DeepSeek-R1-Distill-Qwen-32B ialah titik semak penaakulan padat bersaiz 32B DeepSeek yang dibina daripada Qwen2.5-32B. DeepSeek menala halus asasnya menggunakan contoh penaakulan yang dijana oleh DeepSeek-R1. Hasilnya ialah model teks tersendiri untuk masalah yang memerlukan beberapa langkah berkaitan, seperti penerbitan matematik, soalan algoritma atau penaakulan melalui kekangan.
Bagaimana sulingan ini berbeza daripada model R1 penuh
Keluaran pengeluar memisahkan DeepSeek-R1-Zero, DeepSeek-R1 dan model sulingan berasaskan Qwen atau Llama. Barisan R1 penuh membangunkan penaakulan melalui saluran latihannya sendiri; peringkat penyulingan memindahkan corak yang diwakili dalam contoh janaan R1 kepada titik semak padat yang berasingan. Entri ini ialah edisi sulingan 32B berasaskan Qwen, bukan model R1 penuh, R1-Zero atau asas Qwen2.5-32B yang tidak diubah.
Model sulingan Qwen yang dikeluarkan ditala halus menggunakan 800,000 sampel terpilih. DeepSeek turut mengubah konfigurasi dan pentokennya serta mengarahkan pengguna mengekalkan tetapan tersebut. Asal latihan menerangkan tumpuan penaakulan, manakala titik semak bernama dan konfigurasinya sendiri menentukan keluaran sebenar. Ini tidak bermakna model guru yang lebih besar dirujuk secara automatik untuk menjawab setiap soalan baharu.
Konfigurasi titik semak 32B menggunakan seni bina model bahasa kausal dengan 64 lapisan, 40 kepala perhatian pertanyaan dan 8 kepala kunci/nilai. Ia menetapkan kedudukan maksimum kepada 131,072. Angka konfigurasi ini berkaitan dengan model yang dikeluarkan; contoh arahan penyajian atau ahli lain keluarga R1 tidak sepatutnya dianggap sebagai tetapan konteks yang sama. Model menerima teks dan menjana teks, bukannya menerima imej atau menghasilkan artifak visual atau audio.
Menyediakan tugasan matematik atau pengekodan
Untuk masalah matematik, berikan syarat lengkap, takrifkan pemboleh ubah dan nyatakan domain atau andaian. Kenal pasti sama ada hasil akhir perlu berupa ungkapan tepat, penghampiran berangka atau bukti sesuatu dakwaan. Permintaan yang berguna boleh meminta penerbitan diikuti ungkapan akhir dan semakan berdasarkan syarat asal. Pengeluar mencadangkan jawapan matematik dengan langkah penyelesaian dan jawapan akhir dilingkungi kotak LaTeX.
Untuk masalah algoritma, berikan julat input, output yang diperlukan dan kekangan penyelesaian. Minta pendekatan, pelaksanaan dan penerangan mengapa ia mengekalkan sifat yang diperlukan. Jika masalah melibatkan kod sedia ada, berikan fungsi yang relevan, input yang menghasilkan tingkah laku tidak dijangka dan hasil yang dijangka. Jawapan boleh membandingkan laluan sebenar dengan laluan yang dimaksudkan serta mencadangkan pembetulan; pelaksanaan dan pengesahan program ialah langkah aplikasi yang berasingan.
Untuk masalah kekangan, senaraikan pilihan yang dibenarkan dan hubungannya secara jelas. Contohnya, permintaan penjadualan boleh memberikan peserta, ketersediaan dan peraturan yang menjadikan dua penugasan tidak serasi. Minta cadangan penugasan dengan peraturan yang menyokong setiap keputusan, dan wajibkan sebarang syarat belum selesai terus kelihatan. Ini menjadikan tugasan penaakulan boleh diperiksa dan bukannya meminta model memilih tanpa kekangan asas.
Cadangan penggunaan khusus pengeluar
DeepSeek mencadangkan supaya semua arahan diletakkan dalam prompt pengguna dan mengelakkan prompt sistem berasingan untuk siri ini. Ini berbeza daripada templat sembang umum yang bergantung pada mesej sistem untuk menentukan tugasan. Letakkan format jawapan yang diminta, bahan sumber dan soalan sebenar bersama-sama dengan sempadan yang jelas.
