DeepSeek-R1-Distill-Qwen-14B adalah checkpoint penalaran berbasis Qwen berukuran 14B yang dirilis DeepSeek. Model dasarnya adalah Qwen2.5-14B, yang menjalani fine-tuning menggunakan contoh yang disiapkan oleh DeepSeek-R1. Model ini menerima masalah atau percakapan tertulis dan menghasilkan teks yang dapat mencakup solusi matematika, penjelasan perilaku program, atau kesimpulan yang diperoleh dari beberapa kondisi yang diberikan.
Transfer penalaran dan edisi bernama
DeepSeek membedakan model R1 lengkap dan R1-Zero dari model dense yang didistilasi ke model dasar Qwen dan Llama. Untuk rilis hasil distilasi, data pelatihan membawa pola penalaran dari model R1 yang lebih besar ke checkpoint yang berbeda. Nama 14B mengidentifikasi model dasar Qwen khusus ini; nama tersebut tidak mengidentifikasi arsitektur R1 lengkap, checkpoint distilasi 32B, atau rilis Qwen2.5-14B-Instruct biasa.
Produsen menjelaskan penggunaan 800,000 contoh terkurasi untuk rilis distilasi Qwen serta mencatat perubahan pada konfigurasi dan tokenizer-nya. Pertahankan pengaturan rilis DeepSeek saat menggunakan model ini. Perubahan tersebut penting meskipun asal modelnya adalah Qwen2.5. Konfigurasi checkpoint 14B sendiri menetapkan 48 lapisan, 40 head query attention, dan 8 head key/value, dengan jumlah posisi maksimum 131,072.
Materi yang perlu diberikan untuk jawaban berlangkah yang berguna
Untuk tugas bimbingan belajar, sertakan masalah dan upaya penyelesaian siswa, lalu tandai peralihan langkah yang perlu dijelaskan. Minta model mengidentifikasi kondisi yang relevan, menjelaskan perbaikan dengan notasi yang sama, dan melanjutkan hanya sejauh yang diperlukan untuk memastikan hasil. Dengan demikian jawaban tetap terkait dengan kesulitan siswa yang sebenarnya, alih-alih menghasilkan pelajaran lengkap yang tidak relevan.
Misalnya, seorang siswa mungkin telah membagi dengan suatu ekspresi tanpa menyatakan apakah ekspresi itu dapat bernilai nol. Berikan persamaan asli dan tanyakan kasus mana yang harus dipertimbangkan sebelum transformasi tersebut. Hasil yang diinginkan dapat memisahkan kasus yang diizinkan, kasus pengecualian, dan himpunan solusi akhir. Ini adalah usulan tugas matematika, dengan bentuk jawaban yang ditentukan oleh kondisinya, bukan oleh permintaan umum untuk menjelaskan aljabar.
Untuk pertanyaan pemrograman, berikan algoritma atau fungsi dan masukan yang konkret. Tanyakan bagaimana keadaan berubah dan mengapa hasil yang dikembalikan mengikuti perubahan tersebut. Pertanyaan lanjutan dapat meminta implementasi yang direvisi dengan batasan eksplisit, seperti mempertahankan signature fungsi publik atau menghindari perubahan pada masukan. Sertakan kode pembantu yang relevan dan perilaku yang diharapkan agar penjelasan tidak bergantung pada implementasi yang tidak dijelaskan.
Untuk perbandingan logis, tentukan alternatif dan kondisi yang harus dipenuhi masing-masing. Minta asumsi yang digunakan setiap pendekatan, konflik yang menggugurkan pilihan, serta informasi yang masih belum terselesaikan. Tabel keputusan yang ringkas kemudian dapat menjadi artefak akhir, sementara uraian di sekitarnya menjelaskan bagaimana aturan yang diberikan mendukungnya.
Rekomendasi prompting dari DeepSeek
Produsen merekomendasikan untuk menghindari prompt sistem dan menempatkan seluruh instruksi langsung dalam prompt pengguna. Gabungkan tugas, persyaratan keluaran, dan materi sumber yang diperlukan, sambil mengidentifikasi dengan jelas teks mana yang merupakan masalah dan teks mana yang merupakan instruksi tentang jawaban. Gunakan tokenizer dan pengaturan percakapan yang dirilis, alih-alih menganggap format Qwen asli dapat dipertukarkan.
