DeepSeek-R1-Distill-Qwen-32B er DeepSeeks tette modellkontrollpunkt for resonnement i 32B-størrelse, bygget på Qwen2.5-32B. DeepSeek finjusterer grunnmodellen med resonnementseksempler generert av DeepSeek-R1. Resultatet er en egen tekstmodell for problemer som krever flere sammenhengende trinn, som en matematisk utledning, et algoritmisk spørsmål eller resonnement rundt begrensninger.
Hvordan denne destilleringen skiller seg fra den fullstendige R1-modellen
Produsentens utgivelse skiller mellom DeepSeek-R1-Zero, DeepSeek-R1 og destillerte modeller basert på Qwen eller Llama. Den fullstendige R1-serien utvikler resonnement gjennom sin egen treningsprosess; destilleringstrinnet overfører mønstre fra R1-genererte eksempler til egne tette modellkontrollpunkter. Denne oppføringen er den Qwen-baserte 32B-distillutgaven, ikke den fullstendige R1-modellen, R1-Zero eller den uendrede grunnmodellen Qwen2.5-32B.
De utgitte Qwen-distillmodellene er finjustert med 800 000 kuraterte eksempler. DeepSeek endrer også konfigurasjonene og tokenisererne og ber brukerne beholde disse innstillingene. Treningsopphavet forklarer fokuset på resonnement, mens det navngitte modellkontrollpunktet og dets egen konfigurasjon definerer den faktiske utgivelsen. Det betyr ikke at den større lærermodellen automatisk blir konsultert for å svare på hvert nytt spørsmål.
Konfigurasjonen til modellkontrollpunktet på 32B bruker en kausal språkmodellarkitektur med 64 lag, 40 spørringshoder for oppmerksomhet og 8 nøkkel-/verdihoder. Den angir maksimalt 131 072 posisjoner. Dette konfigurasjonstallet gjelder den utgitte modellen; en eksempelkommando for modellservering eller et annet medlem av R1-familien skal ikke behandles som den samme kontekstinnstillingen. Modellen mottar tekst og genererer tekst, i stedet for å ta imot et bilde eller produsere et visuelt resultat eller lyd.
Klargjøring av en matematikk- eller kodeoppgave
For et matematisk problem oppgir du hele oppgaveteksten, definerer variablene og angir definisjonsområdet eller forutsetningene. Angi om sluttresultatet skal være et eksakt uttrykk, en numerisk tilnærming eller et bevis for en påstand. En nyttig forespørsel kan be om en utledning etterfulgt av det endelige uttrykket og en kontroll mot de opprinnelige betingelsene. Produsenten anbefaler et gjennomarbeidet matematisk svar med sluttresultatet innrammet i en LaTeX-boks.
For et algoritmeproblem oppgir du inndataområdet, de nødvendige utdataene og begrensningene for løsningen. Be om fremgangsmåten, implementasjonen og en forklaring på hvorfor den bevarer den nødvendige egenskapen. Hvis problemet gjelder eksisterende kode, oppgir du den relevante funksjonen, inndataene som gir den uventede oppførselen, og det forventede resultatet. Svaret kan sammenligne den faktiske kjøreveien med den tiltenkte og foreslå en rettelse; kjøring og verifisering av programmet er egne trinn i applikasjonen.
For et problem med begrensninger lister du de tillatte valgene og sammenhengene uttrykkelig. En forespørsel om planlegging kan for eksempel angi deltakere, tilgjengelighet og regler som gjør to tildelinger uforenlige. Be om et forslag til tildeling med regelen som støtter hver beslutning, og krev at eventuelle uavklarte betingelser forblir synlige. Dette gjør resonnementsoppgaven mulig å etterprøve, i stedet for å be modellen velge uten å kjenne de underliggende begrensningene.
Produsentens egne bruksanbefalinger
DeepSeek anbefaler å legge alle instruksjoner i brukerprompten og unngå en egen systemprompt for denne serien. Dette skiller seg fra en generell samtalemal som bruker en systemmelding til å definere oppgaven. Samle ønsket svarformat, kildematerialet og selve spørsmålet med tydelige grenser mellom dem.
