DeepSeek R1 est le modèle d'origine de DeepSeek axé sur le raisonnement pour les tâches mathématiques, de développement et de logique. Il s'appuie sur DeepSeek V3 Base et utilise une chaîne d'entraînement comprenant des exemples de démarrage à froid, un affinement supervisé et l'apprentissage par renforcement. L'entrée est textuelle et le résultat est une solution ou une réponse textuelle. Il reste distinct de R1 Zero, de l'édition ultérieure R1-0528 et des modèles distillés séparément.
Le producteur distingue R1 de l'approche de R1 Zero fondée uniquement sur l'apprentissage par renforcement. Les ressources de démarrage à froid donnent à R1 un schéma initial plus lisible avant l'apprentissage par renforcement orienté raisonnement. L'échantillonnage par rejet et l'entraînement supervisé ultérieurs ajoutent des données de raisonnement et d'usage général, suivis d'une autre étape d'apprentissage par renforcement. La fiche décrit deux étapes supervisées et deux étapes d'apprentissage par renforcement, destinées à améliorer les schémas de raisonnement et l'alignement avec la réponse demandée.
Son architecture publiée comporte 671 milliards de paramètres au total, dont 37 milliards actifs par token, et un contexte de 128K. Cette fenêtre contient ensemble la source, le prompt et le raisonnement ou la réponse générés ; ce n'est pas une garantie distincte de 128K en sortie. Un long énoncé mathématique, un fragment de code ou un ensemble d'exigences doivent toujours être organisés pour que le modèle puisse identifier le problème réel et la forme du résultat nécessaire.
DeepSeek recommande une température comprise entre 0,5 et 0,7, avec une valeur conseillée de 0,6, pour réduire les répétitions ou les sorties incohérentes. Il conseille de placer les instructions dans le prompt utilisateur plutôt que d'ajouter un prompt système. Son rapport de recherche recommande également un énoncé direct zero-shot du problème et du format de sortie, car le prompting few-shot peut réduire les performances de ce profil d'origine. Ce sont les recommandations d'utilisation du producteur, et non des valeurs par défaut supposées pour chaque application.
Pour les mathématiques, fournissez l'énoncé complet, les définitions des variables et les restrictions de domaine. Le producteur recommande de demander une solution étape par étape avec le résultat final dans une expression \\boxed{}. Un exemple de brief peut demander la formule finale, les hypothèses sous lesquelles elle est valable et une vérification par substitution. Pour le code, incluez le comportement à implémenter, les contraintes et une entrée représentative, puis demandez l'algorithme proposé et le livrable de code séparément de son explication.
Le format de raisonnement du modèle sépare une phase de réflexion de la réponse finale. DeepSeek précise que certaines requêtes peuvent produire un bloc de réflexion vide et recommande un préfixe de début de raisonnement dans son processus de référence lorsqu'un raisonnement plus approfondi est souhaité. Préservez la distinction entre ce format du producteur et la réponse finale que vous voulez faire lire à l'utilisateur. Le livrable demandé peut être une conclusion concise ou du code même si le processus intermédiaire du modèle est plus long.
La recherche d'origine identifie des limites concrètes. R1 est optimisé pour le chinois et l'anglais, et les requêtes dans d'autres langues peuvent entraîner un mélange de langues non souhaité. Il est sensible au prompting, et ses capacités dans les conversations complexes à plusieurs tours, les jeux de rôle, la production de JSON et les appels de fonctions sont moins développées que sa spécialisation dans le raisonnement mathématique et la programmation. La prise en charge de JSON et des outils documentée pour R1-0528 est une évolution d'une édition ultérieure, et non le contrat d'origine de R1. Indiquez explicitement la langue et le format de sortie et gardez l'énoncé du problème direct.
