DeepSeek R1 er DeepSeeks opprinnelige resonneringsorienterte modell for matematiske, kode- og logikkoppgaver. Den bygger på DeepSeek V3 Base og bruker en treningspipeline med kaldstarteksempler, veiledet forbedring og forsterkningslæring. Inndataene er tekst, og resultatet er en tekstbasert løsning eller et svar. Den holdes atskilt fra R1 Zero, den senere R1-0528-utgaven og de separat destillerte modellene.
Produsenten skiller R1 fra R1 Zeros tilnærming basert utelukkende på forsterkningslæring. Kaldstartmateriale gir R1 et mer lesbart startmønster før resonneringsorientert forsterkningslæring. Påfølgende avvisningssampling og veiledet trening legger til resonneringsdata og generelle data, etterfulgt av enda et trinn med forsterkningslæring. Kortet beskriver to veiledede trinn og to trinn med forsterkningslæring, ment å forbedre resonneringsmønstre og samsvar med det ønskede svaret.
Den publiserte arkitekturen har totalt 671 milliarder parametere med 37 milliarder aktive per token og en kontekst på 128K. Dette vinduet rommer kilde, instruksjon og generert resonnering eller svar samlet; det er ikke en separat garanti for 128K utdata. En lang matematisk problemstilling, et kodefragment eller et sett med krav bør fortsatt organiseres slik at modellen kan identifisere det faktiske problemet og formen på resultatet du trenger.
DeepSeek anbefaler en temperatur mellom 0,5 og 0,7, med 0,6 som anbefalt verdi, for å redusere gjentakelser eller usammenhengende utdata. De anbefaler å legge instruksjoner i brukerprompten fremfor å legge til en systemprompt. Forskningsrapporten anbefaler også en direkte zero-shot-formulering av problemet og utdataformatet, fordi few-shot-instruksjoner kan redusere ytelsen i denne opprinnelige profilen. Dette er produsentens bruksanbefalinger, fremfor standardinnstillinger som forutsettes for alle applikasjoner.
For matematikk legger du ved hele problemstillingen, variabeldefinisjoner og domeneavgrensninger. Produsenten anbefaler å be om en trinnvis løsning med sluttresultatet i et \\boxed{}-uttrykk. Et illustrerende oppdrag kan be om sluttformelen, antakelsene den gjelder under, og en kontroll ved innsetting. For kode tar du med oppførselen som skal implementeres, begrensninger og representative inndata, og ber deretter om foreslått algoritme og kodeartefakten atskilt fra forklaringen.
Modellens resonneringsformat skiller en tenkefase fra sluttsvaret. DeepSeek påpeker at noen forespørsler kan gi en tom tenkeblokk og anbefaler et prefiks for resonneringsstart i referansearbeidsflyten når dypere resonnering er tilsiktet. Bevar skillet mellom dette produsentformatet og sluttsvaret du vil at brukeren skal lese. Den ønskede leveransen kan være en kort konklusjon eller kode selv når modellens mellomliggende prosess er lengre.
Den opprinnelige forskningen identifiserer konkrete begrensninger. R1 er optimalisert for kinesisk og engelsk, og forespørsler på andre språk kan føre til uønsket språkblanding. Den er følsom for instruksjonsutforming, og den komplekse atferden knyttet til flere samtaleturer, rollespill, JSON og funksjonskall er mindre utviklet enn fokuset på matematisk resonnering og koderesonnering. JSON- og verktøystøtten som er dokumentert for R1-0528, er en endring i en senere utgave, ikke kontrakten for opprinnelig R1. Oppgi utdataspråk og -format uttrykkelig og hold problemstillingen direkte.
For en praktisk teknisk oppgave definerer du hva som utgjør et korrekt resultat: en formel med antakelser, en algoritme som oppfyller den oppgitte kompleksiteten, eller en begrunnet sammenligning etter innsendte kriterier. Be sluttsvaret identifisere manglende informasjon fremfor å finne den på. For kildeavhengig arbeid legger du ved de autoritative avsnittene som tekst. Vurder den foreslåtte koden eller konklusjonen mot de opprinnelige vilkårene; den nyttige artefakten er sluttløsningen og den underbyggende forklaringen, atskilt fra en handling eller validering applikasjonen rundt modellen faktisk har utført.
