Inleiding: een kleiner redeneermodel afgeleid van R1
DeepSeek-R1-Distill-Qwen-7B brengt redeneervoorbeelden van DeepSeek-R1 over naar een dicht model dat is gebaseerd op Qwen2.5-Math-7B. Het accepteert tekst en genereert tekst, waaronder uitgewerkte oplossingen, programmeeruitleg en antwoorden op logische problemen. Deze exacte 7B-distillatie is een afzonderlijk checkpoint naast het volledige DeepSeek-R1, het oorspronkelijke Qwen2.5-Math-7B en grotere gedistilleerde edities. De naam vermeldt zowel de producent van de redeneerdata als de onderliggende modelfamilie.
Wat distillatie bijdraagt
Het R1-onderzoek van DeepSeek onderscheidt de training van het grote redeneermodel dat als leraar dient van de fine-tuning van de kleinere leerlingmodellen. De pijplijn van de leraar gebruikt reinforcement learning en fasen met begeleid leren; de vrijgegeven gedistilleerde modellen zijn verfijnd met door R1 geproduceerde voorbeelden. De maker beschrijft 800.000 zorgvuldig geselecteerde voorbeelden voor deze releases. Neem niet aan dat het 7B-leerlingmodel zelf de mixture-of-experts-architectuur van het volledige model heeft of elke trainingsfase van het leraarmodel heeft doorlopen. Distillatie geeft dit model een aangeleerde redeneerstijl; het maakt de conclusies niet gelijkwaardig aan die van de leraar.
Het exacte model en de configuratie
De officiële modeltabel identificeert Qwen2.5-Math-7B als de basis van deze editie. DeepSeek wijzigt de configuratie en tokenizerinstellingen, waardoor het exacte vrijgegeven checkpoint en het chatsjabloon van belang zijn. De gepubliceerde configuratie gebruikt een Qwen2-architectuur voor causale taalmodellering met 28 lagen en bfloat16-gewichten. Het maximale aantal posities is 131.072. Die configuratiewaarde is geen afzonderlijke validatie van nauwkeurigheid bij lange documenten: de contexttabel van 128K op de gedeelde R1-modelkaart beschrijft de volledige R1-modellen, terwijl de tabel met gedistilleerde modellen de afstamming aangeeft zonder een gevalideerde contexttabel per leerlingmodel te publiceren.
Gebruik het voor een taak met een controleerbare uitkomst. Lever voor wiskunde de volledige opgave, definities en eenheden aan. Voeg voor code de relevante functie, invoer, het waargenomen resultaat en het gewenste gedrag toe. Som bij een logische vraag de feiten op en onderscheid een vereiste conclusie van een aanname. Vraag om een eindresultaat dat onafhankelijk kan worden gecontroleerd, zoals een waarde in een kader, een beknopte bewijsschets of een patch met uitleg. Deze voorbeelden passen het gedocumenteerde redeneerbereik van de maker toe; ze beweren niet dat het model automatisch code uitvoert of bewijzen verifieert.
De prompt voorbereiden
DeepSeek raadt voor deze R1-release aan alle instructies in de gebruikersprompt te plaatsen en een systeemprompt te vermijden. Vraag bij een wiskundig probleem om stapsgewijs redeneren en een duidelijk afgebakend eindantwoord. Neem elke gewenste uitvoerstructuur in dezelfde prompt op: bijvoorbeeld een korte conclusie, gevolgd door aannames en ondersteunende berekeningen. Een applicatie moet de eigen tokenizer en opmaak van het leerlingmodel gebruiken en niet zonder controle van de wijzigingen van de maker het basis-Qwen-sjabloon overnemen.
De maker merkt op dat sommige vragen een leeg denkblok kunnen opleveren en het beoogde redeneerpatroon kunnen overslaan. De aanbevolen oplossing is om in een compatibele werkwijze de generatie te laten beginnen met de openingsmarkering voor denken en een nieuwe regel. Dit is een gedocumenteerde aanbeveling voor het generatieformaat, geen belofte dat elke applicatie zo'n instelling aanbiedt. Houd bij de presentatie van een resultaat het eindantwoord gescheiden van de langere redeneertekst.