Rentang temperature yang didokumentasikan adalah 0.5 hingga 0.7, dengan 0.6 sebagai rekomendasi. DeepSeek mengaitkan hal ini dengan pengurangan pengulangan dan keluaran yang tidak koheren. Untuk pertanyaan matematika, produsen merekomendasikan respons dengan langkah pengerjaan dan hasil akhir dalam kotak LaTeX. Produsen juga menjelaskan kasus ketika model melewati blok penalaran dan merekomendasikan memulai respons dengan penanda pembuka penalaran untuk mendorong alur penalaran yang dimaksud.
Keluaran matematika yang berguna dapat mencakup metode yang dipilih, transformasi yang memiliki dasar, dan ekspresi akhir yang terpisah. Nyatakan apakah hasilnya harus eksak atau dibulatkan dan tentukan satuan ketika relevan. Untuk kode, minta penjelasan secara terpisah dari usulan implementasi. Untuk logika, minta kesimpulan akhir beserta kondisi berlakunya. Persyaratan ini menentukan apa yang benar-benar dapat digunakan oleh pembaca atau aplikasi setelah teks penalaran.
Konteks dan batas substantif
Konfigurasi rilis saat ini menetapkan jumlah posisi maksimum 131,072. Itu adalah nilai konfigurasi checkpoint ini, bukan janji turunan mengenai setiap antarmuka serving. Pengaturan generasi 32,768 token milik produsen merupakan bagian dari evaluasi; pengaturan itu tidak menetapkan panjang jawaban maksimum yang mutlak dan terpisah. Kapasitas keluaran model Qwen Instruct asli juga tidak boleh dialihkan ke rilis penalaran yang dimodifikasi ini tanpa spesifikasinya sendiri.
Ini adalah model teks. Gambar masalah matematika perlu dikonversi menjadi teks yang memuat simbol dan kondisinya sebelum tugas penalaran, sedangkan menjalankan kode yang diusulkan memerlukan lingkungan pengembangan atau komputasi terpisah. Distilasi menjelaskan pelatihan menggunakan contoh R1, bukan panggilan runtime otomatis ke model guru atau pemeriksa independen bawaan.
Gunakan checkpoint 14B dengan nama ini untuk tugas jawaban berlangkah yang terdefinisi, dan pertahankan notasi, asumsi, serta hasil sasaran dari masalahnya. Tujuan praktisnya adalah solusi yang dapat diperiksa pembaca: kondisi mana yang berlaku, mengapa setiap langkah penting dapat diambil, dan ekspresi, implementasi, atau kesimpulan akhir apa yang menjawab pertanyaan semula.
", "aboutText": "DeepSeek-R1-Distill-Qwen-14B adalah checkpoint penalaran berbasis Qwen berukuran 14B yang dirilis DeepSeek. Model dasarnya adalah Qwen2.5-14B, yang menjalani fine-tuning menggunakan contoh yang disiapkan oleh DeepSeek-R1. Model ini menerima masalah atau percakapan tertulis dan menghasilkan teks yang dapat mencakup solusi matematika, penjelasan perilaku program, atau kesimpulan yang diperoleh dari beberapa kondisi yang diberikan.\n\nTransfer penalaran dan edisi bernama\n\nDeepSeek membedakan model R1 lengkap dan R1-Zero dari model dense yang didistilasi ke model dasar Qwen dan Llama. Untuk rilis hasil distilasi, data pelatihan membawa pola penalaran dari model R1 yang lebih besar ke checkpoint yang berbeda. Nama 14B mengidentifikasi model dasar Qwen khusus ini; nama tersebut tidak mengidentifikasi arsitektur R1 lengkap, checkpoint distilasi 32B, atau rilis Qwen2.5-14B-Instruct biasa.\n\nProdusen menjelaskan penggunaan 800,000 contoh terkurasi untuk rilis distilasi Qwen serta mencatat perubahan pada konfigurasi dan tokenizer-nya. Pertahankan pengaturan rilis DeepSeek saat menggunakan model ini. Perubahan tersebut penting meskipun asal modelnya adalah Qwen2.5. Konfigurasi checkpoint 14B sendiri menetapkan 48 lapisan, 40 head query attention, dan 8 head key/value, dengan jumlah posisi maksimum 131,072.