Julat suhu yang disarankan ialah 0.5 hingga 0.7, dengan 0.6 diutamakan. Pengeluar mengaitkan cadangan itu dengan mengelakkan pengulangan atau output tidak koheren. Ia turut menyatakan bahawa sesetengah pertanyaan boleh menghasilkan blok penaakulan kosong dan mencadangkan memulakan output dengan penanda pembuka penaakulan. Ini ialah cadangan bagi aliran kerja penaakulan yang dikeluarkan, bukan jaminan bahawa satu tetapan mewujudkan ketepatan.
Kontrak jawapan praktikal boleh meminta penerangan kaedah, langkah penting yang berasas dan artifak akhir yang berasingan. Dalam tugasan matematik, gunakan ungkapan berkotak untuk hasil akhir. Dalam tugasan pengekodan, asingkan kod daripada andaian dan contoh inputnya. Untuk tugasan logik, kekalkan setiap kesimpulan dikaitkan dengan peraturan atau fakta yang diberikan yang menyokongnya. Ini membolehkan teks penaakulan dan hasil yang diperlukan aplikasi memenuhi tujuan yang berbeza.
Konteks, output dan sempadan integrasi
131,072 kedudukan maksimum dalam konfigurasi yang dikeluarkan perlu dipertimbangkan bersama prompt penuh dan penaakulan yang dijana. Pengeluar menggunakan tetapan penjanaan 32,768 token dalam penilaian, tetapi tetapan eksperimen itu bukan spesifikasi kapasiti output berasingan yang diterbitkan untuk titik semak ini. Jangan tentukan had maksimum jawapan berdasarkan persediaan penanda aras atau salin angka output 8,192 token edisi Qwen Instruct asal ke keluaran sulingan yang diubah.
Pastikan input berfokus pada soalan matematik, pengaturcaraan atau logik sebenar, dan nyatakan bentuk akhir yang dikehendaki. Kalkulator luaran, repositori, penghurai dokumen atau fungsi carian perlu dibekalkan oleh aplikasi sekeliling; ia tidak disertakan semata-mata dengan memilih titik semak penaakulan teks. Hasil yang berguna ialah penyelesaian bertulis atau pelaksanaan yang dicadangkan yang andaian, kaedah dan jawapan akhirnya sepadan dengan masalah yang diberikan.
", "aboutText": "DeepSeek-R1-Distill-Qwen-32B ialah titik semak penaakulan padat bersaiz 32B DeepSeek yang dibina daripada Qwen2.5-32B. DeepSeek menala halus asasnya menggunakan contoh penaakulan yang dijana oleh DeepSeek-R1. Hasilnya ialah model teks tersendiri untuk masalah yang memerlukan beberapa langkah berkaitan, seperti penerbitan matematik, soalan algoritma atau penaakulan melalui kekangan.\n\nBagaimana sulingan ini berbeza daripada model R1 penuh\n\nKeluaran pengeluar memisahkan DeepSeek-R1-Zero, DeepSeek-R1 dan model sulingan berasaskan Qwen atau Llama. Barisan R1 penuh membangunkan penaakulan melalui saluran latihannya sendiri; peringkat penyulingan memindahkan corak yang diwakili dalam contoh janaan R1 kepada titik semak padat yang berasingan. Entri ini ialah edisi sulingan 32B berasaskan Qwen, bukan model R1 penuh, R1-Zero atau asas Qwen2.5-32B yang tidak diubah.\n\nModel sulingan Qwen yang dikeluarkan ditala halus menggunakan 800,000 sampel terpilih. DeepSeek turut mengubah konfigurasi dan pentokennya serta mengarahkan pengguna mengekalkan tetapan tersebut. Asal latihan menerangkan tumpuan penaakulan, manakala titik semak bernama dan konfigurasinya sendiri menentukan keluaran sebenar. Ini tidak bermakna model guru yang lebih besar dirujuk secara automatik untuk menjawab setiap soalan baharu.