DeepSeek-R1-Distill-Qwen-32B è il checkpoint di ragionamento denso di DeepSeek di dimensione 32B, costruito a partire da Qwen2.5-32B. DeepSeek perfeziona la base con esempi di ragionamento generati da DeepSeek-R1. Il risultato è un modello testuale distinto per problemi che richiedono più passaggi collegati, come una derivazione matematica, una domanda algoritmica o un ragionamento basato su vincoli.
Come questa distillazione differisce dal modello R1 completo
Il rilascio del produttore distingue DeepSeek-R1-Zero, DeepSeek-R1 e i modelli distillati basati su Qwen o Llama. La linea R1 completa sviluppa il ragionamento attraverso una propria pipeline di addestramento; la fase di distillazione trasferisce gli schemi rappresentati negli esempi generati da R1 a checkpoint densi separati. Questa voce è l'edizione distillata 32B basata su Qwen, non il modello R1 completo, R1-Zero o la base Qwen2.5-32B non modificata.
I modelli Qwen distillati rilasciati sono perfezionati con 800,000 campioni selezionati. DeepSeek modifica anche le loro configurazioni e i tokenizer e indica agli utenti di mantenere tali impostazioni. L'origine dell'addestramento spiega l'orientamento al ragionamento, mentre il checkpoint denominato e la sua configurazione determinano la versione effettiva. Questo non significa che il modello insegnante più grande venga consultato automaticamente per rispondere a ogni nuova domanda.
La configurazione del checkpoint 32B usa un'architettura di modello linguistico causale con 64 livelli, 40 teste di attenzione per le query e 8 teste per chiavi e valori. Imposta le posizioni massime a 131,072. Questo dato di configurazione riguarda il modello rilasciato; un comando esemplificativo di serving o un altro membro della famiglia R1 non devono essere considerati come la stessa impostazione del contesto. Il modello riceve testo e genera testo, anziché accettare un'immagine o produrre un elaborato visivo o audio.
Preparare un compito matematico o di programmazione
Per un problema matematico, fornisci la condizione completa, definisci le variabili e indica il dominio o le ipotesi. Specifica se il risultato finale deve essere un'espressione esatta, un'approssimazione numerica o la dimostrazione di un'affermazione. Una richiesta utile può domandare una derivazione seguita dall'espressione finale e da una verifica rispetto alle condizioni originali. Il produttore consiglia una risposta matematica sviluppata con la risposta finale racchiusa in un riquadro LaTeX.
Per un problema algoritmico, fornisci l'intervallo degli input, l'output richiesto e i vincoli della soluzione. Richiedi l'approccio, l'implementazione e una spiegazione di come conserva la proprietà richiesta. Se il problema riguarda codice esistente, fornisci la funzione pertinente, l'input che produce il comportamento inatteso e il risultato atteso. La risposta può confrontare il percorso effettivo con quello desiderato e proporre una correzione; l'esecuzione e la verifica del programma sono passaggi applicativi separati.
Per un problema di vincoli, elenca esplicitamente le scelte consentite e le relazioni. Per esempio, una richiesta di pianificazione può indicare i partecipanti, le disponibilità e le regole che rendono incompatibili due assegnazioni. Richiedi una proposta di assegnazione con la regola che sostiene ogni decisione ed esigi che le condizioni irrisolte rimangano visibili. Questo rende esaminabile il compito di ragionamento, anziché chiedere al modello di scegliere senza i vincoli sottostanti.
Raccomandazioni d'uso specifiche del produttore
DeepSeek consiglia di inserire tutte le istruzioni nel prompt utente ed evitare un prompt di sistema separato per questa serie. Questo differisce da un template di chat generale che si affida a un messaggio di sistema per definire il compito. Inserisci insieme il formato di risposta richiesto, il materiale di partenza e la domanda effettiva, delimitandoli chiaramente.
L'intervallo di temperatura consigliato va da 0.5 a 0.7, preferibilmente 0.6. Il produttore collega questa raccomandazione alla prevenzione di ripetizioni o output incoerenti. Osserva inoltre che alcune richieste possono produrre un blocco di ragionamento vuoto e consiglia di iniziare l'output con il marcatore di apertura del ragionamento. Sono raccomandazioni per il flusso di ragionamento rilasciato, non una garanzia che una singola impostazione stabilisca la correttezza.
