DeepSeek Math V2 est spécialisé dans la démonstration de théorèmes en langage naturel et le raisonnement mathématique auto-vérifiable. Il repose sur DeepSeek V3.2 Exp Base. Le fabricant part du constat qu’une réponse finale correcte peut malgré tout reposer sur un raisonnement invalide, alors qu’un théorème exige souvent une démonstration complète plutôt qu’une réponse numérique. Le modèle se concentre donc sur la production de preuves, l’identification de leurs défauts et l’amélioration de l’argumentation avant de finaliser sa réponse.
Vérification des preuves. La méthode d’entraînement apprend à un vérificateur à lire un problème accompagné d’une preuve proposée, à repérer les difficultés et à juger la qualité de la preuve. Ses critères distinguent une démonstration complète et rigoureuse d’une solution par ailleurs solide comportant des erreurs mineures, ainsi que d’un raisonnement fondamentalement invalide. Une demande pratique de relecture doit reprendre cette distinction : montrer où le raisonnement échoue, expliquer l’importance du problème et distinguer un détail manquant d’une lacune qui empêche de conclure.
Méta-vérification. La recherche examine également les critiques du vérificateur lui-même. Un défaut allégué doit réellement figurer dans la preuve proposée et justifier l’évaluation. Cela répond au risque d’émettre un jugement apparemment raisonnable tout en inventant un problème absent de la preuve. Pour une tâche de relecture, fournissez la preuve originale et toute critique existante, puis demandez si cette critique représente fidèlement l’étape concernée. Le livrable utile est une explication vérifiée de l’objection et de ses conséquences.
Production de preuves et auto-analyse. DeepSeek entraîne le générateur à partir des retours du vérificateur et récompense explicitement l’évaluation exacte de son propre travail. Le modèle est encouragé à reconnaître les erreurs réelles, à corriger les difficultés qu’il peut résoudre et à présenter la meilleure preuve avec une évaluation honnête de son caractère complet. Vérification et génération s’améliorent dans un cycle d’entraînement itératif ; les preuves plus difficiles produites servent à améliorer le vérificateur. Le modèle obtenu peut à la fois produire et vérifier des arguments mathématiques.
Préparez le problème avec précision. Incluez les définitions, les quantificateurs, les domaines et toutes les hypothèses. Précisez si vous souhaitez établir une existence, une unicité, une inégalité, une construction ou un contre-exemple. Si un lemme autorisé est fourni, donnez son énoncé exact et indiquez s’il peut être utilisé directement ou doit également être démontré. Les consignes de démonstration du fabricant exigent une solution justifiée même lorsque la tâche demande une réponse, et ne considèrent pas le renvoi à un autre texte comme un substitut à l’argumentation manquante.
La réponse attendue peut contenir une vue d’ensemble de l’idée, une démonstration complète et une auto-évaluation séparée. Pour une inégalité, demandez au modèle de vérifier les restrictions du domaine et les cas d’égalité. Pour un problème de dénombrement, demandez-lui de justifier que les cas sont exhaustifs et ne se recoupent pas. Pour une preuve existante, désignez l’étape contestée et demandez soit une correction, soit une explication de la raison pour laquelle la conclusion proposée reste non démontrée. L’algèbre, la géométrie, la théorie des nombres, la combinatoire et les inégalités figurent dans les tâches d’évaluation mathématique du fabricant.
Affinement. Le processus publié peut soumettre à nouveau une preuve et son auto-analyse au même modèle afin de traiter les défauts restants. Dans le cadre de recherche à tentative unique présenté par le fabricant, le budget de preuve est de 128K tokens ; certaines démonstrations difficiles restent incomplètes une fois ce budget épuisé. Dans votre travail, utilisez une objection précise comme entrée suivante et demandez quelle partie de la preuve change lorsque cette objection est résolue. Gardez visibles les définitions et hypothèses précédentes. Le livrable révisé doit indiquer ce qui a été établi et la difficulté qui subsiste.
