DeepSeek R1 Distill Llama 8B trasferisce gli schemi di ragionamento di DeepSeek R1 in un modello denso basato su Llama 3.1 8B Base. DeepSeek perfeziona questa base con esempi generati da R1. Il risultato è un checkpoint distillato 8B distinto, che lavora con input testuale e restituisce una risposta testuale, comprendente una derivazione, una proposta di codice o la spiegazione di un problema logico.
Identità del modello distillato. Il produttore rilascia distillazioni Llama e Qwen con basi e dimensioni differenti. L'edizione Llama 8B parte da un modello Base; Llama 70B parte da Llama 3.3 70B Instruct. Le edizioni Qwen usano le proprie basi. Quando scegli un modello o ne interpreti la risposta, conserva il checkpoint denominato esatto. DeepSeek adatta le configurazioni e i tokenizer dei modelli distillati, quindi una configurazione invariata del modello di base non descrive completamente la versione preparata.
Per una domanda matematica, indica le ipotesi, definisci i simboli e includi l'intero problema. Richiedi una derivazione per passaggi seguita da un risultato finale chiaramente separato. Una richiesta didattica utile può chiedere perché una determinata trasformazione sia valida e quale ipotesi la renda possibile. Quando un'argomentazione dipende da un caso limite, includilo nel prompt e chiedi al modello di verificarlo esplicitamente. In questo modo ottieni una soluzione da esaminare e discutere, anziché una risposta priva di spiegazione.
Raccomandazioni d'uso. DeepSeek consiglia una temperatura compresa tra 0.5 e 0.7, preferibilmente 0.6 per la propria serie di ragionamento. Suggerisce di inserire le istruzioni nel messaggio utente, senza un prompt di sistema separato, e invita chi pone problemi matematici a richiedere un ragionamento sequenziale con la risposta finale racchiusa 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. Si tratta di raccomandazioni pubblicate sull'uso del modello per ambienti di generazione compatibili.
Per la programmazione, fornisci una funzione o un algoritmo sintetico, input rappresentativi e gli output attesi. Richiedi l'implementazione proposta ed esempi che coprano casi ordinari ed eccezionali. Per segnalare un bug, conserva il messaggio di errore e indica il comportamento desiderato, quindi richiedi una correzione minima con una spiegazione. Un problema piccolo e circoscritto rende più semplice verificare se la risposta soddisfa il requisito effettivo e individuare il punto che richiede un approfondimento.
Per l'analisi logica, fornisci le premesse separatamente dalla conclusione da verificare. Richiedi un'argomentazione che le colleghi oppure un controesempio che mostri perché la conclusione non segue necessariamente. Se il compito è definito in modo insufficiente, chiedi di individuare l'ipotesi mancante prima di formulare una conclusione definitiva. Verifica autonomamente i calcoli importanti ed esegui il codice nel progetto di destinazione. Per valutare il modello rispetto a un flusso di lavoro, segui il consiglio del produttore di usare più prove rappresentative anziché una sola risposta favorevole.