Una specifica pratica della risposta può richiedere una spiegazione del metodo, i passaggi importanti giustificati e un elaborato finale separato. In un compito matematico, usa l'espressione in un riquadro per il risultato finale. In un compito di programmazione, separa il codice dalle sue ipotesi e dagli input esemplificativi. Per un compito logico, mantieni ogni conclusione collegata alla regola o al fatto fornito che la sostiene. Questo permette al testo di ragionamento e al risultato richiesto dall'applicazione di assolvere finalità distinte.
Contesto, output e confini d'integrazione
Le 131,072 posizioni massime della configurazione rilasciata devono essere considerate insieme al prompt completo e al ragionamento generato. Il produttore usa un'impostazione di generazione di 32,768 token nella valutazione, ma quell'impostazione sperimentale non è una specifica pubblicata e separata della capacità di output di questo checkpoint. Non dedurre un tetto della risposta da una configurazione di benchmark e non copiare il dato di output di 8,192 token dell'edizione originale Qwen Instruct nella versione distillata modificata.
Mantieni gli input focalizzati sulla domanda matematica, di programmazione o logica effettiva e indica la forma finale desiderata. Un calcolatore esterno, un repository, un parser di documenti o una funzione di ricerca devono essere forniti dall'applicazione circostante; non sono inclusi semplicemente selezionando un checkpoint di ragionamento testuale. Il risultato utile è una soluzione scritta o un'implementazione proposta le cui ipotesi, metodo e risposta finale corrispondano al problema fornito.
", "aboutText": "DeepSeek-R1-Distill-Qwen-32B è il checkpoint di ragionamento denso di DeepSeek di dimensione 32B, costruito a partire da Qwen2.5-32B. DeepSeek perfeziona la base con esempi di ragionamento generati da DeepSeek-R1. Il risultato è un modello testuale distinto per problemi che richiedono più passaggi collegati, come una derivazione matematica, una domanda algoritmica o un ragionamento basato su vincoli.\n\nCome questa distillazione differisce dal modello R1 completo\n\nIl rilascio del produttore distingue DeepSeek-R1-Zero, DeepSeek-R1 e i modelli distillati basati su Qwen o Llama. La linea R1 completa sviluppa il ragionamento attraverso una propria pipeline di addestramento; la fase di distillazione trasferisce gli schemi rappresentati negli esempi generati da R1 a checkpoint densi separati. Questa voce è l'edizione distillata 32B basata su Qwen, non il modello R1 completo, R1-Zero o la base Qwen2.5-32B non modificata.\n\nI modelli Qwen distillati rilasciati sono perfezionati con 800,000 campioni selezionati. DeepSeek modifica anche le loro configurazioni e i tokenizer e indica agli utenti di mantenere tali impostazioni. L'origine dell'addestramento spiega l'orientamento al ragionamento, mentre il checkpoint denominato e la sua configurazione determinano la versione effettiva. Questo non significa che il modello insegnante più grande venga consultato automaticamente per rispondere a ogni nuova domanda.\n\nLa configurazione del checkpoint 32B usa un'architettura di modello linguistico causale con 64 livelli, 40 teste di attenzione per le query e 8 teste per chiavi e valori. Imposta le posizioni massime a 131,072. Questo dato di configurazione riguarda il modello rilasciato; un comando esemplificativo di serving o un altro membro della famiglia R1 non devono essere considerati come la stessa impostazione del contesto. Il modello riceve testo e genera testo, anziché accettare un'immagine o produrre un elaborato visivo o audio.\n\nPreparare un compito matematico o di programmazione\n\nPer un problema matematico, fornisci la condizione completa, definisci le variabili e indica il dominio o le ipotesi. Specifica se il risultato finale deve essere un'espressione esatta, un'approssimazione numerica o la dimostrazione di un'affermazione. Una richiesta utile può domandare una derivazione seguita dall'espressione finale e da una verifica rispetto alle condizioni originali. Il produttore consiglia una risposta matematica sviluppata con la risposta finale racchiusa in un riquadro LaTeX.