DeepSeek R1 Distill Llama 8B draagt redeneerpatronen van DeepSeek R1 over naar een model met een dense architectuur op basis van Llama 3.1 8B Base. DeepSeek finetunet dit basismodel met door R1 gegenereerde voorbeelden. Het resultaat is een afzonderlijk gedistilleerd 8B-checkpoint dat met tekstinvoer werkt en een tekstantwoord teruggeeft, waaronder een afleiding, een codevoorstel of een uitleg van een logisch probleem.
Identiteit van het gedistilleerde model. De fabrikant brengt Llama- en Qwen-distillaties uit met verschillende basismodellen en groottes. De Llama 8B-editie begint met een Base-model; Llama 70B begint met Llama 3.3 70B Instruct. Qwen-edities gebruiken hun eigen basismodellen. Behoud het exacte checkpoint met deze specifieke naam wanneer je een model kiest of het antwoord ervan interpreteert. DeepSeek past de gedistilleerde configuraties en tokenizers aan, dus een ongewijzigde configuratie van het basismodel is geen volledige beschrijving van de voorbereide release.
Vermeld voor een wiskundige vraag de aannames, definieer symbolen en neem het hele probleem op. Vraag om een stapsgewijze afleiding gevolgd door een duidelijk gescheiden eindresultaat. Een bruikbaar onderwijsverzoek kan vragen waarom een bepaalde transformatie geldig is en welke aanname deze mogelijk maakt. Neem wanneer een argument van een grensgeval afhangt dat geval op in de prompt en vraag het model dit expliciet te controleren. Dit levert een oplossing op die je kunt inspecteren en bespreken in plaats van een onverklaard antwoord.
Gebruiksaanbevelingen. DeepSeek beveelt voor zijn redeneerreeks een temperatuur tussen 0.5 en 0.7 aan, met een voorkeur voor 0.6. Het adviseert de instructies in het gebruikersbericht te plaatsen, zonder afzonderlijke systeemprompt, en adviseert gebruikers bij wiskundige taken om stapsgewijze redenering en een omkaderd eindantwoord te vragen. Voor gevallen waarin het beoogde redeneerpatroon wordt overgeslagen, raadt DeepSeek aan het antwoordprefix <think>\\n af te dwingen in een compatibele generatieconfiguratie. Dit zijn gepubliceerde aanbevelingen voor modelgebruik in compatibele generatieomgevingen.
Lever voor programmeren een beknopte functie of een algoritme, representatieve invoer en de verwachte uitvoer. Vraag om de voorgestelde implementatie en voorbeelden die gewone en uitzonderlijke gevallen doorlopen. Behoud bij een bugmelding de foutmelding en vermeld het beoogde gedrag; vraag vervolgens om een minimale reparatie met uitleg. Een klein, gericht probleem maakt het gemakkelijker te controleren of het antwoord de werkelijke eis behandelt en het punt te vinden dat een vervolg nodig heeft.
Lever voor logische analyse de premissen afzonderlijk van de te toetsen conclusie aan. Vraag ofwel om een argument dat ze verbindt, ofwel om een tegenvoorbeeld dat laat zien dat de conclusie niet noodzakelijk volgt. Vraag bij een onvoldoende gespecificeerde taak eerst om de ontbrekende aanname voordat een definitieve conclusie wordt getrokken. Verifieer belangrijke berekeningen onafhankelijk en voer code uit in het beoogde project. Volg bij het beoordelen van het model voor een workflow het advies van de producent om meerdere representatieve proeven te gebruiken in plaats van één gunstig antwoord.
