DeepSeek-R1-Distill-Qwen-14B er det Qwen-baserte modellkontrollpunktet for resonnement i 14B-størrelse som er utgitt av DeepSeek. Grunnmodellen er Qwen2.5-14B, finjustert med eksempler utarbeidet av DeepSeek-R1. Det tar imot et skriftlig problem eller en samtale og returnerer tekst som kan omfatte en matematisk løsning, en forklaring på programoppførsel eller en konklusjon utledet fra flere oppgitte betingelser.
Overføring av resonnement og den navngitte utgaven
DeepSeek skiller de fullstendige R1- og R1-Zero-modellene fra de tette modellene som er destillert til grunnmodeller fra Qwen og Llama. For de destillerte utgivelsene overfører treningsdataene resonnementsmønstre fra den større R1-modellen til et annet modellkontrollpunkt. Navnet 14B identifiserer denne bestemte Qwen-grunnmodellen; det identifiserer ikke den fullstendige R1-arkitekturen, modellkontrollpunktet 32B-distill eller den vanlige utgivelsen Qwen2.5-14B-Instruct.
Produsenten beskriver 800 000 kuraterte eksempler for Qwen-distillutgivelsene og påpeker endringer i konfigurasjoner og tokeniserere. Behold DeepSeeks utgivelsesinnstillinger når du bruker modellen. Disse endringene er viktige selv om modellens opphav er Qwen2.5. Modellkontrollpunktet på 14B har en egen konfigurasjon som angir 48 lag, 40 spørringshoder for oppmerksomhet og 8 nøkkel-/verdihoder, med maksimalt 131 072 posisjoner.
Hva du bør oppgi for å få et nyttig, gjennomarbeidet svar
For en veiledningsoppgave tar du med problemet og elevens løsningsforsøk og markerer deretter overgangen som trenger forklaring. Be modellen identifisere den relevante betingelsen, forklare rettelsen med samme notasjon og fortsette bare så langt som nødvendig for å etablere resultatet. Dette knytter svaret til elevens faktiske vanskelighet, i stedet for å produsere en fullstendig leksjon som ikke treffer problemet.
En elev kan for eksempel ha dividert med et uttrykk uten å oppgi om det kan være null. Oppgi den opprinnelige likningen og spør hvilke tilfeller som må vurderes før denne omformingen. Det ønskede resultatet kan skille mellom det tillatte tilfellet, unntakstilfellet og den endelige løsningsmengden. Dette er et forslag til en matematikkoppgave, der svarformen bestemmes av betingelsen fremfor av en generell forespørsel om å forklare algebra.
For et programmeringsspørsmål oppgir du algoritmen eller funksjonen og konkrete inndata. Spør hvordan tilstanden endrer seg, og hvorfor det returnerte resultatet følger av dette. En oppfølgingsforespørsel kan be om en revidert implementasjon under en uttrykkelig begrensning, for eksempel å beholde den offentlige funksjonssignaturen eller unngå å endre inndataene. Ta med relevant hjelpekode og forventet oppførsel, slik at forklaringen ikke avhenger av en uspesifisert implementasjon.
For en logisk sammenligning identifiserer du alternativene og betingelsene hvert av dem må oppfylle. Be om forutsetningene som brukes i hver fremgangsmåte, konfliktene som utelukker et valg, og informasjonen som fortsatt er uavklart. En kompakt beslutningstabell kan da bli sluttresultatet, mens teksten rundt forklarer hvordan de oppgitte reglene støtter den.
Promptanbefalinger fra DeepSeek
Produsenten anbefaler å unngå en systemprompt og legge alle instruksjoner direkte i brukerprompten. Samle oppgaven, utdatakravene og det nødvendige kildematerialet, og angi tydelig hvilken tekst som er problemet, og hvilken tekst som instruerer om svaret. Bruk den utgitte tokenisereren og samtaleinnstillingene, fremfor å anta at den opprinnelige Qwen-formateringen kan brukes om hverandre med dem.
