Innledning: en mindre resonneringsmodell avledet fra R1
DeepSeek-R1-Distill-Qwen-7B overfører resonneringseksempler fra DeepSeek-R1 til en tett modell basert på Qwen2.5-Math-7B. Den tar imot tekst og genererer tekst, inkludert gjennomarbeidede løsninger, programmeringsforklaringer og svar på logiske problemer. Denne eksakte destillasjonen med 7 milliarder parametere er en separat modellutgave fra fullversjonen av DeepSeek-R1, fra den opprinnelige Qwen2.5-Math-7B og fra større destillerte utgaver. Navnet angir både produsenten av resonneringsdataene og den underliggende modellfamilien.
Hva destillasjon bidrar med
DeepSeeks R1-forskning skiller mellom treningen av den store resonneringslæreren og finjusteringen av de mindre elevmodellene. Lærerens treningsprosess bruker forsterkningslæring og veiledede trinn; de utgitte destillerte modellene finjusteres med eksempler produsert av R1. Utvikleren beskriver 800 000 utvalgte eksempler for disse utgivelsene. Ikke anta at elevmodellen med 7 milliarder parametere selv har fullmodellens blanding-av-eksperter-arkitektur eller gjennomgikk alle trinnene i lærertreningen. Destillasjon gir denne modellen en innlært resonneringsstil; det gjør ikke konklusjonene likeverdige med lærerens.
Den eksakte modellen og konfigurasjonen
Den offisielle modelltabellen identifiserer Qwen2.5-Math-7B som grunnlaget for denne utgaven. DeepSeek endrer konfigurasjon og tokenisererinnstillinger, så den eksakte utgitte modellutgaven og chatmalen er viktige. Den publiserte konfigurasjonen bruker en Qwen2-arkitektur for kausal språkmodellering med 28 lag og bfloat16-vekter. Den angir maksimalt 131 072 posisjoner. Denne konfigurasjonsverdien er ikke en separat validering av nøyaktighet for lange dokumenter: konteksttabellen på 128K i det felles R1-kortet beskriver de fullstendige R1-modellene, mens tabellen over destillerte modeller angir opphav uten å publisere en validert konteksttabell for hver elevmodell.
Bruk modellen til en oppgave med et kontrollerbart resultat. For matematikk oppgir du den fullstendige problemstillingen, definisjonene og enhetene. For kode tar du med relevant funksjon, inndata, observert resultat og ønsket oppførsel. For et logisk spørsmål lister du faktaene og skiller en nødvendig konklusjon fra en antakelse. Be om et sluttresultat som kan kontrolleres uavhengig, for eksempel en innrammet verdi, en kortfattet bevisskisse eller en forklart kodeendring. Disse eksemplene anvender utviklerens dokumenterte resonneringsområde; de er ikke påstander om at modellen kjører kode eller verifiserer bevis automatisk.
Slik klargjør du instruksen
DeepSeek anbefaler å legge alle instrukser i brukermeldingen og unngå en systeminstruks for denne R1-utgivelsen. For et matematisk problem ber du om resonnering trinn for trinn og et tydelig avgrenset sluttsvar. Ta med eventuell utdatastruktur i samme instruks, for eksempel en kort konklusjon etterfulgt av forutsetninger og underbyggende beregninger. En applikasjon bør bruke elevmodellens egen tokeniserer og formatering i stedet for å erstatte dem med Qwens grunnmal uten å kontrollere utviklerens endringer.
Utvikleren påpeker at enkelte spørsmål kan gi en tom tenkeblokk og omgå det tiltenkte resonneringsmønsteret. Det anbefalte tiltaket er å la genereringen begynne med åpningstegnet for tenking og et linjeskift i en kompatibel arbeidsflyt. Dette er en dokumentert anbefaling om genereringsformat, ikke et løfte om at alle applikasjoner tilbyr en slik kontroll. Hold sluttsvaret atskilt fra den lengre resonneringsteksten når du presenterer et resultat.