Pour une tâche technique pratique, définissez ce qui constitue un résultat correct : une formule avec ses hypothèses, un algorithme respectant la complexité indiquée ou une comparaison raisonnée selon les critères fournis. Demandez que la réponse finale identifie les informations manquantes plutôt que de les inventer. Pour un travail dépendant des sources, fournissez les passages faisant autorité sous forme de texte. Examinez le code ou la conclusion proposés par rapport aux conditions d'origine ; le livrable utile est la solution finale et son explication justificative, distinctes d'une action ou d'une validation effectivement réalisée par l'application qui entoure le modèle.
", "aboutText": "DeepSeek R1 est le modèle d'origine de DeepSeek axé sur le raisonnement pour les tâches mathématiques, de développement et de logique. Il s'appuie sur DeepSeek V3 Base et utilise une chaîne d'entraînement comprenant des exemples de démarrage à froid, un affinement supervisé et l'apprentissage par renforcement. L'entrée est textuelle et le résultat est une solution ou une réponse textuelle. Il reste distinct de R1 Zero, de l'édition ultérieure R1-0528 et des modèles distillés séparément.\n\nLe producteur distingue R1 de l'approche de R1 Zero fondée uniquement sur l'apprentissage par renforcement. Les ressources de démarrage à froid donnent à R1 un schéma initial plus lisible avant l'apprentissage par renforcement orienté raisonnement. L'échantillonnage par rejet et l'entraînement supervisé ultérieurs ajoutent des données de raisonnement et d'usage général, suivis d'une autre étape d'apprentissage par renforcement. La fiche décrit deux étapes supervisées et deux étapes d'apprentissage par renforcement, destinées à améliorer les schémas de raisonnement et l'alignement avec la réponse demandée.\n\nSon architecture publiée comporte 671 milliards de paramètres au total, dont 37 milliards actifs par token, et un contexte de 128K. Cette fenêtre contient ensemble la source, le prompt et le raisonnement ou la réponse générés ; ce n'est pas une garantie distincte de 128K en sortie. Un long énoncé mathématique, un fragment de code ou un ensemble d'exigences doivent toujours être organisés pour que le modèle puisse identifier le problème réel et la forme du résultat nécessaire.\n\nDeepSeek recommande une température comprise entre 0,5 et 0,7, avec une valeur conseillée de 0,6, pour réduire les répétitions ou les sorties incohérentes. Il conseille de placer les instructions dans le prompt utilisateur plutôt que d'ajouter un prompt système. Son rapport de recherche recommande également un énoncé direct zero-shot du problème et du format de sortie, car le prompting few-shot peut réduire les performances de ce profil d'origine. Ce sont les recommandations d'utilisation du producteur, et non des valeurs par défaut supposées pour chaque application.\n\nPour les mathématiques, fournissez l'énoncé complet, les définitions des variables et les restrictions de domaine. Le producteur recommande de demander une solution étape par étape avec le résultat final dans une expression \\boxed{}. Un exemple de brief peut demander la formule finale, les hypothèses sous lesquelles elle est valable et une vérification par substitution. Pour le code, incluez le comportement à implémenter, les contraintes et une entrée représentative, puis demandez l'algorithme proposé et le livrable de code séparément de son explication.\n\nLe format de raisonnement du modèle sépare une phase de réflexion de la réponse finale. DeepSeek précise que certaines requêtes peuvent produire un bloc de réflexion vide et recommande un préfixe de début de raisonnement dans son processus de référence lorsqu'un raisonnement plus approfondi est souhaité. Préservez la distinction entre ce format du producteur et la réponse finale que vous voulez faire lire à l'utilisateur. Le livrable demandé peut être une conclusion concise ou du code même si le processus intermédiaire du modèle est plus long.