\n\nKonfigurasi titik semak 32B menggunakan seni bina model bahasa kausal dengan 64 lapisan, 40 kepala perhatian pertanyaan dan 8 kepala kunci/nilai. Ia menetapkan kedudukan maksimum kepada 131,072. Angka konfigurasi ini berkaitan dengan model yang dikeluarkan; contoh arahan penyajian atau ahli lain keluarga R1 tidak sepatutnya dianggap sebagai tetapan konteks yang sama. Model menerima teks dan menjana teks, bukannya menerima imej atau menghasilkan artifak visual atau audio.\n\nMenyediakan tugasan matematik atau pengekodan\n\nUntuk masalah matematik, berikan syarat lengkap, takrifkan pemboleh ubah dan nyatakan domain atau andaian. Kenal pasti sama ada hasil akhir perlu berupa ungkapan tepat, penghampiran berangka atau bukti sesuatu dakwaan. Permintaan yang berguna boleh meminta penerbitan diikuti ungkapan akhir dan semakan berdasarkan syarat asal. Pengeluar mencadangkan jawapan matematik dengan langkah penyelesaian dan jawapan akhir dilingkungi kotak LaTeX.\n\nUntuk masalah algoritma, berikan julat input, output yang diperlukan dan kekangan penyelesaian. Minta pendekatan, pelaksanaan dan penerangan mengapa ia mengekalkan sifat yang diperlukan. Jika masalah melibatkan kod sedia ada, berikan fungsi yang relevan, input yang menghasilkan tingkah laku tidak dijangka dan hasil yang dijangka. Jawapan boleh membandingkan laluan sebenar dengan laluan yang dimaksudkan serta mencadangkan pembetulan; pelaksanaan dan pengesahan program ialah langkah aplikasi yang berasingan.\n\nUntuk masalah kekangan, senaraikan pilihan yang dibenarkan dan hubungannya secara jelas. Contohnya, permintaan penjadualan boleh memberikan peserta, ketersediaan dan peraturan yang menjadikan dua penugasan tidak serasi. Minta cadangan penugasan dengan peraturan yang menyokong setiap keputusan, dan wajibkan sebarang syarat belum selesai terus kelihatan. Ini menjadikan tugasan penaakulan boleh diperiksa dan bukannya meminta model memilih tanpa kekangan asas.\n\nCadangan penggunaan khusus pengeluar\n\nDeepSeek mencadangkan supaya semua arahan diletakkan dalam prompt pengguna dan mengelakkan prompt sistem berasingan untuk siri ini. Ini berbeza daripada templat sembang umum yang bergantung pada mesej sistem untuk menentukan tugasan. Letakkan format jawapan yang diminta, bahan sumber dan soalan sebenar bersama-sama dengan sempadan yang jelas.\n\nJulat suhu yang disarankan ialah 0.5 hingga 0.7, dengan 0.6 diutamakan. Pengeluar mengaitkan cadangan itu dengan mengelakkan pengulangan atau output tidak koheren. Ia turut menyatakan bahawa sesetengah pertanyaan boleh menghasilkan blok penaakulan kosong dan mencadangkan memulakan output dengan penanda pembuka penaakulan. Ini ialah cadangan bagi aliran kerja penaakulan yang dikeluarkan, bukan jaminan bahawa satu tetapan mewujudkan ketepatan.\n\nKontrak jawapan praktikal boleh meminta penerangan kaedah, langkah penting yang berasas dan artifak akhir yang berasingan. Dalam tugasan matematik, gunakan ungkapan berkotak untuk hasil akhir. Dalam tugasan pengekodan, asingkan kod daripada andaian dan contoh inputnya. Untuk tugasan logik, kekalkan setiap kesimpulan dikaitkan dengan peraturan atau fakta yang diberikan yang menyokongnya. Ini membolehkan teks penaakulan dan hasil yang diperlukan aplikasi memenuhi tujuan yang berbeza.\n\nKonteks, output dan sempadan integrasi\n\n131,072 kedudukan maksimum dalam konfigurasi yang dikeluarkan perlu dipertimbangkan bersama prompt penuh dan penaakulan yang dijana. Pengeluar menggunakan tetapan penjanaan 32,768 token dalam penilaian, tetapi tetapan eksperimen itu bukan spesifikasi kapasiti output berasingan yang diterbitkan untuk titik semak ini. Jangan tentukan had maksimum jawapan berdasarkan persediaan penanda aras atau salin angka output 8,192 token edisi Qwen Instruct asal ke keluaran sulingan yang diubah.