\n\nPer un problema algoritmico, fornisci l'intervallo degli input, l'output richiesto e i vincoli della soluzione. Richiedi l'approccio, l'implementazione e una spiegazione di come conserva la proprietà richiesta. Se il problema riguarda codice esistente, fornisci la funzione pertinente, l'input che produce il comportamento inatteso e il risultato atteso. La risposta può confrontare il percorso effettivo con quello desiderato e proporre una correzione; l'esecuzione e la verifica del programma sono passaggi applicativi separati.\n\nPer un problema di vincoli, elenca esplicitamente le scelte consentite e le relazioni. Per esempio, una richiesta di pianificazione può indicare i partecipanti, le disponibilità e le regole che rendono incompatibili due assegnazioni. Richiedi una proposta di assegnazione con la regola che sostiene ogni decisione ed esigi che le condizioni irrisolte rimangano visibili. Questo rende esaminabile il compito di ragionamento, anziché chiedere al modello di scegliere senza i vincoli sottostanti.\n\nRaccomandazioni d'uso specifiche del produttore\n\nDeepSeek consiglia di inserire tutte le istruzioni nel prompt utente ed evitare un prompt di sistema separato per questa serie. Questo differisce da un template di chat generale che si affida a un messaggio di sistema per definire il compito. Inserisci insieme il formato di risposta richiesto, il materiale di partenza e la domanda effettiva, delimitandoli chiaramente.\n\nL'intervallo di temperatura consigliato va da 0.5 a 0.7, preferibilmente 0.6. Il produttore collega questa raccomandazione alla prevenzione di ripetizioni o output incoerenti. Osserva inoltre che alcune richieste possono produrre un blocco di ragionamento vuoto e consiglia di iniziare l'output con il marcatore di apertura del ragionamento. Sono raccomandazioni per il flusso di ragionamento rilasciato, non una garanzia che una singola impostazione stabilisca la correttezza.\n\nUna specifica pratica della risposta può richiedere una spiegazione del metodo, i passaggi importanti giustificati e un elaborato finale separato. In un compito matematico, usa l'espressione in un riquadro per il risultato finale. In un compito di programmazione, separa il codice dalle sue ipotesi e dagli input esemplificativi. Per un compito logico, mantieni ogni conclusione collegata alla regola o al fatto fornito che la sostiene. Questo permette al testo di ragionamento e al risultato richiesto dall'applicazione di assolvere finalità distinte.\n\nContesto, output e confini d'integrazione\n\nLe 131,072 posizioni massime della configurazione rilasciata devono essere considerate insieme al prompt completo e al ragionamento generato. Il produttore usa un'impostazione di generazione di 32,768 token nella valutazione, ma quell'impostazione sperimentale non è una specifica pubblicata e separata della capacità di output di questo checkpoint. Non dedurre un tetto della risposta da una configurazione di benchmark e non copiare il dato di output di 8,192 token dell'edizione originale Qwen Instruct nella versione distillata modificata.\n\nMantieni gli input focalizzati sulla domanda matematica, di programmazione o logica effettiva e indica la forma finale desiderata. Un calcolatore esterno, un repository, un parser di documenti o una funzione di ricerca devono essere forniti dall'applicazione circostante; non sono inclusi semplicemente selezionando un checkpoint di ragionamento testuale. Il risultato utile è una soluzione scritta o un'implementazione proposta le cui ipotesi, metodo e risposta finale corrispondano al problema fornito.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Solve a bounded scheduling problem\n\nSchedule three one-hour interviews in slots 09:00, 10:00 and 11:00. Ada cannot attend 09:00; Ben cannot attend 11:00; Chen must be before Ada. Each person gets one distinct slot. Give a valid schedule, explain how each constraint is satisfied and state whether another schedule is possible.A person-to-slot table, a constraint check and a justified uniqueness or non-uniqueness conclusion.Check all three constraints and distinct slots directly against the proposed schedule.deepseek-ai/DeepSeek-R1-Distill-Qwen-32BDeepSeek-R1-Distill-Qwen-32B è un modello denso di ragionamento testuale perfezionato a partire da Qwen2.5-32B con esempi DeepSeek-R1. È destinato a compiti matematici, di programmazione e di logica a più passaggi, con prompting specifico del produttore e una configurazione di rilascio di 131,072 posizioni.