Det dokumenterte temperaturområdet er 0,5 til 0,7, med 0,6 som anbefalt verdi. DeepSeek knytter dette til færre gjentakelser og mindre usammenhengende utdata. For matematiske spørsmål anbefaler den et gjennomarbeidet svar med sluttresultatet i en LaTeX-boks. Den beskriver også tilfeller der modellen hopper over resonnementsblokken, og anbefaler å starte svaret med åpningsmarkøren for resonnement for å fremme den tiltenkte resonnementsarbeidsflyten.
Nyttige matematiske utdata kan inneholde den valgte metoden, begrunnede omforminger og et separat sluttuttrykk. Oppgi om resultatet skal være eksakt eller avrundet, og angi enheter når de har betydning. For kode ber du om forklaringen separat fra den foreslåtte implementasjonen. For logikk ber du om den endelige konklusjonen sammen med betingelsene den gjelder under. Disse kravene bestemmer hva leseren eller applikasjonen faktisk kan bruke etter resonnementsteksten.
Kontekst og innholdsmessige grenser
Den gjeldende utgitte konfigurasjonen angir maksimalt 131 072 posisjoner. Dette er konfigurasjonsverdien til dette modellkontrollpunktet, ikke et overført løfte om alle grensesnitt for modellservering. Produsentens genereringsinnstilling på 32 768 tokener er en del av evalueringen; den etablerer ikke en egen absolutt maksimal svarlengde. Utdatakapasiteten til den opprinnelige Qwen Instruct-modellen skal heller ikke overføres til denne endrede resonnementsutgivelsen uten en egen spesifikasjon.
Dette er en tekstmodell. Symbolene og betingelsene i et bilde av en matematikkoppgave må omgjøres til tekst før resonnementsoppgaven, og kjøring av foreslått kode krever et eget utviklings- eller beregningsmiljø. Destillering beskriver trening med R1-eksempler, ikke et automatisk kall til lærermodellen ved kjøring eller en innebygd uavhengig kontrollør.
Bruk det navngitte modellkontrollpunktet på 14B til en definert oppgave med et gjennomarbeidet svar, og bevar problemets notasjon, forutsetninger og målresultat. Det praktiske målet er en løsning leseren kan etterprøve: hvilke betingelser som gjelder, hvorfor hvert viktig trinn følger, og hvilket endelig uttrykk, hvilken implementasjon eller hvilken konklusjon som besvarer det opprinnelige spørsmålet.
", "aboutText": "DeepSeek-R1-Distill-Qwen-14B er det Qwen-baserte modellkontrollpunktet for resonnement i 14B-størrelse som er utgitt av DeepSeek. Grunnmodellen er Qwen2.5-14B, finjustert med eksempler utarbeidet av DeepSeek-R1. Det tar imot et skriftlig problem eller en samtale og returnerer tekst som kan omfatte en matematisk løsning, en forklaring på programoppførsel eller en konklusjon utledet fra flere oppgitte betingelser.\n\nOverføring av resonnement og den navngitte utgaven\n\nDeepSeek skiller de fullstendige R1- og R1-Zero-modellene fra de tette modellene som er destillert til grunnmodeller fra Qwen og Llama. For de destillerte utgivelsene overfører treningsdataene resonnementsmønstre fra den større R1-modellen til et annet modellkontrollpunkt. Navnet 14B identifiserer denne bestemte Qwen-grunnmodellen; det identifiserer ikke den fullstendige R1-arkitekturen, modellkontrollpunktet 32B-distill eller den vanlige utgivelsen Qwen2.5-14B-Instruct.\n\nProdusenten beskriver 800 000 kuraterte eksempler for Qwen-distillutgivelsene og påpeker endringer i konfigurasjoner og tokeniserere. Behold DeepSeeks utgivelsesinnstillinger når du bruker modellen. Disse endringene er viktige selv om modellens opphav er Qwen2.5. Modellkontrollpunktet på 14B har en egen konfigurasjon som angir 48 lag, 40 spørringshoder for oppmerksomhet og 8 nøkkel-/verdihoder, med maksimalt 131 072 posisjoner.