\n\nPastikan input berfokus pada soalan matematik, pengaturcaraan atau logik sebenar, dan nyatakan bentuk akhir yang dikehendaki. Kalkulator luaran, repositori, penghurai dokumen atau fungsi carian perlu dibekalkan oleh aplikasi sekeliling; ia tidak disertakan semata-mata dengan memilih titik semak penaakulan teks. Hasil yang berguna ialah penyelesaian bertulis atau pelaksanaan yang dicadangkan yang andaian, kaedah dan jawapan akhirnya sepadan dengan masalah yang diberikan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Solve a bounded scheduling problem\n\nSchedule three one-hour interviews in slots 09:00, 10:00 and 11:00. Ada cannot attend 09:00; Ben cannot attend 11:00; Chen must be before Ada. Each person gets one distinct slot. Give a valid schedule, explain how each constraint is satisfied and state whether another schedule is possible.A person-to-slot table, a constraint check and a justified uniqueness or non-uniqueness conclusion.Check all three constraints and distinct slots directly against the proposed schedule.deepseek-ai/DeepSeek-R1-Distill-Qwen-32BDeepSeek-R1-Distill-Qwen-32B ialah model penaakulan teks padat yang ditala halus daripada Qwen2.5-32B menggunakan contoh DeepSeek-R1. Ia ditujukan kepada tugasan matematik, pengekodan dan logik berbilang langkah, dengan prompt khusus pengeluar dan konfigurasi keluaran 131,072 kedudukan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek-R1-Distill-Qwen-32B ialah titik semak penaakulan padat bersaiz 32B DeepSeek yang dibina daripada Qwen2.5-32B. DeepSeek menala halus asasnya menggunakan contoh penaakulan yang dijana oleh DeepSeek-R1. Hasilnya ialah model teks tersendiri untuk masalah yang memerlukan beberapa langkah berkaitan, seperti penerbitan matematik, soalan algoritma atau penaakulan melalui kekangan.
Bagaimana sulingan ini berbeza daripada model R1 penuh
Keluaran pengeluar memisahkan DeepSeek-R1-Zero, DeepSeek-R1 dan model sulingan berasaskan Qwen atau Llama. Barisan R1 penuh membangunkan penaakulan melalui saluran latihannya sendiri; peringkat penyulingan memindahkan corak yang diwakili dalam contoh janaan R1 kepada titik semak padat yang berasingan. Entri ini ialah edisi sulingan 32B berasaskan Qwen, bukan model R1 penuh, R1-Zero atau asas Qwen2.5-32B yang tidak diubah.
Model sulingan Qwen yang dikeluarkan ditala halus menggunakan 800,000 sampel terpilih. DeepSeek turut mengubah konfigurasi dan pentokennya serta mengarahkan pengguna mengekalkan tetapan tersebut. Asal latihan menerangkan tumpuan penaakulan, manakala titik semak bernama dan konfigurasinya sendiri menentukan keluaran sebenar. Ini tidak bermakna model guru yang lebih besar dirujuk secara automatik untuk menjawab setiap soalan baharu.
Konfigurasi titik semak 32B menggunakan seni bina model bahasa kausal dengan 64 lapisan, 40 kepala perhatian pertanyaan dan 8 kepala kunci/nilai. Ia menetapkan kedudukan maksimum kepada 131,072. Angka konfigurasi ini berkaitan dengan model yang dikeluarkan; contoh arahan penyajian atau ahli lain keluarga R1 tidak sepatutnya dianggap sebagai tetapan konteks yang sama. Model menerima teks dan menjana teks, bukannya menerima imej atau menghasilkan artifak visual atau audio.
