DeepSeek R1 è il modello originale di DeepSeek incentrato sul ragionamento per compiti matematici, di programmazione e di logica. Si basa su DeepSeek V3 Base e usa una pipeline di addestramento con esempi per l'avvio iniziale, perfezionamento supervisionato e apprendimento per rinforzo. L'input è testo e il risultato è una soluzione o una risposta testuale. Rimane distinto da R1 Zero, dalla successiva edizione R1-0528 e dai modelli distillati separatamente.
Il produttore distingue R1 dall'approccio di R1 Zero basato esclusivamente sull'apprendimento per rinforzo. Il materiale per l'avvio iniziale fornisce a R1 uno schema di partenza più leggibile prima dell'apprendimento per rinforzo orientato al ragionamento. Le successive fasi di campionamento per rifiuto e addestramento supervisionato aggiungono dati di ragionamento e di uso generale, seguite da un'altra fase di apprendimento per rinforzo. La scheda descrive due fasi supervisionate e due fasi di apprendimento per rinforzo, finalizzate a migliorare gli schemi di ragionamento e l'allineamento con la risposta richiesta.
L'architettura pubblicata ha 671 miliardi di parametri totali, con 37 miliardi attivi per token, e un contesto 128K. Questa finestra contiene insieme fonte, prompt e ragionamento o risposta generati; non costituisce una garanzia separata di 128K di output. Una lunga condizione matematica, un frammento di codice o un insieme di requisiti devono comunque essere organizzati in modo che il modello possa identificare il problema effettivo e la forma del risultato richiesto.
DeepSeek consiglia una temperatura compresa tra 0.5 e 0.7, preferibilmente 0.6, per ridurre ripetizioni o output incoerenti. Suggerisce di inserire le istruzioni nel prompt utente anziché aggiungere un prompt di sistema. Il suo rapporto di ricerca consiglia anche un'enunciazione diretta zero-shot del problema e del formato di output, poiché i prompt few-shot possono ridurre le prestazioni di questo profilo originale. Sono raccomandazioni d'uso del produttore, anziché impostazioni predefinite da presumere per ogni applicazione.
Per la matematica, fornisci la condizione completa, le definizioni delle variabili e le restrizioni del dominio. Il produttore consiglia di richiedere una soluzione passo per passo con il risultato finale in un'espressione \\boxed{}. Una richiesta esemplificativa può domandare la formula finale, le ipotesi in cui vale e una verifica per sostituzione. Per il codice, includi il comportamento da implementare, i vincoli e un input rappresentativo, quindi richiedi l'algoritmo proposto e l'elaborato di codice separatamente dalla spiegazione.
Il formato di ragionamento del modello separa una fase di riflessione dalla risposta finale. DeepSeek osserva che alcune richieste possono produrre un blocco di riflessione vuoto e consiglia un prefisso di avvio del ragionamento nel proprio flusso di riferimento quando si desidera un ragionamento più approfondito. Conserva la distinzione tra quel formato del produttore e la risposta finale destinata all'utente. L'elaborato richiesto può essere una conclusione sintetica o del codice anche quando il processo intermedio del modello è più lungo.
La ricerca originale identifica limiti concreti. R1 è ottimizzato per cinese e inglese, e le richieste in altre lingue possono causare una commistione linguistica indesiderata. È sensibile alla formulazione dei prompt, e il suo comportamento in conversazioni complesse a più turni, giochi di ruolo, JSON e chiamate di funzione è meno sviluppato rispetto al suo ambito principale, il ragionamento matematico e sul codice. Il supporto JSON e agli strumenti documentato per R1-0528 è una modifica di un'edizione successiva, non la specifica originale di R1. Indica esplicitamente lingua e formato di output e formula direttamente l'enunciato del problema.
