponibilités et les règles qui rendent deux affectations incompatibles. Demandez une affectation proposée avec la règle justifiant chaque décision, et exigez que toute condition non résolue reste visible. Le raisonnement devient ainsi examinable, 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 le prompt utilisateur et d’éviter un prompt système séparé pour cette série. Cette approche diffère d’un format général de dialogue qui s’appuie sur un message système pour définir la tâche. Regroupez le format de réponse demandé, les sources et la question réelle en les délimitant clairement.
La plage de température recommandée est de 0,5 à 0,7, avec une préférence pour 0,6. Le fabricant relie cette recommandation à la prévention des répétitions ou des sorties incohérentes. Il note également que certaines requêtes peuvent produire un bloc de raisonnement vide et recommande de commencer la sortie par le marqueur d’ouverture du raisonnement. Il s’agit de recommandations pour le processus de raisonnement publié, et non d’une garantie qu’un paramètre établit la justesse du résultat.
Un contrat de réponse pratique peut demander une explication de la méthode, les étapes importantes justifiées et un livrable final séparé. Pour une tâche mathématique, utilisez l’expression encadrée comme résultat final. Pour une tâche de programmation, séparez le code de ses hypothèses et de ses exemples d’entrée. Pour une tâche logique, reliez chaque conclusion à la règle ou au fait fourni qui la justifie. Le texte de raisonnement et le résultat nécessaire à l’application peuvent ainsi servir des objectifs distincts.
Limites du contexte, de la sortie et de l’intégration
Les 131 072 positions maximales de la configuration publiée doivent être considérées avec l’intégralité du prompt et du raisonnement généré. Le fabricant utilise un réglage de génération de 32 768 tokens lors de l’évaluation, mais ce réglage expérimental n’est pas une spécification publiée et séparée de capacité de sortie pour ce modèle. Ne déduisez pas un plafond de réponse d’un protocole de benchmark et ne transposez pas le chiffre de sortie de 8 192 tokens de l’édition Qwen Instruct originale à la version distillée modifiée.
Centrez 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 de documents ou une fonction de recherche doit être fourni par l’application environnante ; il n’est pas inclus par le simple choix d’un modèle 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 affiné 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 recommandations de prompt 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 modèle dense de raisonnement de taille 32B de DeepSeek, construit à partir de Qwen2.5-32B. DeepSeek affine cette base avec des exemples de raisonnement générés par DeepSeek-R1. Le résultat est un modèle textuel distinct pour les problèmes demandant 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 fondés sur Qwen ou Llama. La lignée R1 complète développe le raisonnement par son propre processus d’entraînement ; l’étape de distillation transfère les schémas représentés dans les exemples générés par R1 vers des modèles 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 affinés avec 800 000 exemples sélectionnés. DeepSeek modifie également leurs configurations et leurs tokeniseurs, et demande aux utilisateurs de conserver ces paramètres. L’origine de l’entraînement explique l’orientation vers le raisonnement, tandis que le modèle nommé et sa propre configuration déterminent la version réelle. Cela ne signifie pas que le grand modèle enseignant est automatiquement consulté pour répondre à chaque nouvelle question.
La configuration du modèle 32B emploie une architecture de modèle de langage causal comportant 64 couches, 40 têtes d’attention de requête et 8 têtes 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 doit pas être considéré comme ayant le même réglage de contexte. Le modèle reçoit du texte et génère du texte, plutôt que d’accepter une image ou de produire un livrable visuel ou audio.
Préparer une tâche mathématique ou de programmation
Pour un problème mathématique, donnez 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 exiger une dérivation suivie de l’expression finale et d’une vérification par rapport aux conditions initiales. Le fabricant recommande une réponse mathématique détaillée avec le résultat final encadré en LaTeX.
Pour un problème algorithmique, fournissez la plage des entrées, la sortie requise et les contraintes de solution. Demandez l’approche, l’implémentation et une explication de la manière dont elle préserve la propriété requise. Si le problème concerne du code existant, fournissez la fonction pertinente, l’entrée qui produit le comportement inattendu et le résultat attendu. La réponse peut comparer le chemin réel au chemin prévu et proposer une correction ; l’exécution et la vérification du programme constituent des étapes séparées de l’application.
Pour un problème de contraintes, énumérez explicitement les choix autorisés et leurs relations. Par exemple, une demande de planification peut préciser les participants, les disponibilités et les règles qui rendent deux affectations incompatibles. Demandez une affectation proposée avec la règle justifiant chaque décision, et exigez que toute condition non résolue reste visible. Le raisonnement devient ainsi examinable, 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 le prompt utilisateur et d’éviter un prompt système séparé pour cette série. Cette approche diffère d’un format général de dialogue qui s’appuie sur un message système pour définir la tâche. Regroupez le format de réponse demandé, les sources et la question réelle en les délimitant clairement.
La plage de température recommandée est de 0,5 à 0,7, avec une préférence pour 0,6. Le fabricant relie cette recommandation à la prévention des répétitions ou des sorties incohérentes. Il note également que certaines requêtes peuvent produire un bloc de raisonnement vide et recommande de commencer la sortie par le marqueur d’ouverture du raisonnement. Il s’agit de recommandations pour le processus de raisonnement publié, et non d’une garantie qu’un paramètre établit la justesse du résultat.
Un contrat de réponse pratique peut demander une explication de la méthode, les étapes importantes justifiées et un livrable final séparé. Pour une tâche mathématique, utilisez l’expression encadrée comme résultat final. Pour une tâche de programmation, séparez le code de ses hypothèses et de ses exemples d’entrée. Pour une tâche logique, reliez chaque conclusion à la règle ou au fait fourni qui la justifie. Le texte de raisonnement et le résultat nécessaire à l’application peuvent ainsi servir des objectifs distincts.
Limites du contexte, de la sortie et de l’intégration
Les 131 072 positions maximales de la configuration publiée doivent être considérées avec l’intégralité du prompt et du raisonnement généré. Le fabricant utilise un réglage de génération de 32 768 tokens lors de l’évaluation, mais ce réglage expérimental n’est pas une spécification publiée et séparée de capacité de sortie pour ce modèle. Ne déduisez pas un plafond de réponse d’un protocole de benchmark et ne transposez pas le chiffre de sortie de 8 192 tokens de l’édition Qwen Instruct originale à la version distillée modifiée.
Centrez 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 de documents ou une fonction de recherche doit être fourni par l’application environnante ; il n’est pas inclus par le simple choix d’un modèle 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.