Det anbefalte temperaturområdet er 0,5 til 0,7, med 0,6 som foretrukket verdi. Produsenten knytter denne anbefalingen til å unngå gjentakelser eller usammenhengende utdata. Den påpeker også at enkelte forespørsler kan gi en tom resonnementsblokk, og anbefaler å starte utdataene med åpningsmarkøren for resonnement. Dette er anbefalinger for den utgitte resonnementsarbeidsflyten, ikke en garanti for at én innstilling sikrer korrekte svar.
En praktisk svarkontrakt kan be om en forklaring av metoden, de viktige begrunnede trinnene og et separat sluttresultat. Bruk det innrammede uttrykket til sluttresultatet i en matematikkoppgave. Skill koden fra forutsetningene og eksempelinndataene i en kodeoppgave. Hold hver konklusjon knyttet til regelen eller det oppgitte faktumet som støtter den i en logikkoppgave. Dermed kan resonnementsteksten og resultatet applikasjonen trenger, ha forskjellige formål.
Grenser for kontekst, utdata og integrasjon
Den utgitte konfigurasjonens maksimum på 131 072 posisjoner må vurderes sammen med hele prompten og det genererte resonnementet. Produsenten bruker en genereringsinnstilling på 32 768 tokener i evaluering, men denne eksperimentelle innstillingen er ikke en publisert, egen spesifikasjon av utdatakapasiteten til dette modellkontrollpunktet. Ikke utled en svargrense fra et sammenligningsoppsett eller overfør utdatatallet på 8 192 tokener fra den opprinnelige Qwen Instruct-utgaven til den endrede distillutgivelsen.
Hold inndataene rettet mot det faktiske matematiske, programmeringsmessige eller logiske spørsmålet, og angi ønsket sluttformat. En ekstern kalkulator, et kodelager, en dokumenttolker eller en søkefunksjon må stilles til rådighet av applikasjonen rundt modellen; slike verktøy følger ikke med bare fordi du velger et tekstbasert modellkontrollpunkt for resonnement. Det nyttige resultatet er en skriftlig løsning eller foreslått implementasjon der forutsetningene, metoden og sluttresultatet svarer til problemet du har oppgitt.
", "aboutText": "DeepSeek-R1-Distill-Qwen-32B er DeepSeeks tette modellkontrollpunkt for resonnement i 32B-størrelse, bygget på Qwen2.5-32B. DeepSeek finjusterer grunnmodellen med resonnementseksempler generert av DeepSeek-R1. Resultatet er en egen tekstmodell for problemer som krever flere sammenhengende trinn, som en matematisk utledning, et algoritmisk spørsmål eller resonnement rundt begrensninger.\n\nHvordan denne destilleringen skiller seg fra den fullstendige R1-modellen\n\nProdusentens utgivelse skiller mellom DeepSeek-R1-Zero, DeepSeek-R1 og destillerte modeller basert på Qwen eller Llama. Den fullstendige R1-serien utvikler resonnement gjennom sin egen treningsprosess; destilleringstrinnet overfører mønstre fra R1-genererte eksempler til egne tette modellkontrollpunkter. Denne oppføringen er den Qwen-baserte 32B-distillutgaven, ikke den fullstendige R1-modellen, R1-Zero eller den uendrede grunnmodellen Qwen2.5-32B.\n\nDe utgitte Qwen-distillmodellene er finjustert med 800 000 kuraterte eksempler. DeepSeek endrer også konfigurasjonene og tokenisererne og ber brukerne beholde disse innstillingene. Treningsopphavet forklarer fokuset på resonnement, mens det navngitte modellkontrollpunktet og dets egen konfigurasjon definerer den faktiske utgivelsen. Det betyr ikke at den større lærermodellen automatisk blir konsultert for å svare på hvert nytt spørsmål.