DeepSeek R1 Distill Llama 70B adalah model penalaran tersendiri yang dibangun di atas Llama 3.3 70B Instruct. DeepSeek menyetel lanjut model fondasi dengan contoh penalaran yang dihasilkan DeepSeek R1, memindahkan pola penyelesaian masalah matematika, pemrograman, dan logika ke model Llama dense. Model ini menerima teks dan menghasilkan respons teks yang memuat analisis, kode, atau kesimpulan yang diminta.
Distilasi. Ini adalah checkpoint model yang telah disiapkan, bukan mode yang mengaktifkan model R1 penuh. Pembuat merilis beberapa model hasil distilasi berbasis fondasi Llama dan Qwen. Edisi Llama 70B menggunakan Llama 3.3 Instruct; edisi Llama 8B berawal dari Llama 3.1 Base. Perbedaan fondasi dan ukuran tersebut penting saat memilih edisi yang tepat. DeepSeek juga menyesuaikan konfigurasi dan tokenizer rilis hasil distilasi, sehingga informasi penyiapan model yang dipublikasikan harus tetap dikaitkan dengan checkpoint bernama tersebut.
Pekerjaan penalaran. Untuk tugas matematika, berikan pernyataan lengkap, definisi, dan asumsi, serta tentukan apakah hasilnya harus berupa pembuktian, perhitungan, atau contoh penyangkal. Minta penurunan yang jelas dan jawaban akhir yang mudah ditemukan. Untuk pertanyaan algoritma, nyatakan batasan masukan dan keluaran yang diinginkan, lalu minta pendekatan, implementasi, dan kasus yang menguji asumsi. Artefak yang berguna adalah solusi yang langkah-langkah pentingnya dapat diperiksa, bukan hanya nilai akhir yang tampak masuk akal.
Rekomendasi generasi. DeepSeek merekomendasikan penempatan seluruh instruksi dalam pesan pengguna, alih-alih menambahkan prompt sistem terpisah. Untuk seri penalarannya, rentang temperature yang didokumentasikan adalah 0.5–0.7, dengan rekomendasi 0.6 untuk mengurangi pengulangan dan keluaran yang tidak koheren. Prompt matematika dianjurkan meminta solusi langkah demi langkah dan menempatkan hasil akhir dalam notasi kotak matematika. Untuk kasus ketika pola penalaran yang dimaksud terlewati, DeepSeek merekomendasikan penerapan prefiks respons <think>\\n secara wajib dalam konfigurasi generasi yang kompatibel. Ini merupakan rekomendasi untuk konfigurasi generasi yang kompatibel dan tidak menetapkan alat eksekusi terpisah.
Untuk bantuan pemrograman, sertakan fungsi yang relevan, kegagalan yang dilaporkan, perilaku yang diharapkan, dan masukan yang representatif. Minta usulan perubahan minimal beserta penjelasan dan kasus uji yang akan mengungkap masalah awal. Jika pertanyaan menyangkut beberapa modul, pertahankan namanya dan jelaskan antarmuka di antaranya. Dengan demikian, model dapat menalar hubungan yang diberikan dan mengembalikan usulan patch atau penjelasan terarah untuk ditinjau.
Untuk analisis teknis, pisahkan fakta yang diberikan dari alternatif yang sedang dipertimbangkan. Anda dapat meminta model membandingkan dua algoritma, menjelaskan mengapa suatu kondisi diperlukan, atau mencari masukan yang bertentangan dengan aturan yang diusulkan. Minta argumen penentu terlebih dahulu dan nyatakan semua asumsi secara eksplisit. Periksa perhitungan penting secara mandiri dan jalankan kode yang dihasilkan dalam lingkungan yang dituju; jawaban itu sendiri merupakan artefak teks. Saat membandingkan perilaku model, gunakan beberapa masalah yang representatif, alih-alih menganggap satu respons sebagai penilaian lengkap.
