DeepSeek R1 is het oorspronkelijke op redeneren gerichte model van DeepSeek voor wiskundige, programmeer- en logische taken. Het bouwt voort op DeepSeek V3 Base en gebruikt een trainingspipeline met cold-start-voorbeelden, begeleide verfijning en reinforcement learning. De invoer is tekst en het resultaat is een oplossing of antwoord in tekstvorm. Het blijft apart van R1 Zero, de latere R1-0528-editie en de afzonderlijk gedistilleerde modellen.
De producent onderscheidt R1 van de aanpak met uitsluitend reinforcement learning van R1 Zero. Cold-start-materiaal geeft R1 een leesbaarder startpatroon vóór de op redeneren gerichte reinforcement learning. Daaropvolgende rejection sampling en begeleide training voegen redeneer- en algemene gegevens toe, gevolgd door nog een reinforcement-learningfase. De kaart beschrijft twee begeleide en twee reinforcement-learningfasen, bedoeld om redeneerpatronen en afstemming op het gevraagde antwoord te verbeteren.
De gepubliceerde architectuur heeft in totaal 671 miljard parameters, waarvan 37 miljard actief per token, en een context van 128K. Dat venster bevat de bron, de prompt en de gegenereerde redenering of het antwoord samen; het is geen afzonderlijke garantie op 128K uitvoer. Een lange wiskundige opgave, een codefragment of een reeks vereisten moet nog altijd zo worden geordend dat het model het werkelijke probleem en de gewenste resultaatvorm kan herkennen.
DeepSeek beveelt een temperature tussen 0.5 en 0.7 aan, bij voorkeur 0.6, om herhaling of onsamenhangende uitvoer te verminderen. Het adviseert instructies in de gebruikersprompt te plaatsen in plaats van een systeemprompt toe te voegen. Het onderzoeksrapport beveelt ook een directe zero-shot-formulering van het probleem en het uitvoerformaat aan, omdat few-shot-prompting de prestaties van dit oorspronkelijke profiel kan verminderen. Dit zijn gebruiksaanbevelingen van de producent, geen veronderstelde standaardinstellingen voor elke toepassing.
Geef bij wiskunde de volledige opgave, variabeledefinities en domeinbeperkingen mee. De producent beveelt aan om een stapsgewijze oplossing te vragen met het eindresultaat in een \\boxed{}-expressie. Een voorbeeldopdracht kan vragen om de eindformule, de aannames waaronder ze geldt en een controle door substitutie. Neem bij code het te implementeren gedrag, de voorwaarden en representatieve invoer op en vraag vervolgens om het voorgestelde algoritme en het codeproduct apart van de uitleg.
Het redeneerformaat van het model scheidt een denkfase van het eindantwoord. DeepSeek merkt op dat sommige vragen een leeg denkblok kunnen opleveren en beveelt in zijn referentieworkflow een prefix voor de start van redeneren aan wanneer dieper redeneren wordt beoogd. Bewaar het onderscheid tussen dat producentformaat en het eindantwoord dat je de gebruiker wilt laten lezen. Het gevraagde eindproduct kan een beknopte conclusie of code zijn, ook als het tussentijdse proces van het model langer is.
Het oorspronkelijke onderzoek benoemt concrete beperkingen. R1 is geoptimaliseerd voor Chinees en Engels; vragen in andere talen kunnen tot ongewenste taalvermenging leiden. Het is gevoelig voor prompting, en het gedrag bij complexe gesprekken met meerdere beurten, rollenspellen, JSON en functieaanroepen is minder ontwikkeld dan de focus op wiskundig en programmeergericht redeneren. De voor R1-0528 gedocumenteerde ondersteuning voor JSON en tools is een wijziging van een latere editie, niet het oorspronkelijke R1-contract. Vermeld de uitvoertaal en het formaat expliciet en houd de probleemstelling direct.