Menyediakan tugasan matematik atau pengekodan
Untuk masalah matematik, berikan syarat lengkap, takrifkan pemboleh ubah dan nyatakan domain atau andaian. Kenal pasti sama ada hasil akhir perlu berupa ungkapan tepat, penghampiran berangka atau bukti sesuatu dakwaan. Permintaan yang berguna boleh meminta penerbitan diikuti ungkapan akhir dan semakan berdasarkan syarat asal. Pengeluar mencadangkan jawapan matematik dengan langkah penyelesaian dan jawapan akhir dilingkungi kotak LaTeX.
Untuk masalah algoritma, berikan julat input, output yang diperlukan dan kekangan penyelesaian. Minta pendekatan, pelaksanaan dan penerangan mengapa ia mengekalkan sifat yang diperlukan. Jika masalah melibatkan kod sedia ada, berikan fungsi yang relevan, input yang menghasilkan tingkah laku tidak dijangka dan hasil yang dijangka. Jawapan boleh membandingkan laluan sebenar dengan laluan yang dimaksudkan serta mencadangkan pembetulan; pelaksanaan dan pengesahan program ialah langkah aplikasi yang berasingan.
Untuk masalah kekangan, senaraikan pilihan yang dibenarkan dan hubungannya secara jelas. Contohnya, permintaan penjadualan boleh memberikan peserta, ketersediaan dan peraturan yang menjadikan dua penugasan tidak serasi. Minta cadangan penugasan dengan peraturan yang menyokong setiap keputusan, dan wajibkan sebarang syarat belum selesai terus kelihatan. Ini menjadikan tugasan penaakulan boleh diperiksa dan bukannya meminta model memilih tanpa kekangan asas.
Cadangan penggunaan khusus pengeluar
DeepSeek mencadangkan supaya semua arahan diletakkan dalam prompt pengguna dan mengelakkan prompt sistem berasingan untuk siri ini. Ini berbeza daripada templat sembang umum yang bergantung pada mesej sistem untuk menentukan tugasan. Letakkan format jawapan yang diminta, bahan sumber dan soalan sebenar bersama-sama dengan sempadan yang jelas.
Julat suhu yang disarankan ialah 0.5 hingga 0.7, dengan 0.6 diutamakan. Pengeluar mengaitkan cadangan itu dengan mengelakkan pengulangan atau output tidak koheren. Ia turut menyatakan bahawa sesetengah pertanyaan boleh menghasilkan blok penaakulan kosong dan mencadangkan memulakan output dengan penanda pembuka penaakulan. Ini ialah cadangan bagi aliran kerja penaakulan yang dikeluarkan, bukan jaminan bahawa satu tetapan mewujudkan ketepatan.
Kontrak jawapan praktikal boleh meminta penerangan kaedah, langkah penting yang berasas dan artifak akhir yang berasingan. Dalam tugasan matematik, gunakan ungkapan berkotak untuk hasil akhir. Dalam tugasan pengekodan, asingkan kod daripada andaian dan contoh inputnya. Untuk tugasan logik, kekalkan setiap kesimpulan dikaitkan dengan peraturan atau fakta yang diberikan yang menyokongnya. Ini membolehkan teks penaakulan dan hasil yang diperlukan aplikasi memenuhi tujuan yang berbeza.
Konteks, output dan sempadan integrasi
131,072 kedudukan maksimum dalam konfigurasi yang dikeluarkan perlu dipertimbangkan bersama prompt penuh dan penaakulan yang dijana. Pengeluar menggunakan tetapan penjanaan 32,768 token dalam penilaian, tetapi tetapan eksperimen itu bukan spesifikasi kapasiti output berasingan yang diterbitkan untuk titik semak ini. Jangan tentukan had maksimum jawapan berdasarkan persediaan penanda aras atau salin angka output 8,192 token edisi Qwen Instruct asal ke keluaran sulingan yang diubah.
