Pengenalan: model penaakulan lebih kecil yang berasal daripada R1
DeepSeek-R1-Distill-Qwen-7B memindahkan contoh penaakulan daripada DeepSeek-R1 ke dalam model padat berasaskan Qwen2.5-Math-7B. Model ini menerima teks dan menjana teks, termasuk penyelesaian berlangkah, penjelasan pengaturcaraan dan jawapan kepada masalah logik. Penyulingan 7B yang tepat ini ialah titik semak berasingan daripada DeepSeek-R1 penuh, Qwen2.5-Math-7B asal dan edisi tersuling yang lebih besar. Namanya merekodkan pengeluar data penaakulan dan keluarga model asas.
Sumbangan penyulingan
Penyelidikan R1 DeepSeek membezakan latihan model guru penaakulan besar daripada penalaan halus model muridnya yang lebih kecil. Saluran kerja guru menggunakan pembelajaran pengukuhan dan peringkat terselia; model tersuling yang dikeluarkan ditala halus dengan sampel yang dihasilkan R1. Pembuat menerangkan 800,000 contoh yang dikurasi untuk keluaran ini. Jangan menganggap murid 7B itu sendiri mempunyai seni bina campuran pakar model penuh atau melalui setiap peringkat latihan guru. Penyulingan memberikan gaya penaakulan yang dipelajari kepada model ini; penyulingan tidak menjadikan kesimpulannya setara dengan kesimpulan guru.
Model yang tepat dan konfigurasinya
Jadual model rasmi mengenal pasti Qwen2.5-Math-7B sebagai asas edisi ini. DeepSeek mengubah tetapan konfigurasi dan tokenizer, jadi titik semak keluaran dan templat sembang yang tepat adalah penting. Konfigurasi terbitannya menggunakan seni bina model bahasa kausal Qwen2 dengan 28 lapisan dan pemberat bfloat16. Konfigurasi itu menetapkan kedudukan maksimum pada 131,072. Nilai konfigurasi tersebut bukan pengesahan berasingan bagi ketepatan dokumen panjang: jadual konteks 128K dalam kad R1 bersama menerangkan model R1 penuh, manakala jadual model tersulingnya mengenal pasti asal usul tanpa menerbitkan jadual konteks yang disahkan bagi setiap murid.
Gunakannya untuk tugasan yang hasilnya boleh disemak. Untuk matematik, bekalkan pernyataan lengkap, takrif dan unit. Untuk kod, sertakan fungsi yang berkaitan, input, hasil yang diperhatikan dan tingkah laku yang dikehendaki. Untuk soalan logik, senaraikan fakta dan bezakan kesimpulan yang diperlukan daripada andaian. Minta hasil akhir yang boleh disemak secara bebas, seperti nilai dalam kotak, rangka pembuktian ringkas atau tampalan yang dijelaskan. Contoh ini menggunakan skop penaakulan yang didokumenkan pembuat; contoh tersebut bukan dakwaan bahawa model menjalankan kod atau mengesahkan pembuktian secara automatik.
Cara menyediakan arahan
DeepSeek mengesyorkan supaya semua arahan diletakkan dalam arahan pengguna dan arahan sistem dielakkan untuk keluaran R1 ini. Untuk masalah matematik, minta penaakulan langkah demi langkah dan jawapan akhir yang dibatasi dengan jelas. Sertakan sebarang struktur output dalam arahan yang sama: contohnya, kesimpulan pendek diikuti andaian dan pengiraan sokongan. Aplikasi perlu menggunakan tokenizer dan pemformatan murid itu sendiri, bukannya menggunakan templat Qwen asas sebagai pengganti tanpa menyemak perubahan pembuat.
Pembuat menyatakan bahawa sesetengah pertanyaan boleh menghasilkan blok pemikiran kosong dan melangkaui corak penaakulan yang dikehendaki. Penyelesaian yang disyorkan ialah memulakan penjanaan dengan penanda pembukaan pemikiran dan baris baharu dalam aliran kerja yang serasi. Ini ialah cadangan format penjanaan yang didokumenkan, bukannya janji bahawa setiap aplikasi menyediakan kawalan tersebut. Bezakan jawapan akhir daripada teks penaakulan yang lebih panjang semasa mempersembahkan hasil.