Bepaal voor een praktische technische taak wat een correct resultaat inhoudt: een formule met aannames, een algoritme dat aan de opgegeven complexiteit voldoet of een beredeneerde vergelijking volgens aangeleverde criteria. Vraag het eindantwoord ontbrekende informatie aan te duiden in plaats van die te verzinnen. Geef voor bronafhankelijk werk de gezaghebbende passages als tekst mee. Toets de voorgestelde code of conclusie aan de oorspronkelijke voorwaarden; het bruikbare eindproduct is de uiteindelijke oplossing en de ondersteunende uitleg, apart van een actie of validatie die de omringende toepassing daadwerkelijk heeft uitgevoerd.
", "aboutText": "DeepSeek R1 is het oorspronkelijke op redeneren gerichte model van DeepSeek voor wiskundige, programmeer- en logische taken. Het bouwt voort op DeepSeek V3 Base en gebruikt een trainingspipeline met cold-start-voorbeelden, begeleide verfijning en reinforcement learning. De invoer is tekst en het resultaat is een oplossing of antwoord in tekstvorm. Het blijft apart van R1 Zero, de latere R1-0528-editie en de afzonderlijk gedistilleerde modellen.\n\nDe producent onderscheidt R1 van de aanpak met uitsluitend reinforcement learning van R1 Zero. Cold-start-materiaal geeft R1 een leesbaarder startpatroon vóór de op redeneren gerichte reinforcement learning. Daaropvolgende rejection sampling en begeleide training voegen redeneer- en algemene gegevens toe, gevolgd door nog een reinforcement-learningfase. De kaart beschrijft twee begeleide en twee reinforcement-learningfasen, bedoeld om redeneerpatronen en afstemming op het gevraagde antwoord te verbeteren.\n\nDe gepubliceerde architectuur heeft in totaal 671 miljard parameters, waarvan 37 miljard actief per token, en een context van 128K. Dat venster bevat de bron, de prompt en de gegenereerde redenering of het antwoord samen; het is geen afzonderlijke garantie op 128K uitvoer. Een lange wiskundige opgave, een codefragment of een reeks vereisten moet nog altijd zo worden geordend dat het model het werkelijke probleem en de gewenste resultaatvorm kan herkennen.\n\nDeepSeek beveelt een temperature tussen 0.5 en 0.7 aan, bij voorkeur 0.6, om herhaling of onsamenhangende uitvoer te verminderen. Het adviseert instructies in de gebruikersprompt te plaatsen in plaats van een systeemprompt toe te voegen. Het onderzoeksrapport beveelt ook een directe zero-shot-formulering van het probleem en het uitvoerformaat aan, omdat few-shot-prompting de prestaties van dit oorspronkelijke profiel kan verminderen. Dit zijn gebruiksaanbevelingen van de producent, geen veronderstelde standaardinstellingen voor elke toepassing.\n\nGeef bij wiskunde de volledige opgave, variabeledefinities en domeinbeperkingen mee. De producent beveelt aan om een stapsgewijze oplossing te vragen met het eindresultaat in een \\boxed{}-expressie. Een voorbeeldopdracht kan vragen om de eindformule, de aannames waaronder ze geldt en een controle door substitutie. Neem bij code het te implementeren gedrag, de voorwaarden en representatieve invoer op en vraag vervolgens om het voorgestelde algoritme en het codeproduct apart van de uitleg.\n\nHet redeneerformaat van het model scheidt een denkfase van het eindantwoord. DeepSeek merkt op dat sommige vragen een leeg denkblok kunnen opleveren en beveelt in zijn referentieworkflow een prefix voor de start van redeneren aan wanneer dieper redeneren wordt beoogd. Bewaar het onderscheid tussen dat producentformaat en het eindantwoord dat je de gebruiker wilt laten lezen. Het gevraagde eindproduct kan een beknopte conclusie of code zijn, ook als het tussentijdse proces van het model langer is.