Math V2 produit une démonstration et une critique en langage naturel. Les systèmes de preuve formelle tels que Lean vérifient un autre type de livrable ; DeepSeek Prover V2 est une spécialisation distincte en raisonnement formel. Une évaluation indiquant qu’aucune faille n’a été trouvée mérite néanmoins une relecture mathématique, notamment lorsque la preuve dépend d’un cas omis ou d’un lemme non énoncé. Les travaux du producteur signalent que ses problèmes les plus difficiles peuvent rester non résolus même après affinement.
", "aboutText": "DeepSeek Math V2 est spécialisé dans la démonstration de théorèmes en langage naturel et le raisonnement mathématique auto-vérifiable. Il repose sur DeepSeek V3.2 Exp Base. Le fabricant part du constat qu’une réponse finale correcte peut malgré tout reposer sur un raisonnement invalide, alors qu’un théorème exige souvent une démonstration complète plutôt qu’une réponse numérique. Le modèle se concentre donc sur la production de preuves, l’identification de leurs défauts et l’amélioration de l’argumentation avant de finaliser sa réponse.\n\nVérification des preuves. La méthode d’entraînement apprend à un vérificateur à lire un problème accompagné d’une preuve proposée, à repérer les difficultés et à juger la qualité de la preuve. Ses critères distinguent une démonstration complète et rigoureuse d’une solution par ailleurs solide comportant des erreurs mineures, ainsi que d’un raisonnement fondamentalement invalide. Une demande pratique de relecture doit reprendre cette distinction : montrer où le raisonnement échoue, expliquer l’importance du problème et distinguer un détail manquant d’une lacune qui empêche de conclure.\n\nMéta-vérification. La recherche examine également les critiques du vérificateur lui-même. Un défaut allégué doit réellement figurer dans la preuve proposée et justifier l’évaluation. Cela répond au risque d’émettre un jugement apparemment raisonnable tout en inventant un problème absent de la preuve. Pour une tâche de relecture, fournissez la preuve originale et toute critique existante, puis demandez si cette critique représente fidèlement l’étape concernée. Le livrable utile est une explication vérifiée de l’objection et de ses conséquences.\n\nProduction de preuves et auto-analyse. DeepSeek entraîne le générateur à partir des retours du vérificateur et récompense explicitement l’évaluation exacte de son propre travail. Le modèle est encouragé à reconnaître les erreurs réelles, à corriger les difficultés qu’il peut résoudre et à présenter la meilleure preuve avec une évaluation honnête de son caractère complet. Vérification et génération s’améliorent dans un cycle d’entraînement itératif ; les preuves plus difficiles produites servent à améliorer le vérificateur. Le modèle obtenu peut à la fois produire et vérifier des arguments mathématiques.\n\nPréparez le problème avec précision. Incluez les définitions, les quantificateurs, les domaines et toutes les hypothèses. Précisez si vous souhaitez établir une existence, une unicité, une inégalité, une construction ou un contre-exemple. Si un lemme autorisé est fourni, donnez son énoncé exact et indiquez s’il peut être utilisé directement ou doit également être démontré. Les consignes de démonstration du fabricant exigent une solution justifiée même lorsque la tâche demande une réponse, et ne considèrent pas le renvoi à un autre texte comme un substitut à l’argumentation manquante.\n\nLa réponse attendue peut contenir une vue d’ensemble de l’idée, une démonstration complète et une auto-évaluation séparée. Pour une inégalité, demandez au modèle de vérifier les restrictions du domaine et les cas d’égalité. Pour un problème de dénombrement, demandez-lui de justifier que les cas sont exhaustifs et ne se recoupent pas. Pour une preuve existante, désignez l’étape contestée et demandez soit une correction, soit une explication de la raison pour laquelle la conclusion proposée reste non démontrée. L’algèbre, la géométrie, la théorie des nombres, la combinatoire et les inégalités figurent dans les tâches d’évaluation mathématique du fabricant.