DeepSeek R1 ialah model asal DeepSeek yang berfokus pada penaakulan untuk tugasan matematik, pengekodan dan logik. Ia dibina berasaskan DeepSeek V3 Base dan menggunakan saluran latihan dengan contoh permulaan sejuk, penambahbaikan terselia dan pembelajaran pengukuhan. Inputnya ialah teks dan hasilnya ialah penyelesaian atau jawapan bertulis. Ia kekal berbeza daripada R1 Zero, edisi R1-0528 yang kemudian dan model sulingan yang berasingan.
Pengeluar membezakan R1 daripada pendekatan pembelajaran pengukuhan tulen R1 Zero. Bahan permulaan sejuk memberikan R1 corak permulaan yang lebih mudah dibaca sebelum pembelajaran pengukuhan berorientasikan penaakulan. Pensampelan penolakan dan latihan terselia yang menyusul menambah data penaakulan dan kegunaan umum, diikuti satu lagi peringkat pembelajaran pengukuhan. Kad model menerangkan dua peringkat terselia dan dua peringkat pembelajaran pengukuhan, yang bertujuan menambah baik corak penaakulan serta penjajaran dengan jawapan yang diminta.
Seni bina yang diterbitkan mempunyai jumlah 671 bilion parameter dengan 37 bilion aktif bagi setiap token dan konteks 128K. Tetingkap itu merangkumi sumber, prompt dan penaakulan atau jawapan yang dijana bersama-sama; ia bukan jaminan berasingan bagi output 128K. Syarat matematik yang panjang, cebisan kod atau set keperluan masih perlu disusun supaya model dapat mengenal pasti masalah sebenar dan bentuk hasil yang anda perlukan.
DeepSeek mencadangkan suhu antara 0.5 dan 0.7, dengan 0.6 disarankan, untuk mengurangkan pengulangan atau output tidak koheren. Ia menasihatkan supaya arahan diletakkan dalam prompt pengguna dan bukannya menambah prompt sistem. Laporan penyelidikannya turut mencadangkan pernyataan terus masalah dan format output secara zero-shot, kerana prompt few-shot boleh mengurangkan prestasi dalam profil asal ini. Ini ialah cadangan penggunaan pengeluar, bukannya tetapan lalai yang diandaikan untuk setiap aplikasi.
Untuk matematik, berikan syarat lengkap, takrif pemboleh ubah dan sekatan domain. Pengeluar mencadangkan meminta penyelesaian langkah demi langkah dengan hasil akhir dalam ungkapan \\boxed{}. Ringkasan tugasan contoh boleh meminta formula akhir, andaian yang menjadikannya sah dan semakan penggantian nilai. Untuk kod, sertakan tingkah laku yang perlu dilaksanakan, kekangan dan input yang mewakili penggunaan, kemudian minta algoritma yang dicadangkan dan artifak kod secara berasingan daripada penerangannya.
Format penaakulan model memisahkan fasa berfikir daripada jawapan akhir. DeepSeek menyatakan bahawa sesetengah pertanyaan boleh menghasilkan blok berfikir kosong dan mencadangkan awalan permulaan penaakulan dalam aliran kerja rujukannya apabila penaakulan lebih mendalam dikehendaki. Kekalkan perbezaan antara format pengeluar itu dengan jawapan akhir yang anda mahu pengguna baca. Hasil serahan yang diminta boleh berupa kesimpulan ringkas atau kod walaupun proses perantaraan model lebih panjang.
Penyelidikan asal mengenal pasti batasan yang konkrit. R1 dioptimumkan untuk bahasa Cina dan Inggeris, dan pertanyaan bahasa lain boleh menyebabkan percampuran bahasa yang tidak dikehendaki. Ia sensitif terhadap prompt, dan tingkah laku berbilang giliran yang kompleks, lakonan peranan, JSON serta panggilan fungsinya kurang dibangunkan berbanding tumpuannya pada penaakulan matematik dan pengekodan. Sokongan JSON dan alat yang didokumenkan untuk R1-0528 ialah perubahan edisi kemudian, bukan kontrak R1 asal. Nyatakan bahasa dan format output secara jelas dan pastikan pernyataan masalah terus kepada perkara utama.