\n\nKonfigurasjonen til modellkontrollpunktet på 32B bruker en kausal språkmodellarkitektur med 64 lag, 40 spørringshoder for oppmerksomhet og 8 nøkkel-/verdihoder. Den angir maksimalt 131 072 posisjoner. Dette konfigurasjonstallet gjelder den utgitte modellen; en eksempelkommando for modellservering eller et annet medlem av R1-familien skal ikke behandles som den samme kontekstinnstillingen. Modellen mottar tekst og genererer tekst, i stedet for å ta imot et bilde eller produsere et visuelt resultat eller lyd.\n\nKlargjøring av en matematikk- eller kodeoppgave\n\nFor et matematisk problem oppgir du hele oppgaveteksten, definerer variablene og angir definisjonsområdet eller forutsetningene. Angi om sluttresultatet skal være et eksakt uttrykk, en numerisk tilnærming eller et bevis for en påstand. En nyttig forespørsel kan be om en utledning etterfulgt av det endelige uttrykket og en kontroll mot de opprinnelige betingelsene. Produsenten anbefaler et gjennomarbeidet matematisk svar med sluttresultatet innrammet i en LaTeX-boks.\n\nFor et algoritmeproblem oppgir du inndataområdet, de nødvendige utdataene og begrensningene for løsningen. Be om fremgangsmåten, implementasjonen og en forklaring på hvorfor den bevarer den nødvendige egenskapen. Hvis problemet gjelder eksisterende kode, oppgir du den relevante funksjonen, inndataene som gir den uventede oppførselen, og det forventede resultatet. Svaret kan sammenligne den faktiske kjøreveien med den tiltenkte og foreslå en rettelse; kjøring og verifisering av programmet er egne trinn i applikasjonen.\n\nFor et problem med begrensninger lister du de tillatte valgene og sammenhengene uttrykkelig. En forespørsel om planlegging kan for eksempel angi deltakere, tilgjengelighet og regler som gjør to tildelinger uforenlige. Be om et forslag til tildeling med regelen som støtter hver beslutning, og krev at eventuelle uavklarte betingelser forblir synlige. Dette gjør resonnementsoppgaven mulig å etterprøve, i stedet for å be modellen velge uten å kjenne de underliggende begrensningene.\n\nProdusentens egne bruksanbefalinger\n\nDeepSeek anbefaler å legge alle instruksjoner i brukerprompten og unngå en egen systemprompt for denne serien. Dette skiller seg fra en generell samtalemal som bruker en systemmelding til å definere oppgaven. Samle ønsket svarformat, kildematerialet og selve spørsmålet med tydelige grenser mellom dem.\n\nDet anbefalte temperaturområdet er 0,5 til 0,7, med 0,6 som foretrukket verdi. Produsenten knytter denne anbefalingen til å unngå gjentakelser eller usammenhengende utdata. Den påpeker også at enkelte forespørsler kan gi en tom resonnementsblokk, og anbefaler å starte utdataene med åpningsmarkøren for resonnement. Dette er anbefalinger for den utgitte resonnementsarbeidsflyten, ikke en garanti for at én innstilling sikrer korrekte svar.\n\nEn praktisk svarkontrakt kan be om en forklaring av metoden, de viktige begrunnede trinnene og et separat sluttresultat. Bruk det innrammede uttrykket til sluttresultatet i en matematikkoppgave. Skill koden fra forutsetningene og eksempelinndataene i en kodeoppgave. Hold hver konklusjon knyttet til regelen eller det oppgitte faktumet som støtter den i en logikkoppgave. Dermed kan resonnementsteksten og resultatet applikasjonen trenger, ha forskjellige formål.\n\nGrenser for kontekst, utdata og integrasjon\n\nDen utgitte konfigurasjonens maksimum på 131 072 posisjoner må vurderes sammen med hele prompten og det genererte resonnementet. Produsenten bruker en genereringsinnstilling på 32 768 tokener i evaluering, men denne eksperimentelle innstillingen er ikke en publisert, egen spesifikasjon av utdatakapasiteten til dette modellkontrollpunktet. Ikke utled en svargrense fra et sammenligningsoppsett eller overfør utdatatallet på 8 192 tokener fra den opprinnelige Qwen Instruct-utgaven til den endrede distillutgivelsen.