DeepSeek-R1-Distill-Qwen-32B is het 32B-redeneercheckpoint van DeepSeek met een dense architectuur, gebouwd op Qwen2.5-32B. DeepSeek verfijnt de basis met redeneervoorbeelden die door DeepSeek-R1 zijn gegenereerd. Het resultaat is een afzonderlijk tekstmodel voor problemen die verschillende samenhangende stappen vereisen, zoals een wiskundige afleiding, een algoritmische vraag of redeneren over voorwaarden.
Hoe deze distillatie verschilt van het volledige R1-model
De release van de maker onderscheidt DeepSeek-R1-Zero, DeepSeek-R1 en gedistilleerde modellen op basis van Qwen of Llama. De volledige R1-lijn ontwikkelt redeneren via een eigen trainingspipeline; de distillatiefase brengt patronen uit door R1 gegenereerde voorbeelden over naar afzonderlijke checkpoints met een dense architectuur. Deze vermelding betreft de op Qwen gebaseerde 32B-distilleditie, niet het volledige R1-model, R1-Zero of de ongewijzigde Qwen2.5-32B-basis.
De uitgebrachte Qwen-distillatiemodellen zijn verfijnd met 800,000 zorgvuldig geselecteerde voorbeelden. DeepSeek wijzigt ook hun configuraties en tokenizers en geeft gebruikers de instructie die instellingen te behouden. De trainingsherkomst verklaart de redeneerfocus, terwijl het benoemde checkpoint en de eigen configuratie de werkelijke release bepalen. Dat betekent niet dat het grotere leraarmodel automatisch wordt geraadpleegd om elke nieuwe vraag te beantwoorden.
De configuratie van het 32B-checkpoint gebruikt een causale taalmodelarchitectuur met 64 lagen, 40 query-attentionkoppen en 8 key/value-koppen. Ze stelt het maximale aantal posities in op 131,072. Dit configuratiegetal betreft het uitgebrachte model; een voorbeeldcommando voor het serveren of een ander lid van de R1-familie mag niet als dezelfde contextinstelling worden beschouwd. Het model ontvangt tekst en genereert tekst, in plaats van een afbeelding te accepteren of een visueel of audio-eindproduct te produceren.
Een wiskundige of programmeertaak voorbereiden
Geef voor een wiskundeprobleem de volledige opgave mee, definieer de variabelen en vermeld het domein of de aannames. Geef aan of het eindresultaat een exacte uitdrukking, een numerieke benadering of een bewijs van een bewering moet zijn. Een bruikbaar verzoek kan vragen om een afleiding, gevolgd door de einduitdrukking en een controle tegen de oorspronkelijke voorwaarden. De maker beveelt een uitgewerkt wiskundig antwoord aan met het eindantwoord in een LaTeX-kader.
Geef voor een algoritmeprobleem het invoerbereik, de vereiste uitvoer en de beperkingen voor de oplossing mee. Vraag om de aanpak, de implementatie en uitleg waarom die de vereiste eigenschap bewaart. Geef, als het probleem bestaande code betreft, de relevante functie, de invoer die het onverwachte gedrag oplevert en het verwachte resultaat mee. Het antwoord kan het werkelijke pad met het bedoelde vergelijken en een correctie voorstellen; uitvoering en verificatie van het programma zijn afzonderlijke toepassingsstappen.
Som voor een voorwaardenprobleem de toegelaten keuzes en verbanden expliciet op. Een planningsverzoek kan bijvoorbeeld de deelnemers, beschikbaarheid en regels meegeven die twee toewijzingen onverenigbaar maken. Vraag om een voorgestelde toewijzing met de regel die elke beslissing ondersteunt en eis dat onopgeloste voorwaarden zichtbaar blijven. Dat maakt de redeneertaak controleerbaar in plaats van het model zonder de onderliggende voorwaarden te laten kiezen.
Gebruiksaanbevelingen van de maker
DeepSeek beveelt voor deze reeks aan alle instructies in de gebruikersprompt te plaatsen en een afzonderlijke systeemprompt te vermijden. Dat verschilt van een algemene chattemplate die op een systeembericht steunt om de taak vast te leggen. Plaats het gevraagde antwoordformaat, het bronmateriaal en de werkelijke vraag samen, met duidelijke afbakeningen.
