DeepSeek-R1-Distill-Qwen-14B ialah titik semak penaakulan berasaskan Qwen bersaiz 14B yang dikeluarkan oleh DeepSeek. Asasnya ialah Qwen2.5-14B, yang ditala halus menggunakan contoh yang disediakan oleh DeepSeek-R1. Ia menerima masalah atau perbualan bertulis dan mengembalikan teks yang boleh merangkumi penyelesaian matematik, penerangan tingkah laku program atau kesimpulan yang dicapai daripada beberapa syarat yang diberikan.
Pemindahan penaakulan dan edisi bernama
DeepSeek membezakan model R1 dan R1-Zero penuh daripada model padat yang disuling ke atas asas Qwen dan Llama. Untuk keluaran sulingan, data latihan membawa corak penaakulan daripada model R1 yang lebih besar kepada titik semak yang berlainan. Nama 14B mengenal pasti asas Qwen khusus ini; ia tidak mengenal pasti seni bina R1 penuh, titik semak sulingan 32B atau keluaran Qwen2.5-14B-Instruct biasa.
Pengeluar menerangkan 800,000 contoh terpilih untuk keluaran sulingan Qwen dan menyatakan perubahan pada konfigurasi serta pentokennya. Kekalkan tetapan keluaran DeepSeek apabila menggunakan model ini. Perubahan itu penting walaupun asal model ialah Qwen2.5. Konfigurasi titik semak 14B sendiri menetapkan 48 lapisan, 40 kepala perhatian pertanyaan dan 8 kepala kunci/nilai, dengan kedudukan maksimum ditetapkan kepada 131,072.
Perkara yang perlu diberikan untuk jawapan berlangkah yang berguna
Untuk tugasan bimbingan, sertakan masalah dan percubaan penyelesaian pelajar, kemudian tandakan peralihan yang memerlukan penerangan. Minta model mengenal pasti syarat yang relevan, menjelaskan pembetulan dalam notasi yang sama dan meneruskan hanya sejauh yang diperlukan untuk membuktikan hasil. Ini mengekalkan jawapan berkaitan dengan kesukaran sebenar pelajar dan bukannya menghasilkan pelajaran penuh yang tidak berkaitan.
Contohnya, pelajar mungkin membahagi dengan suatu ungkapan tanpa menyatakan sama ada ungkapan itu boleh menjadi sifar. Berikan persamaan asal dan tanyakan kes yang mesti dipertimbangkan sebelum transformasi itu. Hasil yang dikehendaki boleh memisahkan kes yang dibenarkan, kes luar biasa dan set penyelesaian akhir. Ini ialah cadangan tugasan matematik, dengan bentuk jawapan ditentukan oleh syarat dan bukannya permintaan umum untuk menjelaskan algebra.
Untuk soalan pengaturcaraan, berikan algoritma atau fungsi dan input konkrit. Tanyakan bagaimana keadaan berubah dan mengapa hasil yang dikembalikan terhasil. Susulan boleh meminta pelaksanaan yang disemak di bawah kekangan jelas, seperti mengekalkan tandatangan fungsi awam atau mengelakkan mutasi input. Sertakan kod pembantu yang relevan dan tingkah laku yang dijangka supaya penerangan tidak bergantung pada pelaksanaan yang tidak dinyatakan.
Untuk perbandingan logik, kenal pasti alternatif dan syarat yang perlu dipenuhi oleh setiap satu. Minta andaian yang digunakan oleh setiap pendekatan, konflik yang menolak sesuatu pilihan dan maklumat belum selesai yang masih berbaki. Jadual keputusan ringkas kemudian boleh menjadi artifak akhir, manakala prosa di sekeliling menjelaskan bagaimana peraturan yang diberikan menyokongnya.
Cadangan prompt daripada DeepSeek
Pengeluar mencadangkan supaya prompt sistem dielakkan dan semua arahan diletakkan terus dalam prompt pengguna. Gabungkan tugasan, keperluan output dan bahan sumber yang diperlukan, dengan mengenal pasti secara jelas teks yang merupakan masalah dan teks yang merupakan arahan tentang jawapan. Gunakan pentoken dan tetapan perbualan yang dikeluarkan dan bukannya menganggap pemformatan Qwen asal boleh digunakan secara saling ganti.