\n\nHva du bør oppgi for å få et nyttig, gjennomarbeidet svar\n\nFor en veiledningsoppgave tar du med problemet og elevens løsningsforsøk og markerer deretter overgangen som trenger forklaring. Be modellen identifisere den relevante betingelsen, forklare rettelsen med samme notasjon og fortsette bare så langt som nødvendig for å etablere resultatet. Dette knytter svaret til elevens faktiske vanskelighet, i stedet for å produsere en fullstendig leksjon som ikke treffer problemet.\n\nEn elev kan for eksempel ha dividert med et uttrykk uten å oppgi om det kan være null. Oppgi den opprinnelige likningen og spør hvilke tilfeller som må vurderes før denne omformingen. Det ønskede resultatet kan skille mellom det tillatte tilfellet, unntakstilfellet og den endelige løsningsmengden. Dette er et forslag til en matematikkoppgave, der svarformen bestemmes av betingelsen fremfor av en generell forespørsel om å forklare algebra.\n\nFor et programmeringsspørsmål oppgir du algoritmen eller funksjonen og konkrete inndata. Spør hvordan tilstanden endrer seg, og hvorfor det returnerte resultatet følger av dette. En oppfølgingsforespørsel kan be om en revidert implementasjon under en uttrykkelig begrensning, for eksempel å beholde den offentlige funksjonssignaturen eller unngå å endre inndataene. Ta med relevant hjelpekode og forventet oppførsel, slik at forklaringen ikke avhenger av en uspesifisert implementasjon.\n\nFor en logisk sammenligning identifiserer du alternativene og betingelsene hvert av dem må oppfylle. Be om forutsetningene som brukes i hver fremgangsmåte, konfliktene som utelukker et valg, og informasjonen som fortsatt er uavklart. En kompakt beslutningstabell kan da bli sluttresultatet, mens teksten rundt forklarer hvordan de oppgitte reglene støtter den.\n\nPromptanbefalinger fra DeepSeek\n\nProdusenten anbefaler å unngå en systemprompt og legge alle instruksjoner direkte i brukerprompten. Samle oppgaven, utdatakravene og det nødvendige kildematerialet, og angi tydelig hvilken tekst som er problemet, og hvilken tekst som instruerer om svaret. Bruk den utgitte tokenisereren og samtaleinnstillingene, fremfor å anta at den opprinnelige Qwen-formateringen kan brukes om hverandre med dem.\n\nDet dokumenterte temperaturområdet er 0,5 til 0,7, med 0,6 som anbefalt verdi. DeepSeek knytter dette til færre gjentakelser og mindre usammenhengende utdata. For matematiske spørsmål anbefaler den et gjennomarbeidet svar med sluttresultatet i en LaTeX-boks. Den beskriver også tilfeller der modellen hopper over resonnementsblokken, og anbefaler å starte svaret med åpningsmarkøren for resonnement for å fremme den tiltenkte resonnementsarbeidsflyten.\n\nNyttige matematiske utdata kan inneholde den valgte metoden, begrunnede omforminger og et separat sluttuttrykk. Oppgi om resultatet skal være eksakt eller avrundet, og angi enheter når de har betydning. For kode ber du om forklaringen separat fra den foreslåtte implementasjonen. For logikk ber du om den endelige konklusjonen sammen med betingelsene den gjelder under. Disse kravene bestemmer hva leseren eller applikasjonen faktisk kan bruke etter resonnementsteksten.\n\nKontekst og innholdsmessige grenser\n\nDen gjeldende utgitte konfigurasjonen angir maksimalt 131 072 posisjoner. Dette er konfigurasjonsverdien til dette modellkontrollpunktet, ikke et overført løfte om alle grensesnitt for modellservering. Produsentens genereringsinnstilling på 32 768 tokener er en del av evalueringen; den etablerer ikke en egen absolutt maksimal svarlengde. Utdatakapasiteten til den opprinnelige Qwen Instruct-modellen skal heller ikke overføres til denne endrede resonnementsutgivelsen uten en egen spesifikasjon.