", "aboutText": "DeepSeek R1 Distill Llama 70B adalah model penalaran tersendiri yang dibangun di atas Llama 3.3 70B Instruct. DeepSeek menyetel lanjut model fondasi dengan contoh penalaran yang dihasilkan DeepSeek R1, memindahkan pola penyelesaian masalah matematika, pemrograman, dan logika ke model Llama dense. Model ini menerima teks dan menghasilkan respons teks yang memuat analisis, kode, atau kesimpulan yang diminta.\n\nDistilasi. Ini adalah checkpoint model yang telah disiapkan, bukan mode yang mengaktifkan model R1 penuh. Pembuat merilis beberapa model hasil distilasi berbasis fondasi Llama dan Qwen. Edisi Llama 70B menggunakan Llama 3.3 Instruct; edisi Llama 8B berawal dari Llama 3.1 Base. Perbedaan fondasi dan ukuran tersebut penting saat memilih edisi yang tepat. DeepSeek juga menyesuaikan konfigurasi dan tokenizer rilis hasil distilasi, sehingga informasi penyiapan model yang dipublikasikan harus tetap dikaitkan dengan checkpoint bernama tersebut.\n\nPekerjaan penalaran. Untuk tugas matematika, berikan pernyataan lengkap, definisi, dan asumsi, serta tentukan apakah hasilnya harus berupa pembuktian, perhitungan, atau contoh penyangkal. Minta penurunan yang jelas dan jawaban akhir yang mudah ditemukan. Untuk pertanyaan algoritma, nyatakan batasan masukan dan keluaran yang diinginkan, lalu minta pendekatan, implementasi, dan kasus yang menguji asumsi. Artefak yang berguna adalah solusi yang langkah-langkah pentingnya dapat diperiksa, bukan hanya nilai akhir yang tampak masuk akal.\n\nRekomendasi generasi. DeepSeek merekomendasikan penempatan seluruh instruksi dalam pesan pengguna, alih-alih menambahkan prompt sistem terpisah. Untuk seri penalarannya, rentang temperature yang didokumentasikan adalah 0.5–0.7, dengan rekomendasi 0.6 untuk mengurangi pengulangan dan keluaran yang tidak koheren. Prompt matematika dianjurkan meminta solusi langkah demi langkah dan menempatkan hasil akhir dalam notasi kotak matematika. Untuk kasus ketika pola penalaran yang dimaksud terlewati, DeepSeek merekomendasikan penerapan prefiks respons `Contoh teknis dalam bahasa Inggris
Test an allocation rule\n\nA workshop must assign 17 identical kits to four teams. Each team needs at least three kits, and Team A must receive an odd number. Find the allocation that minimizes the largest team allocation. Show a short verifiable argument that a smaller maximum is impossible, then give one valid allocation.An explicit allocation, its maximum and a concise optimality argument.The allocation must sum to 17, satisfy the minimum and oddness rules, and include a lower-bound argument.deepseek/deepseek-r1-distill-llama-70bModel penalaran dense berbasis Llama 3.3 70B Instruct yang didistilasi oleh DeepSeek menggunakan contoh yang dihasilkan R1. Gunakan prompt teks untuk masalah matematika, kode, dan pertanyaan logika yang memerlukan solusi beserta penjelasan serta jawaban akhir yang terpisah.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
DeepSeek R1 Distill Llama 70B adalah model penalaran tersendiri yang dibangun di atas Llama 3.3 70B Instruct. DeepSeek menyetel lanjut model fondasi dengan contoh penalaran yang dihasilkan DeepSeek R1, memindahkan pola penyelesaian masalah matematika, pemrograman, dan logika ke model Llama dense. Model ini menerima teks dan menghasilkan respons teks yang memuat analisis, kode, atau kesimpulan yang diminta.
Distilasi. Ini adalah checkpoint model yang telah disiapkan, bukan mode yang mengaktifkan model R1 penuh. Pembuat merilis beberapa model hasil distilasi berbasis fondasi Llama dan Qwen. Edisi Llama 70B menggunakan Llama 3.3 Instruct; edisi Llama 8B berawal dari Llama 3.1 Base. Perbedaan fondasi dan ukuran tersebut penting saat memilih edisi yang tepat. DeepSeek juga menyesuaikan konfigurasi dan tokenizer rilis hasil distilasi, sehingga informasi penyiapan model yang dipublikasikan harus tetap dikaitkan dengan checkpoint bernama tersebut.