\n\nHet oorspronkelijke onderzoek benoemt concrete beperkingen. R1 is geoptimaliseerd voor Chinees en Engels; vragen in andere talen kunnen tot ongewenste taalvermenging leiden. Het is gevoelig voor prompting, en het gedrag bij complexe gesprekken met meerdere beurten, rollenspellen, JSON en functieaanroepen is minder ontwikkeld dan de focus op wiskundig en programmeergericht redeneren. De voor R1-0528 gedocumenteerde ondersteuning voor JSON en tools is een wijziging van een latere editie, niet het oorspronkelijke R1-contract. Vermeld de uitvoertaal en het formaat expliciet en houd de probleemstelling direct.\n\nBepaal voor een praktische technische taak wat een correct resultaat inhoudt: een formule met aannames, een algoritme dat aan de opgegeven complexiteit voldoet of een beredeneerde vergelijking volgens aangeleverde criteria. Vraag het eindantwoord ontbrekende informatie aan te duiden in plaats van die te verzinnen. Geef voor bronafhankelijk werk de gezaghebbende passages als tekst mee. Toets de voorgestelde code of conclusie aan de oorspronkelijke voorwaarden; het bruikbare eindproduct is de uiteindelijke oplossing en de ondersteunende uitleg, apart van een actie of validatie die de omringende toepassing daadwerkelijk heeft uitgevoerd.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
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 is het oorspronkelijke op redeneren gerichte tekstmodel van DeepSeek voor wiskunde, code en logica. Het combineert cold-start-instructievoorbeelden met reinforcement learning en een context van 128K, met richtlijnen van de producent voor directe prompts en expliciete opmaak van het eindantwoord.
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 is het oorspronkelijke op redeneren gerichte model van DeepSeek voor wiskundige, programmeer- en logische taken. Het bouwt voort op DeepSeek V3 Base en gebruikt een trainingspipeline met cold-start-voorbeelden, begeleide verfijning en reinforcement learning. De invoer is tekst en het resultaat is een oplossing of antwoord in tekstvorm. Het blijft apart van R1 Zero, de latere R1-0528-editie en de afzonderlijk gedistilleerde modellen.
De producent onderscheidt R1 van de aanpak met uitsluitend reinforcement learning van R1 Zero. Cold-start-materiaal geeft R1 een leesbaarder startpatroon vóór de op redeneren gerichte reinforcement learning. Daaropvolgende rejection sampling en begeleide training voegen redeneer- en algemene gegevens toe, gevolgd door nog een reinforcement-learningfase. De kaart beschrijft twee begeleide en twee reinforcement-learningfasen, bedoeld om redeneerpatronen en afstemming op het gevraagde antwoord te verbeteren.
De gepubliceerde architectuur heeft in totaal 671 miljard parameters, waarvan 37 miljard actief per token, en een context van 128K. Dat venster bevat de bron, de prompt en de gegenereerde redenering of het antwoord samen; het is geen afzonderlijke garantie op 128K uitvoer. Een lange wiskundige opgave, een codefragment of een reeks vereisten moet nog altijd zo worden geordend dat het model het werkelijke probleem en de gewenste resultaatvorm kan herkennen.
DeepSeek beveelt een temperature tussen 0.5 en 0.7 aan, bij voorkeur 0.6, om herhaling of onsamenhangende uitvoer te verminderen. Het adviseert instructies in de gebruikersprompt te plaatsen in plaats van een systeemprompt toe te voegen. Het onderzoeksrapport beveelt ook een directe zero-shot-formulering van het probleem en het uitvoerformaat aan, omdat few-shot-prompting de prestaties van dit oorspronkelijke profiel kan verminderen. Dit zijn gebruiksaanbevelingen van de producent, geen veronderstelde standaardinstellingen voor elke toepassing.
