DeepSeek Math V2 berspesialisasi dalam pembuktian teorema berbahasa alami dan penalaran matematika yang dapat diverifikasi sendiri. Model ini dibangun di atas DeepSeek V3.2 Exp Base. Titik tolak pembuatnya adalah bahwa jawaban akhir yang benar masih dapat bertumpu pada penalaran yang tidak valid, sementara teorema sering memerlukan penurunan lengkap, bukan jawaban numerik. Karena itu, model berfokus pada menghasilkan pembuktian, mengidentifikasi kekurangannya, dan memperbaiki argumen sebelum merampungkan respons.
Verifikasi pembuktian. Metode pelatihannya mengajarkan verifikator untuk membaca soal beserta usulan pembuktian, mengidentifikasi masalah, dan menilai mutu pembuktian. Kriterianya membedakan penurunan yang lengkap dan ketat dari solusi yang pada dasarnya benar tetapi memiliki kesalahan kecil, serta dari argumen yang secara mendasar tidak valid. Permintaan peninjauan pembuktian yang praktis perlu memakai pembedaan yang sama: tunjukkan bagian penalaran yang gagal, jelaskan mengapa masalah itu penting, dan bedakan detail yang hilang dari celah yang menghalangi kesimpulan.
Meta-verifikasi. Penelitian ini juga meninjau kritik verifikator itu sendiri. Kekurangan yang diklaim harus benar-benar ada dalam usulan pembuktian dan harus mendukung penilaiannya. Ini menangani risiko memberikan penilaian yang tampak masuk akal sambil mengada-adakan masalah yang tidak terdapat dalam pembuktian. Untuk tugas peninjauan, berikan pembuktian asli beserta kritik yang sudah ada, lalu tanyakan apakah kritik tersebut menggambarkan langkah terkait secara akurat. Artefak yang berguna adalah penjelasan terperiksa mengenai keberatan dan konsekuensinya.
Pembuatan pembuktian dan analisis mandiri. DeepSeek melatih generator dengan umpan balik verifikator dan secara eksplisit memberi imbalan untuk evaluasi yang akurat atas pekerjaannya sendiri. Model didorong untuk mengakui kesalahan nyata, memperbaiki masalah yang dapat diselesaikannya, dan menyajikan pembuktian terbaik beserta penilaian jujur atas kelengkapannya. Verifikasi dan pembuatan meningkat melalui siklus pelatihan berulang; pembuktian lebih sulit yang dihasilkan menjadi bahan untuk meningkatkan verifikator. Model yang dihasilkan dapat membuat sekaligus memverifikasi argumen matematika.
Siapkan soal secara tepat. Sertakan definisi, kuantor, domain, dan seluruh asumsi. Nyatakan apakah Anda menginginkan keberadaan, keunikan, pertidaksamaan, konstruksi, atau contoh penyangkal. Jika tersedia lema yang boleh digunakan, berikan pernyataan tepatnya dan jelaskan apakah lema itu boleh langsung dipakai atau juga harus dibuktikan. Prompt pembuktian pembuatnya mengharuskan solusi beralasan bahkan ketika tugas meminta jawaban, dan tidak menganggap rujukan ke teks lain sebagai pengganti argumen yang hilang.
Jawaban yang diharapkan dapat berisi gambaran gagasan, pembuktian lengkap, dan evaluasi mandiri terpisah. Untuk pertidaksamaan, minta model memeriksa batasan domain dan syarat kesamaan. Untuk soal pencacahan, minta alasan bahwa kasus-kasusnya mencakup seluruh kemungkinan dan tidak tumpang tindih. Untuk pembuktian yang sudah ada, tunjukkan langkah yang dipersoalkan dan minta perbaikan atau penjelasan mengapa kesimpulan yang diusulkan masih belum terbukti. Aljabar, geometri, teori bilangan, kombinatorika, dan pertidaksamaan tercakup dalam tugas evaluasi matematika pembuatnya.