Pastikan input berfokus pada soalan matematik, pengaturcaraan atau logik sebenar, dan nyatakan bentuk akhir yang dikehendaki. Kalkulator luaran, repositori, penghurai dokumen atau fungsi carian perlu dibekalkan oleh aplikasi sekeliling; ia tidak disertakan semata-mata dengan memilih titik semak penaakulan teks. Hasil yang berguna ialah penyelesaian bertulis atau pelaksanaan yang dicadangkan yang andaian, kaedah dan jawapan akhirnya sepadan dengan masalah yang diberikan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek-ai/DeepSeek-R1-Distill-Qwen-32B | 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 $0.00036 / 1K token Output · Token output $0.00036 / 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-32B", "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-32B',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-32B',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-32B
Gunakan laluan kaedah yang dipaparkan di atas.
deepseek-ai/DeepSeek-R1-Distill-Qwen-32BDeepSeek-R1-Distill-Qwen-32B ialah model penaakulan teks padat yang ditala halus daripada Qwen2.5-32B menggunakan contoh DeepSeek-R1. Ia ditujukan kepada tugasan matematik, pengekodan dan logik berbilang langkah, dengan prompt khusus pengeluar dan konfigurasi keluaran 131,072 kedudukan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek-R1-Distill-Qwen-32B ialah titik semak penaakulan padat bersaiz 32B DeepSeek yang dibina daripada Qwen2.5-32B. DeepSeek menala halus asasnya menggunakan contoh penaakulan yang dijana oleh DeepSeek-R1. Hasilnya ialah model teks tersendiri untuk masalah yang memerlukan beberapa langkah berkaitan, seperti penerbitan matematik, soalan algoritma atau penaakulan melalui kekangan.
Bagaimana sulingan ini berbeza daripada model R1 penuh
Keluaran pengeluar memisahkan DeepSeek-R1-Zero, DeepSeek-R1 dan model sulingan berasaskan Qwen atau Llama. Barisan R1 penuh membangunkan penaakulan melalui saluran latihannya sendiri; peringkat penyulingan memindahkan corak yang diwakili dalam contoh janaan R1 kepada titik semak padat yang berasingan. Entri ini ialah edisi sulingan 32B berasaskan Qwen, bukan model R1 penuh, R1-Zero atau asas Qwen2.5-32B yang tidak diubah.
Model sulingan Qwen yang dikeluarkan ditala halus menggunakan 800,000 sampel terpilih. DeepSeek turut mengubah konfigurasi dan pentokennya serta mengarahkan pengguna mengekalkan tetapan tersebut. Asal latihan menerangkan tumpuan penaakulan, manakala titik semak bernama dan konfigurasinya sendiri menentukan keluaran sebenar. Ini tidak bermakna model guru yang lebih besar dirujuk secara automatik untuk menjawab setiap soalan baharu.
Konfigurasi titik semak 32B menggunakan seni bina model bahasa kausal dengan 64 lapisan, 40 kepala perhatian pertanyaan dan 8 kepala kunci/nilai. Ia menetapkan kedudukan maksimum kepada 131,072. Angka konfigurasi ini berkaitan dengan model yang dikeluarkan; contoh arahan penyajian atau ahli lain keluarga R1 tidak sepatutnya dianggap sebagai tetapan konteks yang sama. Model menerima teks dan menjana teks, bukannya menerima imej atau menghasilkan artifak visual atau audio.
Menyediakan tugasan matematik atau pengekodan
Untuk masalah matematik, berikan syarat lengkap, takrifkan pemboleh ubah dan nyatakan domain atau andaian. Kenal pasti sama ada hasil akhir perlu berupa ungkapan tepat, penghampiran berangka atau bukti sesuatu dakwaan. Permintaan yang berguna boleh meminta penerbitan diikuti ungkapan akhir dan semakan berdasarkan syarat asal. Pengeluar mencadangkan jawapan matematik dengan langkah penyelesaian dan jawapan akhir dilingkungi kotak LaTeX.
Untuk masalah algoritma, berikan julat input, output yang diperlukan dan kekangan penyelesaian. Minta pendekatan, pelaksanaan dan penerangan mengapa ia mengekalkan sifat yang diperlukan. Jika masalah melibatkan kod sedia ada, berikan fungsi yang relevan, input yang menghasilkan tingkah laku tidak dijangka dan hasil yang dijangka. Jawapan boleh membandingkan laluan sebenar dengan laluan yang dimaksudkan serta mencadangkan pembetulan; pelaksanaan dan pengesahan program ialah langkah aplikasi yang berasingan.
