DeepSeek R1 adalah model awal DeepSeek yang berfokus pada penalaran untuk tugas matematika, pemrograman, dan logika. Model ini dibangun di atas DeepSeek V3 Base dan menggunakan rangkaian proses pelatihan dengan contoh cold-start, penyempurnaan terawasi, serta pembelajaran penguatan. Masukannya berupa teks dan hasilnya berupa solusi atau jawaban teks. Model ini tetap berbeda dari R1 Zero, edisi R1-0528 yang lebih baru, dan model-model hasil distilasi yang terpisah.
Pembuat membedakan R1 dari pendekatan pembelajaran penguatan murni R1 Zero. Materi cold-start memberi R1 pola awal yang lebih mudah dibaca sebelum pembelajaran penguatan yang berorientasi pada penalaran. Rejection sampling dan pelatihan terawasi berikutnya menambahkan data penalaran serta data serbaguna, kemudian dilanjutkan dengan tahap pembelajaran penguatan lainnya. Kartu model menjelaskan dua tahap terawasi dan dua tahap pembelajaran penguatan, yang ditujukan untuk meningkatkan pola penalaran dan keselarasan dengan respons yang diminta.
Arsitektur yang dipublikasikan memiliki total 671 miliar parameter dengan 37 miliar parameter aktif per token dan konteks 128K. Jendela itu memuat sumber, prompt, dan penalaran atau jawaban yang dihasilkan secara bersama-sama; angka tersebut bukan jaminan terpisah atas keluaran 128K. Kondisi matematika yang panjang, potongan kode, atau serangkaian persyaratan tetap harus disusun agar model dapat mengenali masalah sebenarnya dan bentuk hasil yang Anda perlukan.
DeepSeek merekomendasikan temperature antara 0.5 dan 0.7, dengan rekomendasi 0.6, untuk mengurangi pengulangan atau keluaran yang tidak koheren. Pembuat menyarankan penempatan instruksi dalam prompt pengguna, alih-alih menambahkan prompt sistem. Laporan risetnya juga merekomendasikan pernyataan masalah dan format keluaran secara langsung tanpa contoh, atau zero-shot, karena prompt dengan beberapa contoh, atau few-shot, dapat menurunkan kinerja dalam profil awal ini. Ini merupakan rekomendasi penggunaan dari pembuat, bukan pengaturan bawaan yang diasumsikan berlaku untuk setiap aplikasi.
Untuk matematika, berikan kondisi lengkap, definisi variabel, dan batasan domain. Pembuat merekomendasikan permintaan solusi langkah demi langkah dengan hasil akhir dalam ekspresi \\boxed{}. Contoh arahan dapat meminta rumus akhir, asumsi yang mendasari keberlakuannya, dan pemeriksaan melalui substitusi. Untuk kode, sertakan perilaku yang harus diimplementasikan, batasan, dan masukan yang representatif, lalu minta usulan algoritma serta artefak kode secara terpisah dari penjelasannya.
Format penalaran model memisahkan fase berpikir dari jawaban akhir. DeepSeek mencatat bahwa beberapa pertanyaan dapat menghasilkan blok berpikir kosong dan merekomendasikan prefiks awal penalaran dalam alur kerja referensinya ketika penalaran lebih mendalam diperlukan. Pertahankan pembedaan antara format pembuat tersebut dan jawaban akhir yang ingin Anda tampilkan kepada pengguna. Hasil kerja yang diminta dapat berupa kesimpulan ringkas atau kode meskipun proses perantara model lebih panjang.
Riset awal mengidentifikasi keterbatasan konkret. R1 dioptimalkan untuk bahasa Mandarin dan Inggris, dan pertanyaan dalam bahasa lain dapat menyebabkan pencampuran bahasa yang tidak diinginkan. Model ini sensitif terhadap prompt, dan perilakunya untuk percakapan beberapa giliran yang kompleks, bermain peran, JSON, serta pemanggilan fungsi belum berkembang sejauh fokusnya pada penalaran matematika dan pemrograman. Dukungan JSON dan alat yang didokumentasikan untuk R1-0528 merupakan perubahan pada edisi yang lebih baru, bukan ketentuan R1 awal. Nyatakan bahasa dan format keluaran secara eksplisit dan pertahankan pernyataan masalah yang langsung.
