DeepSeek Math V2 is gespecialiseerd in stellingen bewijzen in natuurlijke taal en zelfverifieerbaar wiskundig redeneren. Het is gebouwd op DeepSeek V3.2 Exp Base. Het uitgangspunt van de fabrikant is dat een correct eindantwoord nog steeds op ongeldige redenering kan berusten, terwijl een stelling vaak een volledige afleiding vereist in plaats van een numeriek antwoord. Het model richt zich daarom op bewijzen genereren, gebreken daarin identificeren en de argumentatie verbeteren voordat het antwoord wordt afgerond.
Bewijsverificatie. De trainingsmethode leert een verifier een probleem samen met een voorgesteld bewijs te lezen, problemen te identificeren en de kwaliteit van het bewijs te beoordelen. De criteria onderscheiden een volledige, strikte afleiding van een verder deugdelijke oplossing met kleine fouten, en van een fundamenteel ongeldige argumentatie. Een praktisch verzoek om bewijsbeoordeling moet hetzelfde onderscheid gebruiken: laat zien waar de redenering faalt, leg uit waarom het probleem ertoe doet en onderscheid een ontbrekend detail van een hiaat dat de conclusie verhindert.
Metaverificatie. Het onderzoek beoordeelt ook de kritiek van de verifier zelf. Een beweerd gebrek moet daadwerkelijk in het voorgestelde bewijs voorkomen en de beoordeling rechtvaardigen. Dit pakt het risico aan dat een plausibel ogend oordeel wordt gegeven terwijl er een probleem wordt verzonnen dat het bewijs niet bevat. Lever bij een beoordelingstaak het oorspronkelijke bewijs met eventuele bestaande kritiek aan en vraag of de kritiek de relevante stap nauwkeurig weergeeft. Het bruikbare resultaat is een gecontroleerde uitleg van het bezwaar en de gevolgen ervan.
Bewijsgeneratie en zelfanalyse. DeepSeek traint de generator met feedback van de verifier en beloont expliciet een nauwkeurige beoordeling van het eigen werk. Het model wordt aangemoedigd echte fouten te erkennen, oplosbare problemen te herstellen en het beste bewijs te presenteren met een eerlijke beoordeling van de volledigheid. Verificatie en generatie verbeteren in een iteratieve trainingscyclus; moeilijkere gegenereerde bewijzen worden materiaal om de verifier te verbeteren. Het resulterende model kan wiskundige argumentaties zowel genereren als verifiëren.
Bereid het probleem precies voor. Voeg definities, kwantoren, domeinen en alle aannames toe. Geef aan of je bestaan, uniciteit, een ongelijkheid, een constructie of een tegenvoorbeeld wilt. Geef bij een toegestaan lemma de exacte formulering en leg uit of het direct mag worden gebruikt of ook moet worden bewezen. De bewijsprompts van de fabrikant vereisen een onderbouwde oplossing, ook wanneer de taak om een antwoord vraagt, en behandelen een verwijzing naar een andere tekst niet als vervanging voor ontbrekende argumentatie.
Het verwachte antwoord kan een overzicht van het idee, een volledig bewijs en een afzonderlijke zelfbeoordeling bevatten. Vraag het model bij een ongelijkheid de domeinbeperkingen en gelijkheidsvoorwaarden te controleren. Vraag bij een telprobleem om te onderbouwen dat de gevallen volledig zijn en niet overlappen. Benoem bij een bestaand bewijs de betwiste stap en vraag om herstel of om een uitleg waarom de voorgestelde conclusie onbewezen blijft. Algebra, meetkunde, getaltheorie, combinatoriek en ongelijkheden komen voor in de wiskundige evaluatietaken van de fabrikant.
Verfijning. Het gepubliceerde werkproces kan een bewijs en de zelfanalyse teruggeven aan hetzelfde model om resterende gebreken aan te pakken. In de door de fabrikant gerapporteerde onderzoeksopzet met één poging is het bewijsbudget 128K tokens; sommige moeilijke argumentaties blijven onvolledig wanneer dat budget is opgebruikt. Gebruik in je eigen werk een specifiek bezwaar als volgende invoer en vraag welk deel van het bewijs verandert wanneer dat bezwaar is opgelost. Houd eerdere definities en aannames zichtbaar. Het herziene resultaat moet vermelden wat is aangetoond en welke moeilijkheid overblijft.