\n\nAffinement. Le processus publié peut soumettre à nouveau une preuve et son auto-analyse au même modèle afin de traiter les défauts restants. Dans le cadre de recherche à tentative unique présenté par le fabricant, le budget de preuve est de 128K tokens ; certaines démonstrations difficiles restent incomplètes une fois ce budget épuisé. Dans votre travail, utilisez une objection précise comme entrée suivante et demandez quelle partie de la preuve change lorsque cette objection est résolue. Gardez visibles les définitions et hypothèses précédentes. Le livrable révisé doit indiquer ce qui a été établi et la difficulté qui subsiste.\n\nMath V2 produit une démonstration et une critique en langage naturel. Les systèmes de preuve formelle tels que Lean vérifient un autre type de livrable ; DeepSeek Prover V2 est une spécialisation distincte en raisonnement formel. Une évaluation indiquant qu’aucune faille n’a été trouvée mérite néanmoins une relecture mathématique, notamment lorsque la preuve dépend d’un cas omis ou d’un lemme non énoncé. Les travaux du producteur signalent que ses problèmes les plus difficiles peuvent rester non résolus même après affinement.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Repair a divisibility proof\n\nReview this proposed proof: 'If 6 divides ab, then 6 divides a or 6 divides b, because every prime factor of 6 must divide one of the factors.' Here a and b are integers. Identify the invalid implication, provide a counterexample and state a correct related proposition with proof. Separate your proof from a self-check of its completeness.A precise flaw explanation, an integer counterexample, a corrected proposition with proof and a separate self-check.Verify the counterexample meets the premise and defeats both alternatives in the claimed conclusion.DeepSeek-Math-V2-ultraLe modèle DeepSeek de démonstration mathématique en langage naturel et d’auto-vérification repose sur DeepSeek V3.2 Exp Base. Il peut élaborer une solution, examiner ses lacunes logiques et affiner l’argumentation, en fournissant une démonstration détaillée et une évaluation des difficultés restantes.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
DeepSeek Math V2 est spécialisé dans la démonstration de théorèmes en langage naturel et le raisonnement mathématique auto-vérifiable. Il repose sur DeepSeek V3.2 Exp Base. Le fabricant part du constat qu’une réponse finale correcte peut malgré tout reposer sur un raisonnement invalide, alors qu’un théorème exige souvent une démonstration complète plutôt qu’une réponse numérique. Le modèle se concentre donc sur la production de preuves, l’identification de leurs défauts et l’amélioration de l’argumentation avant de finaliser sa réponse.
Vérification des preuves. La méthode d’entraînement apprend à un vérificateur à lire un problème accompagné d’une preuve proposée, à repérer les difficultés et à juger la qualité de la preuve. Ses critères distinguent une démonstration complète et rigoureuse d’une solution par ailleurs solide comportant des erreurs mineures, ainsi que d’un raisonnement fondamentalement invalide. Une demande pratique de relecture doit reprendre cette distinction : montrer où le raisonnement échoue, expliquer l’importance du problème et distinguer un détail manquant d’une lacune qui empêche de conclure.
Méta-vérification. La recherche examine également les critiques du vérificateur lui-même. Un défaut allégué doit réellement figurer dans la preuve proposée et justifier l’évaluation. Cela répond au risque d’émettre un jugement apparemment raisonnable tout en inventant un problème absent de la preuve. Pour une tâche de relecture, fournissez la preuve originale et toute critique existante, puis demandez si cette critique représente fidèlement l’étape concernée. Le livrable utile est une explication vérifiée de l’objection et de ses conséquences.
Production de preuves et auto-analyse. DeepSeek entraîne le générateur à partir des retours du vérificateur et récompense explicitement l’évaluation exacte de son propre travail. Le modèle est encouragé à reconnaître les erreurs réelles, à corriger les difficultés qu’il peut résoudre et à présenter la meilleure preuve avec une évaluation honnête de son caractère complet. Vérification et génération s’améliorent dans un cycle d’entraînement itératif ; les preuves plus difficiles produites servent à améliorer le vérificateur. Le modèle obtenu peut à la fois produire et vérifier des arguments mathématiques.