Pekerjaan penalaran. Untuk tugas matematika, berikan pernyataan lengkap, definisi, dan asumsi, serta tentukan apakah hasilnya harus berupa pembuktian, perhitungan, atau contoh penyangkal. Minta penurunan yang jelas dan jawaban akhir yang mudah ditemukan. Untuk pertanyaan algoritma, nyatakan batasan masukan dan keluaran yang diinginkan, lalu minta pendekatan, implementasi, dan kasus yang menguji asumsi. Artefak yang berguna adalah solusi yang langkah-langkah pentingnya dapat diperiksa, bukan hanya nilai akhir yang tampak masuk akal.
Rekomendasi generasi. DeepSeek merekomendasikan penempatan seluruh instruksi dalam pesan pengguna, alih-alih menambahkan prompt sistem terpisah. Untuk seri penalarannya, rentang temperature yang didokumentasikan adalah 0.5–0.7, dengan rekomendasi 0.6 untuk mengurangi pengulangan dan keluaran yang tidak koheren. Prompt matematika dianjurkan meminta solusi langkah demi langkah dan menempatkan hasil akhir dalam notasi kotak matematika. Untuk kasus ketika pola penalaran yang dimaksud terlewati, DeepSeek merekomendasikan penerapan prefiks respons <think>\\n secara wajib dalam konfigurasi generasi yang kompatibel. Ini merupakan rekomendasi untuk konfigurasi generasi yang kompatibel dan tidak menetapkan alat eksekusi terpisah.
Untuk bantuan pemrograman, sertakan fungsi yang relevan, kegagalan yang dilaporkan, perilaku yang diharapkan, dan masukan yang representatif. Minta usulan perubahan minimal beserta penjelasan dan kasus uji yang akan mengungkap masalah awal. Jika pertanyaan menyangkut beberapa modul, pertahankan namanya dan jelaskan antarmuka di antaranya. Dengan demikian, model dapat menalar hubungan yang diberikan dan mengembalikan usulan patch atau penjelasan terarah untuk ditinjau.
Untuk analisis teknis, pisahkan fakta yang diberikan dari alternatif yang sedang dipertimbangkan. Anda dapat meminta model membandingkan dua algoritma, menjelaskan mengapa suatu kondisi diperlukan, atau mencari masukan yang bertentangan dengan aturan yang diusulkan. Minta argumen penentu terlebih dahulu dan nyatakan semua asumsi secara eksplisit. Periksa perhitungan penting secara mandiri dan jalankan kode yang dihasilkan dalam lingkungan yang dituju; jawaban itu sendiri merupakan artefak teks. Saat membandingkan perilaku model, gunakan beberapa masalah yang representatif, alih-alih menganggap satu respons sebagai penilaian lengkap.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan deepseek/deepseek-r1-distill-llama-70b | 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 $0.00028 / 1K token Keluaran · Token keluaran $0.00086 / 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/deepseek-r1-distill-llama-70b", "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-distill-llama-70b',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-distill-llama-70b',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/deepseek-r1-distill-llama-70b
Gunakan jalur metode yang ditampilkan di atas.
deepseek/deepseek-r1-distill-llama-70bModel penalaran dense berbasis Llama 3.3 70B Instruct yang didistilasi oleh DeepSeek menggunakan contoh yang dihasilkan R1. Gunakan prompt teks untuk masalah matematika, kode, dan pertanyaan logika yang memerlukan solusi beserta penjelasan serta jawaban akhir yang terpisah.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
DeepSeek R1 Distill Llama 70B adalah model penalaran tersendiri yang dibangun di atas Llama 3.3 70B Instruct. DeepSeek menyetel lanjut model fondasi dengan contoh penalaran yang dihasilkan DeepSeek R1, memindahkan pola penyelesaian masalah matematika, pemrograman, dan logika ke model Llama dense. Model ini menerima teks dan menghasilkan respons teks yang memuat analisis, kode, atau kesimpulan yang diminta.