", "aboutText": "DeepSeek R1 er DeepSeeks opprinnelige resonneringsorienterte modell for matematiske, kode- og logikkoppgaver. Den bygger på DeepSeek V3 Base og bruker en treningspipeline med kaldstarteksempler, veiledet forbedring og forsterkningslæring. Inndataene er tekst, og resultatet er en tekstbasert løsning eller et svar. Den holdes atskilt fra R1 Zero, den senere R1-0528-utgaven og de separat destillerte modellene.\n\nProdusenten skiller R1 fra R1 Zeros tilnærming basert utelukkende på forsterkningslæring. Kaldstartmateriale gir R1 et mer lesbart startmønster før resonneringsorientert forsterkningslæring. Påfølgende avvisningssampling og veiledet trening legger til resonneringsdata og generelle data, etterfulgt av enda et trinn med forsterkningslæring. Kortet beskriver to veiledede trinn og to trinn med forsterkningslæring, ment å forbedre resonneringsmønstre og samsvar med det ønskede svaret.\n\nDen publiserte arkitekturen har totalt 671 milliarder parametere med 37 milliarder aktive per token og en kontekst på 128K. Dette vinduet rommer kilde, instruksjon og generert resonnering eller svar samlet; det er ikke en separat garanti for 128K utdata. En lang matematisk problemstilling, et kodefragment eller et sett med krav bør fortsatt organiseres slik at modellen kan identifisere det faktiske problemet og formen på resultatet du trenger.\n\nDeepSeek anbefaler en temperatur mellom 0,5 og 0,7, med 0,6 som anbefalt verdi, for å redusere gjentakelser eller usammenhengende utdata. De anbefaler å legge instruksjoner i brukerprompten fremfor å legge til en systemprompt. Forskningsrapporten anbefaler også en direkte zero-shot-formulering av problemet og utdataformatet, fordi few-shot-instruksjoner kan redusere ytelsen i denne opprinnelige profilen. Dette er produsentens bruksanbefalinger, fremfor standardinnstillinger som forutsettes for alle applikasjoner.\n\nFor matematikk legger du ved hele problemstillingen, variabeldefinisjoner og domeneavgrensninger. Produsenten anbefaler å be om en trinnvis løsning med sluttresultatet i et \\boxed{}-uttrykk. Et illustrerende oppdrag kan be om sluttformelen, antakelsene den gjelder under, og en kontroll ved innsetting. For kode tar du med oppførselen som skal implementeres, begrensninger og representative inndata, og ber deretter om foreslått algoritme og kodeartefakten atskilt fra forklaringen.\n\nModellens resonneringsformat skiller en tenkefase fra sluttsvaret. DeepSeek påpeker at noen forespørsler kan gi en tom tenkeblokk og anbefaler et prefiks for resonneringsstart i referansearbeidsflyten når dypere resonnering er tilsiktet. Bevar skillet mellom dette produsentformatet og sluttsvaret du vil at brukeren skal lese. Den ønskede leveransen kan være en kort konklusjon eller kode selv når modellens mellomliggende prosess er lengre.\n\nDen opprinnelige forskningen identifiserer konkrete begrensninger. R1 er optimalisert for kinesisk og engelsk, og forespørsler på andre språk kan føre til uønsket språkblanding. Den er følsom for instruksjonsutforming, og den komplekse atferden knyttet til flere samtaleturer, rollespill, JSON og funksjonskall er mindre utviklet enn fokuset på matematisk resonnering og koderesonnering. JSON- og verktøystøtten som er dokumentert for R1-0528, er en endring i en senere utgave, ikke kontrakten for opprinnelig R1. Oppgi utdataspråk og -format uttrykkelig og hold problemstillingen direkte.\n\nFor en praktisk teknisk oppgave definerer du hva som utgjør et korrekt resultat: en formel med antakelser, en algoritme som oppfyller den oppgitte kompleksiteten, eller en begrunnet sammenligning etter innsendte kriterier. Be sluttsvaret identifisere manglende informasjon fremfor å finne den på. For kildeavhengig arbeid legger du ved de autoritative avsnittene som tekst. Vurder den foreslåtte koden eller konklusjonen mot de opprinnelige vilkårene; den nyttige artefakten er sluttløsningen og den underbyggende forklaringen, atskilt fra en handling eller validering applikasjonen rundt modellen faktisk har utført.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Optimize a rectangular enclosure\n\nA rectangular enclosure has 60 metres of fencing, used on all four sides. Its width and length are positive real numbers. Derive the largest possible area, justify why the optimum is global and check the dimensions against the fencing constraint. Give the final result in a boxed mathematical expression.A derivation, optimal dimensions, a perimeter check and a boxed maximum area.Check that the solution respects positivity and uses 2(length + width) = 60 rather than a three-sided constraint.deepseek/deepseek-r1DeepSeek R1 er DeepSeeks opprinnelige resonneringsorienterte tekstmodell for matematikk, kode og logikk. Den kombinerer instruksjonseksempler for kaldstart med forsterkningslæring og en kontekst på 128K, med produsentveiledning for direkte instruksjoner og uttrykkelig formatering av sluttsvar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
DeepSeek R1 er DeepSeeks opprinnelige resonneringsorienterte modell for matematiske, kode- og logikkoppgaver. Den bygger på DeepSeek V3 Base og bruker en treningspipeline med kaldstarteksempler, veiledet forbedring og forsterkningslæring. Inndataene er tekst, og resultatet er en tekstbasert løsning eller et svar. Den holdes atskilt fra R1 Zero, den senere R1-0528-utgaven og de separat destillerte modellene.