", "aboutText": "DeepSeek R1 Distill Llama 8B trasferisce gli schemi di ragionamento di DeepSeek R1 in un modello denso basato su Llama 3.1 8B Base. DeepSeek perfeziona questa base con esempi generati da R1. Il risultato è un checkpoint distillato 8B distinto, che lavora con input testuale e restituisce una risposta testuale, comprendente una derivazione, una proposta di codice o la spiegazione di un problema logico.\n\nIdentità del modello distillato. Il produttore rilascia distillazioni Llama e Qwen con basi e dimensioni differenti. L'edizione Llama 8B parte da un modello Base; Llama 70B parte da Llama 3.3 70B Instruct. Le edizioni Qwen usano le proprie basi. Quando scegli un modello o ne interpreti la risposta, conserva il checkpoint denominato esatto. DeepSeek adatta le configurazioni e i tokenizer dei modelli distillati, quindi una configurazione invariata del modello di base non descrive completamente la versione preparata.\n\nPer una domanda matematica, indica le ipotesi, definisci i simboli e includi l'intero problema. Richiedi una derivazione per passaggi seguita da un risultato finale chiaramente separato. Una richiesta didattica utile può chiedere perché una determinata trasformazione sia valida e quale ipotesi la renda possibile. Quando un'argomentazione dipende da un caso limite, includilo nel prompt e chiedi al modello di verificarlo esplicitamente. In questo modo ottieni una soluzione da esaminare e discutere, anziché una risposta priva di spiegazione.\n\nRaccomandazioni d'uso. DeepSeek consiglia una temperatura compresa tra 0.5 e 0.7, preferibilmente 0.6 per la propria serie di ragionamento. Suggerisce di inserire le istruzioni nel messaggio utente, senza un prompt di sistema separato, e invita chi pone problemi matematici a richiedere un ragionamento sequenziale con la risposta finale racchiusa 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
Explain a square-root boundary\n\nSolve sqrt(x + 6) = x over the real numbers. Give a concise derivation, state the domain restrictions before squaring and check every resulting candidate in the original equation. Put the final solution set in box notation and explain why squaring can introduce an invalid candidate.A domain statement, an algebraic derivation, candidate substitutions and a boxed solution set.Check that every accepted root satisfies both the sign restriction and the unsquared equation.deepseek/deepseek-r1-distill-llama-8bUn modello di ragionamento denso e compatto, realizzato da DeepSeek su Llama 3.1 8B Base e perfezionato con esempi generati da R1. Produce soluzioni testuali per compiti matematici, logici e di programmazione a partire da un problema formulato con chiarezza.
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 8B trasferisce gli schemi di ragionamento di DeepSeek R1 in un modello denso basato su Llama 3.1 8B Base. DeepSeek perfeziona questa base con esempi generati da R1. Il risultato è un checkpoint distillato 8B distinto, che lavora con input testuale e restituisce una risposta testuale, comprendente una derivazione, una proposta di codice o la spiegazione di un problema logico.
Identità del modello distillato. Il produttore rilascia distillazioni Llama e Qwen con basi e dimensioni differenti. L'edizione Llama 8B parte da un modello Base; Llama 70B parte da Llama 3.3 70B Instruct. Le edizioni Qwen usano le proprie basi. Quando scegli un modello o ne interpreti la risposta, conserva il checkpoint denominato esatto. DeepSeek adatta le configurazioni e i tokenizer dei modelli distillati, quindi una configurazione invariata del modello di base non descrive completamente la versione preparata.
Per una domanda matematica, indica le ipotesi, definisci i simboli e includi l'intero problema. Richiedi una derivazione per passaggi seguita da un risultato finale chiaramente separato. Una richiesta didattica utile può chiedere perché una determinata trasformazione sia valida e quale ipotesi la renda possibile. Quando un'argomentazione dipende da un caso limite, includilo nel prompt e chiedi al modello di verificarlo esplicitamente. In questo modo ottieni una soluzione da esaminare e discutere, anziché una risposta priva di spiegazione.
Raccomandazioni d'uso. DeepSeek consiglia una temperatura compresa tra 0.5 e 0.7, preferibilmente 0.6 per la propria serie di ragionamento. Suggerisce di inserire le istruzioni nel messaggio utente, senza un prompt di sistema separato, e invita chi pone problemi matematici a richiedere un ragionamento sequenziale con la risposta finale racchiusa 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. Si tratta di raccomandazioni pubblicate sull'uso del modello per ambienti di generazione compatibili.
Per la programmazione, fornisci una funzione o un algoritmo sintetico, input rappresentativi e gli output attesi. Richiedi l'implementazione proposta ed esempi che coprano casi ordinari ed eccezionali. Per segnalare un bug, conserva il messaggio di errore e indica il comportamento desiderato, quindi richiedi una correzione minima con una spiegazione. Un problema piccolo e circoscritto rende più semplice verificare se la risposta soddisfa il requisito effettivo e individuare il punto che richiede un approfondimento.