Het aanbevolen temperature-bereik is 0.5 tot 0.7, bij voorkeur 0.6. De maker koppelt die aanbeveling aan het vermijden van herhaling of onsamenhangende uitvoer. Hij merkt ook op dat sommige vragen een leeg redeneerblok kunnen produceren en beveelt aan de uitvoer met de openende redeneermarkering te beginnen. Dit zijn aanbevelingen voor de uitgebrachte redeneerworkflow, geen garantie dat één instelling correctheid vastlegt.
Een praktisch antwoordcontract kan vragen om uitleg over de methode, de belangrijke onderbouwde stappen en een afzonderlijk eindproduct. Gebruik bij een wiskundetaak de uitdrukking in een kader voor het eindresultaat. Houd bij een programmeertaak de code apart van de aannames en voorbeeldinvoer. Houd bij een logische taak elke conclusie gekoppeld aan de regel of het aangeleverde feit dat ze ondersteunt. Zo kunnen de redeneertekst en het resultaat dat de toepassing nodig heeft verschillende doelen dienen.
Context, uitvoer en integratiegrenzen
De 131,072 maximale posities van de uitgebrachte configuratie moeten samen met de volledige prompt en de gegenereerde redenering worden bekeken. De maker gebruikt bij evaluatie een generatie-instelling van 32,768 tokens, maar die experimentele instelling is geen gepubliceerde afzonderlijke specificatie van de uitvoercapaciteit voor dit checkpoint. Leid geen antwoordlimiet af uit een benchmarkconfiguratie en neem het uitvoergetal van 8,192 tokens van de oorspronkelijke Qwen Instruct-editie niet over naar de gewijzigde distillatierelease.
Houd de invoer gericht op de werkelijke wiskundige, programmeer- of logische vraag en vermeld de gewenste eindvorm. Een externe rekenmachine, repository, documentparser of zoekfunctie moet door de omringende toepassing worden geleverd; die is niet inbegrepen louter doordat een tekstredeneercheckpoint wordt gekozen. Het bruikbare resultaat is een geschreven oplossing of voorgestelde implementatie waarvan aannames, methode en eindantwoord met het aangeleverde probleem overeenkomen.
", "aboutText": "DeepSeek-R1-Distill-Qwen-32B is het 32B-redeneercheckpoint van DeepSeek met een dense architectuur, gebouwd op Qwen2.5-32B. DeepSeek verfijnt de basis met redeneervoorbeelden die door DeepSeek-R1 zijn gegenereerd. Het resultaat is een afzonderlijk tekstmodel voor problemen die verschillende samenhangende stappen vereisen, zoals een wiskundige afleiding, een algoritmische vraag of redeneren over voorwaarden.\n\nHoe deze distillatie verschilt van het volledige R1-model\n\nDe release van de maker onderscheidt DeepSeek-R1-Zero, DeepSeek-R1 en gedistilleerde modellen op basis van Qwen of Llama. De volledige R1-lijn ontwikkelt redeneren via een eigen trainingspipeline; de distillatiefase brengt patronen uit door R1 gegenereerde voorbeelden over naar afzonderlijke checkpoints met een dense architectuur. Deze vermelding betreft de op Qwen gebaseerde 32B-distilleditie, niet het volledige R1-model, R1-Zero of de ongewijzigde Qwen2.5-32B-basis.\n\nDe uitgebrachte Qwen-distillatiemodellen zijn verfijnd met 800,000 zorgvuldig geselecteerde voorbeelden. DeepSeek wijzigt ook hun configuraties en tokenizers en geeft gebruikers de instructie die instellingen te behouden. De trainingsherkomst verklaart de redeneerfocus, terwijl het benoemde checkpoint en de eigen configuratie de werkelijke release bepalen. Dat betekent niet dat het grotere leraarmodel automatisch wordt geraadpleegd om elke nieuwe vraag te beantwoorden.