DeepSeek-R1-Distill-Qwen-14B è il checkpoint di ragionamento di dimensione 14B basato su Qwen e rilasciato da DeepSeek. La sua base è Qwen2.5-14B, perfezionata con esempi preparati da DeepSeek-R1. Accetta un problema scritto o una conversazione e restituisce testo che può comprendere una soluzione matematica, una spiegazione del comportamento di un programma o una conclusione raggiunta a partire da diverse condizioni fornite.
Trasferimento del ragionamento ed edizione denominata
DeepSeek distingue i modelli completi R1 e R1-Zero dai modelli densi distillati su basi Qwen e Llama. Per le versioni distillate, i dati di addestramento trasferiscono gli schemi di ragionamento del modello R1 più grande a un checkpoint diverso. Il nome 14B identifica questa particolare base Qwen; non identifica l'architettura R1 completa, il checkpoint distillato 32B o la normale versione Qwen2.5-14B-Instruct.
Il produttore descrive 800,000 esempi selezionati per le versioni Qwen distillate e segnala modifiche alle configurazioni e ai tokenizer. Mantieni le impostazioni del rilascio DeepSeek quando usi questo modello. Queste modifiche contano anche se l'origine del modello è Qwen2.5. La configurazione propria del checkpoint 14B specifica 48 livelli, 40 teste di attenzione per le query e 8 teste per chiavi e valori, con posizioni massime impostate a 131,072.
Che cosa fornire per una risposta sviluppata utile
Per un compito di tutoraggio, includi il problema e il tentativo di soluzione dello studente, quindi segnala il passaggio che richiede una spiegazione. Chiedi al modello di identificare la condizione pertinente, spiegare la correzione con la stessa notazione e proseguire soltanto quanto necessario per stabilire il risultato. Questo mantiene la risposta collegata alla difficoltà effettiva dello studente, anziché produrre una lezione completa scollegata.
Per esempio, uno studente potrebbe aver diviso per un'espressione senza dichiarare se possa essere zero. Fornisci l'equazione originale e chiedi quali casi debbano essere considerati prima di quella trasformazione. Il risultato desiderato può separare il caso consentito, il caso eccezionale e l'insieme finale delle soluzioni. È un compito matematico proposto, con la forma della risposta definita dalla condizione anziché da una richiesta generica di spiegare l'algebra.
Per una domanda di programmazione, fornisci l'algoritmo o la funzione e un input concreto. Chiedi come cambia lo stato e perché ne consegue il risultato restituito. Una richiesta successiva può domandare un'implementazione rivista con un vincolo esplicito, come conservare la firma pubblica della funzione o evitare di modificare l'input. Includi il codice ausiliario pertinente e il comportamento atteso, così che la spiegazione non dipenda da un'implementazione non specificata.
Per un confronto logico, identifica le alternative e le condizioni che ciascuna deve soddisfare. Richiedi le ipotesi usate da ogni approccio, i conflitti che escludono una scelta e le informazioni ancora irrisolte. Una tabella decisionale sintetica può quindi diventare l'elaborato finale, mentre la prosa circostante spiega come le regole fornite la sostengano.
Raccomandazioni di prompting di DeepSeek
Il produttore consiglia di evitare un prompt di sistema e inserire tutte le istruzioni direttamente nel prompt utente. Riunisci il compito, i requisiti di output e il materiale di partenza necessario, identificando chiaramente quale testo costituisce il problema e quale è un'istruzione sulla risposta. Usa il tokenizer e le impostazioni conversazionali rilasciati, senza presumere che la formattazione originale di Qwen sia intercambiabile.
L'intervallo di temperatura documentato va da 0.5 a 0.7, con 0.6 consigliato. DeepSeek lo collega alla riduzione di ripetizioni e output incoerenti. Per le domande matematiche consiglia una risposta sviluppata con il risultato finale in un riquadro LaTeX. Descrive inoltre casi in cui il modello salta il blocco di ragionamento e consiglia di iniziare la risposta con il marcatore di apertura del ragionamento per incoraggiare il flusso previsto.