\n\nMateri yang perlu diberikan untuk jawaban berlangkah yang berguna\n\nUntuk tugas bimbingan belajar, sertakan masalah dan upaya penyelesaian siswa, lalu tandai peralihan langkah yang perlu dijelaskan. Minta model mengidentifikasi kondisi yang relevan, menjelaskan perbaikan dengan notasi yang sama, dan melanjutkan hanya sejauh yang diperlukan untuk memastikan hasil. Dengan demikian jawaban tetap terkait dengan kesulitan siswa yang sebenarnya, alih-alih menghasilkan pelajaran lengkap yang tidak relevan.\n\nMisalnya, seorang siswa mungkin telah membagi dengan suatu ekspresi tanpa menyatakan apakah ekspresi itu dapat bernilai nol. Berikan persamaan asli dan tanyakan kasus mana yang harus dipertimbangkan sebelum transformasi tersebut. Hasil yang diinginkan dapat memisahkan kasus yang diizinkan, kasus pengecualian, dan himpunan solusi akhir. Ini adalah usulan tugas matematika, dengan bentuk jawaban yang ditentukan oleh kondisinya, bukan oleh permintaan umum untuk menjelaskan aljabar.\n\nUntuk pertanyaan pemrograman, berikan algoritma atau fungsi dan masukan yang konkret. Tanyakan bagaimana keadaan berubah dan mengapa hasil yang dikembalikan mengikuti perubahan tersebut. Pertanyaan lanjutan dapat meminta implementasi yang direvisi dengan batasan eksplisit, seperti mempertahankan signature fungsi publik atau menghindari perubahan pada masukan. Sertakan kode pembantu yang relevan dan perilaku yang diharapkan agar penjelasan tidak bergantung pada implementasi yang tidak dijelaskan.\n\nUntuk perbandingan logis, tentukan alternatif dan kondisi yang harus dipenuhi masing-masing. Minta asumsi yang digunakan setiap pendekatan, konflik yang menggugurkan pilihan, serta informasi yang masih belum terselesaikan. Tabel keputusan yang ringkas kemudian dapat menjadi artefak akhir, sementara uraian di sekitarnya menjelaskan bagaimana aturan yang diberikan mendukungnya.\n\nRekomendasi prompting dari DeepSeek\n\nProdusen merekomendasikan untuk menghindari prompt sistem dan menempatkan seluruh instruksi langsung dalam prompt pengguna. Gabungkan tugas, persyaratan keluaran, dan materi sumber yang diperlukan, sambil mengidentifikasi dengan jelas teks mana yang merupakan masalah dan teks mana yang merupakan instruksi tentang jawaban. Gunakan tokenizer dan pengaturan percakapan yang dirilis, alih-alih menganggap format Qwen asli dapat dipertukarkan.\n\nRentang temperature yang didokumentasikan adalah 0.5 hingga 0.7, dengan 0.6 sebagai rekomendasi. DeepSeek mengaitkan hal ini dengan pengurangan pengulangan dan keluaran yang tidak koheren. Untuk pertanyaan matematika, produsen merekomendasikan respons dengan langkah pengerjaan dan hasil akhir dalam kotak LaTeX. Produsen juga menjelaskan kasus ketika model melewati blok penalaran dan merekomendasikan memulai respons dengan penanda pembuka penalaran untuk mendorong alur penalaran yang dimaksud.\n\nKeluaran matematika yang berguna dapat mencakup metode yang dipilih, transformasi yang memiliki dasar, dan ekspresi akhir yang terpisah. Nyatakan apakah hasilnya harus eksak atau dibulatkan dan tentukan satuan ketika relevan. Untuk kode, minta penjelasan secara terpisah dari usulan implementasi. Untuk logika, minta kesimpulan akhir beserta kondisi berlakunya. Persyaratan ini menentukan apa yang benar-benar dapat digunakan oleh pembaca atau aplikasi setelah teks penalaran.\n\nKonteks dan batas substantif\n\nKonfigurasi rilis saat ini menetapkan jumlah posisi maksimum 131,072. Itu adalah nilai konfigurasi checkpoint ini, bukan janji turunan mengenai setiap antarmuka serving. Pengaturan generasi 32,768 token milik produsen merupakan bagian dari evaluasi; pengaturan itu tidak menetapkan panjang jawaban maksimum yang mutlak dan terpisah. Kapasitas keluaran model Qwen Instruct asli juga tidak boleh dialihkan ke rilis penalaran yang dimodifikasi ini tanpa spesifikasinya sendiri.