\n\nDe configuratie van het 32B-checkpoint gebruikt een causale taalmodelarchitectuur met 64 lagen, 40 query-attentionkoppen en 8 key/value-koppen. Ze stelt het maximale aantal posities in op 131,072. Dit configuratiegetal betreft het uitgebrachte model; een voorbeeldcommando voor het serveren of een ander lid van de R1-familie mag niet als dezelfde contextinstelling worden beschouwd. Het model ontvangt tekst en genereert tekst, in plaats van een afbeelding te accepteren of een visueel of audio-eindproduct te produceren.\n\nEen wiskundige of programmeertaak voorbereiden\n\nGeef voor een wiskundeprobleem de volledige opgave mee, definieer de variabelen en vermeld het domein of de aannames. Geef aan of het eindresultaat een exacte uitdrukking, een numerieke benadering of een bewijs van een bewering moet zijn. Een bruikbaar verzoek kan vragen om een afleiding, gevolgd door de einduitdrukking en een controle tegen de oorspronkelijke voorwaarden. De maker beveelt een uitgewerkt wiskundig antwoord aan met het eindantwoord in een LaTeX-kader.\n\nGeef voor een algoritmeprobleem het invoerbereik, de vereiste uitvoer en de beperkingen voor de oplossing mee. Vraag om de aanpak, de implementatie en uitleg waarom die de vereiste eigenschap bewaart. Geef, als het probleem bestaande code betreft, de relevante functie, de invoer die het onverwachte gedrag oplevert en het verwachte resultaat mee. Het antwoord kan het werkelijke pad met het bedoelde vergelijken en een correctie voorstellen; uitvoering en verificatie van het programma zijn afzonderlijke toepassingsstappen.\n\nSom voor een voorwaardenprobleem de toegelaten keuzes en verbanden expliciet op. Een planningsverzoek kan bijvoorbeeld de deelnemers, beschikbaarheid en regels meegeven die twee toewijzingen onverenigbaar maken. Vraag om een voorgestelde toewijzing met de regel die elke beslissing ondersteunt en eis dat onopgeloste voorwaarden zichtbaar blijven. Dat maakt de redeneertaak controleerbaar in plaats van het model zonder de onderliggende voorwaarden te laten kiezen.\n\nGebruiksaanbevelingen van de maker\n\nDeepSeek beveelt voor deze reeks aan alle instructies in de gebruikersprompt te plaatsen en een afzonderlijke systeemprompt te vermijden. Dat verschilt van een algemene chattemplate die op een systeembericht steunt om de taak vast te leggen. Plaats het gevraagde antwoordformaat, het bronmateriaal en de werkelijke vraag samen, met duidelijke afbakeningen.\n\nHet aanbevolen temperature-bereik is 0.5 tot 0.7, bij voorkeur 0.6. De maker koppelt die aanbeveling aan het vermijden van herhaling of onsamenhangende uitvoer. Hij merkt ook op dat sommige vragen een leeg redeneerblok kunnen produceren en beveelt aan de uitvoer met de openende redeneermarkering te beginnen. Dit zijn aanbevelingen voor de uitgebrachte redeneerworkflow, geen garantie dat één instelling correctheid vastlegt.\n\nEen praktisch antwoordcontract kan vragen om uitleg over de methode, de belangrijke onderbouwde stappen en een afzonderlijk eindproduct. Gebruik bij een wiskundetaak de uitdrukking in een kader voor het eindresultaat. Houd bij een programmeertaak de code apart van de aannames en voorbeeldinvoer. Houd bij een logische taak elke conclusie gekoppeld aan de regel of het aangeleverde feit dat ze ondersteunt. Zo kunnen de redeneertekst en het resultaat dat de toepassing nodig heeft verschillende doelen dienen.\n\nContext, uitvoer en integratiegrenzen\n\nDe 131,072 maximale posities van de uitgebrachte configuratie moeten samen met de volledige prompt en de gegenereerde redenering worden bekeken. De maker gebruikt bij evaluatie een generatie-instelling van 32,768 tokens, maar die experimentele instelling is geen gepubliceerde afzonderlijke specificatie van de uitvoercapaciteit voor dit checkpoint. Leid geen antwoordlimiet af uit een benchmarkconfiguratie en neem het uitvoergetal van 8,192 tokens van de oorspronkelijke Qwen Instruct-editie niet over naar de gewijzigde distillatierelease.