De uitvoer van Math V2 is een bewijs en kritiek in natuurlijke taal. Formele bewijssystemen zoals Lean controleren een ander soort resultaat; DeepSeek Prover V2 is een afzonderlijke specialisatie voor formeel redeneren. Een beoordeling waarin geen fout is gevonden verdient nog steeds wiskundige controle, vooral wanneer het bewijs afhangt van een weggelaten geval of een niet-vermeld lemma. Het onderzoek van de ontwikkelaar merkt op dat de moeilijkste problemen ook na verfijning onopgelost kunnen blijven.
", "aboutText": "DeepSeek Math V2 is gespecialiseerd in stellingen bewijzen in natuurlijke taal en zelfverifieerbaar wiskundig redeneren. Het is gebouwd op DeepSeek V3.2 Exp Base. Het uitgangspunt van de fabrikant is dat een correct eindantwoord nog steeds op ongeldige redenering kan berusten, terwijl een stelling vaak een volledige afleiding vereist in plaats van een numeriek antwoord. Het model richt zich daarom op bewijzen genereren, gebreken daarin identificeren en de argumentatie verbeteren voordat het antwoord wordt afgerond.\n\nBewijsverificatie. De trainingsmethode leert een verifier een probleem samen met een voorgesteld bewijs te lezen, problemen te identificeren en de kwaliteit van het bewijs te beoordelen. De criteria onderscheiden een volledige, strikte afleiding van een verder deugdelijke oplossing met kleine fouten, en van een fundamenteel ongeldige argumentatie. Een praktisch verzoek om bewijsbeoordeling moet hetzelfde onderscheid gebruiken: laat zien waar de redenering faalt, leg uit waarom het probleem ertoe doet en onderscheid een ontbrekend detail van een hiaat dat de conclusie verhindert.\n\nMetaverificatie. Het onderzoek beoordeelt ook de kritiek van de verifier zelf. Een beweerd gebrek moet daadwerkelijk in het voorgestelde bewijs voorkomen en de beoordeling rechtvaardigen. Dit pakt het risico aan dat een plausibel ogend oordeel wordt gegeven terwijl er een probleem wordt verzonnen dat het bewijs niet bevat. Lever bij een beoordelingstaak het oorspronkelijke bewijs met eventuele bestaande kritiek aan en vraag of de kritiek de relevante stap nauwkeurig weergeeft. Het bruikbare resultaat is een gecontroleerde uitleg van het bezwaar en de gevolgen ervan.\n\nBewijsgeneratie en zelfanalyse. DeepSeek traint de generator met feedback van de verifier en beloont expliciet een nauwkeurige beoordeling van het eigen werk. Het model wordt aangemoedigd echte fouten te erkennen, oplosbare problemen te herstellen en het beste bewijs te presenteren met een eerlijke beoordeling van de volledigheid. Verificatie en generatie verbeteren in een iteratieve trainingscyclus; moeilijkere gegenereerde bewijzen worden materiaal om de verifier te verbeteren. Het resulterende model kan wiskundige argumentaties zowel genereren als verifiëren.\n\nBereid het probleem precies voor. Voeg definities, kwantoren, domeinen en alle aannames toe. Geef aan of je bestaan, uniciteit, een ongelijkheid, een constructie of een tegenvoorbeeld wilt. Geef bij een toegestaan lemma de exacte formulering en leg uit of het direct mag worden gebruikt of ook moet worden bewezen. De bewijsprompts van de fabrikant vereisen een onderbouwde oplossing, ook wanneer de taak om een antwoord vraagt, en behandelen een verwijzing naar een andere tekst niet als vervanging voor ontbrekende argumentatie.\n\nHet verwachte antwoord kan een overzicht van het idee, een volledig bewijs en een afzonderlijke zelfbeoordeling bevatten. Vraag het model bij een ongelijkheid de domeinbeperkingen en gelijkheidsvoorwaarden te controleren. Vraag bij een telprobleem om te onderbouwen dat de gevallen volledig zijn en niet overlappen. Benoem bij een bestaand bewijs de betwiste stap en vraag om herstel of om een uitleg waarom de voorgestelde conclusie onbewezen blijft. Algebra, meetkunde, getaltheorie, combinatoriek en ongelijkheden komen voor in de wiskundige evaluatietaken van de fabrikant.