Tetapan penjanaan dan ruang yang tersedia
DeepSeek mengesyorkan suhu antara 0.5 hingga 0.7, dengan 0.6 sebagai titik permulaan pilihan, untuk mengurangkan output berulang atau tidak koheren. Persediaan penilaiannya menggunakan peruntukan penjanaan 32,768 token dan top_p 0.95. Pilihan penilaian itu bukan had maksimum mutlak sejagat. Penaakulan, teks sumber dan respons akhir semuanya memerlukan ruang dalam konteks yang dikonfigurasikan, jadi permintaan yang mengandungi pembuktian panjang atau penyenaraian kod masih perlu meninggalkan ruang untuk pelengkapan.
Batasan yang mempengaruhi pemilihan model
Model tersuling yang kecil kekal sebagai kompromi penaakulan yang tersendiri. Bahan keluaran pembuat tidak menetapkan input imej, audio atau video bagi titik semak ini, mahupun protokol panggilan alat khusus. Pelaksanaan alat atau akses kepada data semasa memerlukan aliran kerja aplikasi yang dikonfigurasikan secara berasingan. Keluaran ini juga tidak mewarisi perubahan dasar arahan DeepSeek-R1-0528 yang lebih baharu semata-mata melalui nama R1. Sahkan jawapan berangka, periksa perubahan kod yang dicadangkan dan semak sama ada kesimpulan akhir mengikuti fakta yang dibekalkan; transkrip penaakulan yang panjang sahaja bukan bukti ketepatan.
", "aboutText": "Pengenalan: model penaakulan lebih kecil yang berasal daripada R1\n\nDeepSeek-R1-Distill-Qwen-7B memindahkan contoh penaakulan daripada DeepSeek-R1 ke dalam model padat berasaskan Qwen2.5-Math-7B. Model ini menerima teks dan menjana teks, termasuk penyelesaian berlangkah, penjelasan pengaturcaraan dan jawapan kepada masalah logik. Penyulingan 7B yang tepat ini ialah titik semak berasingan daripada DeepSeek-R1 penuh, Qwen2.5-Math-7B asal dan edisi tersuling yang lebih besar. Namanya merekodkan pengeluar data penaakulan dan keluarga model asas.\n\nSumbangan penyulingan\n\nPenyelidikan R1 DeepSeek membezakan latihan model guru penaakulan besar daripada penalaan halus model muridnya yang lebih kecil. Saluran kerja guru menggunakan pembelajaran pengukuhan dan peringkat terselia; model tersuling yang dikeluarkan ditala halus dengan sampel yang dihasilkan R1. Pembuat menerangkan 800,000 contoh yang dikurasi untuk keluaran ini. Jangan menganggap murid 7B itu sendiri mempunyai seni bina campuran pakar model penuh atau melalui setiap peringkat latihan guru. Penyulingan memberikan gaya penaakulan yang dipelajari kepada model ini; penyulingan tidak menjadikan kesimpulannya setara dengan kesimpulan guru.\n\nModel yang tepat dan konfigurasinya\n\nJadual model rasmi mengenal pasti Qwen2.5-Math-7B sebagai asas edisi ini. DeepSeek mengubah tetapan konfigurasi dan tokenizer, jadi titik semak keluaran dan templat sembang yang tepat adalah penting. Konfigurasi terbitannya menggunakan seni bina model bahasa kausal Qwen2 dengan 28 lapisan dan pemberat bfloat16. Konfigurasi itu menetapkan kedudukan maksimum pada 131,072. Nilai konfigurasi tersebut bukan pengesahan berasingan bagi ketepatan dokumen panjang: jadual konteks 128K dalam kad R1 bersama menerangkan model R1 penuh, manakala jadual model tersulingnya mengenal pasti asal usul tanpa menerbitkan jadual konteks yang disahkan bagi setiap murid.\n\nGunakannya untuk tugasan yang hasilnya boleh disemak. Untuk matematik, bekalkan pernyataan lengkap, takrif dan unit. Untuk kod, sertakan fungsi yang berkaitan, input, hasil yang diperhatikan dan tingkah laku yang dikehendaki. Untuk soalan logik, senaraikan fakta dan bezakan kesimpulan yang diperlukan daripada andaian. Minta hasil akhir yang boleh disemak secara bebas, seperti nilai dalam kotak, rangka pembuktian ringkas atau tampalan yang dijelaskan. Contoh ini menggunakan skop penaakulan yang didokumenkan pembuat; contoh tersebut bukan dakwaan bahawa model menjalankan kod atau mengesahkan pembuktian secara automatik.