Per un compito tecnico pratico, definisci che cosa costituisce un risultato corretto: una formula con le relative ipotesi, un algoritmo che soddisfi la complessità indicata o un confronto motivato secondo i criteri forniti. Chiedi alla risposta finale di identificare le informazioni mancanti anziché inventarle. Per attività dipendenti dalle fonti, fornisci come testo i brani autorevoli. Esamina il codice o la conclusione proposti rispetto alle condizioni originali; l'elaborato utile è la soluzione finale con la spiegazione a supporto, distinta da un'azione o una convalida che l'applicazione circostante ha effettivamente eseguito.
", "aboutText": "DeepSeek R1 è il modello originale di DeepSeek incentrato sul ragionamento per compiti matematici, di programmazione e di logica. Si basa su DeepSeek V3 Base e usa una pipeline di addestramento con esempi per l'avvio iniziale, perfezionamento supervisionato e apprendimento per rinforzo. L'input è testo e il risultato è una soluzione o una risposta testuale. Rimane distinto da R1 Zero, dalla successiva edizione R1-0528 e dai modelli distillati separatamente.\n\nIl produttore distingue R1 dall'approccio di R1 Zero basato esclusivamente sull'apprendimento per rinforzo. Il materiale per l'avvio iniziale fornisce a R1 uno schema di partenza più leggibile prima dell'apprendimento per rinforzo orientato al ragionamento. Le successive fasi di campionamento per rifiuto e addestramento supervisionato aggiungono dati di ragionamento e di uso generale, seguite da un'altra fase di apprendimento per rinforzo. La scheda descrive due fasi supervisionate e due fasi di apprendimento per rinforzo, finalizzate a migliorare gli schemi di ragionamento e l'allineamento con la risposta richiesta.\n\nL'architettura pubblicata ha 671 miliardi di parametri totali, con 37 miliardi attivi per token, e un contesto 128K. Questa finestra contiene insieme fonte, prompt e ragionamento o risposta generati; non costituisce una garanzia separata di 128K di output. Una lunga condizione matematica, un frammento di codice o un insieme di requisiti devono comunque essere organizzati in modo che il modello possa identificare il problema effettivo e la forma del risultato richiesto.\n\nDeepSeek consiglia una temperatura compresa tra 0.5 e 0.7, preferibilmente 0.6, per ridurre ripetizioni o output incoerenti. Suggerisce di inserire le istruzioni nel prompt utente anziché aggiungere un prompt di sistema. Il suo rapporto di ricerca consiglia anche un'enunciazione diretta zero-shot del problema e del formato di output, poiché i prompt few-shot possono ridurre le prestazioni di questo profilo originale. Sono raccomandazioni d'uso del produttore, anziché impostazioni predefinite da presumere per ogni applicazione.\n\nPer la matematica, fornisci la condizione completa, le definizioni delle variabili e le restrizioni del dominio. Il produttore consiglia di richiedere una soluzione passo per passo con il risultato finale in un'espressione \\boxed{}. Una richiesta esemplificativa può domandare la formula finale, le ipotesi in cui vale e una verifica per sostituzione. Per il codice, includi il comportamento da implementare, i vincoli e un input rappresentativo, quindi richiedi l'algoritmo proposto e l'elaborato di codice separatamente dalla spiegazione.\n\nIl formato di ragionamento del modello separa una fase di riflessione dalla risposta finale. DeepSeek osserva che alcune richieste possono produrre un blocco di riflessione vuoto e consiglia un prefisso di avvio del ragionamento nel proprio flusso di riferimento quando si desidera un ragionamento più approfondito. Conserva la distinzione tra quel formato del produttore e la risposta finale destinata all'utente. L'elaborato richiesto può essere una conclusione sintetica o del codice anche quando il processo intermedio del modello è più lungo.