DeepSeek Math V2 è specializzato nella dimostrazione di teoremi in linguaggio naturale e nel ragionamento matematico autoverificabile. È costruito su DeepSeek V3.2 Exp Base. Il punto di partenza del produttore è che una risposta finale corretta può comunque poggiare su un ragionamento invalido, mentre un teorema spesso richiede una derivazione completa invece di una risposta numerica. Il modello si concentra quindi sulla generazione di dimostrazioni, sull'identificazione dei loro difetti e sul miglioramento dell'argomentazione prima di finalizzare la risposta.
Verifica delle dimostrazioni. Il metodo di addestramento insegna a un verificatore a leggere un problema insieme a una dimostrazione proposta, identificare i problemi e giudicare la qualità della dimostrazione. I criteri distinguono una derivazione completa e rigorosa da una soluzione altrimenti valida con errori minori e da un'argomentazione fondamentalmente invalida. Una richiesta pratica di revisione deve usare la stessa distinzione: mostrare dove il ragionamento si interrompe, spiegare perché il problema conta e separare un dettaglio mancante da una lacuna che impedisce la conclusione.
Meta-verifica. La ricerca esamina anche le critiche del verificatore stesso. Un difetto segnalato deve essere realmente presente nella dimostrazione proposta e giustificare la valutazione. Questo affronta il rischio di assegnare un giudizio apparentemente ragionevole inventando però un problema che la dimostrazione non contiene. Per una revisione, fornisci la dimostrazione originale insieme alle eventuali critiche esistenti e chiedi se la critica rappresenti accuratamente il passaggio pertinente. L'artefatto utile è una spiegazione verificata dell'obiezione e delle sue conseguenze.
Generazione delle dimostrazioni e autoanalisi. DeepSeek addestra il generatore usando il feedback del verificatore e premia esplicitamente la valutazione accurata del proprio lavoro. Il modello è incoraggiato a riconoscere errori reali, correggere i problemi che può risolvere e presentare la migliore dimostrazione insieme a una valutazione onesta della sua completezza. Verifica e generazione migliorano in un ciclo di addestramento iterativo; dimostrazioni generate più difficili diventano materiale per migliorare il verificatore. Il modello risultante può sia generare sia verificare argomentazioni matematiche.
Prepara il problema con precisione. Includi definizioni, quantificatori, domini e tutte le ipotesi. Indica se vuoi esistenza, unicità, una disuguaglianza, una costruzione o un controesempio. Se viene fornito un lemma consentito, riportane l'enunciato esatto e spiega se possa essere usato direttamente o debba a sua volta essere dimostrato. I prompt del produttore richiedono una soluzione giustificata anche quando l'attività chiede una risposta e non considerano un rimando a un altro testo come sostituto dell'argomentazione mancante.
La risposta attesa può contenere una panoramica dell'idea, una dimostrazione completa e un'autovalutazione separata. Per una disuguaglianza, chiedi al modello di verificare le restrizioni del dominio e le condizioni di uguaglianza. Per un problema di conteggio, chiedigli di giustificare che i casi siano esaustivi e non si sovrappongano. Per una dimostrazione esistente, identifica il passaggio contestato e richiedi una correzione oppure una spiegazione del motivo per cui la conclusione proposta resti indimostrata. Algebra, geometria, teoria dei numeri, combinatoria e disuguaglianze sono rappresentate nelle attività di valutazione matematica del produttore.
Affinamento. Il flusso pubblicato può reinserire una dimostrazione e la sua autoanalisi nello stesso modello per affrontare i difetti residui. Nel contesto di ricerca a singolo tentativo descritto dal produttore, il budget della dimostrazione è di 128K token; alcune argomentazioni difficili restano incomplete quando quel budget si esaurisce. Nel tuo lavoro, usa un'obiezione specifica come input successivo e chiedi quale parte della dimostrazione cambi quando viene risolta. Mantieni visibili le definizioni e le ipotesi precedenti. L'artefatto rivisto deve dichiarare cosa è stato stabilito e quale difficoltà rimane.