Per l'analisi logica, fornisci le premesse separatamente dalla conclusione da verificare. Richiedi un'argomentazione che le colleghi oppure un controesempio che mostri perché la conclusione non segue necessariamente. Se il compito è definito in modo insufficiente, chiedi di individuare l'ipotesi mancante prima di formulare una conclusione definitiva. Verifica autonomamente i calcoli importanti ed esegui il codice nel progetto di destinazione. Per valutare il modello rispetto a un flusso di lavoro, segui il consiglio del produttore di usare più prove rappresentative anziché una sola risposta favorevole.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti deepseek/deepseek-r1-distill-llama-8b | 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 $0.00008 / 1K token Output · Token in output $0.00008 / 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-8b", "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-8b',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-8b',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-8b
Usa i percorsi dei metodi indicati sopra.
deepseek/deepseek-r1-distill-llama-8bUn modello di ragionamento denso e compatto, realizzato da DeepSeek su Llama 3.1 8B Base e perfezionato con esempi generati da R1. Produce soluzioni testuali per compiti matematici, logici e di programmazione a partire da un problema formulato con chiarezza.
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 8B trasferisce gli schemi di ragionamento di DeepSeek R1 in un modello denso basato su Llama 3.1 8B Base. DeepSeek perfeziona questa base con esempi generati da R1. Il risultato è un checkpoint distillato 8B distinto, che lavora con input testuale e restituisce una risposta testuale, comprendente una derivazione, una proposta di codice o la spiegazione di un problema logico.
Identità del modello distillato. Il produttore rilascia distillazioni Llama e Qwen con basi e dimensioni differenti. L'edizione Llama 8B parte da un modello Base; Llama 70B parte da Llama 3.3 70B Instruct. Le edizioni Qwen usano le proprie basi. Quando scegli un modello o ne interpreti la risposta, conserva il checkpoint denominato esatto. DeepSeek adatta le configurazioni e i tokenizer dei modelli distillati, quindi una configurazione invariata del modello di base non descrive completamente la versione preparata.
Per una domanda matematica, indica le ipotesi, definisci i simboli e includi l'intero problema. Richiedi una derivazione per passaggi seguita da un risultato finale chiaramente separato. Una richiesta didattica utile può chiedere perché una determinata trasformazione sia valida e quale ipotesi la renda possibile. Quando un'argomentazione dipende da un caso limite, includilo nel prompt e chiedi al modello di verificarlo esplicitamente. In questo modo ottieni una soluzione da esaminare e discutere, anziché una risposta priva di spiegazione.
Raccomandazioni d'uso. DeepSeek consiglia una temperatura compresa tra 0.5 e 0.7, preferibilmente 0.6 per la propria serie di ragionamento. Suggerisce di inserire le istruzioni nel messaggio utente, senza un prompt di sistema separato, e invita chi pone problemi matematici a richiedere un ragionamento sequenziale con la risposta finale racchiusa 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. Si tratta di raccomandazioni pubblicate sull'uso del modello per ambienti di generazione compatibili.
Per la programmazione, fornisci una funzione o un algoritmo sintetico, input rappresentativi e gli output attesi. Richiedi l'implementazione proposta ed esempi che coprano casi ordinari ed eccezionali. Per segnalare un bug, conserva il messaggio di errore e indica il comportamento desiderato, quindi richiedi una correzione minima con una spiegazione. Un problema piccolo e circoscritto rende più semplice verificare se la risposta soddisfa il requisito effettivo e individuare il punto che richiede un approfondimento.
Per l'analisi logica, fornisci le premesse separatamente dalla conclusione da verificare. Richiedi un'argomentazione che le colleghi oppure un controesempio che mostri perché la conclusione non segue necessariamente. Se il compito è definito in modo insufficiente, chiedi di individuare l'ipotesi mancante prima di formulare una conclusione definitiva. Verifica autonomamente i calcoli importanti ed esegui il codice nel progetto di destinazione. Per valutare il modello rispetto a un flusso di lavoro, segui il consiglio del produttore di usare più prove rappresentative anziché una sola risposta favorevole.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti deepseek/deepseek-r1-distill-llama-8b | 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 $0.00008 / 1K token Output · Token in output $0.00008 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "deepseek/deepseek-r1-distill-llama-8b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-8b', '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-8b', '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-8b
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Explain a square-root boundary\n\nSolve sqrt(x + 6) = x over the real numbers. Give a concise derivation, state the domain restrictions before squaring and check every resulting candidate in the original equation. Put the final solution set in box notation and explain why squaring can introduce an invalid candidate.A domain statement, an algebraic derivation, candidate substitutions and a boxed solution set.Check that every accepted root satisfies both the sign restriction and the unsquared equation.