\n\nLa ricerca originale identifica limiti concreti. R1 è ottimizzato per cinese e inglese, e le richieste in altre lingue possono causare una commistione linguistica indesiderata. È sensibile alla formulazione dei prompt, e il suo comportamento in conversazioni complesse a più turni, giochi di ruolo, JSON e chiamate di funzione è meno sviluppato rispetto al suo ambito principale, il ragionamento matematico e sul codice. Il supporto JSON e agli strumenti documentato per R1-0528 è una modifica di un'edizione successiva, non la specifica originale di R1. Indica esplicitamente lingua e formato di output e formula direttamente l'enunciato del problema.\n\nPer un compito tecnico pratico, definisci che cosa costituisce un risultato corretto: una formula con le relative ipotesi, un algoritmo che soddisfi la complessità indicata o un confronto motivato secondo i criteri forniti. Chiedi alla risposta finale di identificare le informazioni mancanti anziché inventarle. Per attività dipendenti dalle fonti, fornisci come testo i brani autorevoli. Esamina il codice o la conclusione proposti rispetto alle condizioni originali; l'elaborato utile è la soluzione finale con la spiegazione a supporto, distinta da un'azione o una convalida che l'applicazione circostante ha effettivamente eseguito.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Optimize a rectangular enclosure\n\nA rectangular enclosure has 60 metres of fencing, used on all four sides. Its width and length are positive real numbers. Derive the largest possible area, justify why the optimum is global and check the dimensions against the fencing constraint. Give the final result in a boxed mathematical expression.A derivation, optimal dimensions, a perimeter check and a boxed maximum area.Check that the solution respects positivity and uses 2(length + width) = 60 rather than a three-sided constraint.deepseek/deepseek-r1DeepSeek R1 è il modello testuale originale di DeepSeek incentrato sul ragionamento per matematica, codice e logica. Combina esempi di istruzioni per l'avvio iniziale con apprendimento per rinforzo e un contesto 128K, con indicazioni del produttore per prompt diretti e una formattazione esplicita della risposta finale.
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 è il modello originale di DeepSeek incentrato sul ragionamento per compiti matematici, di programmazione e di logica. Si basa su DeepSeek V3 Base e usa una pipeline di addestramento con esempi per l'avvio iniziale, perfezionamento supervisionato e apprendimento per rinforzo. L'input è testo e il risultato è una soluzione o una risposta testuale. Rimane distinto da R1 Zero, dalla successiva edizione R1-0528 e dai modelli distillati separatamente.
Il produttore distingue R1 dall'approccio di R1 Zero basato esclusivamente sull'apprendimento per rinforzo. Il materiale per l'avvio iniziale fornisce a R1 uno schema di partenza più leggibile prima dell'apprendimento per rinforzo orientato al ragionamento. Le successive fasi di campionamento per rifiuto e addestramento supervisionato aggiungono dati di ragionamento e di uso generale, seguite da un'altra fase di apprendimento per rinforzo. La scheda descrive due fasi supervisionate e due fasi di apprendimento per rinforzo, finalizzate a migliorare gli schemi di ragionamento e l'allineamento con la risposta richiesta.
L'architettura pubblicata ha 671 miliardi di parametri totali, con 37 miliardi attivi per token, e un contesto 128K. Questa finestra contiene insieme fonte, prompt e ragionamento o risposta generati; non costituisce una garanzia separata di 128K di output. Una lunga condizione matematica, un frammento di codice o un insieme di requisiti devono comunque essere organizzati in modo che il modello possa identificare il problema effettivo e la forma del risultato richiesto.
DeepSeek consiglia una temperatura compresa tra 0.5 e 0.7, preferibilmente 0.6, per ridurre ripetizioni o output incoerenti. Suggerisce di inserire le istruzioni nel prompt utente anziché aggiungere un prompt di sistema. Il suo rapporto di ricerca consiglia anche un'enunciazione diretta zero-shot del problema e del formato di output, poiché i prompt few-shot possono ridurre le prestazioni di questo profilo originale. Sono raccomandazioni d'uso del produttore, anziché impostazioni predefinite da presumere per ogni applicazione.