L'output di Math V2 è una dimostrazione e una critica in linguaggio naturale. Sistemi di dimostrazione formale come Lean verificano un tipo diverso di artefatto; DeepSeek Prover V2 è una specializzazione distinta nel ragionamento formale. Una valutazione secondo cui non è stato trovato alcun difetto merita comunque una revisione matematica, soprattutto quando la dimostrazione dipende da un caso omesso o da un lemma non enunciato. La ricerca del produttore segnala che i problemi più difficili possono restare irrisolti anche con l'affinamento.
", "aboutText": "DeepSeek Math V2 è specializzato nella dimostrazione di teoremi in linguaggio naturale e nel ragionamento matematico autoverificabile. È costruito su DeepSeek V3.2 Exp Base. Il punto di partenza del produttore è che una risposta finale corretta può comunque poggiare su un ragionamento invalido, mentre un teorema spesso richiede una derivazione completa invece di una risposta numerica. Il modello si concentra quindi sulla generazione di dimostrazioni, sull'identificazione dei loro difetti e sul miglioramento dell'argomentazione prima di finalizzare la risposta.\n\nVerifica delle dimostrazioni. Il metodo di addestramento insegna a un verificatore a leggere un problema insieme a una dimostrazione proposta, identificare i problemi e giudicare la qualità della dimostrazione. I criteri distinguono una derivazione completa e rigorosa da una soluzione altrimenti valida con errori minori e da un'argomentazione fondamentalmente invalida. Una richiesta pratica di revisione deve usare la stessa distinzione: mostrare dove il ragionamento si interrompe, spiegare perché il problema conta e separare un dettaglio mancante da una lacuna che impedisce la conclusione.\n\nMeta-verifica. La ricerca esamina anche le critiche del verificatore stesso. Un difetto segnalato deve essere realmente presente nella dimostrazione proposta e giustificare la valutazione. Questo affronta il rischio di assegnare un giudizio apparentemente ragionevole inventando però un problema che la dimostrazione non contiene. Per una revisione, fornisci la dimostrazione originale insieme alle eventuali critiche esistenti e chiedi se la critica rappresenti accuratamente il passaggio pertinente. L'artefatto utile è una spiegazione verificata dell'obiezione e delle sue conseguenze.\n\nGenerazione delle dimostrazioni e autoanalisi. DeepSeek addestra il generatore usando il feedback del verificatore e premia esplicitamente la valutazione accurata del proprio lavoro. Il modello è incoraggiato a riconoscere errori reali, correggere i problemi che può risolvere e presentare la migliore dimostrazione insieme a una valutazione onesta della sua completezza. Verifica e generazione migliorano in un ciclo di addestramento iterativo; dimostrazioni generate più difficili diventano materiale per migliorare il verificatore. Il modello risultante può sia generare sia verificare argomentazioni matematiche.\n\nPrepara il problema con precisione. Includi definizioni, quantificatori, domini e tutte le ipotesi. Indica se vuoi esistenza, unicità, una disuguaglianza, una costruzione o un controesempio. Se viene fornito un lemma consentito, riportane l'enunciato esatto e spiega se possa essere usato direttamente o debba a sua volta essere dimostrato. I prompt del produttore richiedono una soluzione giustificata anche quando l'attività chiede una risposta e non considerano un rimando a un altro testo come sostituto dell'argomentazione mancante.\n\nLa risposta attesa può contenere una panoramica dell'idea, una dimostrazione completa e un'autovalutazione separata. Per una disuguaglianza, chiedi al modello di verificare le restrizioni del dominio e le condizioni di uguaglianza. Per un problema di conteggio, chiedigli di giustificare che i casi siano esaustivi e non si sovrappongano. Per una dimostrazione esistente, identifica il passaggio contestato e richiedi una correzione oppure una spiegazione del motivo per cui la conclusione proposta resti indimostrata. Algebra, geometria, teoria dei numeri, combinatoria e disuguaglianze sono rappresentate nelle attività di valutazione matematica del produttore.