Penyempurnaan. Alur kerja yang dipublikasikan dapat memasukkan kembali pembuktian beserta analisis mandirinya ke model yang sama untuk menangani kekurangan tersisa. Dalam pengaturan penelitian satu percobaan yang dilaporkan pembuatnya, anggaran pembuktian adalah 128K token; beberapa argumen sulit tetap belum lengkap ketika anggaran itu habis. Dalam pekerjaan Anda, gunakan keberatan tertentu sebagai masukan berikutnya, lalu tanyakan bagian pembuktian mana yang berubah ketika keberatan itu diselesaikan. Pertahankan definisi dan asumsi sebelumnya agar tetap terlihat. Artefak revisi harus menyatakan apa yang telah dibuktikan dan kesulitan mana yang masih tersisa.
Keluaran Math V2 berupa pembuktian dan kritik dalam bahasa alami. Sistem pembuktian formal seperti Lean memeriksa jenis artefak yang berbeda; DeepSeek Prover V2 merupakan spesialisasi penalaran formal yang terpisah. Penilaian bahwa tidak ditemukan kekurangan tetap memerlukan tinjauan matematika, terutama ketika pembuktian bergantung pada kasus yang dihilangkan atau lema yang tidak dinyatakan. Penelitian pembuatnya mencatat bahwa soal paling sulit dapat tetap tidak terselesaikan meskipun sudah disempurnakan.
", "aboutText": "DeepSeek Math V2 berspesialisasi dalam pembuktian teorema berbahasa alami dan penalaran matematika yang dapat diverifikasi sendiri. Model ini dibangun di atas DeepSeek V3.2 Exp Base. Titik tolak pembuatnya adalah bahwa jawaban akhir yang benar masih dapat bertumpu pada penalaran yang tidak valid, sementara teorema sering memerlukan penurunan lengkap, bukan jawaban numerik. Karena itu, model berfokus pada menghasilkan pembuktian, mengidentifikasi kekurangannya, dan memperbaiki argumen sebelum merampungkan respons.\n\nVerifikasi pembuktian. Metode pelatihannya mengajarkan verifikator untuk membaca soal beserta usulan pembuktian, mengidentifikasi masalah, dan menilai mutu pembuktian. Kriterianya membedakan penurunan yang lengkap dan ketat dari solusi yang pada dasarnya benar tetapi memiliki kesalahan kecil, serta dari argumen yang secara mendasar tidak valid. Permintaan peninjauan pembuktian yang praktis perlu memakai pembedaan yang sama: tunjukkan bagian penalaran yang gagal, jelaskan mengapa masalah itu penting, dan bedakan detail yang hilang dari celah yang menghalangi kesimpulan.\n\nMeta-verifikasi. Penelitian ini juga meninjau kritik verifikator itu sendiri. Kekurangan yang diklaim harus benar-benar ada dalam usulan pembuktian dan harus mendukung penilaiannya. Ini menangani risiko memberikan penilaian yang tampak masuk akal sambil mengada-adakan masalah yang tidak terdapat dalam pembuktian. Untuk tugas peninjauan, berikan pembuktian asli beserta kritik yang sudah ada, lalu tanyakan apakah kritik tersebut menggambarkan langkah terkait secara akurat. Artefak yang berguna adalah penjelasan terperiksa mengenai keberatan dan konsekuensinya.\n\nPembuatan pembuktian dan analisis mandiri. DeepSeek melatih generator dengan umpan balik verifikator dan secara eksplisit memberi imbalan untuk evaluasi yang akurat atas pekerjaannya sendiri. Model didorong untuk mengakui kesalahan nyata, memperbaiki masalah yang dapat diselesaikannya, dan menyajikan pembuktian terbaik beserta penilaian jujur atas kelengkapannya. Verifikasi dan pembuatan meningkat melalui siklus pelatihan berulang; pembuktian lebih sulit yang dihasilkan menjadi bahan untuk meningkatkan verifikator. Model yang dihasilkan dapat membuat sekaligus memverifikasi argumen matematika.