\n\nDette er en tekstmodell. Symbolene og betingelsene i et bilde av en matematikkoppgave må omgjøres til tekst før resonnementsoppgaven, og kjøring av foreslått kode krever et eget utviklings- eller beregningsmiljø. Destillering beskriver trening med R1-eksempler, ikke et automatisk kall til lærermodellen ved kjøring eller en innebygd uavhengig kontrollør.\n\nBruk det navngitte modellkontrollpunktet på 14B til en definert oppgave med et gjennomarbeidet svar, og bevar problemets notasjon, forutsetninger og målresultat. Det praktiske målet er en løsning leseren kan etterprøve: hvilke betingelser som gjelder, hvorfor hvert viktig trinn følger, og hvilket endelig uttrykk, hvilken implementasjon eller hvilken konklusjon som besvarer det opprinnelige spørsmålet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Repair an algebraic division step\n\nA student solves x(x - 3) = 2(x - 3) by dividing by x - 3 and concludes x = 2. Explain the missing case without changing the original equation. Separate the zero-divisor case from the nonzero case, then give the complete solution set and substitute each candidate back into the equation.A case split, a complete solution set and a substitution check for each candidate.The response checks the x - 3 = 0 case rather than silently dividing it away.deepseek-ai/DeepSeek-R1-Distill-Qwen-14BDeepSeek-R1-Distill-Qwen-14B er et tekstbasert modellkontrollpunkt for resonnement, basert på Qwen2.5-14B og eksempler generert av DeepSeek-R1. Det støtter gjennomarbeidede matematiske, programmeringsmessige og logiske svar, med DeepSeeks egen tokeniserer, promptanbefalinger og utgivelseskonfigurasjon.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
DeepSeek-R1-Distill-Qwen-14B er det Qwen-baserte modellkontrollpunktet for resonnement i 14B-størrelse som er utgitt av DeepSeek. Grunnmodellen er Qwen2.5-14B, finjustert med eksempler utarbeidet av DeepSeek-R1. Det tar imot et skriftlig problem eller en samtale og returnerer tekst som kan omfatte en matematisk løsning, en forklaring på programoppførsel eller en konklusjon utledet fra flere oppgitte betingelser.
Overføring av resonnement og den navngitte utgaven
DeepSeek skiller de fullstendige R1- og R1-Zero-modellene fra de tette modellene som er destillert til grunnmodeller fra Qwen og Llama. For de destillerte utgivelsene overfører treningsdataene resonnementsmønstre fra den større R1-modellen til et annet modellkontrollpunkt. Navnet 14B identifiserer denne bestemte Qwen-grunnmodellen; det identifiserer ikke den fullstendige R1-arkitekturen, modellkontrollpunktet 32B-distill eller den vanlige utgivelsen Qwen2.5-14B-Instruct.
Produsenten beskriver 800 000 kuraterte eksempler for Qwen-distillutgivelsene og påpeker endringer i konfigurasjoner og tokeniserere. Behold DeepSeeks utgivelsesinnstillinger når du bruker modellen. Disse endringene er viktige selv om modellens opphav er Qwen2.5. Modellkontrollpunktet på 14B har en egen konfigurasjon som angir 48 lag, 40 spørringshoder for oppmerksomhet og 8 nøkkel-/verdihoder, med maksimalt 131 072 posisjoner.
Hva du bør oppgi for å få et nyttig, gjennomarbeidet svar
For en veiledningsoppgave tar du med problemet og elevens løsningsforsøk og markerer deretter overgangen som trenger forklaring. Be modellen identifisere den relevante betingelsen, forklare rettelsen med samme notasjon og fortsette bare så langt som nødvendig for å etablere resultatet. Dette knytter svaret til elevens faktiske vanskelighet, i stedet for å produsere en fullstendig leksjon som ikke treffer problemet.