Per la matematica, fornisci la condizione completa, le definizioni delle variabili e le restrizioni del dominio. Il produttore consiglia di richiedere una soluzione passo per passo con il risultato finale in un'espressione \\boxed{}. Una richiesta esemplificativa può domandare la formula finale, le ipotesi in cui vale e una verifica per sostituzione. Per il codice, includi il comportamento da implementare, i vincoli e un input rappresentativo, quindi richiedi l'algoritmo proposto e l'elaborato di codice separatamente dalla spiegazione.
Il formato di ragionamento del modello separa una fase di riflessione dalla risposta finale. DeepSeek osserva che alcune richieste possono produrre un blocco di riflessione vuoto e consiglia un prefisso di avvio del ragionamento nel proprio flusso di riferimento quando si desidera un ragionamento più approfondito. Conserva la distinzione tra quel formato del produttore e la risposta finale destinata all'utente. L'elaborato richiesto può essere una conclusione sintetica o del codice anche quando il processo intermedio del modello è più lungo.
La ricerca originale identifica limiti concreti. R1 è ottimizzato per cinese e inglese, e le richieste in altre lingue possono causare una commistione linguistica indesiderata. È sensibile alla formulazione dei prompt, e il suo comportamento in conversazioni complesse a più turni, giochi di ruolo, JSON e chiamate di funzione è meno sviluppato rispetto al suo ambito principale, il ragionamento matematico e sul codice. Il supporto JSON e agli strumenti documentato per R1-0528 è una modifica di un'edizione successiva, non la specifica originale di R1. Indica esplicitamente lingua e formato di output e formula direttamente l'enunciato del problema.
Per un compito tecnico pratico, definisci che cosa costituisce un risultato corretto: una formula con le relative ipotesi, un algoritmo che soddisfi la complessità indicata o un confronto motivato secondo i criteri forniti. Chiedi alla risposta finale di identificare le informazioni mancanti anziché inventarle. Per attività dipendenti dalle fonti, fornisci come testo i brani autorevoli. Esamina il codice o la conclusione proposti rispetto alle condizioni originali; l'elaborato utile è la soluzione finale con la spiegazione a supporto, distinta da un'azione o una convalida che l'applicazione circostante ha effettivamente eseguito.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti deepseek/deepseek-r1 | 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.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0014 / 1K token Output · Token in output $0.005 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0014 / 1K token Output · Token in output $0.005 / 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", "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',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',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
Usa i percorsi dei metodi indicati sopra.
deepseek/deepseek-r1DeepSeek R1 è il modello testuale originale di DeepSeek incentrato sul ragionamento per matematica, codice e logica. Combina esempi di istruzioni per l'avvio iniziale con apprendimento per rinforzo e un contesto 128K, con indicazioni del produttore per prompt diretti e una formattazione esplicita della risposta finale.
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 è il modello originale di DeepSeek incentrato sul ragionamento per compiti matematici, di programmazione e di logica. Si basa su DeepSeek V3 Base e usa una pipeline di addestramento con esempi per l'avvio iniziale, perfezionamento supervisionato e apprendimento per rinforzo. L'input è testo e il risultato è una soluzione o una risposta testuale. Rimane distinto da R1 Zero, dalla successiva edizione R1-0528 e dai modelli distillati separatamente.
Il produttore distingue R1 dall'approccio di R1 Zero basato esclusivamente sull'apprendimento per rinforzo. Il materiale per l'avvio iniziale fornisce a R1 uno schema di partenza più leggibile prima dell'apprendimento per rinforzo orientato al ragionamento. Le successive fasi di campionamento per rifiuto e addestramento supervisionato aggiungono dati di ragionamento e di uso generale, seguite da un'altra fase di apprendimento per rinforzo. La scheda descrive due fasi supervisionate e due fasi di apprendimento per rinforzo, finalizzate a migliorare gli schemi di ragionamento e l'allineamento con la risposta richiesta.