\n\nSiapkan soal secara tepat. Sertakan definisi, kuantor, domain, dan seluruh asumsi. Nyatakan apakah Anda menginginkan keberadaan, keunikan, pertidaksamaan, konstruksi, atau contoh penyangkal. Jika tersedia lema yang boleh digunakan, berikan pernyataan tepatnya dan jelaskan apakah lema itu boleh langsung dipakai atau juga harus dibuktikan. Prompt pembuktian pembuatnya mengharuskan solusi beralasan bahkan ketika tugas meminta jawaban, dan tidak menganggap rujukan ke teks lain sebagai pengganti argumen yang hilang.\n\nJawaban yang diharapkan dapat berisi gambaran gagasan, pembuktian lengkap, dan evaluasi mandiri terpisah. Untuk pertidaksamaan, minta model memeriksa batasan domain dan syarat kesamaan. Untuk soal pencacahan, minta alasan bahwa kasus-kasusnya mencakup seluruh kemungkinan dan tidak tumpang tindih. Untuk pembuktian yang sudah ada, tunjukkan langkah yang dipersoalkan dan minta perbaikan atau penjelasan mengapa kesimpulan yang diusulkan masih belum terbukti. Aljabar, geometri, teori bilangan, kombinatorika, dan pertidaksamaan tercakup dalam tugas evaluasi matematika pembuatnya.\n\nPenyempurnaan. Alur kerja yang dipublikasikan dapat memasukkan kembali pembuktian beserta analisis mandirinya ke model yang sama untuk menangani kekurangan tersisa. Dalam pengaturan penelitian satu percobaan yang dilaporkan pembuatnya, anggaran pembuktian adalah 128K token; beberapa argumen sulit tetap belum lengkap ketika anggaran itu habis. Dalam pekerjaan Anda, gunakan keberatan tertentu sebagai masukan berikutnya, lalu tanyakan bagian pembuktian mana yang berubah ketika keberatan itu diselesaikan. Pertahankan definisi dan asumsi sebelumnya agar tetap terlihat. Artefak revisi harus menyatakan apa yang telah dibuktikan dan kesulitan mana yang masih tersisa.\n\nKeluaran Math V2 berupa pembuktian dan kritik dalam bahasa alami. Sistem pembuktian formal seperti Lean memeriksa jenis artefak yang berbeda; DeepSeek Prover V2 merupakan spesialisasi penalaran formal yang terpisah. Penilaian bahwa tidak ditemukan kekurangan tetap memerlukan tinjauan matematika, terutama ketika pembuktian bergantung pada kasus yang dihilangkan atau lema yang tidak dinyatakan. Penelitian pembuatnya mencatat bahwa soal paling sulit dapat tetap tidak terselesaikan meskipun sudah disempurnakan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Repair a divisibility proof\n\nReview this proposed proof: 'If 6 divides ab, then 6 divides a or 6 divides b, because every prime factor of 6 must divide one of the factors.' Here a and b are integers. Identify the invalid implication, provide a counterexample and state a correct related proposition with proof. Separate your proof from a self-check of its completeness.A precise flaw explanation, an integer counterexample, a corrected proposition with proof and a separate self-check.Verify the counterexample meets the premise and defeats both alternatives in the claimed conclusion.DeepSeek-Math-V2-ultraModel DeepSeek untuk pembuktian matematika dalam bahasa alami dan verifikasi mandiri, dibangun di atas DeepSeek V3.2 Exp Base. Model ini dapat mengembangkan solusi, memeriksa celah logikanya, dan menyempurnakan argumen, disertai pembuktian terperinci serta evaluasi masalah yang masih tersisa.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
DeepSeek Math V2 berspesialisasi dalam pembuktian teorema berbahasa alami dan penalaran matematika yang dapat diverifikasi sendiri. Model ini dibangun di atas DeepSeek V3.2 Exp Base. Titik tolak pembuatnya adalah bahwa jawaban akhir yang benar masih dapat bertumpu pada penalaran yang tidak valid, sementara teorema sering memerlukan penurunan lengkap, bukan jawaban numerik. Karena itu, model berfokus pada menghasilkan pembuktian, mengidentifikasi kekurangannya, dan memperbaiki argumen sebelum merampungkan respons.