\n\nHoud de invoer gericht op de werkelijke wiskundige, programmeer- of logische vraag en vermeld de gewenste eindvorm. Een externe rekenmachine, repository, documentparser of zoekfunctie moet door de omringende toepassing worden geleverd; die is niet inbegrepen louter doordat een tekstredeneercheckpoint wordt gekozen. Het bruikbare resultaat is een geschreven oplossing of voorgestelde implementatie waarvan aannames, methode en eindantwoord met het aangeleverde probleem overeenkomen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Solve a bounded scheduling problem\n\nSchedule three one-hour interviews in slots 09:00, 10:00 and 11:00. Ada cannot attend 09:00; Ben cannot attend 11:00; Chen must be before Ada. Each person gets one distinct slot. Give a valid schedule, explain how each constraint is satisfied and state whether another schedule is possible.A person-to-slot table, a constraint check and a justified uniqueness or non-uniqueness conclusion.Check all three constraints and distinct slots directly against the proposed schedule.deepseek-ai/DeepSeek-R1-Distill-Qwen-32BDeepSeek-R1-Distill-Qwen-32B is een dicht tekstredeneermodel, fijnafgestemd vanuit Qwen2.5-32B met DeepSeek-R1-voorbeelden. Het is bedoeld voor wiskundige, programmeer- en logische taken in meerdere stappen, met prompts volgens de ontwikkelaar en een releaseconfiguratie van 131.072 posities.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
DeepSeek-R1-Distill-Qwen-32B is het 32B-redeneercheckpoint van DeepSeek met een dense architectuur, gebouwd op Qwen2.5-32B. DeepSeek verfijnt de basis met redeneervoorbeelden die door DeepSeek-R1 zijn gegenereerd. Het resultaat is een afzonderlijk tekstmodel voor problemen die verschillende samenhangende stappen vereisen, zoals een wiskundige afleiding, een algoritmische vraag of redeneren over voorwaarden.
Hoe deze distillatie verschilt van het volledige R1-model
De release van de maker onderscheidt DeepSeek-R1-Zero, DeepSeek-R1 en gedistilleerde modellen op basis van Qwen of Llama. De volledige R1-lijn ontwikkelt redeneren via een eigen trainingspipeline; de distillatiefase brengt patronen uit door R1 gegenereerde voorbeelden over naar afzonderlijke checkpoints met een dense architectuur. Deze vermelding betreft de op Qwen gebaseerde 32B-distilleditie, niet het volledige R1-model, R1-Zero of de ongewijzigde Qwen2.5-32B-basis.
De uitgebrachte Qwen-distillatiemodellen zijn verfijnd met 800,000 zorgvuldig geselecteerde voorbeelden. DeepSeek wijzigt ook hun configuraties en tokenizers en geeft gebruikers de instructie die instellingen te behouden. De trainingsherkomst verklaart de redeneerfocus, terwijl het benoemde checkpoint en de eigen configuratie de werkelijke release bepalen. Dat betekent niet dat het grotere leraarmodel automatisch wordt geraadpleegd om elke nieuwe vraag te beantwoorden.
De configuratie van het 32B-checkpoint gebruikt een causale taalmodelarchitectuur met 64 lagen, 40 query-attentionkoppen en 8 key/value-koppen. Ze stelt het maximale aantal posities in op 131,072. Dit configuratiegetal betreft het uitgebrachte model; een voorbeeldcommando voor het serveren of een ander lid van de R1-familie mag niet als dezelfde contextinstelling worden beschouwd. Het model ontvangt tekst en genereert tekst, in plaats van een afbeelding te accepteren of een visueel of audio-eindproduct te produceren.