Produsenten skiller R1 fra R1 Zeros tilnærming basert utelukkende på forsterkningslæring. Kaldstartmateriale gir R1 et mer lesbart startmønster før resonneringsorientert forsterkningslæring. Påfølgende avvisningssampling og veiledet trening legger til resonneringsdata og generelle data, etterfulgt av enda et trinn med forsterkningslæring. Kortet beskriver to veiledede trinn og to trinn med forsterkningslæring, ment å forbedre resonneringsmønstre og samsvar med det ønskede svaret.
Den publiserte arkitekturen har totalt 671 milliarder parametere med 37 milliarder aktive per token og en kontekst på 128K. Dette vinduet rommer kilde, instruksjon og generert resonnering eller svar samlet; det er ikke en separat garanti for 128K utdata. En lang matematisk problemstilling, et kodefragment eller et sett med krav bør fortsatt organiseres slik at modellen kan identifisere det faktiske problemet og formen på resultatet du trenger.
DeepSeek anbefaler en temperatur mellom 0,5 og 0,7, med 0,6 som anbefalt verdi, for å redusere gjentakelser eller usammenhengende utdata. De anbefaler å legge instruksjoner i brukerprompten fremfor å legge til en systemprompt. Forskningsrapporten anbefaler også en direkte zero-shot-formulering av problemet og utdataformatet, fordi few-shot-instruksjoner kan redusere ytelsen i denne opprinnelige profilen. Dette er produsentens bruksanbefalinger, fremfor standardinnstillinger som forutsettes for alle applikasjoner.
For matematikk legger du ved hele problemstillingen, variabeldefinisjoner og domeneavgrensninger. Produsenten anbefaler å be om en trinnvis løsning med sluttresultatet i et \\boxed{}-uttrykk. Et illustrerende oppdrag kan be om sluttformelen, antakelsene den gjelder under, og en kontroll ved innsetting. For kode tar du med oppførselen som skal implementeres, begrensninger og representative inndata, og ber deretter om foreslått algoritme og kodeartefakten atskilt fra forklaringen.
Modellens resonneringsformat skiller en tenkefase fra sluttsvaret. DeepSeek påpeker at noen forespørsler kan gi en tom tenkeblokk og anbefaler et prefiks for resonneringsstart i referansearbeidsflyten når dypere resonnering er tilsiktet. Bevar skillet mellom dette produsentformatet og sluttsvaret du vil at brukeren skal lese. Den ønskede leveransen kan være en kort konklusjon eller kode selv når modellens mellomliggende prosess er lengre.
Den opprinnelige forskningen identifiserer konkrete begrensninger. R1 er optimalisert for kinesisk og engelsk, og forespørsler på andre språk kan føre til uønsket språkblanding. Den er følsom for instruksjonsutforming, og den komplekse atferden knyttet til flere samtaleturer, rollespill, JSON og funksjonskall er mindre utviklet enn fokuset på matematisk resonnering og koderesonnering. JSON- og verktøystøtten som er dokumentert for R1-0528, er en endring i en senere utgave, ikke kontrakten for opprinnelig R1. Oppgi utdataspråk og -format uttrykkelig og hold problemstillingen direkte.
For en praktisk teknisk oppgave definerer du hva som utgjør et korrekt resultat: en formel med antakelser, en algoritme som oppfyller den oppgitte kompleksiteten, eller en begrunnet sammenligning etter innsendte kriterier. Be sluttsvaret identifisere manglende informasjon fremfor å finne den på. For kildeavhengig arbeid legger du ved de autoritative avsnittene som tekst. Vurder den foreslåtte koden eller konklusjonen mot de opprinnelige vilkårene; den nyttige artefakten er sluttløsningen og den underbyggende forklaringen, atskilt fra en handling eller validering applikasjonen rundt modellen faktisk har utført.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser deepseek/deepseek-r1 | 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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0014 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0014 / 1K tokener Utdata · Utgående tokener $0.005 / 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", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek/deepseek-r1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek/deepseek-r1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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
Bruk metodestiene som vises ovenfor.
deepseek/deepseek-r1DeepSeek R1 er DeepSeeks opprinnelige resonneringsorienterte tekstmodell for matematikk, kode og logikk. Den kombinerer instruksjonseksempler for kaldstart med forsterkningslæring og en kontekst på 128K, med produsentveiledning for direkte instruksjoner og uttrykkelig formatering av sluttsvar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
DeepSeek R1 er DeepSeeks opprinnelige resonneringsorienterte modell for matematiske, kode- og logikkoppgaver. Den bygger på DeepSeek V3 Base og bruker en treningspipeline med kaldstarteksempler, veiledet forbedring og forsterkningslæring. Inndataene er tekst, og resultatet er en tekstbasert løsning eller et svar. Den holdes atskilt fra R1 Zero, den senere R1-0528-utgaven og de separat destillerte modellene.