Genereringsinnstillinger og tilgjengelig plass
DeepSeek anbefaler en temperatur mellom 0.5 og 0.7, med 0.6 som foretrukket utgangspunkt, for å redusere gjentakende eller usammenhengende utdata. Evalueringsoppsettet bruker en genereringsramme på 32 768 tokener og top_p 0.95. Disse evalueringsvalgene er ikke en universell absolutt maksimumsgrense. Resonnering, kildetekst og det endelige svaret trenger alle plass i den konfigurerte konteksten, så en forespørsel med et langt bevis eller en lang kodelisting bør fortsatt la det være plass til fullføringen.
Begrensninger som påvirker modellvalget
En liten destillert modell innebærer fortsatt en egen avveining for resonnering. Utviklerens utgivelsesmateriale dokumenterer ikke bilde-, lyd- eller videoinndata for denne modellutgaven, og heller ikke en egen protokoll for verktøykall. Verktøykjøring eller tilgang til oppdaterte data krever en separat konfigurert applikasjonsarbeidsflyt. Utgivelsen arver heller ikke senere endringer i instruksjonspolicyen for DeepSeek-R1-0528 bare gjennom R1-navnet. Verifiser numeriske svar, undersøk foreslåtte kodeendringer og kontroller om den endelige konklusjonen følger av de oppgitte faktaene; en lang resonneringstekst alene er ikke bevis på korrekthet.
", "aboutText": "Innledning: en mindre resonneringsmodell avledet fra R1\n\nDeepSeek-R1-Distill-Qwen-7B overfører resonneringseksempler fra DeepSeek-R1 til en tett modell basert på Qwen2.5-Math-7B. Den tar imot tekst og genererer tekst, inkludert gjennomarbeidede løsninger, programmeringsforklaringer og svar på logiske problemer. Denne eksakte destillasjonen med 7 milliarder parametere er en separat modellutgave fra fullversjonen av DeepSeek-R1, fra den opprinnelige Qwen2.5-Math-7B og fra større destillerte utgaver. Navnet angir både produsenten av resonneringsdataene og den underliggende modellfamilien.\n\nHva destillasjon bidrar med\n\nDeepSeeks R1-forskning skiller mellom treningen av den store resonneringslæreren og finjusteringen av de mindre elevmodellene. Lærerens treningsprosess bruker forsterkningslæring og veiledede trinn; de utgitte destillerte modellene finjusteres med eksempler produsert av R1. Utvikleren beskriver 800 000 utvalgte eksempler for disse utgivelsene. Ikke anta at elevmodellen med 7 milliarder parametere selv har fullmodellens blanding-av-eksperter-arkitektur eller gjennomgikk alle trinnene i lærertreningen. Destillasjon gir denne modellen en innlært resonneringsstil; det gjør ikke konklusjonene likeverdige med lærerens.\n\nDen eksakte modellen og konfigurasjonen\n\nDen offisielle modelltabellen identifiserer Qwen2.5-Math-7B som grunnlaget for denne utgaven. DeepSeek endrer konfigurasjon og tokenisererinnstillinger, så den eksakte utgitte modellutgaven og chatmalen er viktige. Den publiserte konfigurasjonen bruker en Qwen2-arkitektur for kausal språkmodellering med 28 lag og bfloat16-vekter. Den angir maksimalt 131 072 posisjoner. Denne konfigurasjonsverdien er ikke en separat validering av nøyaktighet for lange dokumenter: konteksttabellen på 128K i det felles R1-kortet beskriver de fullstendige R1-modellene, mens tabellen over destillerte modeller angir opphav uten å publisere en validert konteksttabell for hver elevmodell.\n\nBruk modellen til en oppgave med et kontrollerbart resultat. For matematikk oppgir du den fullstendige problemstillingen, definisjonene og enhetene. For kode tar du med relevant funksjon, inndata, observert resultat og ønsket oppførsel. For et logisk spørsmål lister du faktaene og skiller en nødvendig konklusjon fra en antakelse. Be om et sluttresultat som kan kontrolleres uavhengig, for eksempel en innrammet verdi, en kortfattet bevisskisse eller en forklart kodeendring. Disse eksemplene anvender utviklerens dokumenterte resonneringsområde; de er ikke påstander om at modellen kjører kode eller verifiserer bevis automatisk.