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-32B è il checkpoint di ragionamento denso di DeepSeek di dimensione 32B, costruito a partire da Qwen2.5-32B. DeepSeek perfeziona la base con esempi di ragionamento generati da DeepSeek-R1. Il risultato è un modello testuale distinto per problemi che richiedono più passaggi collegati, come una derivazione matematica, una domanda algoritmica o un ragionamento basato su vincoli.
Come questa distillazione differisce dal modello R1 completo
Il rilascio del produttore distingue DeepSeek-R1-Zero, DeepSeek-R1 e i modelli distillati basati su Qwen o Llama. La linea R1 completa sviluppa il ragionamento attraverso una propria pipeline di addestramento; la fase di distillazione trasferisce gli schemi rappresentati negli esempi generati da R1 a checkpoint densi separati. Questa voce è l'edizione distillata 32B basata su Qwen, non il modello R1 completo, R1-Zero o la base Qwen2.5-32B non modificata.
I modelli Qwen distillati rilasciati sono perfezionati con 800,000 campioni selezionati. DeepSeek modifica anche le loro configurazioni e i tokenizer e indica agli utenti di mantenere tali impostazioni. L'origine dell'addestramento spiega l'orientamento al ragionamento, mentre il checkpoint denominato e la sua configurazione determinano la versione effettiva. Questo non significa che il modello insegnante più grande venga consultato automaticamente per rispondere a ogni nuova domanda.
La configurazione del checkpoint 32B usa un'architettura di modello linguistico causale con 64 livelli, 40 teste di attenzione per le query e 8 teste per chiavi e valori. Imposta le posizioni massime a 131,072. Questo dato di configurazione riguarda il modello rilasciato; un comando esemplificativo di serving o un altro membro della famiglia R1 non devono essere considerati come la stessa impostazione del contesto. Il modello riceve testo e genera testo, anziché accettare un'immagine o produrre un elaborato visivo o audio.
Preparare un compito matematico o di programmazione
Per un problema matematico, fornisci la condizione completa, definisci le variabili e indica il dominio o le ipotesi. Specifica se il risultato finale deve essere un'espressione esatta, un'approssimazione numerica o la dimostrazione di un'affermazione. Una richiesta utile può domandare una derivazione seguita dall'espressione finale e da una verifica rispetto alle condizioni originali. Il produttore consiglia una risposta matematica sviluppata con la risposta finale racchiusa in un riquadro LaTeX.
Per un problema algoritmico, fornisci l'intervallo degli input, l'output richiesto e i vincoli della soluzione. Richiedi l'approccio, l'implementazione e una spiegazione di come conserva la proprietà richiesta. Se il problema riguarda codice esistente, fornisci la funzione pertinente, l'input che produce il comportamento inatteso e il risultato atteso. La risposta può confrontare il percorso effettivo con quello desiderato e proporre una correzione; l'esecuzione e la verifica del programma sono passaggi applicativi separati.
Per un problema di vincoli, elenca esplicitamente le scelte consentite e le relazioni. Per esempio, una richiesta di pianificazione può indicare i partecipanti, le disponibilità e le regole che rendono incompatibili due assegnazioni. Richiedi una proposta di assegnazione con la regola che sostiene ogni decisione ed esigi che le condizioni irrisolte rimangano visibili. Questo rende esaminabile il compito di ragionamento, anziché chiedere al modello di scegliere senza i vincoli sottostanti.
Raccomandazioni d'uso specifiche del produttore
DeepSeek consiglia di inserire tutte le istruzioni nel prompt utente ed evitare un prompt di sistema separato per questa serie. Questo differisce da un template di chat generale che si affida a un messaggio di sistema per definire il compito. Inserisci insieme il formato di risposta richiesto, il materiale di partenza e la domanda effettiva, delimitandoli chiaramente.
L'intervallo di temperatura consigliato va da 0.5 a 0.7, preferibilmente 0.6. Il produttore collega questa raccomandazione alla prevenzione di ripetizioni o output incoerenti. Osserva inoltre che alcune richieste possono produrre un blocco di ragionamento vuoto e consiglia di iniziare l'output con il marcatore di apertura del ragionamento. Sono raccomandazioni per il flusso di ragionamento rilasciato, non una garanzia che una singola impostazione stabilisca la correttezza.