\n\nHold inndataene rettet mot det faktiske matematiske, programmeringsmessige eller logiske spørsmålet, og angi ønsket sluttformat. En ekstern kalkulator, et kodelager, en dokumenttolker eller en søkefunksjon må stilles til rådighet av applikasjonen rundt modellen; slike verktøy følger ikke med bare fordi du velger et tekstbasert modellkontrollpunkt for resonnement. Det nyttige resultatet er en skriftlig løsning eller foreslått implementasjon der forutsetningene, metoden og sluttresultatet svarer til problemet du har oppgitt.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Solve a bounded scheduling problem\n\nSchedule three one-hour interviews in slots 09:00, 10:00 and 11:00. Ada cannot attend 09:00; Ben cannot attend 11:00; Chen must be before Ada. Each person gets one distinct slot. Give a valid schedule, explain how each constraint is satisfied and state whether another schedule is possible.A person-to-slot table, a constraint check and a justified uniqueness or non-uniqueness conclusion.Check all three constraints and distinct slots directly against the proposed schedule.deepseek-ai/DeepSeek-R1-Distill-Qwen-32BDeepSeek-R1-Distill-Qwen-32B er en tett tekstbasert resonneringsmodell finjustert fra Qwen2.5-32B med eksempler fra DeepSeek-R1. Den er beregnet på flertrinnsoppgaver innen matematikk, koding og logikk, med produsentspesifikke ledetekster og en utgivelseskonfigurasjon med 131,072 posisjoner.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
DeepSeek-R1-Distill-Qwen-32B er DeepSeeks tette modellkontrollpunkt for resonnement i 32B-størrelse, bygget på Qwen2.5-32B. DeepSeek finjusterer grunnmodellen med resonnementseksempler generert av DeepSeek-R1. Resultatet er en egen tekstmodell for problemer som krever flere sammenhengende trinn, som en matematisk utledning, et algoritmisk spørsmål eller resonnement rundt begrensninger.
Hvordan denne destilleringen skiller seg fra den fullstendige R1-modellen
Produsentens utgivelse skiller mellom DeepSeek-R1-Zero, DeepSeek-R1 og destillerte modeller basert på Qwen eller Llama. Den fullstendige R1-serien utvikler resonnement gjennom sin egen treningsprosess; destilleringstrinnet overfører mønstre fra R1-genererte eksempler til egne tette modellkontrollpunkter. Denne oppføringen er den Qwen-baserte 32B-distillutgaven, ikke den fullstendige R1-modellen, R1-Zero eller den uendrede grunnmodellen Qwen2.5-32B.
De utgitte Qwen-distillmodellene er finjustert med 800 000 kuraterte eksempler. DeepSeek endrer også konfigurasjonene og tokenisererne og ber brukerne beholde disse innstillingene. Treningsopphavet forklarer fokuset på resonnement, mens det navngitte modellkontrollpunktet og dets egen konfigurasjon definerer den faktiske utgivelsen. Det betyr ikke at den større lærermodellen automatisk blir konsultert for å svare på hvert nytt spørsmål.
Konfigurasjonen til modellkontrollpunktet på 32B bruker en kausal språkmodellarkitektur med 64 lag, 40 spørringshoder for oppmerksomhet og 8 nøkkel-/verdihoder. Den angir maksimalt 131 072 posisjoner. Dette konfigurasjonstallet gjelder den utgitte modellen; en eksempelkommando for modellservering eller et annet medlem av R1-familien skal ikke behandles som den samme kontekstinnstillingen. Modellen mottar tekst og genererer tekst, i stedet for å ta imot et bilde eller produsere et visuelt resultat eller lyd.