Untuk tugas teknis praktis, definisikan apa yang dianggap sebagai hasil yang benar: rumus beserta asumsi, algoritma yang memenuhi kompleksitas yang dinyatakan, atau perbandingan beralasan berdasarkan kriteria yang diberikan. Minta jawaban akhir mengidentifikasi informasi yang belum tersedia, alih-alih mengarangnya. Untuk pekerjaan yang bergantung pada sumber, berikan bagian teks yang otoritatif. Tinjau usulan kode atau kesimpulan berdasarkan kondisi awal; artefak yang berguna adalah solusi akhir dan penjelasan pendukungnya, yang dibedakan dari tindakan atau validasi yang benar-benar telah dilakukan aplikasi yang menaunginya.
", "aboutText": "DeepSeek R1 adalah model awal DeepSeek yang berfokus pada penalaran untuk tugas matematika, pemrograman, dan logika. Model ini dibangun di atas DeepSeek V3 Base dan menggunakan rangkaian proses pelatihan dengan contoh cold-start, penyempurnaan terawasi, serta pembelajaran penguatan. Masukannya berupa teks dan hasilnya berupa solusi atau jawaban teks. Model ini tetap berbeda dari R1 Zero, edisi R1-0528 yang lebih baru, dan model-model hasil distilasi yang terpisah.\n\nPembuat membedakan R1 dari pendekatan pembelajaran penguatan murni R1 Zero. Materi cold-start memberi R1 pola awal yang lebih mudah dibaca sebelum pembelajaran penguatan yang berorientasi pada penalaran. Rejection sampling dan pelatihan terawasi berikutnya menambahkan data penalaran serta data serbaguna, kemudian dilanjutkan dengan tahap pembelajaran penguatan lainnya. Kartu model menjelaskan dua tahap terawasi dan dua tahap pembelajaran penguatan, yang ditujukan untuk meningkatkan pola penalaran dan keselarasan dengan respons yang diminta.\n\nArsitektur yang dipublikasikan memiliki total 671 miliar parameter dengan 37 miliar parameter aktif per token dan konteks 128K. Jendela itu memuat sumber, prompt, dan penalaran atau jawaban yang dihasilkan secara bersama-sama; angka tersebut bukan jaminan terpisah atas keluaran 128K. Kondisi matematika yang panjang, potongan kode, atau serangkaian persyaratan tetap harus disusun agar model dapat mengenali masalah sebenarnya dan bentuk hasil yang Anda perlukan.\n\nDeepSeek merekomendasikan temperature antara 0.5 dan 0.7, dengan rekomendasi 0.6, untuk mengurangi pengulangan atau keluaran yang tidak koheren. Pembuat menyarankan penempatan instruksi dalam prompt pengguna, alih-alih menambahkan prompt sistem. Laporan risetnya juga merekomendasikan pernyataan masalah dan format keluaran secara langsung tanpa contoh, atau zero-shot, karena prompt dengan beberapa contoh, atau few-shot, dapat menurunkan kinerja dalam profil awal ini. Ini merupakan rekomendasi penggunaan dari pembuat, bukan pengaturan bawaan yang diasumsikan berlaku untuk setiap aplikasi.\n\nUntuk matematika, berikan kondisi lengkap, definisi variabel, dan batasan domain. Pembuat merekomendasikan permintaan solusi langkah demi langkah dengan hasil akhir dalam ekspresi \\boxed{}. Contoh arahan dapat meminta rumus akhir, asumsi yang mendasari keberlakuannya, dan pemeriksaan melalui substitusi. Untuk kode, sertakan perilaku yang harus diimplementasikan, batasan, dan masukan yang representatif, lalu minta usulan algoritma serta artefak kode secara terpisah dari penjelasannya.\n\nFormat penalaran model memisahkan fase berpikir dari jawaban akhir. DeepSeek mencatat bahwa beberapa pertanyaan dapat menghasilkan blok berpikir kosong dan merekomendasikan prefiks awal penalaran dalam alur kerja referensinya ketika penalaran lebih mendalam diperlukan. Pertahankan pembedaan antara format pembuat tersebut dan jawaban akhir yang ingin Anda tampilkan kepada pengguna. Hasil kerja yang diminta dapat berupa kesimpulan ringkas atau kode meskipun proses perantara model lebih panjang.