\n\nIni adalah model teks. Gambar masalah matematika perlu dikonversi menjadi teks yang memuat simbol dan kondisinya sebelum tugas penalaran, sedangkan menjalankan kode yang diusulkan memerlukan lingkungan pengembangan atau komputasi terpisah. Distilasi menjelaskan pelatihan menggunakan contoh R1, bukan panggilan runtime otomatis ke model guru atau pemeriksa independen bawaan.\n\nGunakan checkpoint 14B dengan nama ini untuk tugas jawaban berlangkah yang terdefinisi, dan pertahankan notasi, asumsi, serta hasil sasaran dari masalahnya. Tujuan praktisnya adalah solusi yang dapat diperiksa pembaca: kondisi mana yang berlaku, mengapa setiap langkah penting dapat diambil, dan ekspresi, implementasi, atau kesimpulan akhir apa yang menjawab pertanyaan semula.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Repair an algebraic division step\n\nA student solves x(x - 3) = 2(x - 3) by dividing by x - 3 and concludes x = 2. Explain the missing case without changing the original equation. Separate the zero-divisor case from the nonzero case, then give the complete solution set and substitute each candidate back into the equation.A case split, a complete solution set and a substitution check for each candidate.The response checks the x - 3 = 0 case rather than silently dividing it away.deepseek-ai/DeepSeek-R1-Distill-Qwen-14BDeepSeek-R1-Distill-Qwen-14B adalah checkpoint penalaran teks yang berbasis Qwen2.5-14B dan contoh yang dihasilkan DeepSeek-R1. Model ini mendukung jawaban matematika, pemrograman, dan logika dengan langkah pengerjaan, menggunakan tokenizer, rekomendasi prompting, dan konfigurasi rilis milik DeepSeek sendiri.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
DeepSeek-R1-Distill-Qwen-14B adalah checkpoint penalaran berbasis Qwen berukuran 14B yang dirilis DeepSeek. Model dasarnya adalah Qwen2.5-14B, yang menjalani fine-tuning menggunakan contoh yang disiapkan oleh DeepSeek-R1. Model ini menerima masalah atau percakapan tertulis dan menghasilkan teks yang dapat mencakup solusi matematika, penjelasan perilaku program, atau kesimpulan yang diperoleh dari beberapa kondisi yang diberikan.
Transfer penalaran dan edisi bernama
DeepSeek membedakan model R1 lengkap dan R1-Zero dari model dense yang didistilasi ke model dasar Qwen dan Llama. Untuk rilis hasil distilasi, data pelatihan membawa pola penalaran dari model R1 yang lebih besar ke checkpoint yang berbeda. Nama 14B mengidentifikasi model dasar Qwen khusus ini; nama tersebut tidak mengidentifikasi arsitektur R1 lengkap, checkpoint distilasi 32B, atau rilis Qwen2.5-14B-Instruct biasa.
Produsen menjelaskan penggunaan 800,000 contoh terkurasi untuk rilis distilasi Qwen serta mencatat perubahan pada konfigurasi dan tokenizer-nya. Pertahankan pengaturan rilis DeepSeek saat menggunakan model ini. Perubahan tersebut penting meskipun asal modelnya adalah Qwen2.5. Konfigurasi checkpoint 14B sendiri menetapkan 48 lapisan, 40 head query attention, dan 8 head key/value, dengan jumlah posisi maksimum 131,072.
Materi yang perlu diberikan untuk jawaban berlangkah yang berguna
Untuk tugas bimbingan belajar, sertakan masalah dan upaya penyelesaian siswa, lalu tandai peralihan langkah yang perlu dijelaskan. Minta model mengidentifikasi kondisi yang relevan, menjelaskan perbaikan dengan notasi yang sama, dan melanjutkan hanya sejauh yang diperlukan untuk memastikan hasil. Dengan demikian jawaban tetap terkait dengan kesulitan siswa yang sebenarnya, alih-alih menghasilkan pelajaran lengkap yang tidak relevan.