Klargjøring av en matematikk- eller kodeoppgave
For et matematisk problem oppgir du hele oppgaveteksten, definerer variablene og angir definisjonsområdet eller forutsetningene. Angi om sluttresultatet skal være et eksakt uttrykk, en numerisk tilnærming eller et bevis for en påstand. En nyttig forespørsel kan be om en utledning etterfulgt av det endelige uttrykket og en kontroll mot de opprinnelige betingelsene. Produsenten anbefaler et gjennomarbeidet matematisk svar med sluttresultatet innrammet i en LaTeX-boks.
For et algoritmeproblem oppgir du inndataområdet, de nødvendige utdataene og begrensningene for løsningen. Be om fremgangsmåten, implementasjonen og en forklaring på hvorfor den bevarer den nødvendige egenskapen. Hvis problemet gjelder eksisterende kode, oppgir du den relevante funksjonen, inndataene som gir den uventede oppførselen, og det forventede resultatet. Svaret kan sammenligne den faktiske kjøreveien med den tiltenkte og foreslå en rettelse; kjøring og verifisering av programmet er egne trinn i applikasjonen.
For et problem med begrensninger lister du de tillatte valgene og sammenhengene uttrykkelig. En forespørsel om planlegging kan for eksempel angi deltakere, tilgjengelighet og regler som gjør to tildelinger uforenlige. Be om et forslag til tildeling med regelen som støtter hver beslutning, og krev at eventuelle uavklarte betingelser forblir synlige. Dette gjør resonnementsoppgaven mulig å etterprøve, i stedet for å be modellen velge uten å kjenne de underliggende begrensningene.
Produsentens egne bruksanbefalinger
DeepSeek anbefaler å legge alle instruksjoner i brukerprompten og unngå en egen systemprompt for denne serien. Dette skiller seg fra en generell samtalemal som bruker en systemmelding til å definere oppgaven. Samle ønsket svarformat, kildematerialet og selve spørsmålet med tydelige grenser mellom dem.
Det anbefalte temperaturområdet er 0,5 til 0,7, med 0,6 som foretrukket verdi. Produsenten knytter denne anbefalingen til å unngå gjentakelser eller usammenhengende utdata. Den påpeker også at enkelte forespørsler kan gi en tom resonnementsblokk, og anbefaler å starte utdataene med åpningsmarkøren for resonnement. Dette er anbefalinger for den utgitte resonnementsarbeidsflyten, ikke en garanti for at én innstilling sikrer korrekte svar.
En praktisk svarkontrakt kan be om en forklaring av metoden, de viktige begrunnede trinnene og et separat sluttresultat. Bruk det innrammede uttrykket til sluttresultatet i en matematikkoppgave. Skill koden fra forutsetningene og eksempelinndataene i en kodeoppgave. Hold hver konklusjon knyttet til regelen eller det oppgitte faktumet som støtter den i en logikkoppgave. Dermed kan resonnementsteksten og resultatet applikasjonen trenger, ha forskjellige formål.
Grenser for kontekst, utdata og integrasjon
Den utgitte konfigurasjonens maksimum på 131 072 posisjoner må vurderes sammen med hele prompten og det genererte resonnementet. Produsenten bruker en genereringsinnstilling på 32 768 tokener i evaluering, men denne eksperimentelle innstillingen er ikke en publisert, egen spesifikasjon av utdatakapasiteten til dette modellkontrollpunktet. Ikke utled en svargrense fra et sammenligningsoppsett eller overfør utdatatallet på 8 192 tokener fra den opprinnelige Qwen Instruct-utgaven til den endrede distillutgivelsen.