Produsenten skiller R1 fra R1 Zeros tilnærming basert utelukkende på forsterkningslæring. Kaldstartmateriale gir R1 et mer lesbart startmønster før resonneringsorientert forsterkningslæring. Påfølgende avvisningssampling og veiledet trening legger til resonneringsdata og generelle data, etterfulgt av enda et trinn med forsterkningslæring. Kortet beskriver to veiledede trinn og to trinn med forsterkningslæring, ment å forbedre resonneringsmønstre og samsvar med det ønskede svaret.
Den publiserte arkitekturen har totalt 671 milliarder parametere med 37 milliarder aktive per token og en kontekst på 128K. Dette vinduet rommer kilde, instruksjon og generert resonnering eller svar samlet; det er ikke en separat garanti for 128K utdata. En lang matematisk problemstilling, et kodefragment eller et sett med krav bør fortsatt organiseres slik at modellen kan identifisere det faktiske problemet og formen på resultatet du trenger.
DeepSeek anbefaler en temperatur mellom 0,5 og 0,7, med 0,6 som anbefalt verdi, for å redusere gjentakelser eller usammenhengende utdata. De anbefaler å legge instruksjoner i brukerprompten fremfor å legge til en systemprompt. Forskningsrapporten anbefaler også en direkte zero-shot-formulering av problemet og utdataformatet, fordi few-shot-instruksjoner kan redusere ytelsen i denne opprinnelige profilen. Dette er produsentens bruksanbefalinger, fremfor standardinnstillinger som forutsettes for alle applikasjoner.
For matematikk legger du ved hele problemstillingen, variabeldefinisjoner og domeneavgrensninger. Produsenten anbefaler å be om en trinnvis løsning med sluttresultatet i et \\boxed{}-uttrykk. Et illustrerende oppdrag kan be om sluttformelen, antakelsene den gjelder under, og en kontroll ved innsetting. For kode tar du med oppførselen som skal implementeres, begrensninger og representative inndata, og ber deretter om foreslått algoritme og kodeartefakten atskilt fra forklaringen.
Modellens resonneringsformat skiller en tenkefase fra sluttsvaret. DeepSeek påpeker at noen forespørsler kan gi en tom tenkeblokk og anbefaler et prefiks for resonneringsstart i referansearbeidsflyten når dypere resonnering er tilsiktet. Bevar skillet mellom dette produsentformatet og sluttsvaret du vil at brukeren skal lese. Den ønskede leveransen kan være en kort konklusjon eller kode selv når modellens mellomliggende prosess er lengre.
Den opprinnelige forskningen identifiserer konkrete begrensninger. R1 er optimalisert for kinesisk og engelsk, og forespørsler på andre språk kan føre til uønsket språkblanding. Den er følsom for instruksjonsutforming, og den komplekse atferden knyttet til flere samtaleturer, rollespill, JSON og funksjonskall er mindre utviklet enn fokuset på matematisk resonnering og koderesonnering. JSON- og verktøystøtten som er dokumentert for R1-0528, er en endring i en senere utgave, ikke kontrakten for opprinnelig R1. Oppgi utdataspråk og -format uttrykkelig og hold problemstillingen direkte.
For en praktisk teknisk oppgave definerer du hva som utgjør et korrekt resultat: en formel med antakelser, en algoritme som oppfyller den oppgitte kompleksiteten, eller en begrunnet sammenligning etter innsendte kriterier. Be sluttsvaret identifisere manglende informasjon fremfor å finne den på. For kildeavhengig arbeid legger du ved de autoritative avsnittene som tekst. Vurder den foreslåtte koden eller konklusjonen mot de opprinnelige vilkårene; den nyttige artefakten er sluttløsningen og den underbyggende forklaringen, atskilt fra en handling eller validering applikasjonen rundt modellen faktisk har utført.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser deepseek/deepseek-r1 | 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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0014 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0014 / 1K tokener Utdata · Utgående tokener $0.005 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "deepseek/deepseek-r1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Optimize a rectangular enclosure\n\nA rectangular enclosure has 60 metres of fencing, used on all four sides. Its width and length are positive real numbers. Derive the largest possible area, justify why the optimum is global and check the dimensions against the fencing constraint. Give the final result in a boxed mathematical expression.A derivation, optimal dimensions, a perimeter check and a boxed maximum area.Check that the solution respects positivity and uses 2(length + width) = 60 rather than a three-sided constraint.