Untuk tugasan teknikal praktikal, takrifkan perkara yang membentuk hasil yang betul: formula berserta andaian, algoritma yang memenuhi kerumitan yang dinyatakan atau perbandingan beralasan berdasarkan kriteria yang diberikan. Minta jawapan akhir mengenal pasti maklumat yang hilang dan bukannya mereka-rekanya. Untuk kerja yang bergantung pada sumber, berikan petikan berwibawa sebagai teks. Semak kod atau kesimpulan yang dicadangkan berdasarkan syarat asal; artifak yang berguna ialah penyelesaian akhir dan penerangan sokongannya, yang berbeza daripada tindakan atau pengesahan yang benar-benar dilakukan oleh aplikasi sekeliling.
", "aboutText": "DeepSeek R1 ialah model asal DeepSeek yang berfokus pada penaakulan untuk tugasan matematik, pengekodan dan logik. Ia dibina berasaskan DeepSeek V3 Base dan menggunakan saluran latihan dengan contoh permulaan sejuk, penambahbaikan terselia dan pembelajaran pengukuhan. Inputnya ialah teks dan hasilnya ialah penyelesaian atau jawapan bertulis. Ia kekal berbeza daripada R1 Zero, edisi R1-0528 yang kemudian dan model sulingan yang berasingan.\n\nPengeluar membezakan R1 daripada pendekatan pembelajaran pengukuhan tulen R1 Zero. Bahan permulaan sejuk memberikan R1 corak permulaan yang lebih mudah dibaca sebelum pembelajaran pengukuhan berorientasikan penaakulan. Pensampelan penolakan dan latihan terselia yang menyusul menambah data penaakulan dan kegunaan umum, diikuti satu lagi peringkat pembelajaran pengukuhan. Kad model menerangkan dua peringkat terselia dan dua peringkat pembelajaran pengukuhan, yang bertujuan menambah baik corak penaakulan serta penjajaran dengan jawapan yang diminta.\n\nSeni bina yang diterbitkan mempunyai jumlah 671 bilion parameter dengan 37 bilion aktif bagi setiap token dan konteks 128K. Tetingkap itu merangkumi sumber, prompt dan penaakulan atau jawapan yang dijana bersama-sama; ia bukan jaminan berasingan bagi output 128K. Syarat matematik yang panjang, cebisan kod atau set keperluan masih perlu disusun supaya model dapat mengenal pasti masalah sebenar dan bentuk hasil yang anda perlukan.\n\nDeepSeek mencadangkan suhu antara 0.5 dan 0.7, dengan 0.6 disarankan, untuk mengurangkan pengulangan atau output tidak koheren. Ia menasihatkan supaya arahan diletakkan dalam prompt pengguna dan bukannya menambah prompt sistem. Laporan penyelidikannya turut mencadangkan pernyataan terus masalah dan format output secara zero-shot, kerana prompt few-shot boleh mengurangkan prestasi dalam profil asal ini. Ini ialah cadangan penggunaan pengeluar, bukannya tetapan lalai yang diandaikan untuk setiap aplikasi.\n\nUntuk matematik, berikan syarat lengkap, takrif pemboleh ubah dan sekatan domain. Pengeluar mencadangkan meminta penyelesaian langkah demi langkah dengan hasil akhir dalam ungkapan \\boxed{}. Ringkasan tugasan contoh boleh meminta formula akhir, andaian yang menjadikannya sah dan semakan penggantian nilai. Untuk kod, sertakan tingkah laku yang perlu dilaksanakan, kekangan dan input yang mewakili penggunaan, kemudian minta algoritma yang dicadangkan dan artifak kod secara berasingan daripada penerangannya.\n\nFormat penaakulan model memisahkan fasa berfikir daripada jawapan akhir. DeepSeek menyatakan bahawa sesetengah pertanyaan boleh menghasilkan blok berfikir kosong dan mencadangkan awalan permulaan penaakulan dalam aliran kerja rujukannya apabila penaakulan lebih mendalam dikehendaki. Kekalkan perbezaan antara format pengeluar itu dengan jawapan akhir yang anda mahu pengguna baca. Hasil serahan yang diminta boleh berupa kesimpulan ringkas atau kod walaupun proses perantaraan model lebih panjang.