\n\nCara menyediakan arahan\n\nDeepSeek mengesyorkan supaya semua arahan diletakkan dalam arahan pengguna dan arahan sistem dielakkan untuk keluaran R1 ini. Untuk masalah matematik, minta penaakulan langkah demi langkah dan jawapan akhir yang dibatasi dengan jelas. Sertakan sebarang struktur output dalam arahan yang sama: contohnya, kesimpulan pendek diikuti andaian dan pengiraan sokongan. Aplikasi perlu menggunakan tokenizer dan pemformatan murid itu sendiri, bukannya menggunakan templat Qwen asas sebagai pengganti tanpa menyemak perubahan pembuat.\n\nPembuat menyatakan bahawa sesetengah pertanyaan boleh menghasilkan blok pemikiran kosong dan melangkaui corak penaakulan yang dikehendaki. Penyelesaian yang disyorkan ialah memulakan penjanaan dengan penanda pembukaan pemikiran dan baris baharu dalam aliran kerja yang serasi. Ini ialah cadangan format penjanaan yang didokumenkan, bukannya janji bahawa setiap aplikasi menyediakan kawalan tersebut. Bezakan jawapan akhir daripada teks penaakulan yang lebih panjang semasa mempersembahkan hasil.\n\nTetapan penjanaan dan ruang yang tersedia\n\nDeepSeek mengesyorkan suhu antara 0.5 hingga 0.7, dengan 0.6 sebagai titik permulaan pilihan, untuk mengurangkan output berulang atau tidak koheren. Persediaan penilaiannya menggunakan peruntukan penjanaan 32,768 token dan top_p 0.95. Pilihan penilaian itu bukan had maksimum mutlak sejagat. Penaakulan, teks sumber dan respons akhir semuanya memerlukan ruang dalam konteks yang dikonfigurasikan, jadi permintaan yang mengandungi pembuktian panjang atau penyenaraian kod masih perlu meninggalkan ruang untuk pelengkapan.\n\nBatasan yang mempengaruhi pemilihan model\n\nModel tersuling yang kecil kekal sebagai kompromi penaakulan yang tersendiri. Bahan keluaran pembuat tidak menetapkan input imej, audio atau video bagi titik semak ini, mahupun protokol panggilan alat khusus. Pelaksanaan alat atau akses kepada data semasa memerlukan aliran kerja aplikasi yang dikonfigurasikan secara berasingan. Keluaran ini juga tidak mewarisi perubahan dasar arahan DeepSeek-R1-0528 yang lebih baharu semata-mata melalui nama R1. Sahkan jawapan berangka, periksa perubahan kod yang dicadangkan dan semak sama ada kesimpulan akhir mengikuti fakta yang dibekalkan; transkrip penaakulan yang panjang sahaja bukan bukti ketepatan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Calculate a mixture ratio\n\nA workshop mixes 2 liters of concentrate with 6 liters of water. It needs 20 liters of the same mixture. Calculate the required concentrate and water, show the proportional calculation and give a clearly labelled final answer with units. Check that the two quantities add to the requested volume.A short proportional calculation and final concentrate and water quantities in liters.Verify both the 1:3 concentrate-to-water ratio and the 20-liter total independently.DeepSeek-R1-Distill-Qwen-7B-ultraDeepSeek-R1-Distill-Qwen-7B ialah model penaakulan padat dan kompak DeepSeek, yang ditala halus daripada Qwen2.5-Math-7B menggunakan contoh yang dijana R1. Model ini menerima teks dan menghasilkan teks untuk tugasan matematik, pengekodan dan logik, dengan panduan arahan khusus titik semak.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Pengenalan: model penaakulan lebih kecil yang berasal daripada R1
DeepSeek-R1-Distill-Qwen-7B memindahkan contoh penaakulan daripada DeepSeek-R1 ke dalam model padat berasaskan Qwen2.5-Math-7B. Model ini menerima teks dan menjana teks, termasuk penyelesaian berlangkah, penjelasan pengaturcaraan dan jawapan kepada masalah logik. Penyulingan 7B yang tepat ini ialah titik semak berasingan daripada DeepSeek-R1 penuh, Qwen2.5-Math-7B asal dan edisi tersuling yang lebih besar. Namanya merekodkan pengeluar data penaakulan dan keluarga model asas.