\n\nAffinamento. Il flusso pubblicato può reinserire una dimostrazione e la sua autoanalisi nello stesso modello per affrontare i difetti residui. Nel contesto di ricerca a singolo tentativo descritto dal produttore, il budget della dimostrazione è di 128K token; alcune argomentazioni difficili restano incomplete quando quel budget si esaurisce. Nel tuo lavoro, usa un'obiezione specifica come input successivo e chiedi quale parte della dimostrazione cambi quando viene risolta. Mantieni visibili le definizioni e le ipotesi precedenti. L'artefatto rivisto deve dichiarare cosa è stato stabilito e quale difficoltà rimane.\n\nL'output di Math V2 è una dimostrazione e una critica in linguaggio naturale. Sistemi di dimostrazione formale come Lean verificano un tipo diverso di artefatto; DeepSeek Prover V2 è una specializzazione distinta nel ragionamento formale. Una valutazione secondo cui non è stato trovato alcun difetto merita comunque una revisione matematica, soprattutto quando la dimostrazione dipende da un caso omesso o da un lemma non enunciato. La ricerca del produttore segnala che i problemi più difficili possono restare irrisolti anche con l'affinamento.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Repair a divisibility proof\n\nReview this proposed proof: 'If 6 divides ab, then 6 divides a or 6 divides b, because every prime factor of 6 must divide one of the factors.' Here a and b are integers. Identify the invalid implication, provide a counterexample and state a correct related proposition with proof. Separate your proof from a self-check of its completeness.A precise flaw explanation, an integer counterexample, a corrected proposition with proof and a separate self-check.Verify the counterexample meets the premise and defeats both alternatives in the claimed conclusion.DeepSeek-Math-V2-ultraIl modello di DeepSeek per dimostrazioni matematiche in linguaggio naturale e autoverifica, costruito su DeepSeek V3.2 Exp Base. Può sviluppare una soluzione, esaminarne le lacune logiche e affinare l'argomentazione, con una dimostrazione dettagliata e una valutazione dei problemi ancora aperti.
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 Math V2 è specializzato nella dimostrazione di teoremi in linguaggio naturale e nel ragionamento matematico autoverificabile. È costruito su DeepSeek V3.2 Exp Base. Il punto di partenza del produttore è che una risposta finale corretta può comunque poggiare su un ragionamento invalido, mentre un teorema spesso richiede una derivazione completa invece di una risposta numerica. Il modello si concentra quindi sulla generazione di dimostrazioni, sull'identificazione dei loro difetti e sul miglioramento dell'argomentazione prima di finalizzare la risposta.
Verifica delle dimostrazioni. Il metodo di addestramento insegna a un verificatore a leggere un problema insieme a una dimostrazione proposta, identificare i problemi e giudicare la qualità della dimostrazione. I criteri distinguono una derivazione completa e rigorosa da una soluzione altrimenti valida con errori minori e da un'argomentazione fondamentalmente invalida. Una richiesta pratica di revisione deve usare la stessa distinzione: mostrare dove il ragionamento si interrompe, spiegare perché il problema conta e separare un dettaglio mancante da una lacuna che impedisce la conclusione.
Meta-verifica. La ricerca esamina anche le critiche del verificatore stesso. Un difetto segnalato deve essere realmente presente nella dimostrazione proposta e giustificare la valutazione. Questo affronta il rischio di assegnare un giudizio apparentemente ragionevole inventando però un problema che la dimostrazione non contiene. Per una revisione, fornisci la dimostrazione originale insieme alle eventuali critiche esistenti e chiedi se la critica rappresenti accuratamente il passaggio pertinente. L'artefatto utile è una spiegazione verificata dell'obiezione e delle sue conseguenze.
Generazione delle dimostrazioni e autoanalisi. DeepSeek addestra il generatore usando il feedback del verificatore e premia esplicitamente la valutazione accurata del proprio lavoro. Il modello è incoraggiato a riconoscere errori reali, correggere i problemi che può risolvere e presentare la migliore dimostrazione insieme a una valutazione onesta della sua completezza. Verifica e generazione migliorano in un ciclo di addestramento iterativo; dimostrazioni generate più difficili diventano materiale per migliorare il verificatore. Il modello risultante può sia generare sia verificare argomentazioni matematiche.