\n\nVerfijning. Het gepubliceerde werkproces kan een bewijs en de zelfanalyse teruggeven aan hetzelfde model om resterende gebreken aan te pakken. In de door de fabrikant gerapporteerde onderzoeksopzet met één poging is het bewijsbudget 128K tokens; sommige moeilijke argumentaties blijven onvolledig wanneer dat budget is opgebruikt. Gebruik in je eigen werk een specifiek bezwaar als volgende invoer en vraag welk deel van het bewijs verandert wanneer dat bezwaar is opgelost. Houd eerdere definities en aannames zichtbaar. Het herziene resultaat moet vermelden wat is aangetoond en welke moeilijkheid overblijft.\n\nDe uitvoer van Math V2 is een bewijs en kritiek in natuurlijke taal. Formele bewijssystemen zoals Lean controleren een ander soort resultaat; DeepSeek Prover V2 is een afzonderlijke specialisatie voor formeel redeneren. Een beoordeling waarin geen fout is gevonden verdient nog steeds wiskundige controle, vooral wanneer het bewijs afhangt van een weggelaten geval of een niet-vermeld lemma. Het onderzoek van de ontwikkelaar merkt op dat de moeilijkste problemen ook na verfijning onopgelost kunnen blijven.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Repair a divisibility proof\n\nReview this proposed proof: 'If 6 divides ab, then 6 divides a or 6 divides b, because every prime factor of 6 must divide one of the factors.' Here a and b are integers. Identify the invalid implication, provide a counterexample and state a correct related proposition with proof. Separate your proof from a self-check of its completeness.A precise flaw explanation, an integer counterexample, a corrected proposition with proof and a separate self-check.Verify the counterexample meets the premise and defeats both alternatives in the claimed conclusion.DeepSeek-Math-V2-ultraHet model van DeepSeek voor wiskundige bewijzen in natuurlijke taal en zelfverificatie, gebouwd op DeepSeek V3.2 Exp Base. Het kan een oplossing uitwerken, logische hiaten onderzoeken en de argumentatie verfijnen, met een gedetailleerd bewijs en een beoordeling van de resterende problemen.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
DeepSeek Math V2 is gespecialiseerd in stellingen bewijzen in natuurlijke taal en zelfverifieerbaar wiskundig redeneren. Het is gebouwd op DeepSeek V3.2 Exp Base. Het uitgangspunt van de fabrikant is dat een correct eindantwoord nog steeds op ongeldige redenering kan berusten, terwijl een stelling vaak een volledige afleiding vereist in plaats van een numeriek antwoord. Het model richt zich daarom op bewijzen genereren, gebreken daarin identificeren en de argumentatie verbeteren voordat het antwoord wordt afgerond.
Bewijsverificatie. De trainingsmethode leert een verifier een probleem samen met een voorgesteld bewijs te lezen, problemen te identificeren en de kwaliteit van het bewijs te beoordelen. De criteria onderscheiden een volledige, strikte afleiding van een verder deugdelijke oplossing met kleine fouten, en van een fundamenteel ongeldige argumentatie. Een praktisch verzoek om bewijsbeoordeling moet hetzelfde onderscheid gebruiken: laat zien waar de redenering faalt, leg uit waarom het probleem ertoe doet en onderscheid een ontbrekend detail van een hiaat dat de conclusie verhindert.
Metaverificatie. Het onderzoek beoordeelt ook de kritiek van de verifier zelf. Een beweerd gebrek moet daadwerkelijk in het voorgestelde bewijs voorkomen en de beoordeling rechtvaardigen. Dit pakt het risico aan dat een plausibel ogend oordeel wordt gegeven terwijl er een probleem wordt verzonnen dat het bewijs niet bevat. Lever bij een beoordelingstaak het oorspronkelijke bewijs met eventuele bestaande kritiek aan en vraag of de kritiek de relevante stap nauwkeurig weergeeft. Het bruikbare resultaat is een gecontroleerde uitleg van het bezwaar en de gevolgen ervan.
Bewijsgeneratie en zelfanalyse. DeepSeek traint de generator met feedback van de verifier en beloont expliciet een nauwkeurige beoordeling van het eigen werk. Het model wordt aangemoedigd echte fouten te erkennen, oplosbare problemen te herstellen en het beste bewijs te presenteren met een eerlijke beoordeling van de volledigheid. Verificatie en generatie verbeteren in een iteratieve trainingscyclus; moeilijkere gegenereerde bewijzen worden materiaal om de verifier te verbeteren. Het resulterende model kan wiskundige argumentaties zowel genereren als verifiëren.