Verifikasi pembuktian. Metode pelatihannya mengajarkan verifikator untuk membaca soal beserta usulan pembuktian, mengidentifikasi masalah, dan menilai mutu pembuktian. Kriterianya membedakan penurunan yang lengkap dan ketat dari solusi yang pada dasarnya benar tetapi memiliki kesalahan kecil, serta dari argumen yang secara mendasar tidak valid. Permintaan peninjauan pembuktian yang praktis perlu memakai pembedaan yang sama: tunjukkan bagian penalaran yang gagal, jelaskan mengapa masalah itu penting, dan bedakan detail yang hilang dari celah yang menghalangi kesimpulan.
Meta-verifikasi. Penelitian ini juga meninjau kritik verifikator itu sendiri. Kekurangan yang diklaim harus benar-benar ada dalam usulan pembuktian dan harus mendukung penilaiannya. Ini menangani risiko memberikan penilaian yang tampak masuk akal sambil mengada-adakan masalah yang tidak terdapat dalam pembuktian. Untuk tugas peninjauan, berikan pembuktian asli beserta kritik yang sudah ada, lalu tanyakan apakah kritik tersebut menggambarkan langkah terkait secara akurat. Artefak yang berguna adalah penjelasan terperiksa mengenai keberatan dan konsekuensinya.
Pembuatan pembuktian dan analisis mandiri. DeepSeek melatih generator dengan umpan balik verifikator dan secara eksplisit memberi imbalan untuk evaluasi yang akurat atas pekerjaannya sendiri. Model didorong untuk mengakui kesalahan nyata, memperbaiki masalah yang dapat diselesaikannya, dan menyajikan pembuktian terbaik beserta penilaian jujur atas kelengkapannya. Verifikasi dan pembuatan meningkat melalui siklus pelatihan berulang; pembuktian lebih sulit yang dihasilkan menjadi bahan untuk meningkatkan verifikator. Model yang dihasilkan dapat membuat sekaligus memverifikasi argumen matematika.
Siapkan soal secara tepat. Sertakan definisi, kuantor, domain, dan seluruh asumsi. Nyatakan apakah Anda menginginkan keberadaan, keunikan, pertidaksamaan, konstruksi, atau contoh penyangkal. Jika tersedia lema yang boleh digunakan, berikan pernyataan tepatnya dan jelaskan apakah lema itu boleh langsung dipakai atau juga harus dibuktikan. Prompt pembuktian pembuatnya mengharuskan solusi beralasan bahkan ketika tugas meminta jawaban, dan tidak menganggap rujukan ke teks lain sebagai pengganti argumen yang hilang.
Jawaban yang diharapkan dapat berisi gambaran gagasan, pembuktian lengkap, dan evaluasi mandiri terpisah. Untuk pertidaksamaan, minta model memeriksa batasan domain dan syarat kesamaan. Untuk soal pencacahan, minta alasan bahwa kasus-kasusnya mencakup seluruh kemungkinan dan tidak tumpang tindih. Untuk pembuktian yang sudah ada, tunjukkan langkah yang dipersoalkan dan minta perbaikan atau penjelasan mengapa kesimpulan yang diusulkan masih belum terbukti. Aljabar, geometri, teori bilangan, kombinatorika, dan pertidaksamaan tercakup dalam tugas evaluasi matematika pembuatnya.