En elev kan for eksempel ha dividert med et uttrykk uten å oppgi om det kan være null. Oppgi den opprinnelige likningen og spør hvilke tilfeller som må vurderes før denne omformingen. Det ønskede resultatet kan skille mellom det tillatte tilfellet, unntakstilfellet og den endelige løsningsmengden. Dette er et forslag til en matematikkoppgave, der svarformen bestemmes av betingelsen fremfor av en generell forespørsel om å forklare algebra.
For et programmeringsspørsmål oppgir du algoritmen eller funksjonen og konkrete inndata. Spør hvordan tilstanden endrer seg, og hvorfor det returnerte resultatet følger av dette. En oppfølgingsforespørsel kan be om en revidert implementasjon under en uttrykkelig begrensning, for eksempel å beholde den offentlige funksjonssignaturen eller unngå å endre inndataene. Ta med relevant hjelpekode og forventet oppførsel, slik at forklaringen ikke avhenger av en uspesifisert implementasjon.
For en logisk sammenligning identifiserer du alternativene og betingelsene hvert av dem må oppfylle. Be om forutsetningene som brukes i hver fremgangsmåte, konfliktene som utelukker et valg, og informasjonen som fortsatt er uavklart. En kompakt beslutningstabell kan da bli sluttresultatet, mens teksten rundt forklarer hvordan de oppgitte reglene støtter den.
Promptanbefalinger fra DeepSeek
Produsenten anbefaler å unngå en systemprompt og legge alle instruksjoner direkte i brukerprompten. Samle oppgaven, utdatakravene og det nødvendige kildematerialet, og angi tydelig hvilken tekst som er problemet, og hvilken tekst som instruerer om svaret. Bruk den utgitte tokenisereren og samtaleinnstillingene, fremfor å anta at den opprinnelige Qwen-formateringen kan brukes om hverandre med dem.
Det dokumenterte temperaturområdet er 0,5 til 0,7, med 0,6 som anbefalt verdi. DeepSeek knytter dette til færre gjentakelser og mindre usammenhengende utdata. For matematiske spørsmål anbefaler den et gjennomarbeidet svar med sluttresultatet i en LaTeX-boks. Den beskriver også tilfeller der modellen hopper over resonnementsblokken, og anbefaler å starte svaret med åpningsmarkøren for resonnement for å fremme den tiltenkte resonnementsarbeidsflyten.
Nyttige matematiske utdata kan inneholde den valgte metoden, begrunnede omforminger og et separat sluttuttrykk. Oppgi om resultatet skal være eksakt eller avrundet, og angi enheter når de har betydning. For kode ber du om forklaringen separat fra den foreslåtte implementasjonen. For logikk ber du om den endelige konklusjonen sammen med betingelsene den gjelder under. Disse kravene bestemmer hva leseren eller applikasjonen faktisk kan bruke etter resonnementsteksten.
Kontekst og innholdsmessige grenser
Den gjeldende utgitte konfigurasjonen angir maksimalt 131 072 posisjoner. Dette er konfigurasjonsverdien til dette modellkontrollpunktet, ikke et overført løfte om alle grensesnitt for modellservering. Produsentens genereringsinnstilling på 32 768 tokener er en del av evalueringen; den etablerer ikke en egen absolutt maksimal svarlengde. Utdatakapasiteten til den opprinnelige Qwen Instruct-modellen skal heller ikke overføres til denne endrede resonnementsutgivelsen uten en egen spesifikasjon.
Dette er en tekstmodell. Symbolene og betingelsene i et bilde av en matematikkoppgave må omgjøres til tekst før resonnementsoppgaven, og kjøring av foreslått kode krever et eget utviklings- eller beregningsmiljø. Destillering beskriver trening med R1-eksempler, ikke et automatisk kall til lærermodellen ved kjøring eller en innebygd uavhengig kontrollør.