Préparez le problème avec précision. Incluez les définitions, les quantificateurs, les domaines et toutes les hypothèses. Précisez si vous souhaitez établir une existence, une unicité, une inégalité, une construction ou un contre-exemple. Si un lemme autorisé est fourni, donnez son énoncé exact et indiquez s’il peut être utilisé directement ou doit également être démontré. Les consignes de démonstration du fabricant exigent une solution justifiée même lorsque la tâche demande une réponse, et ne considèrent pas le renvoi à un autre texte comme un substitut à l’argumentation manquante.
La réponse attendue peut contenir une vue d’ensemble de l’idée, une démonstration complète et une auto-évaluation séparée. Pour une inégalité, demandez au modèle de vérifier les restrictions du domaine et les cas d’égalité. Pour un problème de dénombrement, demandez-lui de justifier que les cas sont exhaustifs et ne se recoupent pas. Pour une preuve existante, désignez l’étape contestée et demandez soit une correction, soit une explication de la raison pour laquelle la conclusion proposée reste non démontrée. L’algèbre, la géométrie, la théorie des nombres, la combinatoire et les inégalités figurent dans les tâches d’évaluation mathématique du fabricant.
Affinement. Le processus publié peut soumettre à nouveau une preuve et son auto-analyse au même modèle afin de traiter les défauts restants. Dans le cadre de recherche à tentative unique présenté par le fabricant, le budget de preuve est de 128K tokens ; certaines démonstrations difficiles restent incomplètes une fois ce budget épuisé. Dans votre travail, utilisez une objection précise comme entrée suivante et demandez quelle partie de la preuve change lorsque cette objection est résolue. Gardez visibles les définitions et hypothèses précédentes. Le livrable révisé doit indiquer ce qui a été établi et la difficulté qui subsiste.
Math V2 produit une démonstration et une critique en langage naturel. Les systèmes de preuve formelle tels que Lean vérifient un autre type de livrable ; DeepSeek Prover V2 est une spécialisation distincte en raisonnement formel. Une évaluation indiquant qu’aucune faille n’a été trouvée mérite néanmoins une relecture mathématique, notamment lorsque la preuve dépend d’un cas omis ou d’un lemme non énoncé. Les travaux du producteur signalent que ses problèmes les plus difficiles peuvent rester non résolus même après affinement.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites DeepSeek-Math-V2-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 $0.001144 / 1K tokens Sortie · Tokens en sortie $0.004572 / 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-Math-V2-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-Math-V2-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-Math-V2-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-Math-V2-ultra
Utilisez les chemins de méthode indiqués ci-dessus.
DeepSeek-Math-V2-ultraLe modèle DeepSeek de démonstration mathématique en langage naturel et d’auto-vérification repose sur DeepSeek V3.2 Exp Base. Il peut élaborer une solution, examiner ses lacunes logiques et affiner l’argumentation, en fournissant une démonstration détaillée et une évaluation des difficultés restantes.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
DeepSeek Math V2 est spécialisé dans la démonstration de théorèmes en langage naturel et le raisonnement mathématique auto-vérifiable. Il repose sur DeepSeek V3.2 Exp Base. Le fabricant part du constat qu’une réponse finale correcte peut malgré tout reposer sur un raisonnement invalide, alors qu’un théorème exige souvent une démonstration complète plutôt qu’une réponse numérique. Le modèle se concentre donc sur la production de preuves, l’identification de leurs défauts et l’amélioration de l’argumentation avant de finaliser sa réponse.
Vérification des preuves. La méthode d’entraînement apprend à un vérificateur à lire un problème accompagné d’une preuve proposée, à repérer les difficultés et à juger la qualité de la preuve. Ses critères distinguent une démonstration complète et rigoureuse d’une solution par ailleurs solide comportant des erreurs mineures, ainsi que d’un raisonnement fondamentalement invalide. Une demande pratique de relecture doit reprendre cette distinction : montrer où le raisonnement échoue, expliquer l’importance du problème et distinguer un détail manquant d’une lacune qui empêche de conclure.