Bereid het probleem precies voor. Voeg definities, kwantoren, domeinen en alle aannames toe. Geef aan of je bestaan, uniciteit, een ongelijkheid, een constructie of een tegenvoorbeeld wilt. Geef bij een toegestaan lemma de exacte formulering en leg uit of het direct mag worden gebruikt of ook moet worden bewezen. De bewijsprompts van de fabrikant vereisen een onderbouwde oplossing, ook wanneer de taak om een antwoord vraagt, en behandelen een verwijzing naar een andere tekst niet als vervanging voor ontbrekende argumentatie.
Het verwachte antwoord kan een overzicht van het idee, een volledig bewijs en een afzonderlijke zelfbeoordeling bevatten. Vraag het model bij een ongelijkheid de domeinbeperkingen en gelijkheidsvoorwaarden te controleren. Vraag bij een telprobleem om te onderbouwen dat de gevallen volledig zijn en niet overlappen. Benoem bij een bestaand bewijs de betwiste stap en vraag om herstel of om een uitleg waarom de voorgestelde conclusie onbewezen blijft. Algebra, meetkunde, getaltheorie, combinatoriek en ongelijkheden komen voor in de wiskundige evaluatietaken van de fabrikant.
Verfijning. Het gepubliceerde werkproces kan een bewijs en de zelfanalyse teruggeven aan hetzelfde model om resterende gebreken aan te pakken. In de door de fabrikant gerapporteerde onderzoeksopzet met één poging is het bewijsbudget 128K tokens; sommige moeilijke argumentaties blijven onvolledig wanneer dat budget is opgebruikt. Gebruik in je eigen werk een specifiek bezwaar als volgende invoer en vraag welk deel van het bewijs verandert wanneer dat bezwaar is opgelost. Houd eerdere definities en aannames zichtbaar. Het herziene resultaat moet vermelden wat is aangetoond en welke moeilijkheid overblijft.
De uitvoer van Math V2 is een bewijs en kritiek in natuurlijke taal. Formele bewijssystemen zoals Lean controleren een ander soort resultaat; DeepSeek Prover V2 is een afzonderlijke specialisatie voor formeel redeneren. Een beoordeling waarin geen fout is gevonden verdient nog steeds wiskundige controle, vooral wanneer het bewijs afhangt van een weggelaten geval of een niet-vermeld lemma. Het onderzoek van de ontwikkelaar merkt op dat de moeilijkste problemen ook na verfijning onopgelost kunnen blijven.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten DeepSeek-Math-V2-ultra | 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 $0.001144 / 1K tokens Uitvoer · Uitvoertokens $0.004572 / 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-Math-V2-ultra", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='DeepSeek-Math-V2-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='DeepSeek-Math-V2-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-Math-V2-ultra
Gebruik de hierboven getoonde methodepaden.
DeepSeek-Math-V2-ultraHet model van DeepSeek voor wiskundige bewijzen in natuurlijke taal en zelfverificatie, gebouwd op DeepSeek V3.2 Exp Base. Het kan een oplossing uitwerken, logische hiaten onderzoeken en de argumentatie verfijnen, met een gedetailleerd bewijs en een beoordeling van de resterende problemen.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
DeepSeek Math V2 is gespecialiseerd in stellingen bewijzen in natuurlijke taal en zelfverifieerbaar wiskundig redeneren. Het is gebouwd op DeepSeek V3.2 Exp Base. Het uitgangspunt van de fabrikant is dat een correct eindantwoord nog steeds op ongeldige redenering kan berusten, terwijl een stelling vaak een volledige afleiding vereist in plaats van een numeriek antwoord. Het model richt zich daarom op bewijzen genereren, gebreken daarin identificeren en de argumentatie verbeteren voordat het antwoord wordt afgerond.
Bewijsverificatie. De trainingsmethode leert een verifier een probleem samen met een voorgesteld bewijs te lezen, problemen te identificeren en de kwaliteit van het bewijs te beoordelen. De criteria onderscheiden een volledige, strikte afleiding van een verder deugdelijke oplossing met kleine fouten, en van een fundamenteel ongeldige argumentatie. Een praktisch verzoek om bewijsbeoordeling moet hetzelfde onderscheid gebruiken: laat zien waar de redenering faalt, leg uit waarom het probleem ertoe doet en onderscheid een ontbrekend detail van een hiaat dat de conclusie verhindert.