Een wiskundige of programmeertaak voorbereiden
Geef voor een wiskundeprobleem de volledige opgave mee, definieer de variabelen en vermeld het domein of de aannames. Geef aan of het eindresultaat een exacte uitdrukking, een numerieke benadering of een bewijs van een bewering moet zijn. Een bruikbaar verzoek kan vragen om een afleiding, gevolgd door de einduitdrukking en een controle tegen de oorspronkelijke voorwaarden. De maker beveelt een uitgewerkt wiskundig antwoord aan met het eindantwoord in een LaTeX-kader.
Geef voor een algoritmeprobleem het invoerbereik, de vereiste uitvoer en de beperkingen voor de oplossing mee. Vraag om de aanpak, de implementatie en uitleg waarom die de vereiste eigenschap bewaart. Geef, als het probleem bestaande code betreft, de relevante functie, de invoer die het onverwachte gedrag oplevert en het verwachte resultaat mee. Het antwoord kan het werkelijke pad met het bedoelde vergelijken en een correctie voorstellen; uitvoering en verificatie van het programma zijn afzonderlijke toepassingsstappen.
Som voor een voorwaardenprobleem de toegelaten keuzes en verbanden expliciet op. Een planningsverzoek kan bijvoorbeeld de deelnemers, beschikbaarheid en regels meegeven die twee toewijzingen onverenigbaar maken. Vraag om een voorgestelde toewijzing met de regel die elke beslissing ondersteunt en eis dat onopgeloste voorwaarden zichtbaar blijven. Dat maakt de redeneertaak controleerbaar in plaats van het model zonder de onderliggende voorwaarden te laten kiezen.
Gebruiksaanbevelingen van de maker
DeepSeek beveelt voor deze reeks aan alle instructies in de gebruikersprompt te plaatsen en een afzonderlijke systeemprompt te vermijden. Dat verschilt van een algemene chattemplate die op een systeembericht steunt om de taak vast te leggen. Plaats het gevraagde antwoordformaat, het bronmateriaal en de werkelijke vraag samen, met duidelijke afbakeningen.
Het aanbevolen temperature-bereik is 0.5 tot 0.7, bij voorkeur 0.6. De maker koppelt die aanbeveling aan het vermijden van herhaling of onsamenhangende uitvoer. Hij merkt ook op dat sommige vragen een leeg redeneerblok kunnen produceren en beveelt aan de uitvoer met de openende redeneermarkering te beginnen. Dit zijn aanbevelingen voor de uitgebrachte redeneerworkflow, geen garantie dat één instelling correctheid vastlegt.
Een praktisch antwoordcontract kan vragen om uitleg over de methode, de belangrijke onderbouwde stappen en een afzonderlijk eindproduct. Gebruik bij een wiskundetaak de uitdrukking in een kader voor het eindresultaat. Houd bij een programmeertaak de code apart van de aannames en voorbeeldinvoer. Houd bij een logische taak elke conclusie gekoppeld aan de regel of het aangeleverde feit dat ze ondersteunt. Zo kunnen de redeneertekst en het resultaat dat de toepassing nodig heeft verschillende doelen dienen.
Context, uitvoer en integratiegrenzen
De 131,072 maximale posities van de uitgebrachte configuratie moeten samen met de volledige prompt en de gegenereerde redenering worden bekeken. De maker gebruikt bij evaluatie een generatie-instelling van 32,768 tokens, maar die experimentele instelling is geen gepubliceerde afzonderlijke specificatie van de uitvoercapaciteit voor dit checkpoint. Leid geen antwoordlimiet af uit een benchmarkconfiguratie en neem het uitvoergetal van 8,192 tokens van de oorspronkelijke Qwen Instruct-editie niet over naar de gewijzigde distillatierelease.
