DeepSeek R1 Distill Llama 70B è un modello di ragionamento distinto costruito su Llama 3.3 70B Instruct. DeepSeek perfeziona il modello di base con esempi di ragionamento generati da DeepSeek R1, trasferendo in un modello Llama denso gli schemi per risolvere problemi matematici, di programmazione e di logica. Accetta testo e produce una risposta testuale contenente l'analisi, il codice o la conclusione richiesti.
Distillazione. Si tratta di un checkpoint di modello preparato, anziché di una modalità che attiva il modello R1 completo. Il produttore rilascia diversi modelli distillati basati su Llama e Qwen. L'edizione Llama 70B usa Llama 3.3 Instruct; l'edizione Llama 8B parte da Llama 3.1 Base. Le diverse basi e dimensioni contano nella scelta dell'edizione esatta. DeepSeek adatta anche le configurazioni e i tokenizer delle versioni distillate, quindi la preparazione pubblicata del modello deve restare associata al checkpoint denominato.
Attività di ragionamento. Per un compito matematico, fornisci l'enunciato completo, le definizioni e le ipotesi, e specifica se il risultato deve essere una dimostrazione, un calcolo o un controesempio. Richiedi una derivazione chiara e una risposta finale facile da individuare. Per una domanda su un algoritmo, indica i vincoli dell'input e l'output desiderato, quindi richiedi l'approccio, l'implementazione e casi che mettano alla prova le ipotesi. L'elaborato utile è una soluzione i cui passaggi importanti possano essere esaminati, anziché soltanto un valore finale plausibile.
Raccomandazioni per la generazione. DeepSeek consiglia di inserire tutte le istruzioni nel messaggio utente anziché aggiungere un prompt di sistema separato. Per la sua serie di ragionamento, l'intervallo di temperatura documentato è 0.5–0.7, con 0.6 consigliato per ridurre ripetizioni e output incoerenti. Per i prompt matematici viene suggerito di richiedere una soluzione per passaggi e di inserire il risultato finale in un riquadro matematico. Per i casi in cui lo schema di ragionamento previsto viene saltato, DeepSeek consiglia di imporre il prefisso di risposta <think>\\n in una configurazione di generazione compatibile. Sono raccomandazioni per una configurazione di generazione compatibile e non attestano l'esistenza di uno strumento di esecuzione separato.
Per l'assistenza alla programmazione, includi la funzione pertinente, il malfunzionamento segnalato, il comportamento atteso e un input rappresentativo. Richiedi una modifica minima proposta, accompagnata da una spiegazione e da un caso di test che riveli il problema originale. Se la domanda riguarda più moduli, conserva i loro nomi e descrivi l'interfaccia che li collega. Il modello può così ragionare sulle relazioni fornite e restituire una proposta di patch o una spiegazione mirata da esaminare.
Per l'analisi tecnica, separa i fatti noti dalle alternative in esame. Puoi chiedere al modello di confrontare due algoritmi, spiegare perché una condizione sia necessaria o trovare un input che contraddica una regola proposta. Richiedi prima l'argomento decisivo ed esplicita tutte le ipotesi. Verifica autonomamente i calcoli importanti ed esegui il codice generato nell'ambiente di destinazione; la risposta in sé è un elaborato testuale. Quando confronti il comportamento dei modelli, usa più problemi rappresentativi anziché considerare una singola risposta come una valutazione completa.