Una specifica pratica della risposta può richiedere una spiegazione del metodo, i passaggi importanti giustificati e un elaborato finale separato. In un compito matematico, usa l'espressione in un riquadro per il risultato finale. In un compito di programmazione, separa il codice dalle sue ipotesi e dagli input esemplificativi. Per un compito logico, mantieni ogni conclusione collegata alla regola o al fatto fornito che la sostiene. Questo permette al testo di ragionamento e al risultato richiesto dall'applicazione di assolvere finalità distinte.
Contesto, output e confini d'integrazione
Le 131,072 posizioni massime della configurazione rilasciata devono essere considerate insieme al prompt completo e al ragionamento generato. Il produttore usa un'impostazione di generazione di 32,768 token nella valutazione, ma quell'impostazione sperimentale non è una specifica pubblicata e separata della capacità di output di questo checkpoint. Non dedurre un tetto della risposta da una configurazione di benchmark e non copiare il dato di output di 8,192 token dell'edizione originale Qwen Instruct nella versione distillata modificata.
Mantieni gli input focalizzati sulla domanda matematica, di programmazione o logica effettiva e indica la forma finale desiderata. Un calcolatore esterno, un repository, un parser di documenti o una funzione di ricerca devono essere forniti dall'applicazione circostante; non sono inclusi semplicemente selezionando un checkpoint di ragionamento testuale. Il risultato utile è una soluzione scritta o un'implementazione proposta le cui ipotesi, metodo e risposta finale corrispondano al problema fornito.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti deepseek-ai/DeepSeek-R1-Distill-Qwen-32B | 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 $0.00036 / 1K token Output · Token in output $0.00036 / 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-32B", "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-32B',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-32B',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-32B
Usa i percorsi dei metodi indicati sopra.
deepseek-ai/DeepSeek-R1-Distill-Qwen-32BDeepSeek-R1-Distill-Qwen-32B è un modello denso di ragionamento testuale perfezionato a partire da Qwen2.5-32B con esempi DeepSeek-R1. È destinato a compiti matematici, di programmazione e di logica a più passaggi, con prompting specifico del produttore e una configurazione di rilascio di 131,072 posizioni.
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-32B è il checkpoint di ragionamento denso di DeepSeek di dimensione 32B, costruito a partire da Qwen2.5-32B. DeepSeek perfeziona la base con esempi di ragionamento generati da DeepSeek-R1. Il risultato è un modello testuale distinto per problemi che richiedono più passaggi collegati, come una derivazione matematica, una domanda algoritmica o un ragionamento basato su vincoli.
Come questa distillazione differisce dal modello R1 completo
Il rilascio del produttore distingue DeepSeek-R1-Zero, DeepSeek-R1 e i modelli distillati basati su Qwen o Llama. La linea R1 completa sviluppa il ragionamento attraverso una propria pipeline di addestramento; la fase di distillazione trasferisce gli schemi rappresentati negli esempi generati da R1 a checkpoint densi separati. Questa voce è l'edizione distillata 32B basata su Qwen, non il modello R1 completo, R1-Zero o la base Qwen2.5-32B non modificata.
I modelli Qwen distillati rilasciati sono perfezionati con 800,000 campioni selezionati. DeepSeek modifica anche le loro configurazioni e i tokenizer e indica agli utenti di mantenere tali impostazioni. L'origine dell'addestramento spiega l'orientamento al ragionamento, mentre il checkpoint denominato e la sua configurazione determinano la versione effettiva. Questo non significa che il modello insegnante più grande venga consultato automaticamente per rispondere a ogni nuova domanda.
La configurazione del checkpoint 32B usa un'architettura di modello linguistico causale con 64 livelli, 40 teste di attenzione per le query e 8 teste per chiavi e valori. Imposta le posizioni massime a 131,072. Questo dato di configurazione riguarda il modello rilasciato; un comando esemplificativo di serving o un altro membro della famiglia R1 non devono essere considerati come la stessa impostazione del contesto. Il modello riceve testo e genera testo, anziché accettare un'immagine o produrre un elaborato visivo o audio.
Preparare un compito matematico o di programmazione
Per un problema matematico, fornisci la condizione completa, definisci le variabili e indica il dominio o le ipotesi. Specifica se il risultato finale deve essere un'espressione esatta, un'approssimazione numerica o la dimostrazione di un'affermazione. Una richiesta utile può domandare una derivazione seguita dall'espressione finale e da una verifica rispetto alle condizioni originali. Il produttore consiglia una risposta matematica sviluppata con la risposta finale racchiusa in un riquadro LaTeX.
