DeepSeek R1 Distill Llama 70B er en egen resonneringsmodell bygget på Llama 3.3 70B Instruct. DeepSeek finjusterer grunnmodellen med resonneringseksempler generert av DeepSeek R1 og overfører mønstre for å løse matematiske, programmeringsrelaterte og logiske problemer til en tett Llama-modell. Den tar imot tekst og produserer et tekstsvar med ønsket analyse, kode eller konklusjon.
Destillasjon. Dette er et klargjort modellsjekkpunkt, fremfor en modus som aktiverer hele R1-modellen. Produsenten utgir flere destillerte modeller basert på Llama- og Qwen-grunnlag. Llama-utgaven på 70B bruker Llama 3.3 Instruct; Llama-utgaven på 8B starter fra Llama 3.1 Base. De ulike grunnlagene og størrelsene er viktige når den nøyaktige utgaven velges. DeepSeek justerer også konfigurasjonene og tokenisatorene til de destillerte utgavene, så den publiserte modellklargjøringen bør følge det navngitte sjekkpunktet.
Resonneringsarbeid. For en matematisk oppgave legger du ved hele problemstillingen, definisjoner og antakelser, og angir om resultatet skal være et bevis, en beregning eller et moteksempel. Be om en tydelig utledning og et sluttsvar som er lett å finne. For et algoritmespørsmål oppgir du inndatabegrensningene og ønskede utdata, og ber deretter om tilnærmingen, implementasjonen og tilfeller som tester antakelsene. Den nyttige artefakten er en løsning der viktige trinn kan undersøkes, fremfor bare en plausibel sluttverdi.
Genereringsanbefalinger. DeepSeek anbefaler å legge alle instruksjoner i brukermeldingen fremfor å legge til en separat systemprompt. For resonneringsserien er det dokumenterte temperaturintervallet 0,5–0,7, med 0,6 anbefalt for å redusere gjentakelser og usammenhengende utdata. For matematiske prompter anbefales det å be om en trinnvis løsning og plassere sluttresultatet i matematisk boksnotasjon. For tilfeller der det tilsiktede resonneringsmønsteret hoppes over, anbefaler DeepSeek å håndheve svarprefikset <think>\\n i et kompatibelt genereringsoppsett. Dette er anbefalinger for et kompatibelt genereringsoppsett og fastslår ikke et separat kjøringsverktøy.
For kodehjelp legger du ved relevant funksjon, rapportert feil, forventet oppførsel og et representativt inndatatilfelle. Be om en minimal foreslått endring med forklaring og et testtilfelle som ville avdekke det opprinnelige problemet. Hvis spørsmålet gjelder flere moduler, bevarer du navnene og beskriver grensesnittet mellom dem. Modellen kan da resonnere om de innsendte sammenhengene og returnere et patchforslag eller en avgrenset forklaring til vurdering.
For teknisk analyse skiller du oppgitte fakta fra alternativer som vurderes. Du kan be modellen sammenligne to algoritmer, forklare hvorfor et vilkår er nødvendig, eller finne et inndatatilfelle som motsier en foreslått regel. Be om det avgjørende argumentet først og gjør eventuelle antakelser uttrykkelige. Kontroller viktige beregninger uavhengig og kjør generert kode i det tiltenkte miljøet; selve svaret er en tekstartefakt. Når modellatferd sammenlignes, bruker du flere representative problemer fremfor å behandle ett svar som en fullstendig vurdering.
", "aboutText": "DeepSeek R1 Distill Llama 70B er en egen resonneringsmodell bygget på Llama 3.3 70B Instruct. DeepSeek finjusterer grunnmodellen med resonneringseksempler generert av DeepSeek R1 og overfører mønstre for å løse matematiske, programmeringsrelaterte og logiske problemer til en tett Llama-modell. Den tar imot tekst og produserer et tekstsvar med ønsket analyse, kode eller konklusjon.\n\nDestillasjon. Dette er et klargjort modellsjekkpunkt, fremfor en modus som aktiverer hele R1-modellen. Produsenten utgir flere destillerte modeller basert på Llama- og Qwen-grunnlag. Llama-utgaven på 70B bruker Llama 3.3 Instruct; Llama-utgaven på 8B starter fra Llama 3.1 Base. De ulike grunnlagene og størrelsene er viktige når den nøyaktige utgaven velges. DeepSeek justerer også konfigurasjonene og tokenisatorene til de destillerte utgavene, så den publiserte modellklargjøringen bør følge det navngitte sjekkpunktet.