Geef bij wiskunde de volledige opgave, variabeledefinities en domeinbeperkingen mee. De producent beveelt aan om een stapsgewijze oplossing te vragen met het eindresultaat in een \\boxed{}-expressie. Een voorbeeldopdracht kan vragen om de eindformule, de aannames waaronder ze geldt en een controle door substitutie. Neem bij code het te implementeren gedrag, de voorwaarden en representatieve invoer op en vraag vervolgens om het voorgestelde algoritme en het codeproduct apart van de uitleg.
Het redeneerformaat van het model scheidt een denkfase van het eindantwoord. DeepSeek merkt op dat sommige vragen een leeg denkblok kunnen opleveren en beveelt in zijn referentieworkflow een prefix voor de start van redeneren aan wanneer dieper redeneren wordt beoogd. Bewaar het onderscheid tussen dat producentformaat en het eindantwoord dat je de gebruiker wilt laten lezen. Het gevraagde eindproduct kan een beknopte conclusie of code zijn, ook als het tussentijdse proces van het model langer is.
Het oorspronkelijke onderzoek benoemt concrete beperkingen. R1 is geoptimaliseerd voor Chinees en Engels; vragen in andere talen kunnen tot ongewenste taalvermenging leiden. Het is gevoelig voor prompting, en het gedrag bij complexe gesprekken met meerdere beurten, rollenspellen, JSON en functieaanroepen is minder ontwikkeld dan de focus op wiskundig en programmeergericht redeneren. De voor R1-0528 gedocumenteerde ondersteuning voor JSON en tools is een wijziging van een latere editie, niet het oorspronkelijke R1-contract. Vermeld de uitvoertaal en het formaat expliciet en houd de probleemstelling direct.
Bepaal voor een praktische technische taak wat een correct resultaat inhoudt: een formule met aannames, een algoritme dat aan de opgegeven complexiteit voldoet of een beredeneerde vergelijking volgens aangeleverde criteria. Vraag het eindantwoord ontbrekende informatie aan te duiden in plaats van die te verzinnen. Geef voor bronafhankelijk werk de gezaghebbende passages als tekst mee. Toets de voorgestelde code of conclusie aan de oorspronkelijke voorwaarden; het bruikbare eindproduct is de uiteindelijke oplossing en de ondersteunende uitleg, apart van een actie of validatie die de omringende toepassing daadwerkelijk heeft uitgevoerd.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek/deepseek-r1 | 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.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0014 / 1K tokens Uitvoer · Uitvoertokens $0.005 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0014 / 1K tokens Uitvoer · Uitvoertokens $0.005 / 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/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 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/deepseek-r1
Gebruik de hierboven getoonde methodepaden.
deepseek/deepseek-r1DeepSeek R1 is het oorspronkelijke op redeneren gerichte tekstmodel van DeepSeek voor wiskunde, code en logica. Het combineert cold-start-instructievoorbeelden met reinforcement learning en een context van 128K, met richtlijnen van de producent voor directe prompts en expliciete opmaak van het eindantwoord.
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 is het oorspronkelijke op redeneren gerichte model van DeepSeek voor wiskundige, programmeer- en logische taken. Het bouwt voort op DeepSeek V3 Base en gebruikt een trainingspipeline met cold-start-voorbeelden, begeleide verfijning en reinforcement learning. De invoer is tekst en het resultaat is een oplossing of antwoord in tekstvorm. Het blijft apart van R1 Zero, de latere R1-0528-editie en de afzonderlijk gedistilleerde modellen.
De producent onderscheidt R1 van de aanpak met uitsluitend reinforcement learning van R1 Zero. Cold-start-materiaal geeft R1 een leesbaarder startpatroon vóór de op redeneren gerichte reinforcement learning. Daaropvolgende rejection sampling en begeleide training voegen redeneer- en algemene gegevens toe, gevolgd door nog een reinforcement-learningfase. De kaart beschrijft twee begeleide en twee reinforcement-learningfasen, bedoeld om redeneerpatronen en afstemming op het gevraagde antwoord te verbeteren.
