DeepSeek R1 Distill Llama 8B memindahkan corak penaakulan daripada DeepSeek R1 kepada model padat berasaskan Llama 3.1 8B Base. DeepSeek menala halus asas ini menggunakan contoh yang dijana oleh R1. Hasilnya ialah titik semak sulingan 8B yang berasingan, yang menggunakan input teks dan mengembalikan jawapan teks, termasuk penerbitan langkah pengiraan, cadangan kod atau penerangan tentang masalah logik.
Identiti model sulingan. Pengeluar mengeluarkan sulingan Llama dan Qwen dengan asas dan saiz yang berbeza. Edisi Llama 8B bermula dengan model Base; Llama 70B bermula dengan Llama 3.3 70B Instruct. Edisi Qwen menggunakan asas masing-masing. Kekalkan titik semak bernama yang tepat apabila memilih model atau mentafsir jawapannya. DeepSeek melaraskan konfigurasi dan pentoken model sulingan, jadi persediaan model asas yang tidak diubah bukanlah huraian lengkap bagi keluaran yang disediakan.
Untuk soalan matematik, nyatakan andaian, takrifkan simbol dan sertakan keseluruhan masalah. Minta penerbitan langkah demi langkah diikuti hasil akhir yang dipisahkan dengan jelas. Permintaan pengajaran yang berguna boleh bertanya mengapa transformasi tertentu sah dan andaian mana yang membolehkannya. Apabila hujah bergantung pada kes sempadan, sertakan kes itu dalam prompt dan minta model menyemaknya secara jelas. Ini menghasilkan penyelesaian yang boleh anda periksa dan bincangkan, bukannya jawapan tanpa penerangan.
Cadangan penggunaan. DeepSeek mencadangkan suhu antara 0.5 dan 0.7, dengan 0.6 diutamakan untuk siri penaakulannya. Ia menasihatkan supaya arahan diletakkan dalam mesej pengguna, tanpa prompt sistem berasingan, dan meminta pengguna matematik memohon penaakulan berurutan dengan jawapan akhir dalam notasi kotak. Untuk kes apabila corak penaakulan yang dimaksudkan dilangkau, DeepSeek mencadangkan penguatkuasaan awalan jawapan <think>\\n dalam persediaan penjanaan yang serasi. Ini ialah cadangan penggunaan model yang diterbitkan untuk persekitaran penjanaan yang serasi.
Untuk pengaturcaraan, berikan fungsi atau algoritma ringkas, input yang mewakili penggunaan dan output yang dijangka. Minta pelaksanaan yang dicadangkan serta contoh yang menguji kes biasa dan kes luar biasa. Untuk laporan pepijat, kekalkan mesej ralat dan nyatakan tingkah laku yang dimaksudkan, kemudian minta pembaikan minimum berserta penerangan. Masalah yang kecil dan berfokus memudahkan semakan sama ada jawapan menangani keperluan sebenar serta membantu mengenal pasti titik yang memerlukan susulan.
Untuk analisis logik, berikan premis secara berasingan daripada kesimpulan yang ingin diuji. Minta sama ada hujah yang menghubungkannya atau contoh balas yang menunjukkan bahawa kesimpulan itu tidak semestinya terhasil. Jika tugasan kurang diperincikan, minta andaian yang hilang sebelum kesimpulan muktamad. Sahkan pengiraan penting secara bebas dan jalankan kod dalam projek yang dimaksudkan. Apabila menilai model untuk aliran kerja, ikuti nasihat pengeluar untuk menggunakan beberapa percubaan yang mewakili penggunaan, bukannya satu jawapan yang memuaskan.