\n\nResonneringsarbeid. For en matematisk oppgave legger du ved hele problemstillingen, definisjoner og antakelser, og angir om resultatet skal være et bevis, en beregning eller et moteksempel. Be om en tydelig utledning og et sluttsvar som er lett å finne. For et algoritmespørsmål oppgir du inndatabegrensningene og ønskede utdata, og ber deretter om tilnærmingen, implementasjonen og tilfeller som tester antakelsene. Den nyttige artefakten er en løsning der viktige trinn kan undersøkes, fremfor bare en plausibel sluttverdi.\n\nGenereringsanbefalinger. DeepSeek anbefaler å legge alle instruksjoner i brukermeldingen fremfor å legge til en separat systemprompt. For resonneringsserien er det dokumenterte temperaturintervallet 0,5–0,7, med 0,6 anbefalt for å redusere gjentakelser og usammenhengende utdata. For matematiske prompter anbefales det å be om en trinnvis løsning og plassere sluttresultatet i matematisk boksnotasjon. For tilfeller der det tilsiktede resonneringsmønsteret hoppes over, anbefaler DeepSeek å håndheve svarprefikset `Teknisk eksempel på engelsk
Test an allocation rule\n\nA workshop must assign 17 identical kits to four teams. Each team needs at least three kits, and Team A must receive an odd number. Find the allocation that minimizes the largest team allocation. Show a short verifiable argument that a smaller maximum is impossible, then give one valid allocation.An explicit allocation, its maximum and a concise optimality argument.The allocation must sum to 17, satisfy the minimum and oddness rules, and include a lower-bound argument.deepseek/deepseek-r1-distill-llama-70bEn tett resonneringsmodell destillert av DeepSeek fra eksempler generert av R1 til Llama 3.3 70B Instruct. Bruk tekstinstruksjoner for matematiske problemer, kode og logiske spørsmål som trenger en forklart løsning og et separat sluttsvar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
DeepSeek R1 Distill Llama 70B er en egen resonneringsmodell bygget på Llama 3.3 70B Instruct. DeepSeek finjusterer grunnmodellen med resonneringseksempler generert av DeepSeek R1 og overfører mønstre for å løse matematiske, programmeringsrelaterte og logiske problemer til en tett Llama-modell. Den tar imot tekst og produserer et tekstsvar med ønsket analyse, kode eller konklusjon.
Destillasjon. Dette er et klargjort modellsjekkpunkt, fremfor en modus som aktiverer hele R1-modellen. Produsenten utgir flere destillerte modeller basert på Llama- og Qwen-grunnlag. Llama-utgaven på 70B bruker Llama 3.3 Instruct; Llama-utgaven på 8B starter fra Llama 3.1 Base. De ulike grunnlagene og størrelsene er viktige når den nøyaktige utgaven velges. DeepSeek justerer også konfigurasjonene og tokenisatorene til de destillerte utgavene, så den publiserte modellklargjøringen bør følge det navngitte sjekkpunktet.
Resonneringsarbeid. For en matematisk oppgave legger du ved hele problemstillingen, definisjoner og antakelser, og angir om resultatet skal være et bevis, en beregning eller et moteksempel. Be om en tydelig utledning og et sluttsvar som er lett å finne. For et algoritmespørsmål oppgir du inndatabegrensningene og ønskede utdata, og ber deretter om tilnærmingen, implementasjonen og tilfeller som tester antakelsene. Den nyttige artefakten er en løsning der viktige trinn kan undersøkes, fremfor bare en plausibel sluttverdi.
Genereringsanbefalinger. DeepSeek anbefaler å legge alle instruksjoner i brukermeldingen fremfor å legge til en separat systemprompt. For resonneringsserien er det dokumenterte temperaturintervallet 0,5–0,7, med 0,6 anbefalt for å redusere gjentakelser og usammenhengende utdata. For matematiske prompter anbefales det å be om en trinnvis løsning og plassere sluttresultatet i matematisk boksnotasjon. For tilfeller der det tilsiktede resonneringsmønsteret hoppes over, anbefaler DeepSeek å håndheve svarprefikset <think>\\n i et kompatibelt genereringsoppsett. Dette er anbefalinger for et kompatibelt genereringsoppsett og fastslår ikke et separat kjøringsverktøy.
For kodehjelp legger du ved relevant funksjon, rapportert feil, forventet oppførsel og et representativt inndatatilfelle. Be om en minimal foreslått endring med forklaring og et testtilfelle som ville avdekke det opprinnelige problemet. Hvis spørsmålet gjelder flere moduler, bevarer du navnene og beskriver grensesnittet mellom dem. Modellen kan da resonnere om de innsendte sammenhengene og returnere et patchforslag eller en avgrenset forklaring til vurdering.