\n\nLa recherche d'origine identifie des limites concrètes. R1 est optimisé pour le chinois et l'anglais, et les requêtes dans d'autres langues peuvent entraîner un mélange de langues non souhaité. Il est sensible au prompting, et ses capacités dans les conversations complexes à plusieurs tours, les jeux de rôle, la production de JSON et les appels de fonctions sont moins développées que sa spécialisation dans le raisonnement mathématique et la programmation. La prise en charge de JSON et des outils documentée pour R1-0528 est une évolution d'une édition ultérieure, et non le contrat d'origine de R1. Indiquez explicitement la langue et le format de sortie et gardez l'énoncé du problème direct.\n\nPour une tâche technique pratique, définissez ce qui constitue un résultat correct : une formule avec ses hypothèses, un algorithme respectant la complexité indiquée ou une comparaison raisonnée selon les critères fournis. Demandez que la réponse finale identifie les informations manquantes plutôt que de les inventer. Pour un travail dépendant des sources, fournissez les passages faisant autorité sous forme de texte. Examinez le code ou la conclusion proposés par rapport aux conditions d'origine ; le livrable utile est la solution finale et son explication justificative, distinctes d'une action ou d'une validation effectivement réalisée par l'application qui entoure le modèle.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Optimize a rectangular enclosure\n\nA rectangular enclosure has 60 metres of fencing, used on all four sides. Its width and length are positive real numbers. Derive the largest possible area, justify why the optimum is global and check the dimensions against the fencing constraint. Give the final result in a boxed mathematical expression.A derivation, optimal dimensions, a perimeter check and a boxed maximum area.Check that the solution respects positivity and uses 2(length + width) = 60 rather than a three-sided constraint.deepseek/deepseek-r1DeepSeek R1 est le modèle textuel d'origine de DeepSeek axé sur le raisonnement pour les mathématiques, le code et la logique. Il combine des exemples d'instructions de démarrage à froid avec l'apprentissage par renforcement et un contexte de 128K, avec des recommandations du producteur pour des prompts directs et une mise en forme explicite de la réponse finale.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
DeepSeek R1 est le modèle d'origine de DeepSeek axé sur le raisonnement pour les tâches mathématiques, de développement et de logique. Il s'appuie sur DeepSeek V3 Base et utilise une chaîne d'entraînement comprenant des exemples de démarrage à froid, un affinement supervisé et l'apprentissage par renforcement. L'entrée est textuelle et le résultat est une solution ou une réponse textuelle. Il reste distinct de R1 Zero, de l'édition ultérieure R1-0528 et des modèles distillés séparément.
Le producteur distingue R1 de l'approche de R1 Zero fondée uniquement sur l'apprentissage par renforcement. Les ressources de démarrage à froid donnent à R1 un schéma initial plus lisible avant l'apprentissage par renforcement orienté raisonnement. L'échantillonnage par rejet et l'entraînement supervisé ultérieurs ajoutent des données de raisonnement et d'usage général, suivis d'une autre étape d'apprentissage par renforcement. La fiche décrit deux étapes supervisées et deux étapes d'apprentissage par renforcement, destinées à améliorer les schémas de raisonnement et l'alignement avec la réponse demandée.
Son architecture publiée comporte 671 milliards de paramètres au total, dont 37 milliards actifs par token, et un contexte de 128K. Cette fenêtre contient ensemble la source, le prompt et le raisonnement ou la réponse générés ; ce n'est pas une garantie distincte de 128K en sortie. Un long énoncé mathématique, un fragment de code ou un ensemble d'exigences doivent toujours être organisés pour que le modèle puisse identifier le problème réel et la forme du résultat nécessaire.
DeepSeek recommande une température comprise entre 0,5 et 0,7, avec une valeur conseillée de 0,6, pour réduire les répétitions ou les sorties incohérentes. Il conseille de placer les instructions dans le prompt utilisateur plutôt que d'ajouter un prompt système. Son rapport de recherche recommande également un énoncé direct zero-shot du problème et du format de sortie, car le prompting few-shot peut réduire les performances de ce profil d'origine. Ce sont les recommandations d'utilisation du producteur, et non des valeurs par défaut supposées pour chaque application.