\n\nRiset awal mengidentifikasi keterbatasan konkret. R1 dioptimalkan untuk bahasa Mandarin dan Inggris, dan pertanyaan dalam bahasa lain dapat menyebabkan pencampuran bahasa yang tidak diinginkan. Model ini sensitif terhadap prompt, dan perilakunya untuk percakapan beberapa giliran yang kompleks, bermain peran, JSON, serta pemanggilan fungsi belum berkembang sejauh fokusnya pada penalaran matematika dan pemrograman. Dukungan JSON dan alat yang didokumentasikan untuk R1-0528 merupakan perubahan pada edisi yang lebih baru, bukan ketentuan R1 awal. Nyatakan bahasa dan format keluaran secara eksplisit dan pertahankan pernyataan masalah yang langsung.\n\nUntuk tugas teknis praktis, definisikan apa yang dianggap sebagai hasil yang benar: rumus beserta asumsi, algoritma yang memenuhi kompleksitas yang dinyatakan, atau perbandingan beralasan berdasarkan kriteria yang diberikan. Minta jawaban akhir mengidentifikasi informasi yang belum tersedia, alih-alih mengarangnya. Untuk pekerjaan yang bergantung pada sumber, berikan bagian teks yang otoritatif. Tinjau usulan kode atau kesimpulan berdasarkan kondisi awal; artefak yang berguna adalah solusi akhir dan penjelasan pendukungnya, yang dibedakan dari tindakan atau validasi yang benar-benar telah dilakukan aplikasi yang menaunginya.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Optimize a rectangular enclosure\n\nA rectangular enclosure has 60 metres of fencing, used on all four sides. Its width and length are positive real numbers. Derive the largest possible area, justify why the optimum is global and check the dimensions against the fencing constraint. Give the final result in a boxed mathematical expression.A derivation, optimal dimensions, a perimeter check and a boxed maximum area.Check that the solution respects positivity and uses 2(length + width) = 60 rather than a three-sided constraint.deepseek/deepseek-r1DeepSeek R1 adalah model teks awal DeepSeek yang berfokus pada penalaran untuk matematika, kode, dan logika. Model ini menggabungkan contoh instruksi awal cold-start dengan pembelajaran penguatan dan konteks 128K, disertai panduan pembuat untuk prompt langsung dan pemformatan jawaban akhir yang eksplisit.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
DeepSeek R1 adalah model awal DeepSeek yang berfokus pada penalaran untuk tugas matematika, pemrograman, dan logika. Model ini dibangun di atas DeepSeek V3 Base dan menggunakan rangkaian proses pelatihan dengan contoh cold-start, penyempurnaan terawasi, serta pembelajaran penguatan. Masukannya berupa teks dan hasilnya berupa solusi atau jawaban teks. Model ini tetap berbeda dari R1 Zero, edisi R1-0528 yang lebih baru, dan model-model hasil distilasi yang terpisah.
Pembuat membedakan R1 dari pendekatan pembelajaran penguatan murni R1 Zero. Materi cold-start memberi R1 pola awal yang lebih mudah dibaca sebelum pembelajaran penguatan yang berorientasi pada penalaran. Rejection sampling dan pelatihan terawasi berikutnya menambahkan data penalaran serta data serbaguna, kemudian dilanjutkan dengan tahap pembelajaran penguatan lainnya. Kartu model menjelaskan dua tahap terawasi dan dua tahap pembelajaran penguatan, yang ditujukan untuk meningkatkan pola penalaran dan keselarasan dengan respons yang diminta.
Arsitektur yang dipublikasikan memiliki total 671 miliar parameter dengan 37 miliar parameter aktif per token dan konteks 128K. Jendela itu memuat sumber, prompt, dan penalaran atau jawaban yang dihasilkan secara bersama-sama; angka tersebut bukan jaminan terpisah atas keluaran 128K. Kondisi matematika yang panjang, potongan kode, atau serangkaian persyaratan tetap harus disusun agar model dapat mengenali masalah sebenarnya dan bentuk hasil yang Anda perlukan.
DeepSeek merekomendasikan temperature antara 0.5 dan 0.7, dengan rekomendasi 0.6, untuk mengurangi pengulangan atau keluaran yang tidak koheren. Pembuat menyarankan penempatan instruksi dalam prompt pengguna, alih-alih menambahkan prompt sistem. Laporan risetnya juga merekomendasikan pernyataan masalah dan format keluaran secara langsung tanpa contoh, atau zero-shot, karena prompt dengan beberapa contoh, atau few-shot, dapat menurunkan kinerja dalam profil awal ini. Ini merupakan rekomendasi penggunaan dari pembuat, bukan pengaturan bawaan yang diasumsikan berlaku untuk setiap aplikasi.