", "aboutText": "DeepSeek R1 Distill Llama 8B draagt redeneerpatronen van DeepSeek R1 over naar een model met een dense architectuur op basis van Llama 3.1 8B Base. DeepSeek finetunet dit basismodel met door R1 gegenereerde voorbeelden. Het resultaat is een afzonderlijk gedistilleerd 8B-checkpoint dat met tekstinvoer werkt en een tekstantwoord teruggeeft, waaronder een afleiding, een codevoorstel of een uitleg van een logisch probleem.\n\nIdentiteit van het gedistilleerde model. De fabrikant brengt Llama- en Qwen-distillaties uit met verschillende basismodellen en groottes. De Llama 8B-editie begint met een Base-model; Llama 70B begint met Llama 3.3 70B Instruct. Qwen-edities gebruiken hun eigen basismodellen. Behoud het exacte checkpoint met deze specifieke naam wanneer je een model kiest of het antwoord ervan interpreteert. DeepSeek past de gedistilleerde configuraties en tokenizers aan, dus een ongewijzigde configuratie van het basismodel is geen volledige beschrijving van de voorbereide release.\n\nVermeld voor een wiskundige vraag de aannames, definieer symbolen en neem het hele probleem op. Vraag om een stapsgewijze afleiding gevolgd door een duidelijk gescheiden eindresultaat. Een bruikbaar onderwijsverzoek kan vragen waarom een bepaalde transformatie geldig is en welke aanname deze mogelijk maakt. Neem wanneer een argument van een grensgeval afhangt dat geval op in de prompt en vraag het model dit expliciet te controleren. Dit levert een oplossing op die je kunt inspecteren en bespreken in plaats van een onverklaard antwoord.\n\nGebruiksaanbevelingen. DeepSeek beveelt voor zijn redeneerreeks een temperatuur tussen 0.5 en 0.7 aan, met een voorkeur voor 0.6. Het adviseert de instructies in het gebruikersbericht te plaatsen, zonder afzonderlijke systeemprompt, en adviseert gebruikers bij wiskundige taken om stapsgewijze redenering en een omkaderd eindantwoord te vragen. Voor gevallen waarin het beoogde redeneerpatroon wordt overgeslagen, raadt DeepSeek aan het antwoordprefix `Technisch voorbeeld in het Engels
Explain a square-root boundary\n\nSolve sqrt(x + 6) = x over the real numbers. Give a concise derivation, state the domain restrictions before squaring and check every resulting candidate in the original equation. Put the final solution set in box notation and explain why squaring can introduce an invalid candidate.A domain statement, an algebraic derivation, candidate substitutions and a boxed solution set.Check that every accepted root satisfies both the sign restriction and the unsquared equation.deepseek/deepseek-r1-distill-llama-8bEen compact redeneermodel met een dense architectuur dat DeepSeek heeft gebouwd op Llama 3.1 8B Base en heeft gefinetuned met door R1 gegenereerde voorbeelden. Het produceert tekstoplossingen voor wiskundige, logische en programmeertaken op basis van een duidelijk geformuleerd probleem.
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 Llama 8B draagt redeneerpatronen van DeepSeek R1 over naar een model met een dense architectuur op basis van Llama 3.1 8B Base. DeepSeek finetunet dit basismodel met door R1 gegenereerde voorbeelden. Het resultaat is een afzonderlijk gedistilleerd 8B-checkpoint dat met tekstinvoer werkt en een tekstantwoord teruggeeft, waaronder een afleiding, een codevoorstel of een uitleg van een logisch probleem.
Identiteit van het gedistilleerde model. De fabrikant brengt Llama- en Qwen-distillaties uit met verschillende basismodellen en groottes. De Llama 8B-editie begint met een Base-model; Llama 70B begint met Llama 3.3 70B Instruct. Qwen-edities gebruiken hun eigen basismodellen. Behoud het exacte checkpoint met deze specifieke naam wanneer je een model kiest of het antwoord ervan interpreteert. DeepSeek past de gedistilleerde configuraties en tokenizers aan, dus een ongewijzigde configuratie van het basismodel is geen volledige beschrijving van de voorbereide release.
Vermeld voor een wiskundige vraag de aannames, definieer symbolen en neem het hele probleem op. Vraag om een stapsgewijze afleiding gevolgd door een duidelijk gescheiden eindresultaat. Een bruikbaar onderwijsverzoek kan vragen waarom een bepaalde transformatie geldig is en welke aanname deze mogelijk maakt. Neem wanneer een argument van een grensgeval afhangt dat geval op in de prompt en vraag het model dit expliciet te controleren. Dit levert een oplossing op die je kunt inspecteren en bespreken in plaats van een onverklaard antwoord.
Gebruiksaanbevelingen. DeepSeek beveelt voor zijn redeneerreeks een temperatuur tussen 0.5 en 0.7 aan, met een voorkeur voor 0.6. Het adviseert de instructies in het gebruikersbericht te plaatsen, zonder afzonderlijke systeemprompt, en adviseert gebruikers bij wiskundige taken om stapsgewijze redenering en een omkaderd eindantwoord te vragen. Voor gevallen waarin het beoogde redeneerpatroon wordt overgeslagen, raadt DeepSeek aan het antwoordprefix <think>\\n af te dwingen in een compatibele generatieconfiguratie. Dit zijn gepubliceerde aanbevelingen voor modelgebruik in compatibele generatieomgevingen.
Lever voor programmeren een beknopte functie of een algoritme, representatieve invoer en de verwachte uitvoer. Vraag om de voorgestelde implementatie en voorbeelden die gewone en uitzonderlijke gevallen doorlopen. Behoud bij een bugmelding de foutmelding en vermeld het beoogde gedrag; vraag vervolgens om een minimale reparatie met uitleg. Een klein, gericht probleem maakt het gemakkelijker te controleren of het antwoord de werkelijke eis behandelt en het punt te vinden dat een vervolg nodig heeft.