Pour les mathématiques, fournissez l'énoncé complet, les définitions des variables et les restrictions de domaine. Le producteur recommande de demander une solution étape par étape avec le résultat final dans une expression \\boxed{}. Un exemple de brief peut demander la formule finale, les hypothèses sous lesquelles elle est valable et une vérification par substitution. Pour le code, incluez le comportement à implémenter, les contraintes et une entrée représentative, puis demandez l'algorithme proposé et le livrable de code séparément de son explication.
Le format de raisonnement du modèle sépare une phase de réflexion de la réponse finale. DeepSeek précise que certaines requêtes peuvent produire un bloc de réflexion vide et recommande un préfixe de début de raisonnement dans son processus de référence lorsqu'un raisonnement plus approfondi est souhaité. Préservez la distinction entre ce format du producteur et la réponse finale que vous voulez faire lire à l'utilisateur. Le livrable demandé peut être une conclusion concise ou du code même si le processus intermédiaire du modèle est plus long.
La recherche d'origine identifie des limites concrètes. R1 est optimisé pour le chinois et l'anglais, et les requêtes dans d'autres langues peuvent entraîner un mélange de langues non souhaité. Il est sensible au prompting, et ses capacités dans les conversations complexes à plusieurs tours, les jeux de rôle, la production de JSON et les appels de fonctions sont moins développées que sa spécialisation dans le raisonnement mathématique et la programmation. La prise en charge de JSON et des outils documentée pour R1-0528 est une évolution d'une édition ultérieure, et non le contrat d'origine de R1. Indiquez explicitement la langue et le format de sortie et gardez l'énoncé du problème direct.
Pour une tâche technique pratique, définissez ce qui constitue un résultat correct : une formule avec ses hypothèses, un algorithme respectant la complexité indiquée ou une comparaison raisonnée selon les critères fournis. Demandez que la réponse finale identifie les informations manquantes plutôt que de les inventer. Pour un travail dépendant des sources, fournissez les passages faisant autorité sous forme de texte. Examinez le code ou la conclusion proposés par rapport aux conditions d'origine ; le livrable utile est la solution finale et son explication justificative, distinctes d'une action ou d'une validation effectivement réalisée par l'application qui entoure le modèle.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites deepseek/deepseek-r1 | 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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0014 / 1K tokens Sortie · Tokens en sortie $0.005 / 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 |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0014 / 1K tokens Sortie · Tokens en sortie $0.005 / 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/deepseek-r1", "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/deepseek-r1',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/deepseek-r1',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/deepseek-r1
Utilisez les chemins de méthode indiqués ci-dessus.
deepseek/deepseek-r1DeepSeek R1 est le modèle textuel d'origine de DeepSeek axé sur le raisonnement pour les mathématiques, le code et la logique. Il combine des exemples d'instructions de démarrage à froid avec l'apprentissage par renforcement et un contexte de 128K, avec des recommandations du producteur pour des prompts directs et une mise en forme explicite de la réponse finale.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
DeepSeek R1 est le modèle d'origine de DeepSeek axé sur le raisonnement pour les tâches mathématiques, de développement et de logique. Il s'appuie sur DeepSeek V3 Base et utilise une chaîne d'entraînement comprenant des exemples de démarrage à froid, un affinement supervisé et l'apprentissage par renforcement. L'entrée est textuelle et le résultat est une solution ou une réponse textuelle. Il reste distinct de R1 Zero, de l'édition ultérieure R1-0528 et des modèles distillés séparément.
Le producteur distingue R1 de l'approche de R1 Zero fondée uniquement sur l'apprentissage par renforcement. Les ressources de démarrage à froid donnent à R1 un schéma initial plus lisible avant l'apprentissage par renforcement orienté raisonnement. L'échantillonnage par rejet et l'entraînement supervisé ultérieurs ajoutent des données de raisonnement et d'usage général, suivis d'une autre étape d'apprentissage par renforcement. La fiche décrit deux étapes supervisées et deux étapes d'apprentissage par renforcement, destinées à améliorer les schémas de raisonnement et l'alignement avec la réponse demandée.