Penyempurnaan. Alur kerja yang dipublikasikan dapat memasukkan kembali pembuktian beserta analisis mandirinya ke model yang sama untuk menangani kekurangan tersisa. Dalam pengaturan penelitian satu percobaan yang dilaporkan pembuatnya, anggaran pembuktian adalah 128K token; beberapa argumen sulit tetap belum lengkap ketika anggaran itu habis. Dalam pekerjaan Anda, gunakan keberatan tertentu sebagai masukan berikutnya, lalu tanyakan bagian pembuktian mana yang berubah ketika keberatan itu diselesaikan. Pertahankan definisi dan asumsi sebelumnya agar tetap terlihat. Artefak revisi harus menyatakan apa yang telah dibuktikan dan kesulitan mana yang masih tersisa.
Keluaran Math V2 berupa pembuktian dan kritik dalam bahasa alami. Sistem pembuktian formal seperti Lean memeriksa jenis artefak yang berbeda; DeepSeek Prover V2 merupakan spesialisasi penalaran formal yang terpisah. Penilaian bahwa tidak ditemukan kekurangan tetap memerlukan tinjauan matematika, terutama ketika pembuktian bergantung pada kasus yang dihilangkan atau lema yang tidak dinyatakan. Penelitian pembuatnya mencatat bahwa soal paling sulit dapat tetap tidak terselesaikan meskipun sudah disempurnakan.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan DeepSeek-Math-V2-ultra | 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 $0.001144 / 1K token Keluaran · Token keluaran $0.004572 / 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-Math-V2-ultra", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='DeepSeek-Math-V2-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='DeepSeek-Math-V2-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-Math-V2-ultra
Gunakan jalur metode yang ditampilkan di atas.
DeepSeek-Math-V2-ultraModel DeepSeek untuk pembuktian matematika dalam bahasa alami dan verifikasi mandiri, dibangun di atas DeepSeek V3.2 Exp Base. Model ini dapat mengembangkan solusi, memeriksa celah logikanya, dan menyempurnakan argumen, disertai pembuktian terperinci serta evaluasi masalah yang masih tersisa.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
DeepSeek Math V2 berspesialisasi dalam pembuktian teorema berbahasa alami dan penalaran matematika yang dapat diverifikasi sendiri. Model ini dibangun di atas DeepSeek V3.2 Exp Base. Titik tolak pembuatnya adalah bahwa jawaban akhir yang benar masih dapat bertumpu pada penalaran yang tidak valid, sementara teorema sering memerlukan penurunan lengkap, bukan jawaban numerik. Karena itu, model berfokus pada menghasilkan pembuktian, mengidentifikasi kekurangannya, dan memperbaiki argumen sebelum merampungkan respons.
Verifikasi pembuktian. Metode pelatihannya mengajarkan verifikator untuk membaca soal beserta usulan pembuktian, mengidentifikasi masalah, dan menilai mutu pembuktian. Kriterianya membedakan penurunan yang lengkap dan ketat dari solusi yang pada dasarnya benar tetapi memiliki kesalahan kecil, serta dari argumen yang secara mendasar tidak valid. Permintaan peninjauan pembuktian yang praktis perlu memakai pembedaan yang sama: tunjukkan bagian penalaran yang gagal, jelaskan mengapa masalah itu penting, dan bedakan detail yang hilang dari celah yang menghalangi kesimpulan.
Meta-verifikasi. Penelitian ini juga meninjau kritik verifikator itu sendiri. Kekurangan yang diklaim harus benar-benar ada dalam usulan pembuktian dan harus mendukung penilaiannya. Ini menangani risiko memberikan penilaian yang tampak masuk akal sambil mengada-adakan masalah yang tidak terdapat dalam pembuktian. Untuk tugas peninjauan, berikan pembuktian asli beserta kritik yang sudah ada, lalu tanyakan apakah kritik tersebut menggambarkan langkah terkait secara akurat. Artefak yang berguna adalah penjelasan terperiksa mengenai keberatan dan konsekuensinya.