Per un problema algoritmico, fornisci l'intervallo degli input, l'output richiesto e i vincoli della soluzione. Richiedi l'approccio, l'implementazione e una spiegazione di come conserva la proprietà richiesta. Se il problema riguarda codice esistente, fornisci la funzione pertinente, l'input che produce il comportamento inatteso e il risultato atteso. La risposta può confrontare il percorso effettivo con quello desiderato e proporre una correzione; l'esecuzione e la verifica del programma sono passaggi applicativi separati.
Per un problema di vincoli, elenca esplicitamente le scelte consentite e le relazioni. Per esempio, una richiesta di pianificazione può indicare i partecipanti, le disponibilità e le regole che rendono incompatibili due assegnazioni. Richiedi una proposta di assegnazione con la regola che sostiene ogni decisione ed esigi che le condizioni irrisolte rimangano visibili. Questo rende esaminabile il compito di ragionamento, anziché chiedere al modello di scegliere senza i vincoli sottostanti.
Raccomandazioni d'uso specifiche del produttore
DeepSeek consiglia di inserire tutte le istruzioni nel prompt utente ed evitare un prompt di sistema separato per questa serie. Questo differisce da un template di chat generale che si affida a un messaggio di sistema per definire il compito. Inserisci insieme il formato di risposta richiesto, il materiale di partenza e la domanda effettiva, delimitandoli chiaramente.
L'intervallo di temperatura consigliato va da 0.5 a 0.7, preferibilmente 0.6. Il produttore collega questa raccomandazione alla prevenzione di ripetizioni o output incoerenti. Osserva inoltre che alcune richieste possono produrre un blocco di ragionamento vuoto e consiglia di iniziare l'output con il marcatore di apertura del ragionamento. Sono raccomandazioni per il flusso di ragionamento rilasciato, non una garanzia che una singola impostazione stabilisca la correttezza.
Una specifica pratica della risposta può richiedere una spiegazione del metodo, i passaggi importanti giustificati e un elaborato finale separato. In un compito matematico, usa l'espressione in un riquadro per il risultato finale. In un compito di programmazione, separa il codice dalle sue ipotesi e dagli input esemplificativi. Per un compito logico, mantieni ogni conclusione collegata alla regola o al fatto fornito che la sostiene. Questo permette al testo di ragionamento e al risultato richiesto dall'applicazione di assolvere finalità distinte.
Contesto, output e confini d'integrazione
Le 131,072 posizioni massime della configurazione rilasciata devono essere considerate insieme al prompt completo e al ragionamento generato. Il produttore usa un'impostazione di generazione di 32,768 token nella valutazione, ma quell'impostazione sperimentale non è una specifica pubblicata e separata della capacità di output di questo checkpoint. Non dedurre un tetto della risposta da una configurazione di benchmark e non copiare il dato di output di 8,192 token dell'edizione originale Qwen Instruct nella versione distillata modificata.
Mantieni gli input focalizzati sulla domanda matematica, di programmazione o logica effettiva e indica la forma finale desiderata. Un calcolatore esterno, un repository, un parser di documenti o una funzione di ricerca devono essere forniti dall'applicazione circostante; non sono inclusi semplicemente selezionando un checkpoint di ragionamento testuale. Il risultato utile è una soluzione scritta o un'implementazione proposta le cui ipotesi, metodo e risposta finale corrispondano al problema fornito.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti deepseek-ai/DeepSeek-R1-Distill-Qwen-32B | 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 $0.00036 / 1K token Output · Token in output $0.00036 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-32B', '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-32B', '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-32B
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Solve a bounded scheduling problem\n\nSchedule three one-hour interviews in slots 09:00, 10:00 and 11:00. Ada cannot attend 09:00; Ben cannot attend 11:00; Chen must be before Ada. Each person gets one distinct slot. Give a valid schedule, explain how each constraint is satisfied and state whether another schedule is possible.A person-to-slot table, a constraint check and a justified uniqueness or non-uniqueness conclusion.Check all three constraints and distinct slots directly against the proposed schedule.