\n\nPenyelidikan asal mengenal pasti batasan yang konkrit. R1 dioptimumkan untuk bahasa Cina dan Inggeris, dan pertanyaan bahasa lain boleh menyebabkan percampuran bahasa yang tidak dikehendaki. Ia sensitif terhadap prompt, dan tingkah laku berbilang giliran yang kompleks, lakonan peranan, JSON serta panggilan fungsinya kurang dibangunkan berbanding tumpuannya pada penaakulan matematik dan pengekodan. Sokongan JSON dan alat yang didokumenkan untuk R1-0528 ialah perubahan edisi kemudian, bukan kontrak R1 asal. Nyatakan bahasa dan format output secara jelas dan pastikan pernyataan masalah terus kepada perkara utama.\n\nUntuk tugasan teknikal praktikal, takrifkan perkara yang membentuk hasil yang betul: formula berserta andaian, algoritma yang memenuhi kerumitan yang dinyatakan atau perbandingan beralasan berdasarkan kriteria yang diberikan. Minta jawapan akhir mengenal pasti maklumat yang hilang dan bukannya mereka-rekanya. Untuk kerja yang bergantung pada sumber, berikan petikan berwibawa sebagai teks. Semak kod atau kesimpulan yang dicadangkan berdasarkan syarat asal; artifak yang berguna ialah penyelesaian akhir dan penerangan sokongannya, yang berbeza daripada tindakan atau pengesahan yang benar-benar dilakukan oleh aplikasi sekeliling.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Optimize a rectangular enclosure\n\nA rectangular enclosure has 60 metres of fencing, used on all four sides. Its width and length are positive real numbers. Derive the largest possible area, justify why the optimum is global and check the dimensions against the fencing constraint. Give the final result in a boxed mathematical expression.A derivation, optimal dimensions, a perimeter check and a boxed maximum area.Check that the solution respects positivity and uses 2(length + width) = 60 rather than a three-sided constraint.deepseek/deepseek-r1DeepSeek R1 ialah model teks asal DeepSeek yang berfokus pada penaakulan untuk matematik, kod dan logik. Ia menggabungkan contoh arahan permulaan sejuk dengan pembelajaran pengukuhan dan konteks 128K, dengan panduan pengeluar untuk prompt langsung dan pemformatan jawapan akhir yang jelas.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek R1 ialah model asal DeepSeek yang berfokus pada penaakulan untuk tugasan matematik, pengekodan dan logik. Ia dibina berasaskan DeepSeek V3 Base dan menggunakan saluran latihan dengan contoh permulaan sejuk, penambahbaikan terselia dan pembelajaran pengukuhan. Inputnya ialah teks dan hasilnya ialah penyelesaian atau jawapan bertulis. Ia kekal berbeza daripada R1 Zero, edisi R1-0528 yang kemudian dan model sulingan yang berasingan.
Pengeluar membezakan R1 daripada pendekatan pembelajaran pengukuhan tulen R1 Zero. Bahan permulaan sejuk memberikan R1 corak permulaan yang lebih mudah dibaca sebelum pembelajaran pengukuhan berorientasikan penaakulan. Pensampelan penolakan dan latihan terselia yang menyusul menambah data penaakulan dan kegunaan umum, diikuti satu lagi peringkat pembelajaran pengukuhan. Kad model menerangkan dua peringkat terselia dan dua peringkat pembelajaran pengukuhan, yang bertujuan menambah baik corak penaakulan serta penjajaran dengan jawapan yang diminta.
Seni bina yang diterbitkan mempunyai jumlah 671 bilion parameter dengan 37 bilion aktif bagi setiap token dan konteks 128K. Tetingkap itu merangkumi sumber, prompt dan penaakulan atau jawapan yang dijana bersama-sama; ia bukan jaminan berasingan bagi output 128K. Syarat matematik yang panjang, cebisan kod atau set keperluan masih perlu disusun supaya model dapat mengenal pasti masalah sebenar dan bentuk hasil yang anda perlukan.
DeepSeek mencadangkan suhu antara 0.5 dan 0.7, dengan 0.6 disarankan, untuk mengurangkan pengulangan atau output tidak koheren. Ia menasihatkan supaya arahan diletakkan dalam prompt pengguna dan bukannya menambah prompt sistem. Laporan penyelidikannya turut mencadangkan pernyataan terus masalah dan format output secara zero-shot, kerana prompt few-shot boleh mengurangkan prestasi dalam profil asal ini. Ini ialah cadangan penggunaan pengeluar, bukannya tetapan lalai yang diandaikan untuk setiap aplikasi.