L'architettura pubblicata ha 671 miliardi di parametri totali, con 37 miliardi attivi per token, e un contesto 128K. Questa finestra contiene insieme fonte, prompt e ragionamento o risposta generati; non costituisce una garanzia separata di 128K di output. Una lunga condizione matematica, un frammento di codice o un insieme di requisiti devono comunque essere organizzati in modo che il modello possa identificare il problema effettivo e la forma del risultato richiesto.
DeepSeek consiglia una temperatura compresa tra 0.5 e 0.7, preferibilmente 0.6, per ridurre ripetizioni o output incoerenti. Suggerisce di inserire le istruzioni nel prompt utente anziché aggiungere un prompt di sistema. Il suo rapporto di ricerca consiglia anche un'enunciazione diretta zero-shot del problema e del formato di output, poiché i prompt few-shot possono ridurre le prestazioni di questo profilo originale. Sono raccomandazioni d'uso del produttore, anziché impostazioni predefinite da presumere per ogni applicazione.
Per la matematica, fornisci la condizione completa, le definizioni delle variabili e le restrizioni del dominio. Il produttore consiglia di richiedere una soluzione passo per passo con il risultato finale in un'espressione \\boxed{}. Una richiesta esemplificativa può domandare la formula finale, le ipotesi in cui vale e una verifica per sostituzione. Per il codice, includi il comportamento da implementare, i vincoli e un input rappresentativo, quindi richiedi l'algoritmo proposto e l'elaborato di codice separatamente dalla spiegazione.
Il formato di ragionamento del modello separa una fase di riflessione dalla risposta finale. DeepSeek osserva che alcune richieste possono produrre un blocco di riflessione vuoto e consiglia un prefisso di avvio del ragionamento nel proprio flusso di riferimento quando si desidera un ragionamento più approfondito. Conserva la distinzione tra quel formato del produttore e la risposta finale destinata all'utente. L'elaborato richiesto può essere una conclusione sintetica o del codice anche quando il processo intermedio del modello è più lungo.
La ricerca originale identifica limiti concreti. R1 è ottimizzato per cinese e inglese, e le richieste in altre lingue possono causare una commistione linguistica indesiderata. È sensibile alla formulazione dei prompt, e il suo comportamento in conversazioni complesse a più turni, giochi di ruolo, JSON e chiamate di funzione è meno sviluppato rispetto al suo ambito principale, il ragionamento matematico e sul codice. Il supporto JSON e agli strumenti documentato per R1-0528 è una modifica di un'edizione successiva, non la specifica originale di R1. Indica esplicitamente lingua e formato di output e formula direttamente l'enunciato del problema.
Per un compito tecnico pratico, definisci che cosa costituisce un risultato corretto: una formula con le relative ipotesi, un algoritmo che soddisfi la complessità indicata o un confronto motivato secondo i criteri forniti. Chiedi alla risposta finale di identificare le informazioni mancanti anziché inventarle. Per attività dipendenti dalle fonti, fornisci come testo i brani autorevoli. Esamina il codice o la conclusione proposti rispetto alle condizioni originali; l'elaborato utile è la soluzione finale con la spiegazione a supporto, distinta da un'azione o una convalida che l'applicazione circostante ha effettivamente eseguito.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti deepseek/deepseek-r1 | 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.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0014 / 1K token Output · Token in output $0.005 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0014 / 1K token Output · Token in output $0.005 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "deepseek/deepseek-r1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Optimize a rectangular enclosure\n\nA rectangular enclosure has 60 metres of fencing, used on all four sides. Its width and length are positive real numbers. Derive the largest possible area, justify why the optimum is global and check the dimensions against the fencing constraint. Give the final result in a boxed mathematical expression.A derivation, optimal dimensions, a perimeter check and a boxed maximum area.Check that the solution respects positivity and uses 2(length + width) = 60 rather than a three-sided constraint.