Prepara il problema con precisione. Includi definizioni, quantificatori, domini e tutte le ipotesi. Indica se vuoi esistenza, unicità, una disuguaglianza, una costruzione o un controesempio. Se viene fornito un lemma consentito, riportane l'enunciato esatto e spiega se possa essere usato direttamente o debba a sua volta essere dimostrato. I prompt del produttore richiedono una soluzione giustificata anche quando l'attività chiede una risposta e non considerano un rimando a un altro testo come sostituto dell'argomentazione mancante.
La risposta attesa può contenere una panoramica dell'idea, una dimostrazione completa e un'autovalutazione separata. Per una disuguaglianza, chiedi al modello di verificare le restrizioni del dominio e le condizioni di uguaglianza. Per un problema di conteggio, chiedigli di giustificare che i casi siano esaustivi e non si sovrappongano. Per una dimostrazione esistente, identifica il passaggio contestato e richiedi una correzione oppure una spiegazione del motivo per cui la conclusione proposta resti indimostrata. Algebra, geometria, teoria dei numeri, combinatoria e disuguaglianze sono rappresentate nelle attività di valutazione matematica del produttore.
Affinamento. Il flusso pubblicato può reinserire una dimostrazione e la sua autoanalisi nello stesso modello per affrontare i difetti residui. Nel contesto di ricerca a singolo tentativo descritto dal produttore, il budget della dimostrazione è di 128K token; alcune argomentazioni difficili restano incomplete quando quel budget si esaurisce. Nel tuo lavoro, usa un'obiezione specifica come input successivo e chiedi quale parte della dimostrazione cambi quando viene risolta. Mantieni visibili le definizioni e le ipotesi precedenti. L'artefatto rivisto deve dichiarare cosa è stato stabilito e quale difficoltà rimane.
L'output di Math V2 è una dimostrazione e una critica in linguaggio naturale. Sistemi di dimostrazione formale come Lean verificano un tipo diverso di artefatto; DeepSeek Prover V2 è una specializzazione distinta nel ragionamento formale. Una valutazione secondo cui non è stato trovato alcun difetto merita comunque una revisione matematica, soprattutto quando la dimostrazione dipende da un caso omesso o da un lemma non enunciato. La ricerca del produttore segnala che i problemi più difficili possono restare irrisolti anche con l'affinamento.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti DeepSeek-Math-V2-ultra | 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 $0.001144 / 1K token Output · Token in output $0.004572 / 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-Math-V2-ultra", "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-Math-V2-ultra',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-Math-V2-ultra',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-Math-V2-ultra
Usa i percorsi dei metodi indicati sopra.
DeepSeek-Math-V2-ultraIl modello di DeepSeek per dimostrazioni matematiche in linguaggio naturale e autoverifica, costruito su DeepSeek V3.2 Exp Base. Può sviluppare una soluzione, esaminarne le lacune logiche e affinare l'argomentazione, con una dimostrazione dettagliata e una valutazione dei problemi ancora aperti.
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 Math V2 è specializzato nella dimostrazione di teoremi in linguaggio naturale e nel ragionamento matematico autoverificabile. È costruito su DeepSeek V3.2 Exp Base. Il punto di partenza del produttore è che una risposta finale corretta può comunque poggiare su un ragionamento invalido, mentre un teorema spesso richiede una derivazione completa invece di una risposta numerica. Il modello si concentra quindi sulla generazione di dimostrazioni, sull'identificazione dei loro difetti e sul miglioramento dell'argomentazione prima di finalizzare la risposta.
Verifica delle dimostrazioni. Il metodo di addestramento insegna a un verificatore a leggere un problema insieme a una dimostrazione proposta, identificare i problemi e giudicare la qualità della dimostrazione. I criteri distinguono una derivazione completa e rigorosa da una soluzione altrimenti valida con errori minori e da un'argomentazione fondamentalmente invalida. Una richiesta pratica di revisione deve usare la stessa distinzione: mostrare dove il ragionamento si interrompe, spiegare perché il problema conta e separare un dettaglio mancante da una lacuna che impedisce la conclusione.