Untuk matematik, berikan syarat lengkap, takrif pemboleh ubah dan sekatan domain. Pengeluar mencadangkan meminta penyelesaian langkah demi langkah dengan hasil akhir dalam ungkapan \\boxed{}. Ringkasan tugasan contoh boleh meminta formula akhir, andaian yang menjadikannya sah dan semakan penggantian nilai. Untuk kod, sertakan tingkah laku yang perlu dilaksanakan, kekangan dan input yang mewakili penggunaan, kemudian minta algoritma yang dicadangkan dan artifak kod secara berasingan daripada penerangannya.
Format penaakulan model memisahkan fasa berfikir daripada jawapan akhir. DeepSeek menyatakan bahawa sesetengah pertanyaan boleh menghasilkan blok berfikir kosong dan mencadangkan awalan permulaan penaakulan dalam aliran kerja rujukannya apabila penaakulan lebih mendalam dikehendaki. Kekalkan perbezaan antara format pengeluar itu dengan jawapan akhir yang anda mahu pengguna baca. Hasil serahan yang diminta boleh berupa kesimpulan ringkas atau kod walaupun proses perantaraan model lebih panjang.
Penyelidikan asal mengenal pasti batasan yang konkrit. R1 dioptimumkan untuk bahasa Cina dan Inggeris, dan pertanyaan bahasa lain boleh menyebabkan percampuran bahasa yang tidak dikehendaki. Ia sensitif terhadap prompt, dan tingkah laku berbilang giliran yang kompleks, lakonan peranan, JSON serta panggilan fungsinya kurang dibangunkan berbanding tumpuannya pada penaakulan matematik dan pengekodan. Sokongan JSON dan alat yang didokumenkan untuk R1-0528 ialah perubahan edisi kemudian, bukan kontrak R1 asal. Nyatakan bahasa dan format output secara jelas dan pastikan pernyataan masalah terus kepada perkara utama.
Untuk tugasan teknikal praktikal, takrifkan perkara yang membentuk hasil yang betul: formula berserta andaian, algoritma yang memenuhi kerumitan yang dinyatakan atau perbandingan beralasan berdasarkan kriteria yang diberikan. Minta jawapan akhir mengenal pasti maklumat yang hilang dan bukannya mereka-rekanya. Untuk kerja yang bergantung pada sumber, berikan petikan berwibawa sebagai teks. Semak kod atau kesimpulan yang dicadangkan berdasarkan syarat asal; artifak yang berguna ialah penyelesaian akhir dan penerangan sokongannya, yang berbeza daripada tindakan atau pengesahan yang benar-benar dilakukan oleh aplikasi sekeliling.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek/deepseek-r1 | 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.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0014 / 1K token Output · Token output $0.005 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0014 / 1K token Output · Token output $0.005 / 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", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek/deepseek-r1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek/deepseek-r1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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
Gunakan laluan kaedah yang dipaparkan di atas.
deepseek/deepseek-r1DeepSeek R1 ialah model teks asal DeepSeek yang berfokus pada penaakulan untuk matematik, kod dan logik. Ia menggabungkan contoh arahan permulaan sejuk dengan pembelajaran pengukuhan dan konteks 128K, dengan panduan pengeluar untuk prompt langsung dan pemformatan jawapan akhir yang jelas.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
DeepSeek R1 ialah model asal DeepSeek yang berfokus pada penaakulan untuk tugasan matematik, pengekodan dan logik. Ia dibina berasaskan DeepSeek V3 Base dan menggunakan saluran latihan dengan contoh permulaan sejuk, penambahbaikan terselia dan pembelajaran pengukuhan. Inputnya ialah teks dan hasilnya ialah penyelesaian atau jawapan bertulis. Ia kekal berbeza daripada R1 Zero, edisi R1-0528 yang kemudian dan model sulingan yang berasingan.
Pengeluar membezakan R1 daripada pendekatan pembelajaran pengukuhan tulen R1 Zero. Bahan permulaan sejuk memberikan R1 corak permulaan yang lebih mudah dibaca sebelum pembelajaran pengukuhan berorientasikan penaakulan. Pensampelan penolakan dan latihan terselia yang menyusul menambah data penaakulan dan kegunaan umum, diikuti satu lagi peringkat pembelajaran pengukuhan. Kad model menerangkan dua peringkat terselia dan dua peringkat pembelajaran pengukuhan, yang bertujuan menambah baik corak penaakulan serta penjajaran dengan jawapan yang diminta.