\n\nSlik klargjør du instruksen\n\nDeepSeek anbefaler å legge alle instrukser i brukermeldingen og unngå en systeminstruks for denne R1-utgivelsen. For et matematisk problem ber du om resonnering trinn for trinn og et tydelig avgrenset sluttsvar. Ta med eventuell utdatastruktur i samme instruks, for eksempel en kort konklusjon etterfulgt av forutsetninger og underbyggende beregninger. En applikasjon bør bruke elevmodellens egen tokeniserer og formatering i stedet for å erstatte dem med Qwens grunnmal uten å kontrollere utviklerens endringer.\n\nUtvikleren påpeker at enkelte spørsmål kan gi en tom tenkeblokk og omgå det tiltenkte resonneringsmønsteret. Det anbefalte tiltaket er å la genereringen begynne med åpningstegnet for tenking og et linjeskift i en kompatibel arbeidsflyt. Dette er en dokumentert anbefaling om genereringsformat, ikke et løfte om at alle applikasjoner tilbyr en slik kontroll. Hold sluttsvaret atskilt fra den lengre resonneringsteksten når du presenterer et resultat.\n\nGenereringsinnstillinger og tilgjengelig plass\n\nDeepSeek anbefaler en temperatur mellom 0.5 og 0.7, med 0.6 som foretrukket utgangspunkt, for å redusere gjentakende eller usammenhengende utdata. Evalueringsoppsettet bruker en genereringsramme på 32 768 tokener og top_p 0.95. Disse evalueringsvalgene er ikke en universell absolutt maksimumsgrense. Resonnering, kildetekst og det endelige svaret trenger alle plass i den konfigurerte konteksten, så en forespørsel med et langt bevis eller en lang kodelisting bør fortsatt la det være plass til fullføringen.\n\nBegrensninger som påvirker modellvalget\n\nEn liten destillert modell innebærer fortsatt en egen avveining for resonnering. Utviklerens utgivelsesmateriale dokumenterer ikke bilde-, lyd- eller videoinndata for denne modellutgaven, og heller ikke en egen protokoll for verktøykall. Verktøykjøring eller tilgang til oppdaterte data krever en separat konfigurert applikasjonsarbeidsflyt. Utgivelsen arver heller ikke senere endringer i instruksjonspolicyen for DeepSeek-R1-0528 bare gjennom R1-navnet. Verifiser numeriske svar, undersøk foreslåtte kodeendringer og kontroller om den endelige konklusjonen følger av de oppgitte faktaene; en lang resonneringstekst alene er ikke bevis på korrekthet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Calculate a mixture ratio\n\nA workshop mixes 2 liters of concentrate with 6 liters of water. It needs 20 liters of the same mixture. Calculate the required concentrate and water, show the proportional calculation and give a clearly labelled final answer with units. Check that the two quantities add to the requested volume.A short proportional calculation and final concentrate and water quantities in liters.Verify both the 1:3 concentrate-to-water ratio and the 20-liter total independently.DeepSeek-R1-Distill-Qwen-7B-ultraDeepSeek-R1-Distill-Qwen-7B er DeepSeeks kompakte, tette resonneringsmodell, finjustert fra Qwen2.5-Math-7B med eksempler generert av R1. Den tar imot tekst og produserer tekst for matematiske oppgaver, kodeoppgaver og logiske oppgaver, med instruksjonsveiledning som er spesifikk for modellutgaven.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Innledning: en mindre resonneringsmodell avledet fra R1
DeepSeek-R1-Distill-Qwen-7B overfører resonneringseksempler fra DeepSeek-R1 til en tett modell basert på Qwen2.5-Math-7B. Den tar imot tekst og genererer tekst, inkludert gjennomarbeidede løsninger, programmeringsforklaringer og svar på logiske problemer. Denne eksakte destillasjonen med 7 milliarder parametere er en separat modellutgave fra fullversjonen av DeepSeek-R1, fra den opprinnelige Qwen2.5-Math-7B og fra større destillerte utgaver. Navnet angir både produsenten av resonneringsdataene og den underliggende modellfamilien.