Julat suhu yang didokumenkan ialah 0.5 hingga 0.7, dengan 0.6 disarankan. DeepSeek mengaitkannya dengan pengurangan pengulangan dan output tidak koheren. Untuk soalan matematik, ia mencadangkan jawapan berlangkah dengan hasil akhir dalam kotak LaTeX. Ia turut menerangkan kes apabila model melangkau blok penaakulan dan mencadangkan memulakan jawapan dengan penanda pembuka penaakulan untuk menggalakkan aliran kerja penaakulan yang dimaksudkan.
Output matematik yang berguna boleh mengandungi kaedah terpilih, transformasi yang berasas dan ungkapan akhir yang berasingan. Nyatakan sama ada hasil perlu tepat atau dibundarkan dan tetapkan unit apabila penting. Untuk kod, minta penerangan secara berasingan daripada pelaksanaan yang dicadangkan. Untuk logik, minta kesimpulan akhir bersama syarat yang menjadikannya sah. Keperluan ini menentukan perkara yang benar-benar boleh digunakan oleh pembaca atau aplikasi selepas teks penaakulan.
Konteks dan sempadan substantif
Konfigurasi semasa yang dikeluarkan menetapkan kedudukan maksimum kepada 131,072. Itu ialah nilai konfigurasi titik semak ini, bukan janji yang diwarisi tentang setiap antara muka penyajian. Tetapan penjanaan 32,768 token pengeluar ialah sebahagian daripada penilaian; ia tidak menetapkan had keras berasingan bagi panjang jawapan maksimum. Kapasiti output model Qwen Instruct asal juga tidak sepatutnya dipindahkan ke keluaran penaakulan yang diubah ini tanpa spesifikasinya sendiri.
Ini ialah model teks. Imej masalah matematik memerlukan simbol dan syaratnya ditukar kepada teks sebelum tugasan penaakulan, dan pelaksanaan kod yang dicadangkan memerlukan persekitaran pembangunan atau pengiraan yang berasingan. Penyulingan menerangkan latihan menggunakan contoh R1, bukannya panggilan masa jalan automatik kepada model guru atau pengesah bebas terbina dalam.
Gunakan titik semak 14B bernama untuk tugasan jawapan berlangkah yang ditakrifkan dan kekalkan notasi, andaian serta hasil sasaran masalah. Matlamat praktikalnya ialah penyelesaian yang boleh diperiksa oleh pembaca: syarat mana yang terpakai, mengapa setiap langkah penting terhasil dan ungkapan akhir, pelaksanaan atau kesimpulan yang menjawab soalan asal.
", "aboutText": "DeepSeek-R1-Distill-Qwen-14B ialah titik semak penaakulan berasaskan Qwen bersaiz 14B yang dikeluarkan oleh DeepSeek. Asasnya ialah Qwen2.5-14B, yang ditala halus menggunakan contoh yang disediakan oleh DeepSeek-R1. Ia menerima masalah atau perbualan bertulis dan mengembalikan teks yang boleh merangkumi penyelesaian matematik, penerangan tingkah laku program atau kesimpulan yang dicapai daripada beberapa syarat yang diberikan.\n\nPemindahan penaakulan dan edisi bernama\n\nDeepSeek membezakan model R1 dan R1-Zero penuh daripada model padat yang disuling ke atas asas Qwen dan Llama. Untuk keluaran sulingan, data latihan membawa corak penaakulan daripada model R1 yang lebih besar kepada titik semak yang berlainan. Nama 14B mengenal pasti asas Qwen khusus ini; ia tidak mengenal pasti seni bina R1 penuh, titik semak sulingan 32B atau keluaran Qwen2.5-14B-Instruct biasa.\n\nPengeluar menerangkan 800,000 contoh terpilih untuk keluaran sulingan Qwen dan menyatakan perubahan pada konfigurasi serta pentokennya. Kekalkan tetapan keluaran DeepSeek apabila menggunakan model ini. Perubahan itu penting walaupun asal model ialah Qwen2.5. Konfigurasi titik semak 14B sendiri menetapkan 48 lapisan, 40 kepala perhatian pertanyaan dan 8 kepala kunci/nilai, dengan kedudukan maksimum ditetapkan kepada 131,072.