For teknisk analyse skiller du oppgitte fakta fra alternativer som vurderes. Du kan be modellen sammenligne to algoritmer, forklare hvorfor et vilkår er nødvendig, eller finne et inndatatilfelle som motsier en foreslått regel. Be om det avgjørende argumentet først og gjør eventuelle antakelser uttrykkelige. Kontroller viktige beregninger uavhengig og kjør generert kode i det tiltenkte miljøet; selve svaret er en tekstartefakt. Når modellatferd sammenlignes, bruker du flere representative problemer fremfor å behandle ett svar som en fullstendig vurdering.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser deepseek/deepseek-r1-distill-llama-70b | 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 $0.00028 / 1K tokener Utdata · Utgående tokener $0.00086 / 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/deepseek-r1-distill-llama-70b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek/deepseek-r1-distill-llama-70b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek/deepseek-r1-distill-llama-70b',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/deepseek-r1-distill-llama-70b
Bruk metodestiene som vises ovenfor.
deepseek/deepseek-r1-distill-llama-70bEn tett resonneringsmodell destillert av DeepSeek fra eksempler generert av R1 til Llama 3.3 70B Instruct. Bruk tekstinstruksjoner for matematiske problemer, kode og logiske spørsmål som trenger en forklart løsning og et separat sluttsvar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
DeepSeek R1 Distill Llama 70B er en egen resonneringsmodell bygget på Llama 3.3 70B Instruct. DeepSeek finjusterer grunnmodellen med resonneringseksempler generert av DeepSeek R1 og overfører mønstre for å løse matematiske, programmeringsrelaterte og logiske problemer til en tett Llama-modell. Den tar imot tekst og produserer et tekstsvar med ønsket analyse, kode eller konklusjon.
Destillasjon. Dette er et klargjort modellsjekkpunkt, fremfor en modus som aktiverer hele R1-modellen. Produsenten utgir flere destillerte modeller basert på Llama- og Qwen-grunnlag. Llama-utgaven på 70B bruker Llama 3.3 Instruct; Llama-utgaven på 8B starter fra Llama 3.1 Base. De ulike grunnlagene og størrelsene er viktige når den nøyaktige utgaven velges. DeepSeek justerer også konfigurasjonene og tokenisatorene til de destillerte utgavene, så den publiserte modellklargjøringen bør følge det navngitte sjekkpunktet.
Resonneringsarbeid. For en matematisk oppgave legger du ved hele problemstillingen, definisjoner og antakelser, og angir om resultatet skal være et bevis, en beregning eller et moteksempel. Be om en tydelig utledning og et sluttsvar som er lett å finne. For et algoritmespørsmål oppgir du inndatabegrensningene og ønskede utdata, og ber deretter om tilnærmingen, implementasjonen og tilfeller som tester antakelsene. Den nyttige artefakten er en løsning der viktige trinn kan undersøkes, fremfor bare en plausibel sluttverdi.
Genereringsanbefalinger. DeepSeek anbefaler å legge alle instruksjoner i brukermeldingen fremfor å legge til en separat systemprompt. For resonneringsserien er det dokumenterte temperaturintervallet 0,5–0,7, med 0,6 anbefalt for å redusere gjentakelser og usammenhengende utdata. For matematiske prompter anbefales det å be om en trinnvis løsning og plassere sluttresultatet i matematisk boksnotasjon. For tilfeller der det tilsiktede resonneringsmønsteret hoppes over, anbefaler DeepSeek å håndheve svarprefikset <think>\\n i et kompatibelt genereringsoppsett. Dette er anbefalinger for et kompatibelt genereringsoppsett og fastslår ikke et separat kjøringsverktøy.
For kodehjelp legger du ved relevant funksjon, rapportert feil, forventet oppførsel og et representativt inndatatilfelle. Be om en minimal foreslått endring med forklaring og et testtilfelle som ville avdekke det opprinnelige problemet. Hvis spørsmålet gjelder flere moduler, bevarer du navnene og beskriver grensesnittet mellom dem. Modellen kan da resonnere om de innsendte sammenhengene og returnere et patchforslag eller en avgrenset forklaring til vurdering.
For teknisk analyse skiller du oppgitte fakta fra alternativer som vurderes. Du kan be modellen sammenligne to algoritmer, forklare hvorfor et vilkår er nødvendig, eller finne et inndatatilfelle som motsier en foreslått regel. Be om det avgjørende argumentet først og gjør eventuelle antakelser uttrykkelige. Kontroller viktige beregninger uavhengig og kjør generert kode i det tiltenkte miljøet; selve svaret er en tekstartefakt. Når modellatferd sammenlignes, bruker du flere representative problemer fremfor å behandle ett svar som en fullstendig vurdering.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser deepseek/deepseek-r1-distill-llama-70b | 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 $0.00028 / 1K tokener Utdata · Utgående tokener $0.00086 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "deepseek/deepseek-r1-distill-llama-70b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1-distill-llama-70b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1-distill-llama-70b', '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/deepseek-r1-distill-llama-70b
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Test an allocation rule\n\nA workshop must assign 17 identical kits to four teams. Each team needs at least three kits, and Team A must receive an odd number. Find the allocation that minimizes the largest team allocation. Show a short verifiable argument that a smaller maximum is impossible, then give one valid allocation.An explicit allocation, its maximum and a concise optimality argument.The allocation must sum to 17, satisfy the minimum and oddness rules, and include a lower-bound argument.