Hva destillasjon bidrar med
DeepSeeks R1-forskning skiller mellom treningen av den store resonneringslæreren og finjusteringen av de mindre elevmodellene. Lærerens treningsprosess bruker forsterkningslæring og veiledede trinn; de utgitte destillerte modellene finjusteres med eksempler produsert av R1. Utvikleren beskriver 800 000 utvalgte eksempler for disse utgivelsene. Ikke anta at elevmodellen med 7 milliarder parametere selv har fullmodellens blanding-av-eksperter-arkitektur eller gjennomgikk alle trinnene i lærertreningen. Destillasjon gir denne modellen en innlært resonneringsstil; det gjør ikke konklusjonene likeverdige med lærerens.
Den eksakte modellen og konfigurasjonen
Den offisielle modelltabellen identifiserer Qwen2.5-Math-7B som grunnlaget for denne utgaven. DeepSeek endrer konfigurasjon og tokenisererinnstillinger, så den eksakte utgitte modellutgaven og chatmalen er viktige. Den publiserte konfigurasjonen bruker en Qwen2-arkitektur for kausal språkmodellering med 28 lag og bfloat16-vekter. Den angir maksimalt 131 072 posisjoner. Denne konfigurasjonsverdien er ikke en separat validering av nøyaktighet for lange dokumenter: konteksttabellen på 128K i det felles R1-kortet beskriver de fullstendige R1-modellene, mens tabellen over destillerte modeller angir opphav uten å publisere en validert konteksttabell for hver elevmodell.
Bruk modellen til en oppgave med et kontrollerbart resultat. For matematikk oppgir du den fullstendige problemstillingen, definisjonene og enhetene. For kode tar du med relevant funksjon, inndata, observert resultat og ønsket oppførsel. For et logisk spørsmål lister du faktaene og skiller en nødvendig konklusjon fra en antakelse. Be om et sluttresultat som kan kontrolleres uavhengig, for eksempel en innrammet verdi, en kortfattet bevisskisse eller en forklart kodeendring. Disse eksemplene anvender utviklerens dokumenterte resonneringsområde; de er ikke påstander om at modellen kjører kode eller verifiserer bevis automatisk.
Slik klargjør du instruksen
DeepSeek anbefaler å legge alle instrukser i brukermeldingen og unngå en systeminstruks for denne R1-utgivelsen. For et matematisk problem ber du om resonnering trinn for trinn og et tydelig avgrenset sluttsvar. Ta med eventuell utdatastruktur i samme instruks, for eksempel en kort konklusjon etterfulgt av forutsetninger og underbyggende beregninger. En applikasjon bør bruke elevmodellens egen tokeniserer og formatering i stedet for å erstatte dem med Qwens grunnmal uten å kontrollere utviklerens endringer.
Utvikleren påpeker at enkelte spørsmål kan gi en tom tenkeblokk og omgå det tiltenkte resonneringsmønsteret. Det anbefalte tiltaket er å la genereringen begynne med åpningstegnet for tenking og et linjeskift i en kompatibel arbeidsflyt. Dette er en dokumentert anbefaling om genereringsformat, ikke et løfte om at alle applikasjoner tilbyr en slik kontroll. Hold sluttsvaret atskilt fra den lengre resonneringsteksten når du presenterer et resultat.
Genereringsinnstillinger og tilgjengelig plass
DeepSeek anbefaler en temperatur mellom 0.5 og 0.7, med 0.6 som foretrukket utgangspunkt, for å redusere gjentakende eller usammenhengende utdata. Evalueringsoppsettet bruker en genereringsramme på 32 768 tokener og top_p 0.95. Disse evalueringsvalgene er ikke en universell absolutt maksimumsgrense. Resonnering, kildetekst og det endelige svaret trenger alle plass i den konfigurerte konteksten, så en forespørsel med et langt bevis eller en lang kodelisting bør fortsatt la det være plass til fullføringen.