Un output matematico utile può contenere il metodo scelto, le trasformazioni giustificate e un'espressione finale separata. Indica se il risultato debba essere esatto o arrotondato e specifica le unità quando rilevanti. Per il codice, richiedi la spiegazione separatamente dall'implementazione proposta. Per la logica, richiedi la conclusione finale insieme alle condizioni in cui vale. Questi requisiti determinano ciò che il lettore o l'applicazione può effettivamente usare dopo il testo di ragionamento.
Contesto e limiti sostanziali
La configurazione attualmente rilasciata imposta le posizioni massime a 131,072. È il valore di configurazione di questo checkpoint, non una promessa ereditata su ogni interfaccia di serving. L'impostazione di generazione di 32,768 token del produttore fa parte della valutazione; non stabilisce una lunghezza massima rigida separata della risposta. Analogamente, la capacità di output del modello originale Qwen Instruct non deve essere trasferita a questa versione di ragionamento modificata senza una specifica propria.
Questo è un modello testuale. Un'immagine di un problema matematico richiede che simboli e condizioni siano convertiti in testo prima del compito di ragionamento, e l'esecuzione del codice proposto richiede un ambiente di sviluppo o calcolo separato. La distillazione descrive l'addestramento con esempi R1, anziché una chiamata automatica al modello insegnante durante l'esecuzione o un verificatore indipendente integrato.
Usa il checkpoint denominato 14B per un compito definito che richieda una risposta sviluppata e conserva notazione, ipotesi e risultato desiderato del problema. L'obiettivo pratico è una soluzione esaminabile dal lettore: quali condizioni si applicano, perché segue ogni passaggio importante e quale espressione, implementazione o conclusione finale risponde alla domanda originale.
", "aboutText": "DeepSeek-R1-Distill-Qwen-14B è il checkpoint di ragionamento di dimensione 14B basato su Qwen e rilasciato da DeepSeek. La sua base è Qwen2.5-14B, perfezionata con esempi preparati da DeepSeek-R1. Accetta un problema scritto o una conversazione e restituisce testo che può comprendere una soluzione matematica, una spiegazione del comportamento di un programma o una conclusione raggiunta a partire da diverse condizioni fornite.\n\nTrasferimento del ragionamento ed edizione denominata\n\nDeepSeek distingue i modelli completi R1 e R1-Zero dai modelli densi distillati su basi Qwen e Llama. Per le versioni distillate, i dati di addestramento trasferiscono gli schemi di ragionamento del modello R1 più grande a un checkpoint diverso. Il nome 14B identifica questa particolare base Qwen; non identifica l'architettura R1 completa, il checkpoint distillato 32B o la normale versione Qwen2.5-14B-Instruct.\n\nIl produttore descrive 800,000 esempi selezionati per le versioni Qwen distillate e segnala modifiche alle configurazioni e ai tokenizer. Mantieni le impostazioni del rilascio DeepSeek quando usi questo modello. Queste modifiche contano anche se l'origine del modello è Qwen2.5. La configurazione propria del checkpoint 14B specifica 48 livelli, 40 teste di attenzione per le query e 8 teste per chiavi e valori, con posizioni massime impostate a 131,072.\n\nChe cosa fornire per una risposta sviluppata utile\n\nPer un compito di tutoraggio, includi il problema e il tentativo di soluzione dello studente, quindi segnala il passaggio che richiede una spiegazione. Chiedi al modello di identificare la condizione pertinente, spiegare la correzione con la stessa notazione e proseguire soltanto quanto necessario per stabilire il risultato. Questo mantiene la risposta collegata alla difficoltà effettiva dello studente, anziché produrre una lezione completa scollegata.\n\nPer esempio, uno studente potrebbe aver diviso per un'espressione senza dichiarare se possa essere zero. Fornisci l'equazione originale e chiedi quali casi debbano essere considerati prima di quella trasformazione. Il risultato desiderato può separare il caso consentito, il caso eccezionale e l'insieme finale delle soluzioni. È un compito matematico proposto, con la forma della risposta definita dalla condizione anziché da una richiesta generica di spiegare l'algebra.\n\nPer una domanda di programmazione, fornisci l'algoritmo o la funzione e un input concreto. Chiedi come cambia lo stato e perché ne consegue il risultato restituito. Una richiesta successiva può domandare un'implementazione rivista con un vincolo esplicito, come conservare la firma pubblica della funzione o evitare di modificare l'input. Includi il codice ausiliario pertinente e il comportamento atteso, così che la spiegazione non dipenda da un'implementazione non specificata.