De gepubliceerde architectuur heeft in totaal 671 miljard parameters, waarvan 37 miljard actief per token, en een context van 128K. Dat venster bevat de bron, de prompt en de gegenereerde redenering of het antwoord samen; het is geen afzonderlijke garantie op 128K uitvoer. Een lange wiskundige opgave, een codefragment of een reeks vereisten moet nog altijd zo worden geordend dat het model het werkelijke probleem en de gewenste resultaatvorm kan herkennen.
DeepSeek beveelt een temperature tussen 0.5 en 0.7 aan, bij voorkeur 0.6, om herhaling of onsamenhangende uitvoer te verminderen. Het adviseert instructies in de gebruikersprompt te plaatsen in plaats van een systeemprompt toe te voegen. Het onderzoeksrapport beveelt ook een directe zero-shot-formulering van het probleem en het uitvoerformaat aan, omdat few-shot-prompting de prestaties van dit oorspronkelijke profiel kan verminderen. Dit zijn gebruiksaanbevelingen van de producent, geen veronderstelde standaardinstellingen voor elke toepassing.
Geef bij wiskunde de volledige opgave, variabeledefinities en domeinbeperkingen mee. De producent beveelt aan om een stapsgewijze oplossing te vragen met het eindresultaat in een \\boxed{}-expressie. Een voorbeeldopdracht kan vragen om de eindformule, de aannames waaronder ze geldt en een controle door substitutie. Neem bij code het te implementeren gedrag, de voorwaarden en representatieve invoer op en vraag vervolgens om het voorgestelde algoritme en het codeproduct apart van de uitleg.
Het redeneerformaat van het model scheidt een denkfase van het eindantwoord. DeepSeek merkt op dat sommige vragen een leeg denkblok kunnen opleveren en beveelt in zijn referentieworkflow een prefix voor de start van redeneren aan wanneer dieper redeneren wordt beoogd. Bewaar het onderscheid tussen dat producentformaat en het eindantwoord dat je de gebruiker wilt laten lezen. Het gevraagde eindproduct kan een beknopte conclusie of code zijn, ook als het tussentijdse proces van het model langer is.
Het oorspronkelijke onderzoek benoemt concrete beperkingen. R1 is geoptimaliseerd voor Chinees en Engels; vragen in andere talen kunnen tot ongewenste taalvermenging leiden. Het is gevoelig voor prompting, en het gedrag bij complexe gesprekken met meerdere beurten, rollenspellen, JSON en functieaanroepen is minder ontwikkeld dan de focus op wiskundig en programmeergericht redeneren. De voor R1-0528 gedocumenteerde ondersteuning voor JSON en tools is een wijziging van een latere editie, niet het oorspronkelijke R1-contract. Vermeld de uitvoertaal en het formaat expliciet en houd de probleemstelling direct.
Bepaal voor een praktische technische taak wat een correct resultaat inhoudt: een formule met aannames, een algoritme dat aan de opgegeven complexiteit voldoet of een beredeneerde vergelijking volgens aangeleverde criteria. Vraag het eindantwoord ontbrekende informatie aan te duiden in plaats van die te verzinnen. Geef voor bronafhankelijk werk de gezaghebbende passages als tekst mee. Toets de voorgestelde code of conclusie aan de oorspronkelijke voorwaarden; het bruikbare eindproduct is de uiteindelijke oplossing en de ondersteunende uitleg, apart van een actie of validatie die de omringende toepassing daadwerkelijk heeft uitgevoerd.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek/deepseek-r1 | 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.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0014 / 1K tokens Uitvoer · Uitvoertokens $0.005 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0014 / 1K tokens Uitvoer · Uitvoertokens $0.005 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "deepseek/deepseek-r1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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/deepseek-r1
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
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.