Begrensninger som påvirker modellvalget
En liten destillert modell innebærer fortsatt en egen avveining for resonnering. Utviklerens utgivelsesmateriale dokumenterer ikke bilde-, lyd- eller videoinndata for denne modellutgaven, og heller ikke en egen protokoll for verktøykall. Verktøykjøring eller tilgang til oppdaterte data krever en separat konfigurert applikasjonsarbeidsflyt. Utgivelsen arver heller ikke senere endringer i instruksjonspolicyen for DeepSeek-R1-0528 bare gjennom R1-navnet. Verifiser numeriske svar, undersøk foreslåtte kodeendringer og kontroller om den endelige konklusjonen følger av de oppgitte faktaene; en lang resonneringstekst alene er ikke bevis på korrekthet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser DeepSeek-R1-Distill-Qwen-7B-ultra | 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 $0.00014 / 1K tokener Utdata · Utgående tokener $0.00028 / 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-R1-Distill-Qwen-7B-ultra", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='DeepSeek-R1-Distill-Qwen-7B-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='DeepSeek-R1-Distill-Qwen-7B-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-R1-Distill-Qwen-7B-ultra
Bruk metodestiene som vises ovenfor.
DeepSeek-R1-Distill-Qwen-7B-ultraDeepSeek-R1-Distill-Qwen-7B er DeepSeeks kompakte, tette resonneringsmodell, finjustert fra Qwen2.5-Math-7B med eksempler generert av R1. Den tar imot tekst og produserer tekst for matematiske oppgaver, kodeoppgaver og logiske oppgaver, med instruksjonsveiledning som er spesifikk for modellutgaven.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Innledning: en mindre resonneringsmodell avledet fra R1
DeepSeek-R1-Distill-Qwen-7B overfører resonneringseksempler fra DeepSeek-R1 til en tett modell basert på Qwen2.5-Math-7B. Den tar imot tekst og genererer tekst, inkludert gjennomarbeidede løsninger, programmeringsforklaringer og svar på logiske problemer. Denne eksakte destillasjonen med 7 milliarder parametere er en separat modellutgave fra fullversjonen av DeepSeek-R1, fra den opprinnelige Qwen2.5-Math-7B og fra større destillerte utgaver. Navnet angir både produsenten av resonneringsdataene og den underliggende modellfamilien.
Hva destillasjon bidrar med
DeepSeeks R1-forskning skiller mellom treningen av den store resonneringslæreren og finjusteringen av de mindre elevmodellene. Lærerens treningsprosess bruker forsterkningslæring og veiledede trinn; de utgitte destillerte modellene finjusteres med eksempler produsert av R1. Utvikleren beskriver 800 000 utvalgte eksempler for disse utgivelsene. Ikke anta at elevmodellen med 7 milliarder parametere selv har fullmodellens blanding-av-eksperter-arkitektur eller gjennomgikk alle trinnene i lærertreningen. Destillasjon gir denne modellen en innlært resonneringsstil; det gjør ikke konklusjonene likeverdige med lærerens.
Den eksakte modellen og konfigurasjonen
Den offisielle modelltabellen identifiserer Qwen2.5-Math-7B som grunnlaget for denne utgaven. DeepSeek endrer konfigurasjon og tokenisererinnstillinger, så den eksakte utgitte modellutgaven og chatmalen er viktige. Den publiserte konfigurasjonen bruker en Qwen2-arkitektur for kausal språkmodellering med 28 lag og bfloat16-vekter. Den angir maksimalt 131 072 posisjoner. Denne konfigurasjonsverdien er ikke en separat validering av nøyaktighet for lange dokumenter: konteksttabellen på 128K i det felles R1-kortet beskriver de fullstendige R1-modellene, mens tabellen over destillerte modeller angir opphav uten å publisere en validert konteksttabell for hver elevmodell.