", "aboutText": "DeepSeek R1 Distill Llama 70B è un modello di ragionamento distinto costruito su Llama 3.3 70B Instruct. DeepSeek perfeziona il modello di base con esempi di ragionamento generati da DeepSeek R1, trasferendo in un modello Llama denso gli schemi per risolvere problemi matematici, di programmazione e di logica. Accetta testo e produce una risposta testuale contenente l'analisi, il codice o la conclusione richiesti.\n\nDistillazione. Si tratta di un checkpoint di modello preparato, anziché di una modalità che attiva il modello R1 completo. Il produttore rilascia diversi modelli distillati basati su Llama e Qwen. L'edizione Llama 70B usa Llama 3.3 Instruct; l'edizione Llama 8B parte da Llama 3.1 Base. Le diverse basi e dimensioni contano nella scelta dell'edizione esatta. DeepSeek adatta anche le configurazioni e i tokenizer delle versioni distillate, quindi la preparazione pubblicata del modello deve restare associata al checkpoint denominato.\n\nAttività di ragionamento. Per un compito matematico, fornisci l'enunciato completo, le definizioni e le ipotesi, e specifica se il risultato deve essere una dimostrazione, un calcolo o un controesempio. Richiedi una derivazione chiara e una risposta finale facile da individuare. Per una domanda su un algoritmo, indica i vincoli dell'input e l'output desiderato, quindi richiedi l'approccio, l'implementazione e casi che mettano alla prova le ipotesi. L'elaborato utile è una soluzione i cui passaggi importanti possano essere esaminati, anziché soltanto un valore finale plausibile.\n\nRaccomandazioni per la generazione. DeepSeek consiglia di inserire tutte le istruzioni nel messaggio utente anziché aggiungere un prompt di sistema separato. Per la sua serie di ragionamento, l'intervallo di temperatura documentato è 0.5–0.7, con 0.6 consigliato per ridurre ripetizioni e output incoerenti. Per i prompt matematici viene suggerito di richiedere una soluzione per passaggi e di inserire il risultato finale in un riquadro matematico. Per i casi in cui lo schema di ragionamento previsto viene saltato, DeepSeek consiglia di imporre il prefisso di risposta `Esempio tecnico in inglese
Test an allocation rule\n\nA workshop must assign 17 identical kits to four teams. Each team needs at least three kits, and Team A must receive an odd number. Find the allocation that minimizes the largest team allocation. Show a short verifiable argument that a smaller maximum is impossible, then give one valid allocation.An explicit allocation, its maximum and a concise optimality argument.The allocation must sum to 17, satisfy the minimum and oddness rules, and include a lower-bound argument.deepseek/deepseek-r1-distill-llama-70bUn modello di ragionamento denso, distillato da DeepSeek su Llama 3.3 70B Instruct usando esempi generati da R1. Usa prompt testuali per problemi matematici, codice e questioni logiche che richiedono una soluzione spiegata e una risposta finale separata.
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 Llama 70B è un modello di ragionamento distinto costruito su Llama 3.3 70B Instruct. DeepSeek perfeziona il modello di base con esempi di ragionamento generati da DeepSeek R1, trasferendo in un modello Llama denso gli schemi per risolvere problemi matematici, di programmazione e di logica. Accetta testo e produce una risposta testuale contenente l'analisi, il codice o la conclusione richiesti.
Distillazione. Si tratta di un checkpoint di modello preparato, anziché di una modalità che attiva il modello R1 completo. Il produttore rilascia diversi modelli distillati basati su Llama e Qwen. L'edizione Llama 70B usa Llama 3.3 Instruct; l'edizione Llama 8B parte da Llama 3.1 Base. Le diverse basi e dimensioni contano nella scelta dell'edizione esatta. DeepSeek adatta anche le configurazioni e i tokenizer delle versioni distillate, quindi la preparazione pubblicata del modello deve restare associata al checkpoint denominato.
Attività di ragionamento. Per un compito matematico, fornisci l'enunciato completo, le definizioni e le ipotesi, e specifica se il risultato deve essere una dimostrazione, un calcolo o un controesempio. Richiedi una derivazione chiara e una risposta finale facile da individuare. Per una domanda su un algoritmo, indica i vincoli dell'input e l'output desiderato, quindi richiedi l'approccio, l'implementazione e casi che mettano alla prova le ipotesi. L'elaborato utile è una soluzione i cui passaggi importanti possano essere esaminati, anziché soltanto un valore finale plausibile.
Raccomandazioni per la generazione. DeepSeek consiglia di inserire tutte le istruzioni nel messaggio utente anziché aggiungere un prompt di sistema separato. Per la sua serie di ragionamento, l'intervallo di temperatura documentato è 0.5–0.7, con 0.6 consigliato per ridurre ripetizioni e output incoerenti. Per i prompt matematici viene suggerito di richiedere una soluzione per passaggi e di inserire il risultato finale in un riquadro matematico. Per i casi in cui lo schema di ragionamento previsto viene saltato, DeepSeek consiglia di imporre il prefisso di risposta <think>\\n in una configurazione di generazione compatibile. Sono raccomandazioni per una configurazione di generazione compatibile e non attestano l'esistenza di uno strumento di esecuzione separato.
Per l'assistenza alla programmazione, includi la funzione pertinente, il malfunzionamento segnalato, il comportamento atteso e un input rappresentativo. Richiedi una modifica minima proposta, accompagnata da una spiegazione e da un caso di test che riveli il problema originale. Se la domanda riguarda più moduli, conserva i loro nomi e descrivi l'interfaccia che li collega. Il modello può così ragionare sulle relazioni fornite e restituire una proposta di patch o una spiegazione mirata da esaminare.