Bruk det navngitte modellkontrollpunktet på 14B til en definert oppgave med et gjennomarbeidet svar, og bevar problemets notasjon, forutsetninger og målresultat. Det praktiske målet er en løsning leseren kan etterprøve: hvilke betingelser som gjelder, hvorfor hvert viktig trinn følger, og hvilket endelig uttrykk, hvilken implementasjon eller hvilken konklusjon som besvarer det opprinnelige spørsmålet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser deepseek-ai/DeepSeek-R1-Distill-Qwen-14B | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0002 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-14B", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek-ai/DeepSeek-R1-Distill-Qwen-14B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek-ai/DeepSeek-R1-Distill-Qwen-14B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-14B
Bruk metodestiene som vises ovenfor.
deepseek-ai/DeepSeek-R1-Distill-Qwen-14BDeepSeek-R1-Distill-Qwen-14B er et tekstbasert modellkontrollpunkt for resonnement, basert på Qwen2.5-14B og eksempler generert av DeepSeek-R1. Det støtter gjennomarbeidede matematiske, programmeringsmessige og logiske svar, med DeepSeeks egen tokeniserer, promptanbefalinger og utgivelseskonfigurasjon.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
DeepSeek-R1-Distill-Qwen-14B er det Qwen-baserte modellkontrollpunktet for resonnement i 14B-størrelse som er utgitt av DeepSeek. Grunnmodellen er Qwen2.5-14B, finjustert med eksempler utarbeidet av DeepSeek-R1. Det tar imot et skriftlig problem eller en samtale og returnerer tekst som kan omfatte en matematisk løsning, en forklaring på programoppførsel eller en konklusjon utledet fra flere oppgitte betingelser.
Overføring av resonnement og den navngitte utgaven
DeepSeek skiller de fullstendige R1- og R1-Zero-modellene fra de tette modellene som er destillert til grunnmodeller fra Qwen og Llama. For de destillerte utgivelsene overfører treningsdataene resonnementsmønstre fra den større R1-modellen til et annet modellkontrollpunkt. Navnet 14B identifiserer denne bestemte Qwen-grunnmodellen; det identifiserer ikke den fullstendige R1-arkitekturen, modellkontrollpunktet 32B-distill eller den vanlige utgivelsen Qwen2.5-14B-Instruct.
Produsenten beskriver 800 000 kuraterte eksempler for Qwen-distillutgivelsene og påpeker endringer i konfigurasjoner og tokeniserere. Behold DeepSeeks utgivelsesinnstillinger når du bruker modellen. Disse endringene er viktige selv om modellens opphav er Qwen2.5. Modellkontrollpunktet på 14B har en egen konfigurasjon som angir 48 lag, 40 spørringshoder for oppmerksomhet og 8 nøkkel-/verdihoder, med maksimalt 131 072 posisjoner.
Hva du bør oppgi for å få et nyttig, gjennomarbeidet svar
For en veiledningsoppgave tar du med problemet og elevens løsningsforsøk og markerer deretter overgangen som trenger forklaring. Be modellen identifisere den relevante betingelsen, forklare rettelsen med samme notasjon og fortsette bare så langt som nødvendig for å etablere resultatet. Dette knytter svaret til elevens faktiske vanskelighet, i stedet for å produsere en fullstendig leksjon som ikke treffer problemet.
En elev kan for eksempel ha dividert med et uttrykk uten å oppgi om det kan være null. Oppgi den opprinnelige likningen og spør hvilke tilfeller som må vurderes før denne omformingen. Det ønskede resultatet kan skille mellom det tillatte tilfellet, unntakstilfellet og den endelige løsningsmengden. Dette er et forslag til en matematikkoppgave, der svarformen bestemmes av betingelsen fremfor av en generell forespørsel om å forklare algebra.
For et programmeringsspørsmål oppgir du algoritmen eller funksjonen og konkrete inndata. Spør hvordan tilstanden endrer seg, og hvorfor det returnerte resultatet følger av dette. En oppfølgingsforespørsel kan be om en revidert implementasjon under en uttrykkelig begrensning, for eksempel å beholde den offentlige funksjonssignaturen eller unngå å endre inndataene. Ta med relevant hjelpekode og forventet oppførsel, slik at forklaringen ikke avhenger av en uspesifisert implementasjon.