Bruk modellen til en oppgave med et kontrollerbart resultat. For matematikk oppgir du den fullstendige problemstillingen, definisjonene og enhetene. For kode tar du med relevant funksjon, inndata, observert resultat og ønsket oppførsel. For et logisk spørsmål lister du faktaene og skiller en nødvendig konklusjon fra en antakelse. Be om et sluttresultat som kan kontrolleres uavhengig, for eksempel en innrammet verdi, en kortfattet bevisskisse eller en forklart kodeendring. Disse eksemplene anvender utviklerens dokumenterte resonneringsområde; de er ikke påstander om at modellen kjører kode eller verifiserer bevis automatisk.
Slik klargjør du instruksen
DeepSeek anbefaler å legge alle instrukser i brukermeldingen og unngå en systeminstruks for denne R1-utgivelsen. For et matematisk problem ber du om resonnering trinn for trinn og et tydelig avgrenset sluttsvar. Ta med eventuell utdatastruktur i samme instruks, for eksempel en kort konklusjon etterfulgt av forutsetninger og underbyggende beregninger. En applikasjon bør bruke elevmodellens egen tokeniserer og formatering i stedet for å erstatte dem med Qwens grunnmal uten å kontrollere utviklerens endringer.
Utvikleren påpeker at enkelte spørsmål kan gi en tom tenkeblokk og omgå det tiltenkte resonneringsmønsteret. Det anbefalte tiltaket er å la genereringen begynne med åpningstegnet for tenking og et linjeskift i en kompatibel arbeidsflyt. Dette er en dokumentert anbefaling om genereringsformat, ikke et løfte om at alle applikasjoner tilbyr en slik kontroll. Hold sluttsvaret atskilt fra den lengre resonneringsteksten når du presenterer et resultat.
Genereringsinnstillinger og tilgjengelig plass
DeepSeek anbefaler en temperatur mellom 0.5 og 0.7, med 0.6 som foretrukket utgangspunkt, for å redusere gjentakende eller usammenhengende utdata. Evalueringsoppsettet bruker en genereringsramme på 32 768 tokener og top_p 0.95. Disse evalueringsvalgene er ikke en universell absolutt maksimumsgrense. Resonnering, kildetekst og det endelige svaret trenger alle plass i den konfigurerte konteksten, så en forespørsel med et langt bevis eller en lang kodelisting bør fortsatt la det være plass til fullføringen.
Begrensninger som påvirker modellvalget
En liten destillert modell innebærer fortsatt en egen avveining for resonnering. Utviklerens utgivelsesmateriale dokumenterer ikke bilde-, lyd- eller videoinndata for denne modellutgaven, og heller ikke en egen protokoll for verktøykall. Verktøykjøring eller tilgang til oppdaterte data krever en separat konfigurert applikasjonsarbeidsflyt. Utgivelsen arver heller ikke senere endringer i instruksjonspolicyen for DeepSeek-R1-0528 bare gjennom R1-navnet. Verifiser numeriske svar, undersøk foreslåtte kodeendringer og kontroller om den endelige konklusjonen følger av de oppgitte faktaene; en lang resonneringstekst alene er ikke bevis på korrekthet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser DeepSeek-R1-Distill-Qwen-7B-ultra | 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 $0.00014 / 1K tokener Utdata · Utgående tokener $0.00028 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "DeepSeek-R1-Distill-Qwen-7B-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'DeepSeek-R1-Distill-Qwen-7B-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'DeepSeek-R1-Distill-Qwen-7B-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-R1-Distill-Qwen-7B-ultra
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Calculate a mixture ratio\n\nA workshop mixes 2 liters of concentrate with 6 liters of water. It needs 20 liters of the same mixture. Calculate the required concentrate and water, show the proportional calculation and give a clearly labelled final answer with units. Check that the two quantities add to the requested volume.A short proportional calculation and final concentrate and water quantities in liters.Verify both the 1:3 concentrate-to-water ratio and the 20-liter total independently.