Son architecture publiée comporte 671 milliards de paramètres au total, dont 37 milliards actifs par token, et un contexte de 128K. Cette fenêtre contient ensemble la source, le prompt et le raisonnement ou la réponse générés ; ce n'est pas une garantie distincte de 128K en sortie. Un long énoncé mathématique, un fragment de code ou un ensemble d'exigences doivent toujours être organisés pour que le modèle puisse identifier le problème réel et la forme du résultat nécessaire.
DeepSeek recommande une température comprise entre 0,5 et 0,7, avec une valeur conseillée de 0,6, pour réduire les répétitions ou les sorties incohérentes. Il conseille de placer les instructions dans le prompt utilisateur plutôt que d'ajouter un prompt système. Son rapport de recherche recommande également un énoncé direct zero-shot du problème et du format de sortie, car le prompting few-shot peut réduire les performances de ce profil d'origine. Ce sont les recommandations d'utilisation du producteur, et non des valeurs par défaut supposées pour chaque application.
Pour les mathématiques, fournissez l'énoncé complet, les définitions des variables et les restrictions de domaine. Le producteur recommande de demander une solution étape par étape avec le résultat final dans une expression \\boxed{}. Un exemple de brief peut demander la formule finale, les hypothèses sous lesquelles elle est valable et une vérification par substitution. Pour le code, incluez le comportement à implémenter, les contraintes et une entrée représentative, puis demandez l'algorithme proposé et le livrable de code séparément de son explication.
Le format de raisonnement du modèle sépare une phase de réflexion de la réponse finale. DeepSeek précise que certaines requêtes peuvent produire un bloc de réflexion vide et recommande un préfixe de début de raisonnement dans son processus de référence lorsqu'un raisonnement plus approfondi est souhaité. Préservez la distinction entre ce format du producteur et la réponse finale que vous voulez faire lire à l'utilisateur. Le livrable demandé peut être une conclusion concise ou du code même si le processus intermédiaire du modèle est plus long.
La recherche d'origine identifie des limites concrètes. R1 est optimisé pour le chinois et l'anglais, et les requêtes dans d'autres langues peuvent entraîner un mélange de langues non souhaité. Il est sensible au prompting, et ses capacités dans les conversations complexes à plusieurs tours, les jeux de rôle, la production de JSON et les appels de fonctions sont moins développées que sa spécialisation dans le raisonnement mathématique et la programmation. La prise en charge de JSON et des outils documentée pour R1-0528 est une évolution d'une édition ultérieure, et non le contrat d'origine de R1. Indiquez explicitement la langue et le format de sortie et gardez l'énoncé du problème direct.
Pour une tâche technique pratique, définissez ce qui constitue un résultat correct : une formule avec ses hypothèses, un algorithme respectant la complexité indiquée ou une comparaison raisonnée selon les critères fournis. Demandez que la réponse finale identifie les informations manquantes plutôt que de les inventer. Pour un travail dépendant des sources, fournissez les passages faisant autorité sous forme de texte. Examinez le code ou la conclusion proposés par rapport aux conditions d'origine ; le livrable utile est la solution finale et son explication justificative, distinctes d'une action ou d'une validation effectivement réalisée par l'application qui entoure le modèle.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites deepseek/deepseek-r1 | 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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0014 / 1K tokens Sortie · Tokens en sortie $0.005 / 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 |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0014 / 1K tokens Sortie · Tokens en sortie $0.005 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "deepseek/deepseek-r1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/deepseek-r1', '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/deepseek-r1', '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/deepseek-r1
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Optimize a rectangular enclosure\n\nA rectangular enclosure has 60 metres of fencing, used on all four sides. Its width and length are positive real numbers. Derive the largest possible area, justify why the optimum is global and check the dimensions against the fencing constraint. Give the final result in a boxed mathematical expression.A derivation, optimal dimensions, a perimeter check and a boxed maximum area.Check that the solution respects positivity and uses 2(length + width) = 60 rather than a three-sided constraint.