Untuk masalah kekangan, senaraikan pilihan yang dibenarkan dan hubungannya secara jelas. Contohnya, permintaan penjadualan boleh memberikan peserta, ketersediaan dan peraturan yang menjadikan dua penugasan tidak serasi. Minta cadangan penugasan dengan peraturan yang menyokong setiap keputusan, dan wajibkan sebarang syarat belum selesai terus kelihatan. Ini menjadikan tugasan penaakulan boleh diperiksa dan bukannya meminta model memilih tanpa kekangan asas.
Cadangan penggunaan khusus pengeluar
DeepSeek mencadangkan supaya semua arahan diletakkan dalam prompt pengguna dan mengelakkan prompt sistem berasingan untuk siri ini. Ini berbeza daripada templat sembang umum yang bergantung pada mesej sistem untuk menentukan tugasan. Letakkan format jawapan yang diminta, bahan sumber dan soalan sebenar bersama-sama dengan sempadan yang jelas.
Julat suhu yang disarankan ialah 0.5 hingga 0.7, dengan 0.6 diutamakan. Pengeluar mengaitkan cadangan itu dengan mengelakkan pengulangan atau output tidak koheren. Ia turut menyatakan bahawa sesetengah pertanyaan boleh menghasilkan blok penaakulan kosong dan mencadangkan memulakan output dengan penanda pembuka penaakulan. Ini ialah cadangan bagi aliran kerja penaakulan yang dikeluarkan, bukan jaminan bahawa satu tetapan mewujudkan ketepatan.
Kontrak jawapan praktikal boleh meminta penerangan kaedah, langkah penting yang berasas dan artifak akhir yang berasingan. Dalam tugasan matematik, gunakan ungkapan berkotak untuk hasil akhir. Dalam tugasan pengekodan, asingkan kod daripada andaian dan contoh inputnya. Untuk tugasan logik, kekalkan setiap kesimpulan dikaitkan dengan peraturan atau fakta yang diberikan yang menyokongnya. Ini membolehkan teks penaakulan dan hasil yang diperlukan aplikasi memenuhi tujuan yang berbeza.
Konteks, output dan sempadan integrasi
131,072 kedudukan maksimum dalam konfigurasi yang dikeluarkan perlu dipertimbangkan bersama prompt penuh dan penaakulan yang dijana. Pengeluar menggunakan tetapan penjanaan 32,768 token dalam penilaian, tetapi tetapan eksperimen itu bukan spesifikasi kapasiti output berasingan yang diterbitkan untuk titik semak ini. Jangan tentukan had maksimum jawapan berdasarkan persediaan penanda aras atau salin angka output 8,192 token edisi Qwen Instruct asal ke keluaran sulingan yang diubah.
Pastikan input berfokus pada soalan matematik, pengaturcaraan atau logik sebenar, dan nyatakan bentuk akhir yang dikehendaki. Kalkulator luaran, repositori, penghurai dokumen atau fungsi carian perlu dibekalkan oleh aplikasi sekeliling; ia tidak disertakan semata-mata dengan memilih titik semak penaakulan teks. Hasil yang berguna ialah penyelesaian bertulis atau pelaksanaan yang dicadangkan yang andaian, kaedah dan jawapan akhirnya sepadan dengan masalah yang diberikan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek-ai/DeepSeek-R1-Distill-Qwen-32B | 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 $0.00036 / 1K token Output · Token output $0.00036 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-32B', '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-32B', '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-32B
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Solve a bounded scheduling problem\n\nSchedule three one-hour interviews in slots 09:00, 10:00 and 11:00. Ada cannot attend 09:00; Ben cannot attend 11:00; Chen must be before Ada. Each person gets one distinct slot. Give a valid schedule, explain how each constraint is satisfied and state whether another schedule is possible.A person-to-slot table, a constraint check and a justified uniqueness or non-uniqueness conclusion.Check all three constraints and distinct slots directly against the proposed schedule.