\n\nPerkara yang perlu diberikan untuk jawapan berlangkah yang berguna\n\nUntuk tugasan bimbingan, sertakan masalah dan percubaan penyelesaian pelajar, kemudian tandakan peralihan yang memerlukan penerangan. Minta model mengenal pasti syarat yang relevan, menjelaskan pembetulan dalam notasi yang sama dan meneruskan hanya sejauh yang diperlukan untuk membuktikan hasil. Ini mengekalkan jawapan berkaitan dengan kesukaran sebenar pelajar dan bukannya menghasilkan pelajaran penuh yang tidak berkaitan.\n\nContohnya, pelajar mungkin membahagi dengan suatu ungkapan tanpa menyatakan sama ada ungkapan itu boleh menjadi sifar. Berikan persamaan asal dan tanyakan kes yang mesti dipertimbangkan sebelum transformasi itu. Hasil yang dikehendaki boleh memisahkan kes yang dibenarkan, kes luar biasa dan set penyelesaian akhir. Ini ialah cadangan tugasan matematik, dengan bentuk jawapan ditentukan oleh syarat dan bukannya permintaan umum untuk menjelaskan algebra.\n\nUntuk soalan pengaturcaraan, berikan algoritma atau fungsi dan input konkrit. Tanyakan bagaimana keadaan berubah dan mengapa hasil yang dikembalikan terhasil. Susulan boleh meminta pelaksanaan yang disemak di bawah kekangan jelas, seperti mengekalkan tandatangan fungsi awam atau mengelakkan mutasi input. Sertakan kod pembantu yang relevan dan tingkah laku yang dijangka supaya penerangan tidak bergantung pada pelaksanaan yang tidak dinyatakan.\n\nUntuk perbandingan logik, kenal pasti alternatif dan syarat yang perlu dipenuhi oleh setiap satu. Minta andaian yang digunakan oleh setiap pendekatan, konflik yang menolak sesuatu pilihan dan maklumat belum selesai yang masih berbaki. Jadual keputusan ringkas kemudian boleh menjadi artifak akhir, manakala prosa di sekeliling menjelaskan bagaimana peraturan yang diberikan menyokongnya.\n\nCadangan prompt daripada DeepSeek\n\nPengeluar mencadangkan supaya prompt sistem dielakkan dan semua arahan diletakkan terus dalam prompt pengguna. Gabungkan tugasan, keperluan output dan bahan sumber yang diperlukan, dengan mengenal pasti secara jelas teks yang merupakan masalah dan teks yang merupakan arahan tentang jawapan. Gunakan pentoken dan tetapan perbualan yang dikeluarkan dan bukannya menganggap pemformatan Qwen asal boleh digunakan secara saling ganti.\n\nJulat suhu yang didokumenkan ialah 0.5 hingga 0.7, dengan 0.6 disarankan. DeepSeek mengaitkannya dengan pengurangan pengulangan dan output tidak koheren. Untuk soalan matematik, ia mencadangkan jawapan berlangkah dengan hasil akhir dalam kotak LaTeX. Ia turut menerangkan kes apabila model melangkau blok penaakulan dan mencadangkan memulakan jawapan dengan penanda pembuka penaakulan untuk menggalakkan aliran kerja penaakulan yang dimaksudkan.\n\nOutput matematik yang berguna boleh mengandungi kaedah terpilih, transformasi yang berasas dan ungkapan akhir yang berasingan. Nyatakan sama ada hasil perlu tepat atau dibundarkan dan tetapkan unit apabila penting. Untuk kod, minta penerangan secara berasingan daripada pelaksanaan yang dicadangkan. Untuk logik, minta kesimpulan akhir bersama syarat yang menjadikannya sah. Keperluan ini menentukan perkara yang benar-benar boleh digunakan oleh pembaca atau aplikasi selepas teks penaakulan.\n\nKonteks dan sempadan substantif\n\nKonfigurasi semasa yang dikeluarkan menetapkan kedudukan maksimum kepada 131,072. Itu ialah nilai konfigurasi titik semak ini, bukan janji yang diwarisi tentang setiap antara muka penyajian. Tetapan penjanaan 32,768 token pengeluar ialah sebahagian daripada penilaian; ia tidak menetapkan had keras berasingan bagi panjang jawapan maksimum. Kapasiti output model Qwen Instruct asal juga tidak sepatutnya dipindahkan ke keluaran penaakulan yang diubah ini tanpa spesifikasinya sendiri.