Méta-vérification. La recherche examine également les critiques du vérificateur lui-même. Un défaut allégué doit réellement figurer dans la preuve proposée et justifier l’évaluation. Cela répond au risque d’émettre un jugement apparemment raisonnable tout en inventant un problème absent de la preuve. Pour une tâche de relecture, fournissez la preuve originale et toute critique existante, puis demandez si cette critique représente fidèlement l’étape concernée. Le livrable utile est une explication vérifiée de l’objection et de ses conséquences.
Production de preuves et auto-analyse. DeepSeek entraîne le générateur à partir des retours du vérificateur et récompense explicitement l’évaluation exacte de son propre travail. Le modèle est encouragé à reconnaître les erreurs réelles, à corriger les difficultés qu’il peut résoudre et à présenter la meilleure preuve avec une évaluation honnête de son caractère complet. Vérification et génération s’améliorent dans un cycle d’entraînement itératif ; les preuves plus difficiles produites servent à améliorer le vérificateur. Le modèle obtenu peut à la fois produire et vérifier des arguments mathématiques.
Préparez le problème avec précision. Incluez les définitions, les quantificateurs, les domaines et toutes les hypothèses. Précisez si vous souhaitez établir une existence, une unicité, une inégalité, une construction ou un contre-exemple. Si un lemme autorisé est fourni, donnez son énoncé exact et indiquez s’il peut être utilisé directement ou doit également être démontré. Les consignes de démonstration du fabricant exigent une solution justifiée même lorsque la tâche demande une réponse, et ne considèrent pas le renvoi à un autre texte comme un substitut à l’argumentation manquante.
La réponse attendue peut contenir une vue d’ensemble de l’idée, une démonstration complète et une auto-évaluation séparée. Pour une inégalité, demandez au modèle de vérifier les restrictions du domaine et les cas d’égalité. Pour un problème de dénombrement, demandez-lui de justifier que les cas sont exhaustifs et ne se recoupent pas. Pour une preuve existante, désignez l’étape contestée et demandez soit une correction, soit une explication de la raison pour laquelle la conclusion proposée reste non démontrée. L’algèbre, la géométrie, la théorie des nombres, la combinatoire et les inégalités figurent dans les tâches d’évaluation mathématique du fabricant.
Affinement. Le processus publié peut soumettre à nouveau une preuve et son auto-analyse au même modèle afin de traiter les défauts restants. Dans le cadre de recherche à tentative unique présenté par le fabricant, le budget de preuve est de 128K tokens ; certaines démonstrations difficiles restent incomplètes une fois ce budget épuisé. Dans votre travail, utilisez une objection précise comme entrée suivante et demandez quelle partie de la preuve change lorsque cette objection est résolue. Gardez visibles les définitions et hypothèses précédentes. Le livrable révisé doit indiquer ce qui a été établi et la difficulté qui subsiste.
Math V2 produit une démonstration et une critique en langage naturel. Les systèmes de preuve formelle tels que Lean vérifient un autre type de livrable ; DeepSeek Prover V2 est une spécialisation distincte en raisonnement formel. Une évaluation indiquant qu’aucune faille n’a été trouvée mérite néanmoins une relecture mathématique, notamment lorsque la preuve dépend d’un cas omis ou d’un lemme non énoncé. Les travaux du producteur signalent que ses problèmes les plus difficiles peuvent rester non résolus même après affinement.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites DeepSeek-Math-V2-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 $0.001144 / 1K tokens Sortie · Tokens en sortie $0.004572 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "DeepSeek-Math-V2-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Math-V2-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-Math-V2-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-Math-V2-ultra
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Repair a divisibility proof\n\nReview this proposed proof: 'If 6 divides ab, then 6 divides a or 6 divides b, because every prime factor of 6 must divide one of the factors.' Here a and b are integers. Identify the invalid implication, provide a counterexample and state a correct related proposition with proof. Separate your proof from a self-check of its completeness.A precise flaw explanation, an integer counterexample, a corrected proposition with proof and a separate self-check.Verify the counterexample meets the premise and defeats both alternatives in the claimed conclusion.