Misalnya, seorang siswa mungkin telah membagi dengan suatu ekspresi tanpa menyatakan apakah ekspresi itu dapat bernilai nol. Berikan persamaan asli dan tanyakan kasus mana yang harus dipertimbangkan sebelum transformasi tersebut. Hasil yang diinginkan dapat memisahkan kasus yang diizinkan, kasus pengecualian, dan himpunan solusi akhir. Ini adalah usulan tugas matematika, dengan bentuk jawaban yang ditentukan oleh kondisinya, bukan oleh permintaan umum untuk menjelaskan aljabar.
Untuk pertanyaan pemrograman, berikan algoritma atau fungsi dan masukan yang konkret. Tanyakan bagaimana keadaan berubah dan mengapa hasil yang dikembalikan mengikuti perubahan tersebut. Pertanyaan lanjutan dapat meminta implementasi yang direvisi dengan batasan eksplisit, seperti mempertahankan signature fungsi publik atau menghindari perubahan pada masukan. Sertakan kode pembantu yang relevan dan perilaku yang diharapkan agar penjelasan tidak bergantung pada implementasi yang tidak dijelaskan.
Untuk perbandingan logis, tentukan alternatif dan kondisi yang harus dipenuhi masing-masing. Minta asumsi yang digunakan setiap pendekatan, konflik yang menggugurkan pilihan, serta informasi yang masih belum terselesaikan. Tabel keputusan yang ringkas kemudian dapat menjadi artefak akhir, sementara uraian di sekitarnya menjelaskan bagaimana aturan yang diberikan mendukungnya.
Rekomendasi prompting dari DeepSeek
Produsen merekomendasikan untuk menghindari prompt sistem dan menempatkan seluruh instruksi langsung dalam prompt pengguna. Gabungkan tugas, persyaratan keluaran, dan materi sumber yang diperlukan, sambil mengidentifikasi dengan jelas teks mana yang merupakan masalah dan teks mana yang merupakan instruksi tentang jawaban. Gunakan tokenizer dan pengaturan percakapan yang dirilis, alih-alih menganggap format Qwen asli dapat dipertukarkan.
Rentang temperature yang didokumentasikan adalah 0.5 hingga 0.7, dengan 0.6 sebagai rekomendasi. DeepSeek mengaitkan hal ini dengan pengurangan pengulangan dan keluaran yang tidak koheren. Untuk pertanyaan matematika, produsen merekomendasikan respons dengan langkah pengerjaan dan hasil akhir dalam kotak LaTeX. Produsen juga menjelaskan kasus ketika model melewati blok penalaran dan merekomendasikan memulai respons dengan penanda pembuka penalaran untuk mendorong alur penalaran yang dimaksud.
Keluaran matematika yang berguna dapat mencakup metode yang dipilih, transformasi yang memiliki dasar, dan ekspresi akhir yang terpisah. Nyatakan apakah hasilnya harus eksak atau dibulatkan dan tentukan satuan ketika relevan. Untuk kode, minta penjelasan secara terpisah dari usulan implementasi. Untuk logika, minta kesimpulan akhir beserta kondisi berlakunya. Persyaratan ini menentukan apa yang benar-benar dapat digunakan oleh pembaca atau aplikasi setelah teks penalaran.
Konteks dan batas substantif
Konfigurasi rilis saat ini menetapkan jumlah posisi maksimum 131,072. Itu adalah nilai konfigurasi checkpoint ini, bukan janji turunan mengenai setiap antarmuka serving. Pengaturan generasi 32,768 token milik produsen merupakan bagian dari evaluasi; pengaturan itu tidak menetapkan panjang jawaban maksimum yang mutlak dan terpisah. Kapasitas keluaran model Qwen Instruct asli juga tidak boleh dialihkan ke rilis penalaran yang dimodifikasi ini tanpa spesifikasinya sendiri.
Ini adalah model teks. Gambar masalah matematika perlu dikonversi menjadi teks yang memuat simbol dan kondisinya sebelum tugas penalaran, sedangkan menjalankan kode yang diusulkan memerlukan lingkungan pengembangan atau komputasi terpisah. Distilasi menjelaskan pelatihan menggunakan contoh R1, bukan panggilan runtime otomatis ke model guru atau pemeriksa independen bawaan.