", "aboutText": "DeepSeek R1 Distill Llama 8B memindahkan corak penaakulan daripada DeepSeek R1 kepada model padat berasaskan Llama 3.1 8B Base. DeepSeek menala halus asas ini menggunakan contoh yang dijana oleh R1. Hasilnya ialah titik semak sulingan 8B yang berasingan, yang menggunakan input teks dan mengembalikan jawapan teks, termasuk penerbitan langkah pengiraan, cadangan kod atau penerangan tentang masalah logik.\n\nIdentiti model sulingan. Pengeluar mengeluarkan sulingan Llama dan Qwen dengan asas dan saiz yang berbeza. Edisi Llama 8B bermula dengan model Base; Llama 70B bermula dengan Llama 3.3 70B Instruct. Edisi Qwen menggunakan asas masing-masing. Kekalkan titik semak bernama yang tepat apabila memilih model atau mentafsir jawapannya. DeepSeek melaraskan konfigurasi dan pentoken model sulingan, jadi persediaan model asas yang tidak diubah bukanlah huraian lengkap bagi keluaran yang disediakan.\n\nUntuk soalan matematik, nyatakan andaian, takrifkan simbol dan sertakan keseluruhan masalah. Minta penerbitan langkah demi langkah diikuti hasil akhir yang dipisahkan dengan jelas. Permintaan pengajaran yang berguna boleh bertanya mengapa transformasi tertentu sah dan andaian mana yang membolehkannya. Apabila hujah bergantung pada kes sempadan, sertakan kes itu dalam prompt dan minta model menyemaknya secara jelas. Ini menghasilkan penyelesaian yang boleh anda periksa dan bincangkan, bukannya jawapan tanpa penerangan.\n\nCadangan penggunaan. DeepSeek mencadangkan suhu antara 0.5 dan 0.7, dengan 0.6 diutamakan untuk siri penaakulannya. Ia menasihatkan supaya arahan diletakkan dalam mesej pengguna, tanpa prompt sistem berasingan, dan meminta pengguna matematik memohon penaakulan berurutan dengan jawapan akhir dalam notasi kotak. Untuk kes apabila corak penaakulan yang dimaksudkan dilangkau, DeepSeek mencadangkan penguatkuasaan awalan jawapan `Contoh teknikal dalam bahasa Inggeris
Explain a square-root boundary\n\nSolve sqrt(x + 6) = x over the real numbers. Give a concise derivation, state the domain restrictions before squaring and check every resulting candidate in the original equation. Put the final solution set in box notation and explain why squaring can introduce an invalid candidate.A domain statement, an algebraic derivation, candidate substitutions and a boxed solution set.Check that every accepted root satisfies both the sign restriction and the unsquared equation.deepseek/deepseek-r1-distill-llama-8bModel penaakulan padat dan kompak yang dibina oleh DeepSeek berasaskan Llama 3.1 8B Base dan ditala halus menggunakan contoh yang dijana R1. Ia menghasilkan penyelesaian teks untuk tugasan matematik, logik dan pengaturcaraan daripada masalah yang dinyatakan dengan jelas.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek R1 Distill Llama 8B memindahkan corak penaakulan daripada DeepSeek R1 kepada model padat berasaskan Llama 3.1 8B Base. DeepSeek menala halus asas ini menggunakan contoh yang dijana oleh R1. Hasilnya ialah titik semak sulingan 8B yang berasingan, yang menggunakan input teks dan mengembalikan jawapan teks, termasuk penerbitan langkah pengiraan, cadangan kod atau penerangan tentang masalah logik.
Identiti model sulingan. Pengeluar mengeluarkan sulingan Llama dan Qwen dengan asas dan saiz yang berbeza. Edisi Llama 8B bermula dengan model Base; Llama 70B bermula dengan Llama 3.3 70B Instruct. Edisi Qwen menggunakan asas masing-masing. Kekalkan titik semak bernama yang tepat apabila memilih model atau mentafsir jawapannya. DeepSeek melaraskan konfigurasi dan pentoken model sulingan, jadi persediaan model asas yang tidak diubah bukanlah huraian lengkap bagi keluaran yang disediakan.
Untuk soalan matematik, nyatakan andaian, takrifkan simbol dan sertakan keseluruhan masalah. Minta penerbitan langkah demi langkah diikuti hasil akhir yang dipisahkan dengan jelas. Permintaan pengajaran yang berguna boleh bertanya mengapa transformasi tertentu sah dan andaian mana yang membolehkannya. Apabila hujah bergantung pada kes sempadan, sertakan kes itu dalam prompt dan minta model menyemaknya secara jelas. Ini menghasilkan penyelesaian yang boleh anda periksa dan bincangkan, bukannya jawapan tanpa penerangan.
Cadangan penggunaan. DeepSeek mencadangkan suhu antara 0.5 dan 0.7, dengan 0.6 diutamakan untuk siri penaakulannya. Ia menasihatkan supaya arahan diletakkan dalam mesej pengguna, tanpa prompt sistem berasingan, dan meminta pengguna matematik memohon penaakulan berurutan dengan jawapan akhir dalam notasi kotak. Untuk kes apabila corak penaakulan yang dimaksudkan dilangkau, DeepSeek mencadangkan penguatkuasaan awalan jawapan <think>\\n dalam persediaan penjanaan yang serasi. Ini ialah cadangan penggunaan model yang diterbitkan untuk persekitaran penjanaan yang serasi.
Untuk pengaturcaraan, berikan fungsi atau algoritma ringkas, input yang mewakili penggunaan dan output yang dijangka. Minta pelaksanaan yang dicadangkan serta contoh yang menguji kes biasa dan kes luar biasa. Untuk laporan pepijat, kekalkan mesej ralat dan nyatakan tingkah laku yang dimaksudkan, kemudian minta pembaikan minimum berserta penerangan. Masalah yang kecil dan berfokus memudahkan semakan sama ada jawapan menangani keperluan sebenar serta membantu mengenal pasti titik yang memerlukan susulan.