Sumbangan penyulingan
Penyelidikan R1 DeepSeek membezakan latihan model guru penaakulan besar daripada penalaan halus model muridnya yang lebih kecil. Saluran kerja guru menggunakan pembelajaran pengukuhan dan peringkat terselia; model tersuling yang dikeluarkan ditala halus dengan sampel yang dihasilkan R1. Pembuat menerangkan 800,000 contoh yang dikurasi untuk keluaran ini. Jangan menganggap murid 7B itu sendiri mempunyai seni bina campuran pakar model penuh atau melalui setiap peringkat latihan guru. Penyulingan memberikan gaya penaakulan yang dipelajari kepada model ini; penyulingan tidak menjadikan kesimpulannya setara dengan kesimpulan guru.
Model yang tepat dan konfigurasinya
Jadual model rasmi mengenal pasti Qwen2.5-Math-7B sebagai asas edisi ini. DeepSeek mengubah tetapan konfigurasi dan tokenizer, jadi titik semak keluaran dan templat sembang yang tepat adalah penting. Konfigurasi terbitannya menggunakan seni bina model bahasa kausal Qwen2 dengan 28 lapisan dan pemberat bfloat16. Konfigurasi itu menetapkan kedudukan maksimum pada 131,072. Nilai konfigurasi tersebut bukan pengesahan berasingan bagi ketepatan dokumen panjang: jadual konteks 128K dalam kad R1 bersama menerangkan model R1 penuh, manakala jadual model tersulingnya mengenal pasti asal usul tanpa menerbitkan jadual konteks yang disahkan bagi setiap murid.
Gunakannya untuk tugasan yang hasilnya boleh disemak. Untuk matematik, bekalkan pernyataan lengkap, takrif dan unit. Untuk kod, sertakan fungsi yang berkaitan, input, hasil yang diperhatikan dan tingkah laku yang dikehendaki. Untuk soalan logik, senaraikan fakta dan bezakan kesimpulan yang diperlukan daripada andaian. Minta hasil akhir yang boleh disemak secara bebas, seperti nilai dalam kotak, rangka pembuktian ringkas atau tampalan yang dijelaskan. Contoh ini menggunakan skop penaakulan yang didokumenkan pembuat; contoh tersebut bukan dakwaan bahawa model menjalankan kod atau mengesahkan pembuktian secara automatik.
Cara menyediakan arahan
DeepSeek mengesyorkan supaya semua arahan diletakkan dalam arahan pengguna dan arahan sistem dielakkan untuk keluaran R1 ini. Untuk masalah matematik, minta penaakulan langkah demi langkah dan jawapan akhir yang dibatasi dengan jelas. Sertakan sebarang struktur output dalam arahan yang sama: contohnya, kesimpulan pendek diikuti andaian dan pengiraan sokongan. Aplikasi perlu menggunakan tokenizer dan pemformatan murid itu sendiri, bukannya menggunakan templat Qwen asas sebagai pengganti tanpa menyemak perubahan pembuat.
Pembuat menyatakan bahawa sesetengah pertanyaan boleh menghasilkan blok pemikiran kosong dan melangkaui corak penaakulan yang dikehendaki. Penyelesaian yang disyorkan ialah memulakan penjanaan dengan penanda pembukaan pemikiran dan baris baharu dalam aliran kerja yang serasi. Ini ialah cadangan format penjanaan yang didokumenkan, bukannya janji bahawa setiap aplikasi menyediakan kawalan tersebut. Bezakan jawapan akhir daripada teks penaakulan yang lebih panjang semasa mempersembahkan hasil.
Tetapan penjanaan dan ruang yang tersedia
DeepSeek mengesyorkan suhu antara 0.5 hingga 0.7, dengan 0.6 sebagai titik permulaan pilihan, untuk mengurangkan output berulang atau tidak koheren. Persediaan penilaiannya menggunakan peruntukan penjanaan 32,768 token dan top_p 0.95. Pilihan penilaian itu bukan had maksimum mutlak sejagat. Penaakulan, teks sumber dan respons akhir semuanya memerlukan ruang dalam konteks yang dikonfigurasikan, jadi permintaan yang mengandungi pembuktian panjang atau penyenaraian kod masih perlu meninggalkan ruang untuk pelengkapan.