\n\nPer un confronto logico, identifica le alternative e le condizioni che ciascuna deve soddisfare. Richiedi le ipotesi usate da ogni approccio, i conflitti che escludono una scelta e le informazioni ancora irrisolte. Una tabella decisionale sintetica può quindi diventare l'elaborato finale, mentre la prosa circostante spiega come le regole fornite la sostengano.\n\nRaccomandazioni di prompting di DeepSeek\n\nIl produttore consiglia di evitare un prompt di sistema e inserire tutte le istruzioni direttamente nel prompt utente. Riunisci il compito, i requisiti di output e il materiale di partenza necessario, identificando chiaramente quale testo costituisce il problema e quale è un'istruzione sulla risposta. Usa il tokenizer e le impostazioni conversazionali rilasciati, senza presumere che la formattazione originale di Qwen sia intercambiabile.\n\nL'intervallo di temperatura documentato va da 0.5 a 0.7, con 0.6 consigliato. DeepSeek lo collega alla riduzione di ripetizioni e output incoerenti. Per le domande matematiche consiglia una risposta sviluppata con il risultato finale in un riquadro LaTeX. Descrive inoltre casi in cui il modello salta il blocco di ragionamento e consiglia di iniziare la risposta con il marcatore di apertura del ragionamento per incoraggiare il flusso previsto.\n\nUn output matematico utile può contenere il metodo scelto, le trasformazioni giustificate e un'espressione finale separata. Indica se il risultato debba essere esatto o arrotondato e specifica le unità quando rilevanti. Per il codice, richiedi la spiegazione separatamente dall'implementazione proposta. Per la logica, richiedi la conclusione finale insieme alle condizioni in cui vale. Questi requisiti determinano ciò che il lettore o l'applicazione può effettivamente usare dopo il testo di ragionamento.\n\nContesto e limiti sostanziali\n\nLa configurazione attualmente rilasciata imposta le posizioni massime a 131,072. È il valore di configurazione di questo checkpoint, non una promessa ereditata su ogni interfaccia di serving. L'impostazione di generazione di 32,768 token del produttore fa parte della valutazione; non stabilisce una lunghezza massima rigida separata della risposta. Analogamente, la capacità di output del modello originale Qwen Instruct non deve essere trasferita a questa versione di ragionamento modificata senza una specifica propria.\n\nQuesto è un modello testuale. Un'immagine di un problema matematico richiede che simboli e condizioni siano convertiti in testo prima del compito di ragionamento, e l'esecuzione del codice proposto richiede un ambiente di sviluppo o calcolo separato. La distillazione descrive l'addestramento con esempi R1, anziché una chiamata automatica al modello insegnante durante l'esecuzione o un verificatore indipendente integrato.\n\nUsa il checkpoint denominato 14B per un compito definito che richieda una risposta sviluppata e conserva notazione, ipotesi e risultato desiderato del problema. L'obiettivo pratico è una soluzione esaminabile dal lettore: quali condizioni si applicano, perché segue ogni passaggio importante e quale espressione, implementazione o conclusione finale risponde alla domanda originale.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Repair an algebraic division step\n\nA student solves x(x - 3) = 2(x - 3) by dividing by x - 3 and concludes x = 2. Explain the missing case without changing the original equation. Separate the zero-divisor case from the nonzero case, then give the complete solution set and substitute each candidate back into the equation.A case split, a complete solution set and a substitution check for each candidate.The response checks the x - 3 = 0 case rather than silently dividing it away.deepseek-ai/DeepSeek-R1-Distill-Qwen-14BDeepSeek-R1-Distill-Qwen-14B è un checkpoint di ragionamento testuale basato su Qwen2.5-14B ed esempi generati da DeepSeek-R1. Supporta risposte sviluppate a problemi matematici, di programmazione e di logica, con tokenizer, raccomandazioni di prompting e configurazione di rilascio propri di DeepSeek.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
DeepSeek-R1-Distill-Qwen-14B è il checkpoint di ragionamento di dimensione 14B basato su Qwen e rilasciato da DeepSeek. La sua base è Qwen2.5-14B, perfezionata con esempi preparati da DeepSeek-R1. Accetta un problema scritto o una conversazione e restituisce testo che può comprendere una soluzione matematica, una spiegazione del comportamento di un programma o una conclusione raggiunta a partire da diverse condizioni fornite.