Pembuatan pembuktian dan analisis mandiri. DeepSeek melatih generator dengan umpan balik verifikator dan secara eksplisit memberi imbalan untuk evaluasi yang akurat atas pekerjaannya sendiri. Model didorong untuk mengakui kesalahan nyata, memperbaiki masalah yang dapat diselesaikannya, dan menyajikan pembuktian terbaik beserta penilaian jujur atas kelengkapannya. Verifikasi dan pembuatan meningkat melalui siklus pelatihan berulang; pembuktian lebih sulit yang dihasilkan menjadi bahan untuk meningkatkan verifikator. Model yang dihasilkan dapat membuat sekaligus memverifikasi argumen matematika.
Siapkan soal secara tepat. Sertakan definisi, kuantor, domain, dan seluruh asumsi. Nyatakan apakah Anda menginginkan keberadaan, keunikan, pertidaksamaan, konstruksi, atau contoh penyangkal. Jika tersedia lema yang boleh digunakan, berikan pernyataan tepatnya dan jelaskan apakah lema itu boleh langsung dipakai atau juga harus dibuktikan. Prompt pembuktian pembuatnya mengharuskan solusi beralasan bahkan ketika tugas meminta jawaban, dan tidak menganggap rujukan ke teks lain sebagai pengganti argumen yang hilang.
Jawaban yang diharapkan dapat berisi gambaran gagasan, pembuktian lengkap, dan evaluasi mandiri terpisah. Untuk pertidaksamaan, minta model memeriksa batasan domain dan syarat kesamaan. Untuk soal pencacahan, minta alasan bahwa kasus-kasusnya mencakup seluruh kemungkinan dan tidak tumpang tindih. Untuk pembuktian yang sudah ada, tunjukkan langkah yang dipersoalkan dan minta perbaikan atau penjelasan mengapa kesimpulan yang diusulkan masih belum terbukti. Aljabar, geometri, teori bilangan, kombinatorika, dan pertidaksamaan tercakup dalam tugas evaluasi matematika pembuatnya.
Penyempurnaan. Alur kerja yang dipublikasikan dapat memasukkan kembali pembuktian beserta analisis mandirinya ke model yang sama untuk menangani kekurangan tersisa. Dalam pengaturan penelitian satu percobaan yang dilaporkan pembuatnya, anggaran pembuktian adalah 128K token; beberapa argumen sulit tetap belum lengkap ketika anggaran itu habis. Dalam pekerjaan Anda, gunakan keberatan tertentu sebagai masukan berikutnya, lalu tanyakan bagian pembuktian mana yang berubah ketika keberatan itu diselesaikan. Pertahankan definisi dan asumsi sebelumnya agar tetap terlihat. Artefak revisi harus menyatakan apa yang telah dibuktikan dan kesulitan mana yang masih tersisa.
Keluaran Math V2 berupa pembuktian dan kritik dalam bahasa alami. Sistem pembuktian formal seperti Lean memeriksa jenis artefak yang berbeda; DeepSeek Prover V2 merupakan spesialisasi penalaran formal yang terpisah. Penilaian bahwa tidak ditemukan kekurangan tetap memerlukan tinjauan matematika, terutama ketika pembuktian bergantung pada kasus yang dihilangkan atau lema yang tidak dinyatakan. Penelitian pembuatnya mencatat bahwa soal paling sulit dapat tetap tidak terselesaikan meskipun sudah disempurnakan.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan DeepSeek-Math-V2-ultra | 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 $0.001144 / 1K token Keluaran · Token keluaran $0.004572 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "DeepSeek-Math-V2-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'DeepSeek-Math-V2-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'DeepSeek-Math-V2-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-Math-V2-ultra
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Repair a divisibility proof\n\nReview this proposed proof: 'If 6 divides ab, then 6 divides a or 6 divides b, because every prime factor of 6 must divide one of the factors.' Here a and b are integers. Identify the invalid implication, provide a counterexample and state a correct related proposition with proof. Separate your proof from a self-check of its completeness.A precise flaw explanation, an integer counterexample, a corrected proposition with proof and a separate self-check.Verify the counterexample meets the premise and defeats both alternatives in the claimed conclusion.