Gunakan checkpoint 14B dengan nama ini untuk tugas jawaban berlangkah yang terdefinisi, dan pertahankan notasi, asumsi, serta hasil sasaran dari masalahnya. Tujuan praktisnya adalah solusi yang dapat diperiksa pembaca: kondisi mana yang berlaku, mengapa setiap langkah penting dapat diambil, dan ekspresi, implementasi, atau kesimpulan akhir apa yang menjawab pertanyaan semula.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan deepseek-ai/DeepSeek-R1-Distill-Qwen-14B | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0002 / 1K token Keluaran · Token keluaran $0.0002 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${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-14B", "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-14B',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-14B',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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-14B
Gunakan jalur metode yang ditampilkan di atas.
deepseek-ai/DeepSeek-R1-Distill-Qwen-14BDeepSeek-R1-Distill-Qwen-14B adalah checkpoint penalaran teks yang berbasis Qwen2.5-14B dan contoh yang dihasilkan DeepSeek-R1. Model ini mendukung jawaban matematika, pemrograman, dan logika dengan langkah pengerjaan, menggunakan tokenizer, rekomendasi prompting, dan konfigurasi rilis milik DeepSeek sendiri.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
DeepSeek-R1-Distill-Qwen-14B adalah checkpoint penalaran berbasis Qwen berukuran 14B yang dirilis DeepSeek. Model dasarnya adalah Qwen2.5-14B, yang menjalani fine-tuning menggunakan contoh yang disiapkan oleh DeepSeek-R1. Model ini menerima masalah atau percakapan tertulis dan menghasilkan teks yang dapat mencakup solusi matematika, penjelasan perilaku program, atau kesimpulan yang diperoleh dari beberapa kondisi yang diberikan.
Transfer penalaran dan edisi bernama
DeepSeek membedakan model R1 lengkap dan R1-Zero dari model dense yang didistilasi ke model dasar Qwen dan Llama. Untuk rilis hasil distilasi, data pelatihan membawa pola penalaran dari model R1 yang lebih besar ke checkpoint yang berbeda. Nama 14B mengidentifikasi model dasar Qwen khusus ini; nama tersebut tidak mengidentifikasi arsitektur R1 lengkap, checkpoint distilasi 32B, atau rilis Qwen2.5-14B-Instruct biasa.
Produsen menjelaskan penggunaan 800,000 contoh terkurasi untuk rilis distilasi Qwen serta mencatat perubahan pada konfigurasi dan tokenizer-nya. Pertahankan pengaturan rilis DeepSeek saat menggunakan model ini. Perubahan tersebut penting meskipun asal modelnya adalah Qwen2.5. Konfigurasi checkpoint 14B sendiri menetapkan 48 lapisan, 40 head query attention, dan 8 head key/value, dengan jumlah posisi maksimum 131,072.
Materi yang perlu diberikan untuk jawaban berlangkah yang berguna
Untuk tugas bimbingan belajar, sertakan masalah dan upaya penyelesaian siswa, lalu tandai peralihan langkah yang perlu dijelaskan. Minta model mengidentifikasi kondisi yang relevan, menjelaskan perbaikan dengan notasi yang sama, dan melanjutkan hanya sejauh yang diperlukan untuk memastikan hasil. Dengan demikian jawaban tetap terkait dengan kesulitan siswa yang sebenarnya, alih-alih menghasilkan pelajaran lengkap yang tidak relevan.
Misalnya, seorang siswa mungkin telah membagi dengan suatu ekspresi tanpa menyatakan apakah ekspresi itu dapat bernilai nol. Berikan persamaan asli dan tanyakan kasus mana yang harus dipertimbangkan sebelum transformasi tersebut. Hasil yang diinginkan dapat memisahkan kasus yang diizinkan, kasus pengecualian, dan himpunan solusi akhir. Ini adalah usulan tugas matematika, dengan bentuk jawaban yang ditentukan oleh kondisinya, bukan oleh permintaan umum untuk menjelaskan aljabar.
Untuk pertanyaan pemrograman, berikan algoritma atau fungsi dan masukan yang konkret. Tanyakan bagaimana keadaan berubah dan mengapa hasil yang dikembalikan mengikuti perubahan tersebut. Pertanyaan lanjutan dapat meminta implementasi yang direvisi dengan batasan eksplisit, seperti mempertahankan signature fungsi publik atau menghindari perubahan pada masukan. Sertakan kode pembantu yang relevan dan perilaku yang diharapkan agar penjelasan tidak bergantung pada implementasi yang tidak dijelaskan.