Meta-verifica. La ricerca esamina anche le critiche del verificatore stesso. Un difetto segnalato deve essere realmente presente nella dimostrazione proposta e giustificare la valutazione. Questo affronta il rischio di assegnare un giudizio apparentemente ragionevole inventando però un problema che la dimostrazione non contiene. Per una revisione, fornisci la dimostrazione originale insieme alle eventuali critiche esistenti e chiedi se la critica rappresenti accuratamente il passaggio pertinente. L'artefatto utile è una spiegazione verificata dell'obiezione e delle sue conseguenze.
Generazione delle dimostrazioni e autoanalisi. DeepSeek addestra il generatore usando il feedback del verificatore e premia esplicitamente la valutazione accurata del proprio lavoro. Il modello è incoraggiato a riconoscere errori reali, correggere i problemi che può risolvere e presentare la migliore dimostrazione insieme a una valutazione onesta della sua completezza. Verifica e generazione migliorano in un ciclo di addestramento iterativo; dimostrazioni generate più difficili diventano materiale per migliorare il verificatore. Il modello risultante può sia generare sia verificare argomentazioni matematiche.
Prepara il problema con precisione. Includi definizioni, quantificatori, domini e tutte le ipotesi. Indica se vuoi esistenza, unicità, una disuguaglianza, una costruzione o un controesempio. Se viene fornito un lemma consentito, riportane l'enunciato esatto e spiega se possa essere usato direttamente o debba a sua volta essere dimostrato. I prompt del produttore richiedono una soluzione giustificata anche quando l'attività chiede una risposta e non considerano un rimando a un altro testo come sostituto dell'argomentazione mancante.
La risposta attesa può contenere una panoramica dell'idea, una dimostrazione completa e un'autovalutazione separata. Per una disuguaglianza, chiedi al modello di verificare le restrizioni del dominio e le condizioni di uguaglianza. Per un problema di conteggio, chiedigli di giustificare che i casi siano esaustivi e non si sovrappongano. Per una dimostrazione esistente, identifica il passaggio contestato e richiedi una correzione oppure una spiegazione del motivo per cui la conclusione proposta resti indimostrata. Algebra, geometria, teoria dei numeri, combinatoria e disuguaglianze sono rappresentate nelle attività di valutazione matematica del produttore.
Affinamento. Il flusso pubblicato può reinserire una dimostrazione e la sua autoanalisi nello stesso modello per affrontare i difetti residui. Nel contesto di ricerca a singolo tentativo descritto dal produttore, il budget della dimostrazione è di 128K token; alcune argomentazioni difficili restano incomplete quando quel budget si esaurisce. Nel tuo lavoro, usa un'obiezione specifica come input successivo e chiedi quale parte della dimostrazione cambi quando viene risolta. Mantieni visibili le definizioni e le ipotesi precedenti. L'artefatto rivisto deve dichiarare cosa è stato stabilito e quale difficoltà rimane.
L'output di Math V2 è una dimostrazione e una critica in linguaggio naturale. Sistemi di dimostrazione formale come Lean verificano un tipo diverso di artefatto; DeepSeek Prover V2 è una specializzazione distinta nel ragionamento formale. Una valutazione secondo cui non è stato trovato alcun difetto merita comunque una revisione matematica, soprattutto quando la dimostrazione dipende da un caso omesso o da un lemma non enunciato. La ricerca del produttore segnala che i problemi più difficili possono restare irrisolti anche con l'affinamento.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti DeepSeek-Math-V2-ultra | 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 $0.001144 / 1K token Output · Token in output $0.004572 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "DeepSeek-Math-V2-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Math-V2-ultra', '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-Math-V2-ultra', '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-Math-V2-ultra
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Repair a divisibility proof\n\nReview this proposed proof: 'If 6 divides ab, then 6 divides a or 6 divides b, because every prime factor of 6 must divide one of the factors.' Here a and b are integers. Identify the invalid implication, provide a counterexample and state a correct related proposition with proof. Separate your proof from a self-check of its completeness.A precise flaw explanation, an integer counterexample, a corrected proposition with proof and a separate self-check.Verify the counterexample meets the premise and defeats both alternatives in the claimed conclusion.