Hold inndataene rettet mot det faktiske matematiske, programmeringsmessige eller logiske spørsmålet, og angi ønsket sluttformat. En ekstern kalkulator, et kodelager, en dokumenttolker eller en søkefunksjon må stilles til rådighet av applikasjonen rundt modellen; slike verktøy følger ikke med bare fordi du velger et tekstbasert modellkontrollpunkt for resonnement. Det nyttige resultatet er en skriftlig løsning eller foreslått implementasjon der forutsetningene, metoden og sluttresultatet svarer til problemet du har oppgitt.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser deepseek-ai/DeepSeek-R1-Distill-Qwen-32B | 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 $0.00036 / 1K tokener Utdata · Utgående tokener $0.00036 / 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-32B", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek-ai/DeepSeek-R1-Distill-Qwen-32B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek-ai/DeepSeek-R1-Distill-Qwen-32B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-32B
Bruk metodestiene som vises ovenfor.
deepseek-ai/DeepSeek-R1-Distill-Qwen-32BDeepSeek-R1-Distill-Qwen-32B er en tett tekstbasert resonneringsmodell finjustert fra Qwen2.5-32B med eksempler fra DeepSeek-R1. Den er beregnet på flertrinnsoppgaver innen matematikk, koding og logikk, med produsentspesifikke ledetekster og en utgivelseskonfigurasjon med 131,072 posisjoner.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
DeepSeek-R1-Distill-Qwen-32B er DeepSeeks tette modellkontrollpunkt for resonnement i 32B-størrelse, bygget på Qwen2.5-32B. DeepSeek finjusterer grunnmodellen med resonnementseksempler generert av DeepSeek-R1. Resultatet er en egen tekstmodell for problemer som krever flere sammenhengende trinn, som en matematisk utledning, et algoritmisk spørsmål eller resonnement rundt begrensninger.
Hvordan denne destilleringen skiller seg fra den fullstendige R1-modellen
Produsentens utgivelse skiller mellom DeepSeek-R1-Zero, DeepSeek-R1 og destillerte modeller basert på Qwen eller Llama. Den fullstendige R1-serien utvikler resonnement gjennom sin egen treningsprosess; destilleringstrinnet overfører mønstre fra R1-genererte eksempler til egne tette modellkontrollpunkter. Denne oppføringen er den Qwen-baserte 32B-distillutgaven, ikke den fullstendige R1-modellen, R1-Zero eller den uendrede grunnmodellen Qwen2.5-32B.
De utgitte Qwen-distillmodellene er finjustert med 800 000 kuraterte eksempler. DeepSeek endrer også konfigurasjonene og tokenisererne og ber brukerne beholde disse innstillingene. Treningsopphavet forklarer fokuset på resonnement, mens det navngitte modellkontrollpunktet og dets egen konfigurasjon definerer den faktiske utgivelsen. Det betyr ikke at den større lærermodellen automatisk blir konsultert for å svare på hvert nytt spørsmål.
Konfigurasjonen til modellkontrollpunktet på 32B bruker en kausal språkmodellarkitektur med 64 lag, 40 spørringshoder for oppmerksomhet og 8 nøkkel-/verdihoder. Den angir maksimalt 131 072 posisjoner. Dette konfigurasjonstallet gjelder den utgitte modellen; en eksempelkommando for modellservering eller et annet medlem av R1-familien skal ikke behandles som den samme kontekstinnstillingen. Modellen mottar tekst og genererer tekst, i stedet for å ta imot et bilde eller produsere et visuelt resultat eller lyd.
Klargjøring av en matematikk- eller kodeoppgave
For et matematisk problem oppgir du hele oppgaveteksten, definerer variablene og angir definisjonsområdet eller forutsetningene. Angi om sluttresultatet skal være et eksakt uttrykk, en numerisk tilnærming eller et bevis for en påstand. En nyttig forespørsel kan be om en utledning etterfulgt av det endelige uttrykket og en kontroll mot de opprinnelige betingelsene. Produsenten anbefaler et gjennomarbeidet matematisk svar med sluttresultatet innrammet i en LaTeX-boks.
For et algoritmeproblem oppgir du inndataområdet, de nødvendige utdataene og begrensningene for løsningen. Be om fremgangsmåten, implementasjonen og en forklaring på hvorfor den bevarer den nødvendige egenskapen. Hvis problemet gjelder eksisterende kode, oppgir du den relevante funksjonen, inndataene som gir den uventede oppførselen, og det forventede resultatet. Svaret kan sammenligne den faktiske kjøreveien med den tiltenkte og foreslå en rettelse; kjøring og verifisering av programmet er egne trinn i applikasjonen.