Houd de invoer gericht op de werkelijke wiskundige, programmeer- of logische vraag en vermeld de gewenste eindvorm. Een externe rekenmachine, repository, documentparser of zoekfunctie moet door de omringende toepassing worden geleverd; die is niet inbegrepen louter doordat een tekstredeneercheckpoint wordt gekozen. Het bruikbare resultaat is een geschreven oplossing of voorgestelde implementatie waarvan aannames, methode en eindantwoord met het aangeleverde probleem overeenkomen.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek-ai/DeepSeek-R1-Distill-Qwen-32B | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00036 / 1K tokens Uitvoer · Uitvoertokens $0.00036 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-32B", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek-ai/DeepSeek-R1-Distill-Qwen-32B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek-ai/DeepSeek-R1-Distill-Qwen-32B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-32B
Gebruik de hierboven getoonde methodepaden.
deepseek-ai/DeepSeek-R1-Distill-Qwen-32BDeepSeek-R1-Distill-Qwen-32B is een dicht tekstredeneermodel, fijnafgestemd vanuit Qwen2.5-32B met DeepSeek-R1-voorbeelden. Het is bedoeld voor wiskundige, programmeer- en logische taken in meerdere stappen, met prompts volgens de ontwikkelaar en een releaseconfiguratie van 131.072 posities.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
DeepSeek-R1-Distill-Qwen-32B is het 32B-redeneercheckpoint van DeepSeek met een dense architectuur, gebouwd op Qwen2.5-32B. DeepSeek verfijnt de basis met redeneervoorbeelden die door DeepSeek-R1 zijn gegenereerd. Het resultaat is een afzonderlijk tekstmodel voor problemen die verschillende samenhangende stappen vereisen, zoals een wiskundige afleiding, een algoritmische vraag of redeneren over voorwaarden.
Hoe deze distillatie verschilt van het volledige R1-model
De release van de maker onderscheidt DeepSeek-R1-Zero, DeepSeek-R1 en gedistilleerde modellen op basis van Qwen of Llama. De volledige R1-lijn ontwikkelt redeneren via een eigen trainingspipeline; de distillatiefase brengt patronen uit door R1 gegenereerde voorbeelden over naar afzonderlijke checkpoints met een dense architectuur. Deze vermelding betreft de op Qwen gebaseerde 32B-distilleditie, niet het volledige R1-model, R1-Zero of de ongewijzigde Qwen2.5-32B-basis.
De uitgebrachte Qwen-distillatiemodellen zijn verfijnd met 800,000 zorgvuldig geselecteerde voorbeelden. DeepSeek wijzigt ook hun configuraties en tokenizers en geeft gebruikers de instructie die instellingen te behouden. De trainingsherkomst verklaart de redeneerfocus, terwijl het benoemde checkpoint en de eigen configuratie de werkelijke release bepalen. Dat betekent niet dat het grotere leraarmodel automatisch wordt geraadpleegd om elke nieuwe vraag te beantwoorden.
De configuratie van het 32B-checkpoint gebruikt een causale taalmodelarchitectuur met 64 lagen, 40 query-attentionkoppen en 8 key/value-koppen. Ze stelt het maximale aantal posities in op 131,072. Dit configuratiegetal betreft het uitgebrachte model; een voorbeeldcommando voor het serveren of een ander lid van de R1-familie mag niet als dezelfde contextinstelling worden beschouwd. Het model ontvangt tekst en genereert tekst, in plaats van een afbeelding te accepteren of een visueel of audio-eindproduct te produceren.
Een wiskundige of programmeertaak voorbereiden
Geef voor een wiskundeprobleem de volledige opgave mee, definieer de variabelen en vermeld het domein of de aannames. Geef aan of het eindresultaat een exacte uitdrukking, een numerieke benadering of een bewijs van een bewering moet zijn. Een bruikbaar verzoek kan vragen om een afleiding, gevolgd door de einduitdrukking en een controle tegen de oorspronkelijke voorwaarden. De maker beveelt een uitgewerkt wiskundig antwoord aan met het eindantwoord in een LaTeX-kader.
Geef voor een algoritmeprobleem het invoerbereik, de vereiste uitvoer en de beperkingen voor de oplossing mee. Vraag om de aanpak, de implementatie en uitleg waarom die de vereiste eigenschap bewaart. Geef, als het probleem bestaande code betreft, de relevante functie, de invoer die het onverwachte gedrag oplevert en het verwachte resultaat mee. Het antwoord kan het werkelijke pad met het bedoelde vergelijken en een correctie voorstellen; uitvoering en verificatie van het programma zijn afzonderlijke toepassingsstappen.