For en logisk sammenligning identifiserer du alternativene og betingelsene hvert av dem må oppfylle. Be om forutsetningene som brukes i hver fremgangsmåte, konfliktene som utelukker et valg, og informasjonen som fortsatt er uavklart. En kompakt beslutningstabell kan da bli sluttresultatet, mens teksten rundt forklarer hvordan de oppgitte reglene støtter den.
Promptanbefalinger fra DeepSeek
Produsenten anbefaler å unngå en systemprompt og legge alle instruksjoner direkte i brukerprompten. Samle oppgaven, utdatakravene og det nødvendige kildematerialet, og angi tydelig hvilken tekst som er problemet, og hvilken tekst som instruerer om svaret. Bruk den utgitte tokenisereren og samtaleinnstillingene, fremfor å anta at den opprinnelige Qwen-formateringen kan brukes om hverandre med dem.
Det dokumenterte temperaturområdet er 0,5 til 0,7, med 0,6 som anbefalt verdi. DeepSeek knytter dette til færre gjentakelser og mindre usammenhengende utdata. For matematiske spørsmål anbefaler den et gjennomarbeidet svar med sluttresultatet i en LaTeX-boks. Den beskriver også tilfeller der modellen hopper over resonnementsblokken, og anbefaler å starte svaret med åpningsmarkøren for resonnement for å fremme den tiltenkte resonnementsarbeidsflyten.
Nyttige matematiske utdata kan inneholde den valgte metoden, begrunnede omforminger og et separat sluttuttrykk. Oppgi om resultatet skal være eksakt eller avrundet, og angi enheter når de har betydning. For kode ber du om forklaringen separat fra den foreslåtte implementasjonen. For logikk ber du om den endelige konklusjonen sammen med betingelsene den gjelder under. Disse kravene bestemmer hva leseren eller applikasjonen faktisk kan bruke etter resonnementsteksten.
Kontekst og innholdsmessige grenser
Den gjeldende utgitte konfigurasjonen angir maksimalt 131 072 posisjoner. Dette er konfigurasjonsverdien til dette modellkontrollpunktet, ikke et overført løfte om alle grensesnitt for modellservering. Produsentens genereringsinnstilling på 32 768 tokener er en del av evalueringen; den etablerer ikke en egen absolutt maksimal svarlengde. Utdatakapasiteten til den opprinnelige Qwen Instruct-modellen skal heller ikke overføres til denne endrede resonnementsutgivelsen uten en egen spesifikasjon.
Dette er en tekstmodell. Symbolene og betingelsene i et bilde av en matematikkoppgave må omgjøres til tekst før resonnementsoppgaven, og kjøring av foreslått kode krever et eget utviklings- eller beregningsmiljø. Destillering beskriver trening med R1-eksempler, ikke et automatisk kall til lærermodellen ved kjøring eller en innebygd uavhengig kontrollør.
Bruk det navngitte modellkontrollpunktet på 14B til en definert oppgave med et gjennomarbeidet svar, og bevar problemets notasjon, forutsetninger og målresultat. Det praktiske målet er en løsning leseren kan etterprøve: hvilke betingelser som gjelder, hvorfor hvert viktig trinn følger, og hvilket endelig uttrykk, hvilken implementasjon eller hvilken konklusjon som besvarer det opprinnelige spørsmålet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser deepseek-ai/DeepSeek-R1-Distill-Qwen-14B | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0002 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-14B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-ai/DeepSeek-R1-Distill-Qwen-14B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-ai/DeepSeek-R1-Distill-Qwen-14B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-14B
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Repair an algebraic division step\n\nA student solves x(x - 3) = 2(x - 3) by dividing by x - 3 and concludes x = 2. Explain the missing case without changing the original equation. Separate the zero-divisor case from the nonzero case, then give the complete solution set and substitute each candidate back into the equation.A case split, a complete solution set and a substitution check for each candidate.The response checks the x - 3 = 0 case rather than silently dividing it away.