For et problem med begrensninger lister du de tillatte valgene og sammenhengene uttrykkelig. En forespørsel om planlegging kan for eksempel angi deltakere, tilgjengelighet og regler som gjør to tildelinger uforenlige. Be om et forslag til tildeling med regelen som støtter hver beslutning, og krev at eventuelle uavklarte betingelser forblir synlige. Dette gjør resonnementsoppgaven mulig å etterprøve, i stedet for å be modellen velge uten å kjenne de underliggende begrensningene.
Produsentens egne bruksanbefalinger
DeepSeek anbefaler å legge alle instruksjoner i brukerprompten og unngå en egen systemprompt for denne serien. Dette skiller seg fra en generell samtalemal som bruker en systemmelding til å definere oppgaven. Samle ønsket svarformat, kildematerialet og selve spørsmålet med tydelige grenser mellom dem.
Det anbefalte temperaturområdet er 0,5 til 0,7, med 0,6 som foretrukket verdi. Produsenten knytter denne anbefalingen til å unngå gjentakelser eller usammenhengende utdata. Den påpeker også at enkelte forespørsler kan gi en tom resonnementsblokk, og anbefaler å starte utdataene med åpningsmarkøren for resonnement. Dette er anbefalinger for den utgitte resonnementsarbeidsflyten, ikke en garanti for at én innstilling sikrer korrekte svar.
En praktisk svarkontrakt kan be om en forklaring av metoden, de viktige begrunnede trinnene og et separat sluttresultat. Bruk det innrammede uttrykket til sluttresultatet i en matematikkoppgave. Skill koden fra forutsetningene og eksempelinndataene i en kodeoppgave. Hold hver konklusjon knyttet til regelen eller det oppgitte faktumet som støtter den i en logikkoppgave. Dermed kan resonnementsteksten og resultatet applikasjonen trenger, ha forskjellige formål.
Grenser for kontekst, utdata og integrasjon
Den utgitte konfigurasjonens maksimum på 131 072 posisjoner må vurderes sammen med hele prompten og det genererte resonnementet. Produsenten bruker en genereringsinnstilling på 32 768 tokener i evaluering, men denne eksperimentelle innstillingen er ikke en publisert, egen spesifikasjon av utdatakapasiteten til dette modellkontrollpunktet. Ikke utled en svargrense fra et sammenligningsoppsett eller overfør utdatatallet på 8 192 tokener fra den opprinnelige Qwen Instruct-utgaven til den endrede distillutgivelsen.
Hold inndataene rettet mot det faktiske matematiske, programmeringsmessige eller logiske spørsmålet, og angi ønsket sluttformat. En ekstern kalkulator, et kodelager, en dokumenttolker eller en søkefunksjon må stilles til rådighet av applikasjonen rundt modellen; slike verktøy følger ikke med bare fordi du velger et tekstbasert modellkontrollpunkt for resonnement. Det nyttige resultatet er en skriftlig løsning eller foreslått implementasjon der forutsetningene, metoden og sluttresultatet svarer til problemet du har oppgitt.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser deepseek-ai/DeepSeek-R1-Distill-Qwen-32B | 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 $0.00036 / 1K tokener Utdata · Utgående tokener $0.00036 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-ai/DeepSeek-R1-Distill-Qwen-32B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-ai/DeepSeek-R1-Distill-Qwen-32B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-32B
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Solve a bounded scheduling problem\n\nSchedule three one-hour interviews in slots 09:00, 10:00 and 11:00. Ada cannot attend 09:00; Ben cannot attend 11:00; Chen must be before Ada. Each person gets one distinct slot. Give a valid schedule, explain how each constraint is satisfied and state whether another schedule is possible.A person-to-slot table, a constraint check and a justified uniqueness or non-uniqueness conclusion.Check all three constraints and distinct slots directly against the proposed schedule.