Generatie-instellingen en beschikbare ruimte
DeepSeek raadt een temperature tussen 0.5 en 0.7 aan, met 0.6 als voorkeursstartpunt, om herhaalde of onsamenhangende uitvoer te verminderen. De evaluatieopstelling gebruikt een generatieruimte van 32.768 tokens en top_p 0.95. Die evaluatiekeuzes vormen geen universeel hard maximum. Redenering, brontekst en het eindantwoord hebben allemaal ruimte nodig in de geconfigureerde context, dus een verzoek met een lang bewijs of een lange codelijst moet nog steeds ruimte laten voor completion.
Beperkingen die de modelkeuze beïnvloeden
Een klein gedistilleerd model blijft een afzonderlijke afweging voor redeneertaken. Het releasemateriaal van de maker stelt geen invoer van afbeeldingen, audio of video voor dit checkpoint vast, en evenmin een speciaal protocol voor toolaanroepen. Tooluitvoering of toegang tot actuele gegevens zou een afzonderlijk geconfigureerde applicatieworkflow vereisen. De release neemt ook niet alleen door de naam R1 de latere wijzigingen in het promptbeleid van DeepSeek-R1-0528 over. Verifieer numerieke antwoorden, inspecteer voorgestelde codewijzigingen en controleer of de eindconclusie uit de aangeleverde feiten volgt; een lang redeneertranscript alleen is geen bewijs van juistheid.
", "aboutText": "Inleiding: een kleiner redeneermodel afgeleid van R1\n\nDeepSeek-R1-Distill-Qwen-7B brengt redeneervoorbeelden van DeepSeek-R1 over naar een dicht model dat is gebaseerd op Qwen2.5-Math-7B. Het accepteert tekst en genereert tekst, waaronder uitgewerkte oplossingen, programmeeruitleg en antwoorden op logische problemen. Deze exacte 7B-distillatie is een afzonderlijk checkpoint naast het volledige DeepSeek-R1, het oorspronkelijke Qwen2.5-Math-7B en grotere gedistilleerde edities. De naam vermeldt zowel de producent van de redeneerdata als de onderliggende modelfamilie.\n\nWat distillatie bijdraagt\n\nHet R1-onderzoek van DeepSeek onderscheidt de training van het grote redeneermodel dat als leraar dient van de fine-tuning van de kleinere leerlingmodellen. De pijplijn van de leraar gebruikt reinforcement learning en fasen met begeleid leren; de vrijgegeven gedistilleerde modellen zijn verfijnd met door R1 geproduceerde voorbeelden. De maker beschrijft 800.000 zorgvuldig geselecteerde voorbeelden voor deze releases. Neem niet aan dat het 7B-leerlingmodel zelf de mixture-of-experts-architectuur van het volledige model heeft of elke trainingsfase van het leraarmodel heeft doorlopen. Distillatie geeft dit model een aangeleerde redeneerstijl; het maakt de conclusies niet gelijkwaardig aan die van de leraar.\n\nHet exacte model en de configuratie\n\nDe officiële modeltabel identificeert Qwen2.5-Math-7B als de basis van deze editie. DeepSeek wijzigt de configuratie en tokenizerinstellingen, waardoor het exacte vrijgegeven checkpoint en het chatsjabloon van belang zijn. De gepubliceerde configuratie gebruikt een Qwen2-architectuur voor causale taalmodellering met 28 lagen en bfloat16-gewichten. Het maximale aantal posities is 131.072. Die configuratiewaarde is geen afzonderlijke validatie van nauwkeurigheid bij lange documenten: de contexttabel van 128K op de gedeelde R1-modelkaart beschrijft de volledige R1-modellen, terwijl de tabel met gedistilleerde modellen de afstamming aangeeft zonder een gevalideerde contexttabel per leerlingmodel te publiceren.\n\nGebruik het voor een taak met een controleerbare uitkomst. Lever voor wiskunde de volledige opgave, definities en eenheden aan. Voeg voor code de relevante functie, invoer, het waargenomen resultaat en het gewenste gedrag toe. Som bij een logische vraag de feiten op en onderscheid een vereiste conclusie van een aanname. Vraag om een eindresultaat dat onafhankelijk kan worden gecontroleerd, zoals een waarde in een kader, een beknopte bewijsschets of een patch met uitleg. Deze voorbeelden passen het gedocumenteerde redeneerbereik van de maker toe; ze beweren niet dat het model automatisch code uitvoert of bewijzen verifieert.