Batasan yang mempengaruhi pemilihan model
Model tersuling yang kecil kekal sebagai kompromi penaakulan yang tersendiri. Bahan keluaran pembuat tidak menetapkan input imej, audio atau video bagi titik semak ini, mahupun protokol panggilan alat khusus. Pelaksanaan alat atau akses kepada data semasa memerlukan aliran kerja aplikasi yang dikonfigurasikan secara berasingan. Keluaran ini juga tidak mewarisi perubahan dasar arahan DeepSeek-R1-0528 yang lebih baharu semata-mata melalui nama R1. Sahkan jawapan berangka, periksa perubahan kod yang dicadangkan dan semak sama ada kesimpulan akhir mengikuti fakta yang dibekalkan; transkrip penaakulan yang panjang sahaja bukan bukti ketepatan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had DeepSeek-R1-Distill-Qwen-7B-ultra | 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 $0.00014 / 1K token Output · Token output $0.00028 / 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-R1-Distill-Qwen-7B-ultra", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='DeepSeek-R1-Distill-Qwen-7B-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='DeepSeek-R1-Distill-Qwen-7B-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-R1-Distill-Qwen-7B-ultra
Gunakan laluan kaedah yang dipaparkan di atas.
DeepSeek-R1-Distill-Qwen-7B-ultraDeepSeek-R1-Distill-Qwen-7B ialah model penaakulan padat dan kompak DeepSeek, yang ditala halus daripada Qwen2.5-Math-7B menggunakan contoh yang dijana R1. Model ini menerima teks dan menghasilkan teks untuk tugasan matematik, pengekodan dan logik, dengan panduan arahan khusus titik semak.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Pengenalan: model penaakulan lebih kecil yang berasal daripada R1
DeepSeek-R1-Distill-Qwen-7B memindahkan contoh penaakulan daripada DeepSeek-R1 ke dalam model padat berasaskan Qwen2.5-Math-7B. Model ini menerima teks dan menjana teks, termasuk penyelesaian berlangkah, penjelasan pengaturcaraan dan jawapan kepada masalah logik. Penyulingan 7B yang tepat ini ialah titik semak berasingan daripada DeepSeek-R1 penuh, Qwen2.5-Math-7B asal dan edisi tersuling yang lebih besar. Namanya merekodkan pengeluar data penaakulan dan keluarga model asas.
Sumbangan penyulingan
Penyelidikan R1 DeepSeek membezakan latihan model guru penaakulan besar daripada penalaan halus model muridnya yang lebih kecil. Saluran kerja guru menggunakan pembelajaran pengukuhan dan peringkat terselia; model tersuling yang dikeluarkan ditala halus dengan sampel yang dihasilkan R1. Pembuat menerangkan 800,000 contoh yang dikurasi untuk keluaran ini. Jangan menganggap murid 7B itu sendiri mempunyai seni bina campuran pakar model penuh atau melalui setiap peringkat latihan guru. Penyulingan memberikan gaya penaakulan yang dipelajari kepada model ini; penyulingan tidak menjadikan kesimpulannya setara dengan kesimpulan guru.
Model yang tepat dan konfigurasinya
Jadual model rasmi mengenal pasti Qwen2.5-Math-7B sebagai asas edisi ini. DeepSeek mengubah tetapan konfigurasi dan tokenizer, jadi titik semak keluaran dan templat sembang yang tepat adalah penting. Konfigurasi terbitannya menggunakan seni bina model bahasa kausal Qwen2 dengan 28 lapisan dan pemberat bfloat16. Konfigurasi itu menetapkan kedudukan maksimum pada 131,072. Nilai konfigurasi tersebut bukan pengesahan berasingan bagi ketepatan dokumen panjang: jadual konteks 128K dalam kad R1 bersama menerangkan model R1 penuh, manakala jadual model tersulingnya mengenal pasti asal usul tanpa menerbitkan jadual konteks yang disahkan bagi setiap murid.