Trasferimento del ragionamento ed edizione denominata
DeepSeek distingue i modelli completi R1 e R1-Zero dai modelli densi distillati su basi Qwen e Llama. Per le versioni distillate, i dati di addestramento trasferiscono gli schemi di ragionamento del modello R1 più grande a un checkpoint diverso. Il nome 14B identifica questa particolare base Qwen; non identifica l'architettura R1 completa, il checkpoint distillato 32B o la normale versione Qwen2.5-14B-Instruct.
Il produttore descrive 800,000 esempi selezionati per le versioni Qwen distillate e segnala modifiche alle configurazioni e ai tokenizer. Mantieni le impostazioni del rilascio DeepSeek quando usi questo modello. Queste modifiche contano anche se l'origine del modello è Qwen2.5. La configurazione propria del checkpoint 14B specifica 48 livelli, 40 teste di attenzione per le query e 8 teste per chiavi e valori, con posizioni massime impostate a 131,072.
Che cosa fornire per una risposta sviluppata utile
Per un compito di tutoraggio, includi il problema e il tentativo di soluzione dello studente, quindi segnala il passaggio che richiede una spiegazione. Chiedi al modello di identificare la condizione pertinente, spiegare la correzione con la stessa notazione e proseguire soltanto quanto necessario per stabilire il risultato. Questo mantiene la risposta collegata alla difficoltà effettiva dello studente, anziché produrre una lezione completa scollegata.
Per esempio, uno studente potrebbe aver diviso per un'espressione senza dichiarare se possa essere zero. Fornisci l'equazione originale e chiedi quali casi debbano essere considerati prima di quella trasformazione. Il risultato desiderato può separare il caso consentito, il caso eccezionale e l'insieme finale delle soluzioni. È un compito matematico proposto, con la forma della risposta definita dalla condizione anziché da una richiesta generica di spiegare l'algebra.
Per una domanda di programmazione, fornisci l'algoritmo o la funzione e un input concreto. Chiedi come cambia lo stato e perché ne consegue il risultato restituito. Una richiesta successiva può domandare un'implementazione rivista con un vincolo esplicito, come conservare la firma pubblica della funzione o evitare di modificare l'input. Includi il codice ausiliario pertinente e il comportamento atteso, così che la spiegazione non dipenda da un'implementazione non specificata.
Per un confronto logico, identifica le alternative e le condizioni che ciascuna deve soddisfare. Richiedi le ipotesi usate da ogni approccio, i conflitti che escludono una scelta e le informazioni ancora irrisolte. Una tabella decisionale sintetica può quindi diventare l'elaborato finale, mentre la prosa circostante spiega come le regole fornite la sostengano.
Raccomandazioni di prompting di DeepSeek
Il produttore consiglia di evitare un prompt di sistema e inserire tutte le istruzioni direttamente nel prompt utente. Riunisci il compito, i requisiti di output e il materiale di partenza necessario, identificando chiaramente quale testo costituisce il problema e quale è un'istruzione sulla risposta. Usa il tokenizer e le impostazioni conversazionali rilasciati, senza presumere che la formattazione originale di Qwen sia intercambiabile.
L'intervallo di temperatura documentato va da 0.5 a 0.7, con 0.6 consigliato. DeepSeek lo collega alla riduzione di ripetizioni e output incoerenti. Per le domande matematiche consiglia una risposta sviluppata con il risultato finale in un riquadro LaTeX. Descrive inoltre casi in cui il modello salta il blocco di ragionamento e consiglia di iniziare la risposta con il marcatore di apertura del ragionamento per incoraggiare il flusso previsto.
Un output matematico utile può contenere il metodo scelto, le trasformazioni giustificate e un'espressione finale separata. Indica se il risultato debba essere esatto o arrotondato e specifica le unità quando rilevanti. Per il codice, richiedi la spiegazione separatamente dall'implementazione proposta. Per la logica, richiedi la conclusione finale insieme alle condizioni in cui vale. Questi requisiti determinano ciò che il lettore o l'applicazione può effettivamente usare dopo il testo di ragionamento.