Per l'analisi tecnica, separa i fatti noti dalle alternative in esame. Puoi chiedere al modello di confrontare due algoritmi, spiegare perché una condizione sia necessaria o trovare un input che contraddica una regola proposta. Richiedi prima l'argomento decisivo ed esplicita tutte le ipotesi. Verifica autonomamente i calcoli importanti ed esegui il codice generato nell'ambiente di destinazione; la risposta in sé è un elaborato testuale. Quando confronti il comportamento dei modelli, usa più problemi rappresentativi anziché considerare una singola risposta come una valutazione completa.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti deepseek/deepseek-r1-distill-llama-70b | 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 $0.00028 / 1K token Output · Token in output $0.00086 / 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/deepseek-r1-distill-llama-70b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek/deepseek-r1-distill-llama-70b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek/deepseek-r1-distill-llama-70b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/deepseek-r1-distill-llama-70b
Usa i percorsi dei metodi indicati sopra.
deepseek/deepseek-r1-distill-llama-70bUn modello di ragionamento denso, distillato da DeepSeek su Llama 3.3 70B Instruct usando esempi generati da R1. Usa prompt testuali per problemi matematici, codice e questioni logiche che richiedono una soluzione spiegata e una risposta finale separata.
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 Llama 70B è un modello di ragionamento distinto costruito su Llama 3.3 70B Instruct. DeepSeek perfeziona il modello di base con esempi di ragionamento generati da DeepSeek R1, trasferendo in un modello Llama denso gli schemi per risolvere problemi matematici, di programmazione e di logica. Accetta testo e produce una risposta testuale contenente l'analisi, il codice o la conclusione richiesti.
Distillazione. Si tratta di un checkpoint di modello preparato, anziché di una modalità che attiva il modello R1 completo. Il produttore rilascia diversi modelli distillati basati su Llama e Qwen. L'edizione Llama 70B usa Llama 3.3 Instruct; l'edizione Llama 8B parte da Llama 3.1 Base. Le diverse basi e dimensioni contano nella scelta dell'edizione esatta. DeepSeek adatta anche le configurazioni e i tokenizer delle versioni distillate, quindi la preparazione pubblicata del modello deve restare associata al checkpoint denominato.
Attività di ragionamento. Per un compito matematico, fornisci l'enunciato completo, le definizioni e le ipotesi, e specifica se il risultato deve essere una dimostrazione, un calcolo o un controesempio. Richiedi una derivazione chiara e una risposta finale facile da individuare. Per una domanda su un algoritmo, indica i vincoli dell'input e l'output desiderato, quindi richiedi l'approccio, l'implementazione e casi che mettano alla prova le ipotesi. L'elaborato utile è una soluzione i cui passaggi importanti possano essere esaminati, anziché soltanto un valore finale plausibile.
Raccomandazioni per la generazione. DeepSeek consiglia di inserire tutte le istruzioni nel messaggio utente anziché aggiungere un prompt di sistema separato. Per la sua serie di ragionamento, l'intervallo di temperatura documentato è 0.5–0.7, con 0.6 consigliato per ridurre ripetizioni e output incoerenti. Per i prompt matematici viene suggerito di richiedere una soluzione per passaggi e di inserire il risultato finale in un riquadro matematico. Per i casi in cui lo schema di ragionamento previsto viene saltato, DeepSeek consiglia di imporre il prefisso di risposta <think>\\n in una configurazione di generazione compatibile. Sono raccomandazioni per una configurazione di generazione compatibile e non attestano l'esistenza di uno strumento di esecuzione separato.
Per l'assistenza alla programmazione, includi la funzione pertinente, il malfunzionamento segnalato, il comportamento atteso e un input rappresentativo. Richiedi una modifica minima proposta, accompagnata da una spiegazione e da un caso di test che riveli il problema originale. Se la domanda riguarda più moduli, conserva i loro nomi e descrivi l'interfaccia che li collega. Il modello può così ragionare sulle relazioni fornite e restituire una proposta di patch o una spiegazione mirata da esaminare.
Per l'analisi tecnica, separa i fatti noti dalle alternative in esame. Puoi chiedere al modello di confrontare due algoritmi, spiegare perché una condizione sia necessaria o trovare un input che contraddica una regola proposta. Richiedi prima l'argomento decisivo ed esplicita tutte le ipotesi. Verifica autonomamente i calcoli importanti ed esegui il codice generato nell'ambiente di destinazione; la risposta in sé è un elaborato testuale. Quando confronti il comportamento dei modelli, usa più problemi rappresentativi anziché considerare una singola risposta come una valutazione completa.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti deepseek/deepseek-r1-distill-llama-70b | 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 $0.00028 / 1K token Output · Token in output $0.00086 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "deepseek/deepseek-r1-distill-llama-70b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1-distill-llama-70b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1-distill-llama-70b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/deepseek-r1-distill-llama-70b
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Test an allocation rule\n\nA workshop must assign 17 identical kits to four teams. Each team needs at least three kits, and Team A must receive an odd number. Find the allocation that minimizes the largest team allocation. Show a short verifiable argument that a smaller maximum is impossible, then give one valid allocation.An explicit allocation, its maximum and a concise optimality argument.The allocation must sum to 17, satisfy the minimum and oddness rules, and include a lower-bound argument.