Gunakannya untuk tugasan yang hasilnya boleh disemak. Untuk matematik, bekalkan pernyataan lengkap, takrif dan unit. Untuk kod, sertakan fungsi yang berkaitan, input, hasil yang diperhatikan dan tingkah laku yang dikehendaki. Untuk soalan logik, senaraikan fakta dan bezakan kesimpulan yang diperlukan daripada andaian. Minta hasil akhir yang boleh disemak secara bebas, seperti nilai dalam kotak, rangka pembuktian ringkas atau tampalan yang dijelaskan. Contoh ini menggunakan skop penaakulan yang didokumenkan pembuat; contoh tersebut bukan dakwaan bahawa model menjalankan kod atau mengesahkan pembuktian secara automatik.
Cara menyediakan arahan
DeepSeek mengesyorkan supaya semua arahan diletakkan dalam arahan pengguna dan arahan sistem dielakkan untuk keluaran R1 ini. Untuk masalah matematik, minta penaakulan langkah demi langkah dan jawapan akhir yang dibatasi dengan jelas. Sertakan sebarang struktur output dalam arahan yang sama: contohnya, kesimpulan pendek diikuti andaian dan pengiraan sokongan. Aplikasi perlu menggunakan tokenizer dan pemformatan murid itu sendiri, bukannya menggunakan templat Qwen asas sebagai pengganti tanpa menyemak perubahan pembuat.
Pembuat menyatakan bahawa sesetengah pertanyaan boleh menghasilkan blok pemikiran kosong dan melangkaui corak penaakulan yang dikehendaki. Penyelesaian yang disyorkan ialah memulakan penjanaan dengan penanda pembukaan pemikiran dan baris baharu dalam aliran kerja yang serasi. Ini ialah cadangan format penjanaan yang didokumenkan, bukannya janji bahawa setiap aplikasi menyediakan kawalan tersebut. Bezakan jawapan akhir daripada teks penaakulan yang lebih panjang semasa mempersembahkan hasil.
Tetapan penjanaan dan ruang yang tersedia
DeepSeek mengesyorkan suhu antara 0.5 hingga 0.7, dengan 0.6 sebagai titik permulaan pilihan, untuk mengurangkan output berulang atau tidak koheren. Persediaan penilaiannya menggunakan peruntukan penjanaan 32,768 token dan top_p 0.95. Pilihan penilaian itu bukan had maksimum mutlak sejagat. Penaakulan, teks sumber dan respons akhir semuanya memerlukan ruang dalam konteks yang dikonfigurasikan, jadi permintaan yang mengandungi pembuktian panjang atau penyenaraian kod masih perlu meninggalkan ruang untuk pelengkapan.
Batasan yang mempengaruhi pemilihan model
Model tersuling yang kecil kekal sebagai kompromi penaakulan yang tersendiri. Bahan keluaran pembuat tidak menetapkan input imej, audio atau video bagi titik semak ini, mahupun protokol panggilan alat khusus. Pelaksanaan alat atau akses kepada data semasa memerlukan aliran kerja aplikasi yang dikonfigurasikan secara berasingan. Keluaran ini juga tidak mewarisi perubahan dasar arahan DeepSeek-R1-0528 yang lebih baharu semata-mata melalui nama R1. Sahkan jawapan berangka, periksa perubahan kod yang dicadangkan dan semak sama ada kesimpulan akhir mengikuti fakta yang dibekalkan; transkrip penaakulan yang panjang sahaja bukan bukti ketepatan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had DeepSeek-R1-Distill-Qwen-7B-ultra | 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 $0.00014 / 1K token Output · Token output $0.00028 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "DeepSeek-R1-Distill-Qwen-7B-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'DeepSeek-R1-Distill-Qwen-7B-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'DeepSeek-R1-Distill-Qwen-7B-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-R1-Distill-Qwen-7B-ultra
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Calculate a mixture ratio\n\nA workshop mixes 2 liters of concentrate with 6 liters of water. It needs 20 liters of the same mixture. Calculate the required concentrate and water, show the proportional calculation and give a clearly labelled final answer with units. Check that the two quantities add to the requested volume.A short proportional calculation and final concentrate and water quantities in liters.Verify both the 1:3 concentrate-to-water ratio and the 20-liter total independently.