Lever voor logische analyse de premissen afzonderlijk van de te toetsen conclusie aan. Vraag ofwel om een argument dat ze verbindt, ofwel om een tegenvoorbeeld dat laat zien dat de conclusie niet noodzakelijk volgt. Vraag bij een onvoldoende gespecificeerde taak eerst om de ontbrekende aanname voordat een definitieve conclusie wordt getrokken. Verifieer belangrijke berekeningen onafhankelijk en voer code uit in het beoogde project. Volg bij het beoordelen van het model voor een workflow het advies van de producent om meerdere representatieve proeven te gebruiken in plaats van één gunstig antwoord.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek/deepseek-r1-distill-llama-8b | 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 $0.00008 / 1K tokens Uitvoer · Uitvoertokens $0.00008 / 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-distill-llama-8b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek/deepseek-r1-distill-llama-8b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek/deepseek-r1-distill-llama-8b',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-distill-llama-8b
Gebruik de hierboven getoonde methodepaden.
deepseek/deepseek-r1-distill-llama-8bEen compact redeneermodel met een dense architectuur dat DeepSeek heeft gebouwd op Llama 3.1 8B Base en heeft gefinetuned met door R1 gegenereerde voorbeelden. Het produceert tekstoplossingen voor wiskundige, logische en programmeertaken op basis van een duidelijk geformuleerd probleem.
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 Llama 8B draagt redeneerpatronen van DeepSeek R1 over naar een model met een dense architectuur op basis van Llama 3.1 8B Base. DeepSeek finetunet dit basismodel met door R1 gegenereerde voorbeelden. Het resultaat is een afzonderlijk gedistilleerd 8B-checkpoint dat met tekstinvoer werkt en een tekstantwoord teruggeeft, waaronder een afleiding, een codevoorstel of een uitleg van een logisch probleem.
Identiteit van het gedistilleerde model. De fabrikant brengt Llama- en Qwen-distillaties uit met verschillende basismodellen en groottes. De Llama 8B-editie begint met een Base-model; Llama 70B begint met Llama 3.3 70B Instruct. Qwen-edities gebruiken hun eigen basismodellen. Behoud het exacte checkpoint met deze specifieke naam wanneer je een model kiest of het antwoord ervan interpreteert. DeepSeek past de gedistilleerde configuraties en tokenizers aan, dus een ongewijzigde configuratie van het basismodel is geen volledige beschrijving van de voorbereide release.
Vermeld voor een wiskundige vraag de aannames, definieer symbolen en neem het hele probleem op. Vraag om een stapsgewijze afleiding gevolgd door een duidelijk gescheiden eindresultaat. Een bruikbaar onderwijsverzoek kan vragen waarom een bepaalde transformatie geldig is en welke aanname deze mogelijk maakt. Neem wanneer een argument van een grensgeval afhangt dat geval op in de prompt en vraag het model dit expliciet te controleren. Dit levert een oplossing op die je kunt inspecteren en bespreken in plaats van een onverklaard antwoord.
Gebruiksaanbevelingen. DeepSeek beveelt voor zijn redeneerreeks een temperatuur tussen 0.5 en 0.7 aan, met een voorkeur voor 0.6. Het adviseert de instructies in het gebruikersbericht te plaatsen, zonder afzonderlijke systeemprompt, en adviseert gebruikers bij wiskundige taken om stapsgewijze redenering en een omkaderd eindantwoord te vragen. Voor gevallen waarin het beoogde redeneerpatroon wordt overgeslagen, raadt DeepSeek aan het antwoordprefix <think>\\n af te dwingen in een compatibele generatieconfiguratie. Dit zijn gepubliceerde aanbevelingen voor modelgebruik in compatibele generatieomgevingen.
Lever voor programmeren een beknopte functie of een algoritme, representatieve invoer en de verwachte uitvoer. Vraag om de voorgestelde implementatie en voorbeelden die gewone en uitzonderlijke gevallen doorlopen. Behoud bij een bugmelding de foutmelding en vermeld het beoogde gedrag; vraag vervolgens om een minimale reparatie met uitleg. Een klein, gericht probleem maakt het gemakkelijker te controleren of het antwoord de werkelijke eis behandelt en het punt te vinden dat een vervolg nodig heeft.
Lever voor logische analyse de premissen afzonderlijk van de te toetsen conclusie aan. Vraag ofwel om een argument dat ze verbindt, ofwel om een tegenvoorbeeld dat laat zien dat de conclusie niet noodzakelijk volgt. Vraag bij een onvoldoende gespecificeerde taak eerst om de ontbrekende aanname voordat een definitieve conclusie wordt getrokken. Verifieer belangrijke berekeningen onafhankelijk en voer code uit in het beoogde project. Volg bij het beoordelen van het model voor een workflow het advies van de producent om meerdere representatieve proeven te gebruiken in plaats van één gunstig antwoord.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten deepseek/deepseek-r1-distill-llama-8b | 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 $0.00008 / 1K tokens Uitvoer · Uitvoertokens $0.00008 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "deepseek/deepseek-r1-distill-llama-8b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1-distill-llama-8b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1-distill-llama-8b', '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-distill-llama-8b
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Explain a square-root boundary\n\nSolve sqrt(x + 6) = x over the real numbers. Give a concise derivation, state the domain restrictions before squaring and check every resulting candidate in the original equation. Put the final solution set in box notation and explain why squaring can introduce an invalid candidate.A domain statement, an algebraic derivation, candidate substitutions and a boxed solution set.Check that every accepted root satisfies both the sign restriction and the unsquared equation.