\n\nIni ialah model teks. Imej masalah matematik memerlukan simbol dan syaratnya ditukar kepada teks sebelum tugasan penaakulan, dan pelaksanaan kod yang dicadangkan memerlukan persekitaran pembangunan atau pengiraan yang berasingan. Penyulingan menerangkan latihan menggunakan contoh R1, bukannya panggilan masa jalan automatik kepada model guru atau pengesah bebas terbina dalam.\n\nGunakan titik semak 14B bernama untuk tugasan jawapan berlangkah yang ditakrifkan dan kekalkan notasi, andaian serta hasil sasaran masalah. Matlamat praktikalnya ialah penyelesaian yang boleh diperiksa oleh pembaca: syarat mana yang terpakai, mengapa setiap langkah penting terhasil dan ungkapan akhir, pelaksanaan atau kesimpulan yang menjawab soalan asal.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Repair an algebraic division step\n\nA student solves x(x - 3) = 2(x - 3) by dividing by x - 3 and concludes x = 2. Explain the missing case without changing the original equation. Separate the zero-divisor case from the nonzero case, then give the complete solution set and substitute each candidate back into the equation.A case split, a complete solution set and a substitution check for each candidate.The response checks the x - 3 = 0 case rather than silently dividing it away.deepseek-ai/DeepSeek-R1-Distill-Qwen-14BDeepSeek-R1-Distill-Qwen-14B ialah titik semak penaakulan teks berasaskan Qwen2.5-14B dan contoh yang dijana oleh DeepSeek-R1. Ia menyokong jawapan matematik, pengaturcaraan dan logik dengan langkah penyelesaian, menggunakan pentoken, cadangan prompt dan konfigurasi keluaran DeepSeek sendiri.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek-R1-Distill-Qwen-14B ialah titik semak penaakulan berasaskan Qwen bersaiz 14B yang dikeluarkan oleh DeepSeek. Asasnya ialah Qwen2.5-14B, yang ditala halus menggunakan contoh yang disediakan oleh DeepSeek-R1. Ia menerima masalah atau perbualan bertulis dan mengembalikan teks yang boleh merangkumi penyelesaian matematik, penerangan tingkah laku program atau kesimpulan yang dicapai daripada beberapa syarat yang diberikan.
Pemindahan penaakulan dan edisi bernama
DeepSeek membezakan model R1 dan R1-Zero penuh daripada model padat yang disuling ke atas asas Qwen dan Llama. Untuk keluaran sulingan, data latihan membawa corak penaakulan daripada model R1 yang lebih besar kepada titik semak yang berlainan. Nama 14B mengenal pasti asas Qwen khusus ini; ia tidak mengenal pasti seni bina R1 penuh, titik semak sulingan 32B atau keluaran Qwen2.5-14B-Instruct biasa.
Pengeluar menerangkan 800,000 contoh terpilih untuk keluaran sulingan Qwen dan menyatakan perubahan pada konfigurasi serta pentokennya. Kekalkan tetapan keluaran DeepSeek apabila menggunakan model ini. Perubahan itu penting walaupun asal model ialah Qwen2.5. Konfigurasi titik semak 14B sendiri menetapkan 48 lapisan, 40 kepala perhatian pertanyaan dan 8 kepala kunci/nilai, dengan kedudukan maksimum ditetapkan kepada 131,072.
Perkara yang perlu diberikan untuk jawapan berlangkah yang berguna
Untuk tugasan bimbingan, sertakan masalah dan percubaan penyelesaian pelajar, kemudian tandakan peralihan yang memerlukan penerangan. Minta model mengenal pasti syarat yang relevan, menjelaskan pembetulan dalam notasi yang sama dan meneruskan hanya sejauh yang diperlukan untuk membuktikan hasil. Ini mengekalkan jawapan berkaitan dengan kesukaran sebenar pelajar dan bukannya menghasilkan pelajaran penuh yang tidak berkaitan.