Untuk analisis logik, berikan premis secara berasingan daripada kesimpulan yang ingin diuji. Minta sama ada hujah yang menghubungkannya atau contoh balas yang menunjukkan bahawa kesimpulan itu tidak semestinya terhasil. Jika tugasan kurang diperincikan, minta andaian yang hilang sebelum kesimpulan muktamad. Sahkan pengiraan penting secara bebas dan jalankan kod dalam projek yang dimaksudkan. Apabila menilai model untuk aliran kerja, ikuti nasihat pengeluar untuk menggunakan beberapa percubaan yang mewakili penggunaan, bukannya satu jawapan yang memuaskan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek/deepseek-r1-distill-llama-8b | 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 $0.00008 / 1K token Output · Token output $0.00008 / 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/deepseek-r1-distill-llama-8b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek/deepseek-r1-distill-llama-8b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek/deepseek-r1-distill-llama-8b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/deepseek-r1-distill-llama-8b
Gunakan laluan kaedah yang dipaparkan di atas.
deepseek/deepseek-r1-distill-llama-8bModel penaakulan padat dan kompak yang dibina oleh DeepSeek berasaskan Llama 3.1 8B Base dan ditala halus menggunakan contoh yang dijana R1. Ia menghasilkan penyelesaian teks untuk tugasan matematik, logik dan pengaturcaraan daripada masalah yang dinyatakan dengan jelas.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek R1 Distill Llama 8B memindahkan corak penaakulan daripada DeepSeek R1 kepada model padat berasaskan Llama 3.1 8B Base. DeepSeek menala halus asas ini menggunakan contoh yang dijana oleh R1. Hasilnya ialah titik semak sulingan 8B yang berasingan, yang menggunakan input teks dan mengembalikan jawapan teks, termasuk penerbitan langkah pengiraan, cadangan kod atau penerangan tentang masalah logik.
Identiti model sulingan. Pengeluar mengeluarkan sulingan Llama dan Qwen dengan asas dan saiz yang berbeza. Edisi Llama 8B bermula dengan model Base; Llama 70B bermula dengan Llama 3.3 70B Instruct. Edisi Qwen menggunakan asas masing-masing. Kekalkan titik semak bernama yang tepat apabila memilih model atau mentafsir jawapannya. DeepSeek melaraskan konfigurasi dan pentoken model sulingan, jadi persediaan model asas yang tidak diubah bukanlah huraian lengkap bagi keluaran yang disediakan.
Untuk soalan matematik, nyatakan andaian, takrifkan simbol dan sertakan keseluruhan masalah. Minta penerbitan langkah demi langkah diikuti hasil akhir yang dipisahkan dengan jelas. Permintaan pengajaran yang berguna boleh bertanya mengapa transformasi tertentu sah dan andaian mana yang membolehkannya. Apabila hujah bergantung pada kes sempadan, sertakan kes itu dalam prompt dan minta model menyemaknya secara jelas. Ini menghasilkan penyelesaian yang boleh anda periksa dan bincangkan, bukannya jawapan tanpa penerangan.
Cadangan penggunaan. DeepSeek mencadangkan suhu antara 0.5 dan 0.7, dengan 0.6 diutamakan untuk siri penaakulannya. Ia menasihatkan supaya arahan diletakkan dalam mesej pengguna, tanpa prompt sistem berasingan, dan meminta pengguna matematik memohon penaakulan berurutan dengan jawapan akhir dalam notasi kotak. Untuk kes apabila corak penaakulan yang dimaksudkan dilangkau, DeepSeek mencadangkan penguatkuasaan awalan jawapan <think>\\n dalam persediaan penjanaan yang serasi. Ini ialah cadangan penggunaan model yang diterbitkan untuk persekitaran penjanaan yang serasi.
Untuk pengaturcaraan, berikan fungsi atau algoritma ringkas, input yang mewakili penggunaan dan output yang dijangka. Minta pelaksanaan yang dicadangkan serta contoh yang menguji kes biasa dan kes luar biasa. Untuk laporan pepijat, kekalkan mesej ralat dan nyatakan tingkah laku yang dimaksudkan, kemudian minta pembaikan minimum berserta penerangan. Masalah yang kecil dan berfokus memudahkan semakan sama ada jawapan menangani keperluan sebenar serta membantu mengenal pasti titik yang memerlukan susulan.
Untuk analisis logik, berikan premis secara berasingan daripada kesimpulan yang ingin diuji. Minta sama ada hujah yang menghubungkannya atau contoh balas yang menunjukkan bahawa kesimpulan itu tidak semestinya terhasil. Jika tugasan kurang diperincikan, minta andaian yang hilang sebelum kesimpulan muktamad. Sahkan pengiraan penting secara bebas dan jalankan kod dalam projek yang dimaksudkan. Apabila menilai model untuk aliran kerja, ikuti nasihat pengeluar untuk menggunakan beberapa percubaan yang mewakili penggunaan, bukannya satu jawapan yang memuaskan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek/deepseek-r1-distill-llama-8b | 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 $0.00008 / 1K token Output · Token output $0.00008 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "deepseek/deepseek-r1-distill-llama-8b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1-distill-llama-8b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1-distill-llama-8b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/deepseek-r1-distill-llama-8b
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Explain a square-root boundary\n\nSolve sqrt(x + 6) = x over the real numbers. Give a concise derivation, state the domain restrictions before squaring and check every resulting candidate in the original equation. Put the final solution set in box notation and explain why squaring can introduce an invalid candidate.A domain statement, an algebraic derivation, candidate substitutions and a boxed solution set.Check that every accepted root satisfies both the sign restriction and the unsquared equation.