Contesto e limiti sostanziali
La configurazione attualmente rilasciata imposta le posizioni massime a 131,072. È il valore di configurazione di questo checkpoint, non una promessa ereditata su ogni interfaccia di serving. L'impostazione di generazione di 32,768 token del produttore fa parte della valutazione; non stabilisce una lunghezza massima rigida separata della risposta. Analogamente, la capacità di output del modello originale Qwen Instruct non deve essere trasferita a questa versione di ragionamento modificata senza una specifica propria.
Questo è un modello testuale. Un'immagine di un problema matematico richiede che simboli e condizioni siano convertiti in testo prima del compito di ragionamento, e l'esecuzione del codice proposto richiede un ambiente di sviluppo o calcolo separato. La distillazione descrive l'addestramento con esempi R1, anziché una chiamata automatica al modello insegnante durante l'esecuzione o un verificatore indipendente integrato.
Usa il checkpoint denominato 14B per un compito definito che richieda una risposta sviluppata e conserva notazione, ipotesi e risultato desiderato del problema. L'obiettivo pratico è una soluzione esaminabile dal lettore: quali condizioni si applicano, perché segue ogni passaggio importante e quale espressione, implementazione o conclusione finale risponde alla domanda originale.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti deepseek-ai/DeepSeek-R1-Distill-Qwen-14B | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.0002 / 1K token Output · Token in output $0.0002 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-14B", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek-ai/DeepSeek-R1-Distill-Qwen-14B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek-ai/DeepSeek-R1-Distill-Qwen-14B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-14B
Usa i percorsi dei metodi indicati sopra.
deepseek-ai/DeepSeek-R1-Distill-Qwen-14BDeepSeek-R1-Distill-Qwen-14B è un checkpoint di ragionamento testuale basato su Qwen2.5-14B ed esempi generati da DeepSeek-R1. Supporta risposte sviluppate a problemi matematici, di programmazione e di logica, con tokenizer, raccomandazioni di prompting e configurazione di rilascio propri di DeepSeek.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
DeepSeek-R1-Distill-Qwen-14B è il checkpoint di ragionamento di dimensione 14B basato su Qwen e rilasciato da DeepSeek. La sua base è Qwen2.5-14B, perfezionata con esempi preparati da DeepSeek-R1. Accetta un problema scritto o una conversazione e restituisce testo che può comprendere una soluzione matematica, una spiegazione del comportamento di un programma o una conclusione raggiunta a partire da diverse condizioni fornite.
Trasferimento del ragionamento ed edizione denominata
DeepSeek distingue i modelli completi R1 e R1-Zero dai modelli densi distillati su basi Qwen e Llama. Per le versioni distillate, i dati di addestramento trasferiscono gli schemi di ragionamento del modello R1 più grande a un checkpoint diverso. Il nome 14B identifica questa particolare base Qwen; non identifica l'architettura R1 completa, il checkpoint distillato 32B o la normale versione Qwen2.5-14B-Instruct.
Il produttore descrive 800,000 esempi selezionati per le versioni Qwen distillate e segnala modifiche alle configurazioni e ai tokenizer. Mantieni le impostazioni del rilascio DeepSeek quando usi questo modello. Queste modifiche contano anche se l'origine del modello è Qwen2.5. La configurazione propria del checkpoint 14B specifica 48 livelli, 40 teste di attenzione per le query e 8 teste per chiavi e valori, con posizioni massime impostate a 131,072.
Che cosa fornire per una risposta sviluppata utile
Per un compito di tutoraggio, includi il problema e il tentativo di soluzione dello studente, quindi segnala il passaggio che richiede una spiegazione. Chiedi al modello di identificare la condizione pertinente, spiegare la correzione con la stessa notazione e proseguire soltanto quanto necessario per stabilire il risultato. Questo mantiene la risposta collegata alla difficoltà effettiva dello studente, anziché produrre una lezione completa scollegata.
Per esempio, uno studente potrebbe aver diviso per un'espressione senza dichiarare se possa essere zero. Fornisci l'equazione originale e chiedi quali casi debbano essere considerati prima di quella trasformazione. Il risultato desiderato può separare il caso consentito, il caso eccezionale e l'insieme finale delle soluzioni. È un compito matematico proposto, con la forma della risposta definita dalla condizione anziché da una richiesta generica di spiegare l'algebra.