Contohnya, pelajar mungkin membahagi dengan suatu ungkapan tanpa menyatakan sama ada ungkapan itu boleh menjadi sifar. Berikan persamaan asal dan tanyakan kes yang mesti dipertimbangkan sebelum transformasi itu. Hasil yang dikehendaki boleh memisahkan kes yang dibenarkan, kes luar biasa dan set penyelesaian akhir. Ini ialah cadangan tugasan matematik, dengan bentuk jawapan ditentukan oleh syarat dan bukannya permintaan umum untuk menjelaskan algebra.
Untuk soalan pengaturcaraan, berikan algoritma atau fungsi dan input konkrit. Tanyakan bagaimana keadaan berubah dan mengapa hasil yang dikembalikan terhasil. Susulan boleh meminta pelaksanaan yang disemak di bawah kekangan jelas, seperti mengekalkan tandatangan fungsi awam atau mengelakkan mutasi input. Sertakan kod pembantu yang relevan dan tingkah laku yang dijangka supaya penerangan tidak bergantung pada pelaksanaan yang tidak dinyatakan.
Untuk perbandingan logik, kenal pasti alternatif dan syarat yang perlu dipenuhi oleh setiap satu. Minta andaian yang digunakan oleh setiap pendekatan, konflik yang menolak sesuatu pilihan dan maklumat belum selesai yang masih berbaki. Jadual keputusan ringkas kemudian boleh menjadi artifak akhir, manakala prosa di sekeliling menjelaskan bagaimana peraturan yang diberikan menyokongnya.
Cadangan prompt daripada DeepSeek
Pengeluar mencadangkan supaya prompt sistem dielakkan dan semua arahan diletakkan terus dalam prompt pengguna. Gabungkan tugasan, keperluan output dan bahan sumber yang diperlukan, dengan mengenal pasti secara jelas teks yang merupakan masalah dan teks yang merupakan arahan tentang jawapan. Gunakan pentoken dan tetapan perbualan yang dikeluarkan dan bukannya menganggap pemformatan Qwen asal boleh digunakan secara saling ganti.
Julat suhu yang didokumenkan ialah 0.5 hingga 0.7, dengan 0.6 disarankan. DeepSeek mengaitkannya dengan pengurangan pengulangan dan output tidak koheren. Untuk soalan matematik, ia mencadangkan jawapan berlangkah dengan hasil akhir dalam kotak LaTeX. Ia turut menerangkan kes apabila model melangkau blok penaakulan dan mencadangkan memulakan jawapan dengan penanda pembuka penaakulan untuk menggalakkan aliran kerja penaakulan yang dimaksudkan.
Output matematik yang berguna boleh mengandungi kaedah terpilih, transformasi yang berasas dan ungkapan akhir yang berasingan. Nyatakan sama ada hasil perlu tepat atau dibundarkan dan tetapkan unit apabila penting. Untuk kod, minta penerangan secara berasingan daripada pelaksanaan yang dicadangkan. Untuk logik, minta kesimpulan akhir bersama syarat yang menjadikannya sah. Keperluan ini menentukan perkara yang benar-benar boleh digunakan oleh pembaca atau aplikasi selepas teks penaakulan.
Konteks dan sempadan substantif
Konfigurasi semasa yang dikeluarkan menetapkan kedudukan maksimum kepada 131,072. Itu ialah nilai konfigurasi titik semak ini, bukan janji yang diwarisi tentang setiap antara muka penyajian. Tetapan penjanaan 32,768 token pengeluar ialah sebahagian daripada penilaian; ia tidak menetapkan had keras berasingan bagi panjang jawapan maksimum. Kapasiti output model Qwen Instruct asal juga tidak sepatutnya dipindahkan ke keluaran penaakulan yang diubah ini tanpa spesifikasinya sendiri.
Ini ialah model teks. Imej masalah matematik memerlukan simbol dan syaratnya ditukar kepada teks sebelum tugasan penaakulan, dan pelaksanaan kod yang dicadangkan memerlukan persekitaran pembangunan atau pengiraan yang berasingan. Penyulingan menerangkan latihan menggunakan contoh R1, bukannya panggilan masa jalan automatik kepada model guru atau pengesah bebas terbina dalam.