Seni bina yang diterbitkan mempunyai jumlah 671 bilion parameter dengan 37 bilion aktif bagi setiap token dan konteks 128K. Tetingkap itu merangkumi sumber, prompt dan penaakulan atau jawapan yang dijana bersama-sama; ia bukan jaminan berasingan bagi output 128K. Syarat matematik yang panjang, cebisan kod atau set keperluan masih perlu disusun supaya model dapat mengenal pasti masalah sebenar dan bentuk hasil yang anda perlukan.
DeepSeek mencadangkan suhu antara 0.5 dan 0.7, dengan 0.6 disarankan, untuk mengurangkan pengulangan atau output tidak koheren. Ia menasihatkan supaya arahan diletakkan dalam prompt pengguna dan bukannya menambah prompt sistem. Laporan penyelidikannya turut mencadangkan pernyataan terus masalah dan format output secara zero-shot, kerana prompt few-shot boleh mengurangkan prestasi dalam profil asal ini. Ini ialah cadangan penggunaan pengeluar, bukannya tetapan lalai yang diandaikan untuk setiap aplikasi.
Untuk matematik, berikan syarat lengkap, takrif pemboleh ubah dan sekatan domain. Pengeluar mencadangkan meminta penyelesaian langkah demi langkah dengan hasil akhir dalam ungkapan \\boxed{}. Ringkasan tugasan contoh boleh meminta formula akhir, andaian yang menjadikannya sah dan semakan penggantian nilai. Untuk kod, sertakan tingkah laku yang perlu dilaksanakan, kekangan dan input yang mewakili penggunaan, kemudian minta algoritma yang dicadangkan dan artifak kod secara berasingan daripada penerangannya.
Format penaakulan model memisahkan fasa berfikir daripada jawapan akhir. DeepSeek menyatakan bahawa sesetengah pertanyaan boleh menghasilkan blok berfikir kosong dan mencadangkan awalan permulaan penaakulan dalam aliran kerja rujukannya apabila penaakulan lebih mendalam dikehendaki. Kekalkan perbezaan antara format pengeluar itu dengan jawapan akhir yang anda mahu pengguna baca. Hasil serahan yang diminta boleh berupa kesimpulan ringkas atau kod walaupun proses perantaraan model lebih panjang.
Penyelidikan asal mengenal pasti batasan yang konkrit. R1 dioptimumkan untuk bahasa Cina dan Inggeris, dan pertanyaan bahasa lain boleh menyebabkan percampuran bahasa yang tidak dikehendaki. Ia sensitif terhadap prompt, dan tingkah laku berbilang giliran yang kompleks, lakonan peranan, JSON serta panggilan fungsinya kurang dibangunkan berbanding tumpuannya pada penaakulan matematik dan pengekodan. Sokongan JSON dan alat yang didokumenkan untuk R1-0528 ialah perubahan edisi kemudian, bukan kontrak R1 asal. Nyatakan bahasa dan format output secara jelas dan pastikan pernyataan masalah terus kepada perkara utama.
Untuk tugasan teknikal praktikal, takrifkan perkara yang membentuk hasil yang betul: formula berserta andaian, algoritma yang memenuhi kerumitan yang dinyatakan atau perbandingan beralasan berdasarkan kriteria yang diberikan. Minta jawapan akhir mengenal pasti maklumat yang hilang dan bukannya mereka-rekanya. Untuk kerja yang bergantung pada sumber, berikan petikan berwibawa sebagai teks. Semak kod atau kesimpulan yang dicadangkan berdasarkan syarat asal; artifak yang berguna ialah penyelesaian akhir dan penerangan sokongannya, yang berbeza daripada tindakan atau pengesahan yang benar-benar dilakukan oleh aplikasi sekeliling.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had deepseek/deepseek-r1 | 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.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0014 / 1K token Output · Token output $0.005 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0014 / 1K token Output · Token output $0.005 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "deepseek/deepseek-r1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Optimize a rectangular enclosure\n\nA rectangular enclosure has 60 metres of fencing, used on all four sides. Its width and length are positive real numbers. Derive the largest possible area, justify why the optimum is global and check the dimensions against the fencing constraint. Give the final result in a boxed mathematical expression.A derivation, optimal dimensions, a perimeter check and a boxed maximum area.Check that the solution respects positivity and uses 2(length + width) = 60 rather than a three-sided constraint.