Untuk matematika, berikan kondisi lengkap, definisi variabel, dan batasan domain. Pembuat merekomendasikan permintaan solusi langkah demi langkah dengan hasil akhir dalam ekspresi \\boxed{}. Contoh arahan dapat meminta rumus akhir, asumsi yang mendasari keberlakuannya, dan pemeriksaan melalui substitusi. Untuk kode, sertakan perilaku yang harus diimplementasikan, batasan, dan masukan yang representatif, lalu minta usulan algoritma serta artefak kode secara terpisah dari penjelasannya.
Format penalaran model memisahkan fase berpikir dari jawaban akhir. DeepSeek mencatat bahwa beberapa pertanyaan dapat menghasilkan blok berpikir kosong dan merekomendasikan prefiks awal penalaran dalam alur kerja referensinya ketika penalaran lebih mendalam diperlukan. Pertahankan pembedaan antara format pembuat tersebut dan jawaban akhir yang ingin Anda tampilkan kepada pengguna. Hasil kerja yang diminta dapat berupa kesimpulan ringkas atau kode meskipun proses perantara model lebih panjang.
Riset awal mengidentifikasi keterbatasan konkret. R1 dioptimalkan untuk bahasa Mandarin dan Inggris, dan pertanyaan dalam bahasa lain dapat menyebabkan pencampuran bahasa yang tidak diinginkan. Model ini sensitif terhadap prompt, dan perilakunya untuk percakapan beberapa giliran yang kompleks, bermain peran, JSON, serta pemanggilan fungsi belum berkembang sejauh fokusnya pada penalaran matematika dan pemrograman. Dukungan JSON dan alat yang didokumentasikan untuk R1-0528 merupakan perubahan pada edisi yang lebih baru, bukan ketentuan R1 awal. Nyatakan bahasa dan format keluaran secara eksplisit dan pertahankan pernyataan masalah yang langsung.
Untuk tugas teknis praktis, definisikan apa yang dianggap sebagai hasil yang benar: rumus beserta asumsi, algoritma yang memenuhi kompleksitas yang dinyatakan, atau perbandingan beralasan berdasarkan kriteria yang diberikan. Minta jawaban akhir mengidentifikasi informasi yang belum tersedia, alih-alih mengarangnya. Untuk pekerjaan yang bergantung pada sumber, berikan bagian teks yang otoritatif. Tinjau usulan kode atau kesimpulan berdasarkan kondisi awal; artefak yang berguna adalah solusi akhir dan penjelasan pendukungnya, yang dibedakan dari tindakan atau validasi yang benar-benar telah dilakukan aplikasi yang menaunginya.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan deepseek/deepseek-r1 | 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.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0014 / 1K token Keluaran · Token keluaran $0.005 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0014 / 1K token Keluaran · Token keluaran $0.005 / 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", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek/deepseek-r1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek/deepseek-r1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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
Gunakan jalur metode yang ditampilkan di atas.
deepseek/deepseek-r1DeepSeek R1 adalah model teks awal DeepSeek yang berfokus pada penalaran untuk matematika, kode, dan logika. Model ini menggabungkan contoh instruksi awal cold-start dengan pembelajaran penguatan dan konteks 128K, disertai panduan pembuat untuk prompt langsung dan pemformatan jawaban akhir yang eksplisit.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
DeepSeek R1 adalah model awal DeepSeek yang berfokus pada penalaran untuk tugas matematika, pemrograman, dan logika. Model ini dibangun di atas DeepSeek V3 Base dan menggunakan rangkaian proses pelatihan dengan contoh cold-start, penyempurnaan terawasi, serta pembelajaran penguatan. Masukannya berupa teks dan hasilnya berupa solusi atau jawaban teks. Model ini tetap berbeda dari R1 Zero, edisi R1-0528 yang lebih baru, dan model-model hasil distilasi yang terpisah.
Pembuat membedakan R1 dari pendekatan pembelajaran penguatan murni R1 Zero. Materi cold-start memberi R1 pola awal yang lebih mudah dibaca sebelum pembelajaran penguatan yang berorientasi pada penalaran. Rejection sampling dan pelatihan terawasi berikutnya menambahkan data penalaran serta data serbaguna, kemudian dilanjutkan dengan tahap pembelajaran penguatan lainnya. Kartu model menjelaskan dua tahap terawasi dan dua tahap pembelajaran penguatan, yang ditujukan untuk meningkatkan pola penalaran dan keselarasan dengan respons yang diminta.