Gunakan titik semak 14B bernama untuk tugasan jawapan berlangkah yang ditakrifkan dan kekalkan notasi, andaian serta hasil sasaran masalah. Matlamat praktikalnya ialah penyelesaian yang boleh diperiksa oleh pembaca: syarat mana yang terpakai, mengapa setiap langkah penting terhasil dan ungkapan akhir, pelaksanaan atau kesimpulan yang menjawab soalan asal.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek-ai/DeepSeek-R1-Distill-Qwen-14B | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0002 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-14B", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek-ai/DeepSeek-R1-Distill-Qwen-14B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek-ai/DeepSeek-R1-Distill-Qwen-14B',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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-14B
Gunakan laluan kaedah yang dipaparkan di atas.
deepseek-ai/DeepSeek-R1-Distill-Qwen-14BDeepSeek-R1-Distill-Qwen-14B ialah titik semak penaakulan teks berasaskan Qwen2.5-14B dan contoh yang dijana oleh DeepSeek-R1. Ia menyokong jawapan matematik, pengaturcaraan dan logik dengan langkah penyelesaian, menggunakan pentoken, cadangan prompt dan konfigurasi keluaran DeepSeek sendiri.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek-R1-Distill-Qwen-14B ialah titik semak penaakulan berasaskan Qwen bersaiz 14B yang dikeluarkan oleh DeepSeek. Asasnya ialah Qwen2.5-14B, yang ditala halus menggunakan contoh yang disediakan oleh DeepSeek-R1. Ia menerima masalah atau perbualan bertulis dan mengembalikan teks yang boleh merangkumi penyelesaian matematik, penerangan tingkah laku program atau kesimpulan yang dicapai daripada beberapa syarat yang diberikan.
Pemindahan penaakulan dan edisi bernama
DeepSeek membezakan model R1 dan R1-Zero penuh daripada model padat yang disuling ke atas asas Qwen dan Llama. Untuk keluaran sulingan, data latihan membawa corak penaakulan daripada model R1 yang lebih besar kepada titik semak yang berlainan. Nama 14B mengenal pasti asas Qwen khusus ini; ia tidak mengenal pasti seni bina R1 penuh, titik semak sulingan 32B atau keluaran Qwen2.5-14B-Instruct biasa.
Pengeluar menerangkan 800,000 contoh terpilih untuk keluaran sulingan Qwen dan menyatakan perubahan pada konfigurasi serta pentokennya. Kekalkan tetapan keluaran DeepSeek apabila menggunakan model ini. Perubahan itu penting walaupun asal model ialah Qwen2.5. Konfigurasi titik semak 14B sendiri menetapkan 48 lapisan, 40 kepala perhatian pertanyaan dan 8 kepala kunci/nilai, dengan kedudukan maksimum ditetapkan kepada 131,072.
Perkara yang perlu diberikan untuk jawapan berlangkah yang berguna
Untuk tugasan bimbingan, sertakan masalah dan percubaan penyelesaian pelajar, kemudian tandakan peralihan yang memerlukan penerangan. Minta model mengenal pasti syarat yang relevan, menjelaskan pembetulan dalam notasi yang sama dan meneruskan hanya sejauh yang diperlukan untuk membuktikan hasil. Ini mengekalkan jawapan berkaitan dengan kesukaran sebenar pelajar dan bukannya menghasilkan pelajaran penuh yang tidak berkaitan.
Contohnya, pelajar mungkin membahagi dengan suatu ungkapan tanpa menyatakan sama ada ungkapan itu boleh menjadi sifar. Berikan persamaan asal dan tanyakan kes yang mesti dipertimbangkan sebelum transformasi itu. Hasil yang dikehendaki boleh memisahkan kes yang dibenarkan, kes luar biasa dan set penyelesaian akhir. Ini ialah cadangan tugasan matematik, dengan bentuk jawapan ditentukan oleh syarat dan bukannya permintaan umum untuk menjelaskan algebra.
Untuk soalan pengaturcaraan, berikan algoritma atau fungsi dan input konkrit. Tanyakan bagaimana keadaan berubah dan mengapa hasil yang dikembalikan terhasil. Susulan boleh meminta pelaksanaan yang disemak di bawah kekangan jelas, seperti mengekalkan tandatangan fungsi awam atau mengelakkan mutasi input. Sertakan kod pembantu yang relevan dan tingkah laku yang dijangka supaya penerangan tidak bergantung pada pelaksanaan yang tidak dinyatakan.