Som voor een voorwaardenprobleem de toegelaten keuzes en verbanden expliciet op. Een planningsverzoek kan bijvoorbeeld de deelnemers, beschikbaarheid en regels meegeven die twee toewijzingen onverenigbaar maken. Vraag om een voorgestelde toewijzing met de regel die elke beslissing ondersteunt en eis dat onopgeloste voorwaarden zichtbaar blijven. Dat maakt de redeneertaak controleerbaar in plaats van het model zonder de onderliggende voorwaarden te laten kiezen.
Gebruiksaanbevelingen van de maker
DeepSeek beveelt voor deze reeks aan alle instructies in de gebruikersprompt te plaatsen en een afzonderlijke systeemprompt te vermijden. Dat verschilt van een algemene chattemplate die op een systeembericht steunt om de taak vast te leggen. Plaats het gevraagde antwoordformaat, het bronmateriaal en de werkelijke vraag samen, met duidelijke afbakeningen.
Het aanbevolen temperature-bereik is 0.5 tot 0.7, bij voorkeur 0.6. De maker koppelt die aanbeveling aan het vermijden van herhaling of onsamenhangende uitvoer. Hij merkt ook op dat sommige vragen een leeg redeneerblok kunnen produceren en beveelt aan de uitvoer met de openende redeneermarkering te beginnen. Dit zijn aanbevelingen voor de uitgebrachte redeneerworkflow, geen garantie dat één instelling correctheid vastlegt.
Een praktisch antwoordcontract kan vragen om uitleg over de methode, de belangrijke onderbouwde stappen en een afzonderlijk eindproduct. Gebruik bij een wiskundetaak de uitdrukking in een kader voor het eindresultaat. Houd bij een programmeertaak de code apart van de aannames en voorbeeldinvoer. Houd bij een logische taak elke conclusie gekoppeld aan de regel of het aangeleverde feit dat ze ondersteunt. Zo kunnen de redeneertekst en het resultaat dat de toepassing nodig heeft verschillende doelen dienen.
Context, uitvoer en integratiegrenzen
De 131,072 maximale posities van de uitgebrachte configuratie moeten samen met de volledige prompt en de gegenereerde redenering worden bekeken. De maker gebruikt bij evaluatie een generatie-instelling van 32,768 tokens, maar die experimentele instelling is geen gepubliceerde afzonderlijke specificatie van de uitvoercapaciteit voor dit checkpoint. Leid geen antwoordlimiet af uit een benchmarkconfiguratie en neem het uitvoergetal van 8,192 tokens van de oorspronkelijke Qwen Instruct-editie niet over naar de gewijzigde distillatierelease.
Houd de invoer gericht op de werkelijke wiskundige, programmeer- of logische vraag en vermeld de gewenste eindvorm. Een externe rekenmachine, repository, documentparser of zoekfunctie moet door de omringende toepassing worden geleverd; die is niet inbegrepen louter doordat een tekstredeneercheckpoint wordt gekozen. Het bruikbare resultaat is een geschreven oplossing of voorgestelde implementatie waarvan aannames, methode en eindantwoord met het aangeleverde probleem overeenkomen.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek-ai/DeepSeek-R1-Distill-Qwen-32B | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00036 / 1K tokens Uitvoer · Uitvoertokens $0.00036 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-ai/DeepSeek-R1-Distill-Qwen-32B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-ai/DeepSeek-R1-Distill-Qwen-32B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-32B
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Solve a bounded scheduling problem\n\nSchedule three one-hour interviews in slots 09:00, 10:00 and 11:00. Ada cannot attend 09:00; Ben cannot attend 11:00; Chen must be before Ada. Each person gets one distinct slot. Give a valid schedule, explain how each constraint is satisfied and state whether another schedule is possible.A person-to-slot table, a constraint check and a justified uniqueness or non-uniqueness conclusion.Check all three constraints and distinct slots directly against the proposed schedule.