Metaverificatie. Het onderzoek beoordeelt ook de kritiek van de verifier zelf. Een beweerd gebrek moet daadwerkelijk in het voorgestelde bewijs voorkomen en de beoordeling rechtvaardigen. Dit pakt het risico aan dat een plausibel ogend oordeel wordt gegeven terwijl er een probleem wordt verzonnen dat het bewijs niet bevat. Lever bij een beoordelingstaak het oorspronkelijke bewijs met eventuele bestaande kritiek aan en vraag of de kritiek de relevante stap nauwkeurig weergeeft. Het bruikbare resultaat is een gecontroleerde uitleg van het bezwaar en de gevolgen ervan.
Bewijsgeneratie en zelfanalyse. DeepSeek traint de generator met feedback van de verifier en beloont expliciet een nauwkeurige beoordeling van het eigen werk. Het model wordt aangemoedigd echte fouten te erkennen, oplosbare problemen te herstellen en het beste bewijs te presenteren met een eerlijke beoordeling van de volledigheid. Verificatie en generatie verbeteren in een iteratieve trainingscyclus; moeilijkere gegenereerde bewijzen worden materiaal om de verifier te verbeteren. Het resulterende model kan wiskundige argumentaties zowel genereren als verifiëren.
Bereid het probleem precies voor. Voeg definities, kwantoren, domeinen en alle aannames toe. Geef aan of je bestaan, uniciteit, een ongelijkheid, een constructie of een tegenvoorbeeld wilt. Geef bij een toegestaan lemma de exacte formulering en leg uit of het direct mag worden gebruikt of ook moet worden bewezen. De bewijsprompts van de fabrikant vereisen een onderbouwde oplossing, ook wanneer de taak om een antwoord vraagt, en behandelen een verwijzing naar een andere tekst niet als vervanging voor ontbrekende argumentatie.
Het verwachte antwoord kan een overzicht van het idee, een volledig bewijs en een afzonderlijke zelfbeoordeling bevatten. Vraag het model bij een ongelijkheid de domeinbeperkingen en gelijkheidsvoorwaarden te controleren. Vraag bij een telprobleem om te onderbouwen dat de gevallen volledig zijn en niet overlappen. Benoem bij een bestaand bewijs de betwiste stap en vraag om herstel of om een uitleg waarom de voorgestelde conclusie onbewezen blijft. Algebra, meetkunde, getaltheorie, combinatoriek en ongelijkheden komen voor in de wiskundige evaluatietaken van de fabrikant.
Verfijning. Het gepubliceerde werkproces kan een bewijs en de zelfanalyse teruggeven aan hetzelfde model om resterende gebreken aan te pakken. In de door de fabrikant gerapporteerde onderzoeksopzet met één poging is het bewijsbudget 128K tokens; sommige moeilijke argumentaties blijven onvolledig wanneer dat budget is opgebruikt. Gebruik in je eigen werk een specifiek bezwaar als volgende invoer en vraag welk deel van het bewijs verandert wanneer dat bezwaar is opgelost. Houd eerdere definities en aannames zichtbaar. Het herziene resultaat moet vermelden wat is aangetoond en welke moeilijkheid overblijft.
De uitvoer van Math V2 is een bewijs en kritiek in natuurlijke taal. Formele bewijssystemen zoals Lean controleren een ander soort resultaat; DeepSeek Prover V2 is een afzonderlijke specialisatie voor formeel redeneren. Een beoordeling waarin geen fout is gevonden verdient nog steeds wiskundige controle, vooral wanneer het bewijs afhangt van een weggelaten geval of een niet-vermeld lemma. Het onderzoek van de ontwikkelaar merkt op dat de moeilijkste problemen ook na verfijning onopgelost kunnen blijven.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten DeepSeek-Math-V2-ultra | 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 $0.001144 / 1K tokens Uitvoer · Uitvoertokens $0.004572 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "DeepSeek-Math-V2-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'DeepSeek-Math-V2-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'DeepSeek-Math-V2-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-Math-V2-ultra
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Repair a divisibility proof\n\nReview this proposed proof: 'If 6 divides ab, then 6 divides a or 6 divides b, because every prime factor of 6 must divide one of the factors.' Here a and b are integers. Identify the invalid implication, provide a counterexample and state a correct related proposition with proof. Separate your proof from a self-check of its completeness.A precise flaw explanation, an integer counterexample, a corrected proposition with proof and a separate self-check.Verify the counterexample meets the premise and defeats both alternatives in the claimed conclusion.