Untuk perbandingan logik, kenal pasti alternatif dan syarat yang perlu dipenuhi oleh setiap satu. Minta andaian yang digunakan oleh setiap pendekatan, konflik yang menolak sesuatu pilihan dan maklumat belum selesai yang masih berbaki. Jadual keputusan ringkas kemudian boleh menjadi artifak akhir, manakala prosa di sekeliling menjelaskan bagaimana peraturan yang diberikan menyokongnya.
Cadangan prompt daripada DeepSeek
Pengeluar mencadangkan supaya prompt sistem dielakkan dan semua arahan diletakkan terus dalam prompt pengguna. Gabungkan tugasan, keperluan output dan bahan sumber yang diperlukan, dengan mengenal pasti secara jelas teks yang merupakan masalah dan teks yang merupakan arahan tentang jawapan. Gunakan pentoken dan tetapan perbualan yang dikeluarkan dan bukannya menganggap pemformatan Qwen asal boleh digunakan secara saling ganti.
Julat suhu yang didokumenkan ialah 0.5 hingga 0.7, dengan 0.6 disarankan. DeepSeek mengaitkannya dengan pengurangan pengulangan dan output tidak koheren. Untuk soalan matematik, ia mencadangkan jawapan berlangkah dengan hasil akhir dalam kotak LaTeX. Ia turut menerangkan kes apabila model melangkau blok penaakulan dan mencadangkan memulakan jawapan dengan penanda pembuka penaakulan untuk menggalakkan aliran kerja penaakulan yang dimaksudkan.
Output matematik yang berguna boleh mengandungi kaedah terpilih, transformasi yang berasas dan ungkapan akhir yang berasingan. Nyatakan sama ada hasil perlu tepat atau dibundarkan dan tetapkan unit apabila penting. Untuk kod, minta penerangan secara berasingan daripada pelaksanaan yang dicadangkan. Untuk logik, minta kesimpulan akhir bersama syarat yang menjadikannya sah. Keperluan ini menentukan perkara yang benar-benar boleh digunakan oleh pembaca atau aplikasi selepas teks penaakulan.
Konteks dan sempadan substantif
Konfigurasi semasa yang dikeluarkan menetapkan kedudukan maksimum kepada 131,072. Itu ialah nilai konfigurasi titik semak ini, bukan janji yang diwarisi tentang setiap antara muka penyajian. Tetapan penjanaan 32,768 token pengeluar ialah sebahagian daripada penilaian; ia tidak menetapkan had keras berasingan bagi panjang jawapan maksimum. Kapasiti output model Qwen Instruct asal juga tidak sepatutnya dipindahkan ke keluaran penaakulan yang diubah ini tanpa spesifikasinya sendiri.
Ini ialah model teks. Imej masalah matematik memerlukan simbol dan syaratnya ditukar kepada teks sebelum tugasan penaakulan, dan pelaksanaan kod yang dicadangkan memerlukan persekitaran pembangunan atau pengiraan yang berasingan. Penyulingan menerangkan latihan menggunakan contoh R1, bukannya panggilan masa jalan automatik kepada model guru atau pengesah bebas terbina dalam.
Gunakan titik semak 14B bernama untuk tugasan jawapan berlangkah yang ditakrifkan dan kekalkan notasi, andaian serta hasil sasaran masalah. Matlamat praktikalnya ialah penyelesaian yang boleh diperiksa oleh pembaca: syarat mana yang terpakai, mengapa setiap langkah penting terhasil dan ungkapan akhir, pelaksanaan atau kesimpulan yang menjawab soalan asal.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek-ai/DeepSeek-R1-Distill-Qwen-14B | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0002 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-14B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-ai/DeepSeek-R1-Distill-Qwen-14B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-ai/DeepSeek-R1-Distill-Qwen-14B', '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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-14B
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Repair an algebraic division step\n\nA student solves x(x - 3) = 2(x - 3) by dividing by x - 3 and concludes x = 2. Explain the missing case without changing the original equation. Separate the zero-divisor case from the nonzero case, then give the complete solution set and substitute each candidate back into the equation.A case split, a complete solution set and a substitution check for each candidate.The response checks the x - 3 = 0 case rather than silently dividing it away.