Untuk perbandingan logis, tentukan alternatif dan kondisi yang harus dipenuhi masing-masing. Minta asumsi yang digunakan setiap pendekatan, konflik yang menggugurkan pilihan, serta informasi yang masih belum terselesaikan. Tabel keputusan yang ringkas kemudian dapat menjadi artefak akhir, sementara uraian di sekitarnya menjelaskan bagaimana aturan yang diberikan mendukungnya.
Rekomendasi prompting dari DeepSeek
Produsen merekomendasikan untuk menghindari prompt sistem dan menempatkan seluruh instruksi langsung dalam prompt pengguna. Gabungkan tugas, persyaratan keluaran, dan materi sumber yang diperlukan, sambil mengidentifikasi dengan jelas teks mana yang merupakan masalah dan teks mana yang merupakan instruksi tentang jawaban. Gunakan tokenizer dan pengaturan percakapan yang dirilis, alih-alih menganggap format Qwen asli dapat dipertukarkan.
Rentang temperature yang didokumentasikan adalah 0.5 hingga 0.7, dengan 0.6 sebagai rekomendasi. DeepSeek mengaitkan hal ini dengan pengurangan pengulangan dan keluaran yang tidak koheren. Untuk pertanyaan matematika, produsen merekomendasikan respons dengan langkah pengerjaan dan hasil akhir dalam kotak LaTeX. Produsen juga menjelaskan kasus ketika model melewati blok penalaran dan merekomendasikan memulai respons dengan penanda pembuka penalaran untuk mendorong alur penalaran yang dimaksud.
Keluaran matematika yang berguna dapat mencakup metode yang dipilih, transformasi yang memiliki dasar, dan ekspresi akhir yang terpisah. Nyatakan apakah hasilnya harus eksak atau dibulatkan dan tentukan satuan ketika relevan. Untuk kode, minta penjelasan secara terpisah dari usulan implementasi. Untuk logika, minta kesimpulan akhir beserta kondisi berlakunya. Persyaratan ini menentukan apa yang benar-benar dapat digunakan oleh pembaca atau aplikasi setelah teks penalaran.
Konteks dan batas substantif
Konfigurasi rilis saat ini menetapkan jumlah posisi maksimum 131,072. Itu adalah nilai konfigurasi checkpoint ini, bukan janji turunan mengenai setiap antarmuka serving. Pengaturan generasi 32,768 token milik produsen merupakan bagian dari evaluasi; pengaturan itu tidak menetapkan panjang jawaban maksimum yang mutlak dan terpisah. Kapasitas keluaran model Qwen Instruct asli juga tidak boleh dialihkan ke rilis penalaran yang dimodifikasi ini tanpa spesifikasinya sendiri.
Ini adalah model teks. Gambar masalah matematika perlu dikonversi menjadi teks yang memuat simbol dan kondisinya sebelum tugas penalaran, sedangkan menjalankan kode yang diusulkan memerlukan lingkungan pengembangan atau komputasi terpisah. Distilasi menjelaskan pelatihan menggunakan contoh R1, bukan panggilan runtime otomatis ke model guru atau pemeriksa independen bawaan.
Gunakan checkpoint 14B dengan nama ini untuk tugas jawaban berlangkah yang terdefinisi, dan pertahankan notasi, asumsi, serta hasil sasaran dari masalahnya. Tujuan praktisnya adalah solusi yang dapat diperiksa pembaca: kondisi mana yang berlaku, mengapa setiap langkah penting dapat diambil, dan ekspresi, implementasi, atau kesimpulan akhir apa yang menjawab pertanyaan semula.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan deepseek-ai/DeepSeek-R1-Distill-Qwen-14B | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0002 / 1K token Keluaran · Token keluaran $0.0002 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-14B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-14B', '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-14B', '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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-14B
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Repair an algebraic division step\n\nA student solves x(x - 3) = 2(x - 3) by dividing by x - 3 and concludes x = 2. Explain the missing case without changing the original equation. Separate the zero-divisor case from the nonzero case, then give the complete solution set and substitute each candidate back into the equation.A case split, a complete solution set and a substitution check for each candidate.The response checks the x - 3 = 0 case rather than silently dividing it away.