Per una domanda di programmazione, fornisci l'algoritmo o la funzione e un input concreto. Chiedi come cambia lo stato e perché ne consegue il risultato restituito. Una richiesta successiva può domandare un'implementazione rivista con un vincolo esplicito, come conservare la firma pubblica della funzione o evitare di modificare l'input. Includi il codice ausiliario pertinente e il comportamento atteso, così che la spiegazione non dipenda da un'implementazione non specificata.
Per un confronto logico, identifica le alternative e le condizioni che ciascuna deve soddisfare. Richiedi le ipotesi usate da ogni approccio, i conflitti che escludono una scelta e le informazioni ancora irrisolte. Una tabella decisionale sintetica può quindi diventare l'elaborato finale, mentre la prosa circostante spiega come le regole fornite la sostengano.
Raccomandazioni di prompting di DeepSeek
Il produttore consiglia di evitare un prompt di sistema e inserire tutte le istruzioni direttamente nel prompt utente. Riunisci il compito, i requisiti di output e il materiale di partenza necessario, identificando chiaramente quale testo costituisce il problema e quale è un'istruzione sulla risposta. Usa il tokenizer e le impostazioni conversazionali rilasciati, senza presumere che la formattazione originale di Qwen sia intercambiabile.
L'intervallo di temperatura documentato va da 0.5 a 0.7, con 0.6 consigliato. DeepSeek lo collega alla riduzione di ripetizioni e output incoerenti. Per le domande matematiche consiglia una risposta sviluppata con il risultato finale in un riquadro LaTeX. Descrive inoltre casi in cui il modello salta il blocco di ragionamento e consiglia di iniziare la risposta con il marcatore di apertura del ragionamento per incoraggiare il flusso previsto.
Un output matematico utile può contenere il metodo scelto, le trasformazioni giustificate e un'espressione finale separata. Indica se il risultato debba essere esatto o arrotondato e specifica le unità quando rilevanti. Per il codice, richiedi la spiegazione separatamente dall'implementazione proposta. Per la logica, richiedi la conclusione finale insieme alle condizioni in cui vale. Questi requisiti determinano ciò che il lettore o l'applicazione può effettivamente usare dopo il testo di ragionamento.
Contesto e limiti sostanziali
La configurazione attualmente rilasciata imposta le posizioni massime a 131,072. È il valore di configurazione di questo checkpoint, non una promessa ereditata su ogni interfaccia di serving. L'impostazione di generazione di 32,768 token del produttore fa parte della valutazione; non stabilisce una lunghezza massima rigida separata della risposta. Analogamente, la capacità di output del modello originale Qwen Instruct non deve essere trasferita a questa versione di ragionamento modificata senza una specifica propria.
Questo è un modello testuale. Un'immagine di un problema matematico richiede che simboli e condizioni siano convertiti in testo prima del compito di ragionamento, e l'esecuzione del codice proposto richiede un ambiente di sviluppo o calcolo separato. La distillazione descrive l'addestramento con esempi R1, anziché una chiamata automatica al modello insegnante durante l'esecuzione o un verificatore indipendente integrato.
Usa il checkpoint denominato 14B per un compito definito che richieda una risposta sviluppata e conserva notazione, ipotesi e risultato desiderato del problema. L'obiettivo pratico è una soluzione esaminabile dal lettore: quali condizioni si applicano, perché segue ogni passaggio importante e quale espressione, implementazione o conclusione finale risponde alla domanda originale.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti deepseek-ai/DeepSeek-R1-Distill-Qwen-14B | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.0002 / 1K token Output · Token in output $0.0002 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-14B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-ai/DeepSeek-R1-Distill-Qwen-14B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-ai/DeepSeek-R1-Distill-Qwen-14B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-14B
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Repair an algebraic division step\n\nA student solves x(x - 3) = 2(x - 3) by dividing by x - 3 and concludes x = 2. Explain the missing case without changing the original equation. Separate the zero-divisor case from the nonzero case, then give the complete solution set and substitute each candidate back into the equation.A case split, a complete solution set and a substitution check for each candidate.The response checks the x - 3 = 0 case rather than silently dividing it away.