Arsitektur yang dipublikasikan memiliki total 671 miliar parameter dengan 37 miliar parameter aktif per token dan konteks 128K. Jendela itu memuat sumber, prompt, dan penalaran atau jawaban yang dihasilkan secara bersama-sama; angka tersebut bukan jaminan terpisah atas keluaran 128K. Kondisi matematika yang panjang, potongan kode, atau serangkaian persyaratan tetap harus disusun agar model dapat mengenali masalah sebenarnya dan bentuk hasil yang Anda perlukan.
DeepSeek merekomendasikan temperature antara 0.5 dan 0.7, dengan rekomendasi 0.6, untuk mengurangi pengulangan atau keluaran yang tidak koheren. Pembuat menyarankan penempatan instruksi dalam prompt pengguna, alih-alih menambahkan prompt sistem. Laporan risetnya juga merekomendasikan pernyataan masalah dan format keluaran secara langsung tanpa contoh, atau zero-shot, karena prompt dengan beberapa contoh, atau few-shot, dapat menurunkan kinerja dalam profil awal ini. Ini merupakan rekomendasi penggunaan dari pembuat, bukan pengaturan bawaan yang diasumsikan berlaku untuk setiap aplikasi.
Untuk matematika, berikan kondisi lengkap, definisi variabel, dan batasan domain. Pembuat merekomendasikan permintaan solusi langkah demi langkah dengan hasil akhir dalam ekspresi \\boxed{}. Contoh arahan dapat meminta rumus akhir, asumsi yang mendasari keberlakuannya, dan pemeriksaan melalui substitusi. Untuk kode, sertakan perilaku yang harus diimplementasikan, batasan, dan masukan yang representatif, lalu minta usulan algoritma serta artefak kode secara terpisah dari penjelasannya.
Format penalaran model memisahkan fase berpikir dari jawaban akhir. DeepSeek mencatat bahwa beberapa pertanyaan dapat menghasilkan blok berpikir kosong dan merekomendasikan prefiks awal penalaran dalam alur kerja referensinya ketika penalaran lebih mendalam diperlukan. Pertahankan pembedaan antara format pembuat tersebut dan jawaban akhir yang ingin Anda tampilkan kepada pengguna. Hasil kerja yang diminta dapat berupa kesimpulan ringkas atau kode meskipun proses perantara model lebih panjang.
Riset awal mengidentifikasi keterbatasan konkret. R1 dioptimalkan untuk bahasa Mandarin dan Inggris, dan pertanyaan dalam bahasa lain dapat menyebabkan pencampuran bahasa yang tidak diinginkan. Model ini sensitif terhadap prompt, dan perilakunya untuk percakapan beberapa giliran yang kompleks, bermain peran, JSON, serta pemanggilan fungsi belum berkembang sejauh fokusnya pada penalaran matematika dan pemrograman. Dukungan JSON dan alat yang didokumentasikan untuk R1-0528 merupakan perubahan pada edisi yang lebih baru, bukan ketentuan R1 awal. Nyatakan bahasa dan format keluaran secara eksplisit dan pertahankan pernyataan masalah yang langsung.
Untuk tugas teknis praktis, definisikan apa yang dianggap sebagai hasil yang benar: rumus beserta asumsi, algoritma yang memenuhi kompleksitas yang dinyatakan, atau perbandingan beralasan berdasarkan kriteria yang diberikan. Minta jawaban akhir mengidentifikasi informasi yang belum tersedia, alih-alih mengarangnya. Untuk pekerjaan yang bergantung pada sumber, berikan bagian teks yang otoritatif. Tinjau usulan kode atau kesimpulan berdasarkan kondisi awal; artefak yang berguna adalah solusi akhir dan penjelasan pendukungnya, yang dibedakan dari tindakan atau validasi yang benar-benar telah dilakukan aplikasi yang menaunginya.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan deepseek/deepseek-r1 | 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.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0014 / 1K token Keluaran · Token keluaran $0.005 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0014 / 1K token Keluaran · Token keluaran $0.005 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "deepseek/deepseek-r1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Optimize a rectangular enclosure\n\nA rectangular enclosure has 60 metres of fencing, used on all four sides. Its width and length are positive real numbers. Derive the largest possible area, justify why the optimum is global and check the dimensions against the fencing constraint. Give the final result in a boxed mathematical expression.A derivation, optimal dimensions, a perimeter check and a boxed maximum area.Check that the solution respects positivity and uses 2(length + width) = 60 rather than a three-sided constraint.