Distilasi. Ini adalah checkpoint model yang telah disiapkan, bukan mode yang mengaktifkan model R1 penuh. Pembuat merilis beberapa model hasil distilasi berbasis fondasi Llama dan Qwen. Edisi Llama 70B menggunakan Llama 3.3 Instruct; edisi Llama 8B berawal dari Llama 3.1 Base. Perbedaan fondasi dan ukuran tersebut penting saat memilih edisi yang tepat. DeepSeek juga menyesuaikan konfigurasi dan tokenizer rilis hasil distilasi, sehingga informasi penyiapan model yang dipublikasikan harus tetap dikaitkan dengan checkpoint bernama tersebut.
Pekerjaan penalaran. Untuk tugas matematika, berikan pernyataan lengkap, definisi, dan asumsi, serta tentukan apakah hasilnya harus berupa pembuktian, perhitungan, atau contoh penyangkal. Minta penurunan yang jelas dan jawaban akhir yang mudah ditemukan. Untuk pertanyaan algoritma, nyatakan batasan masukan dan keluaran yang diinginkan, lalu minta pendekatan, implementasi, dan kasus yang menguji asumsi. Artefak yang berguna adalah solusi yang langkah-langkah pentingnya dapat diperiksa, bukan hanya nilai akhir yang tampak masuk akal.
Rekomendasi generasi. DeepSeek merekomendasikan penempatan seluruh instruksi dalam pesan pengguna, alih-alih menambahkan prompt sistem terpisah. Untuk seri penalarannya, rentang temperature yang didokumentasikan adalah 0.5–0.7, dengan rekomendasi 0.6 untuk mengurangi pengulangan dan keluaran yang tidak koheren. Prompt matematika dianjurkan meminta solusi langkah demi langkah dan menempatkan hasil akhir dalam notasi kotak matematika. Untuk kasus ketika pola penalaran yang dimaksud terlewati, DeepSeek merekomendasikan penerapan prefiks respons <think>\\n secara wajib dalam konfigurasi generasi yang kompatibel. Ini merupakan rekomendasi untuk konfigurasi generasi yang kompatibel dan tidak menetapkan alat eksekusi terpisah.
Untuk bantuan pemrograman, sertakan fungsi yang relevan, kegagalan yang dilaporkan, perilaku yang diharapkan, dan masukan yang representatif. Minta usulan perubahan minimal beserta penjelasan dan kasus uji yang akan mengungkap masalah awal. Jika pertanyaan menyangkut beberapa modul, pertahankan namanya dan jelaskan antarmuka di antaranya. Dengan demikian, model dapat menalar hubungan yang diberikan dan mengembalikan usulan patch atau penjelasan terarah untuk ditinjau.
Untuk analisis teknis, pisahkan fakta yang diberikan dari alternatif yang sedang dipertimbangkan. Anda dapat meminta model membandingkan dua algoritma, menjelaskan mengapa suatu kondisi diperlukan, atau mencari masukan yang bertentangan dengan aturan yang diusulkan. Minta argumen penentu terlebih dahulu dan nyatakan semua asumsi secara eksplisit. Periksa perhitungan penting secara mandiri dan jalankan kode yang dihasilkan dalam lingkungan yang dituju; jawaban itu sendiri merupakan artefak teks. Saat membandingkan perilaku model, gunakan beberapa masalah yang representatif, alih-alih menganggap satu respons sebagai penilaian lengkap.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan deepseek/deepseek-r1-distill-llama-70b | 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 $0.00028 / 1K token Keluaran · Token keluaran $0.00086 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "deepseek/deepseek-r1-distill-llama-70b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-distill-llama-70b', '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-distill-llama-70b', '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/deepseek-r1-distill-llama-70b
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Test an allocation rule\n\nA workshop must assign 17 identical kits to four teams. Each team needs at least three kits, and Team A must receive an odd number. Find the allocation that minimizes the largest team allocation. Show a short verifiable argument that a smaller maximum is impossible, then give one valid allocation.An explicit allocation, its maximum and a concise optimality argument.The allocation must sum to 17, satisfy the minimum and oddness rules, and include a lower-bound argument.