\n\nDe prompt voorbereiden\n\nDeepSeek raadt voor deze R1-release aan alle instructies in de gebruikersprompt te plaatsen en een systeemprompt te vermijden. Vraag bij een wiskundig probleem om stapsgewijs redeneren en een duidelijk afgebakend eindantwoord. Neem elke gewenste uitvoerstructuur in dezelfde prompt op: bijvoorbeeld een korte conclusie, gevolgd door aannames en ondersteunende berekeningen. Een applicatie moet de eigen tokenizer en opmaak van het leerlingmodel gebruiken en niet zonder controle van de wijzigingen van de maker het basis-Qwen-sjabloon overnemen.\n\nDe maker merkt op dat sommige vragen een leeg denkblok kunnen opleveren en het beoogde redeneerpatroon kunnen overslaan. De aanbevolen oplossing is om in een compatibele werkwijze de generatie te laten beginnen met de openingsmarkering voor denken en een nieuwe regel. Dit is een gedocumenteerde aanbeveling voor het generatieformaat, geen belofte dat elke applicatie zo'n instelling aanbiedt. Houd bij de presentatie van een resultaat het eindantwoord gescheiden van de langere redeneertekst.\n\nGeneratie-instellingen en beschikbare ruimte\n\nDeepSeek raadt een temperature tussen 0.5 en 0.7 aan, met 0.6 als voorkeursstartpunt, om herhaalde of onsamenhangende uitvoer te verminderen. De evaluatieopstelling gebruikt een generatieruimte van 32.768 tokens en top_p 0.95. Die evaluatiekeuzes vormen geen universeel hard maximum. Redenering, brontekst en het eindantwoord hebben allemaal ruimte nodig in de geconfigureerde context, dus een verzoek met een lang bewijs of een lange codelijst moet nog steeds ruimte laten voor completion.\n\nBeperkingen die de modelkeuze beïnvloeden\n\nEen klein gedistilleerd model blijft een afzonderlijke afweging voor redeneertaken. Het releasemateriaal van de maker stelt geen invoer van afbeeldingen, audio of video voor dit checkpoint vast, en evenmin een speciaal protocol voor toolaanroepen. Tooluitvoering of toegang tot actuele gegevens zou een afzonderlijk geconfigureerde applicatieworkflow vereisen. De release neemt ook niet alleen door de naam R1 de latere wijzigingen in het promptbeleid van DeepSeek-R1-0528 over. Verifieer numerieke antwoorden, inspecteer voorgestelde codewijzigingen en controleer of de eindconclusie uit de aangeleverde feiten volgt; een lang redeneertranscript alleen is geen bewijs van juistheid.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Calculate a mixture ratio\n\nA workshop mixes 2 liters of concentrate with 6 liters of water. It needs 20 liters of the same mixture. Calculate the required concentrate and water, show the proportional calculation and give a clearly labelled final answer with units. Check that the two quantities add to the requested volume.A short proportional calculation and final concentrate and water quantities in liters.Verify both the 1:3 concentrate-to-water ratio and the 20-liter total independently.DeepSeek-R1-Distill-Qwen-7B-ultraDeepSeek-R1-Distill-Qwen-7B is het compacte, dichte redeneermodel van DeepSeek, verfijnd vanuit Qwen2.5-Math-7B met door R1 gegenereerde voorbeelden. Het verwerkt tekst en produceert tekst voor wiskundige, programmeer- en logische taken, met promptadvies dat specifiek is voor dit checkpoint.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Inleiding: een kleiner redeneermodel afgeleid van R1
DeepSeek-R1-Distill-Qwen-7B brengt redeneervoorbeelden van DeepSeek-R1 over naar een dicht model dat is gebaseerd op Qwen2.5-Math-7B. Het accepteert tekst en genereert tekst, waaronder uitgewerkte oplossingen, programmeeruitleg en antwoorden op logische problemen. Deze exacte 7B-distillatie is een afzonderlijk checkpoint naast het volledige DeepSeek-R1, het oorspronkelijke Qwen2.5-Math-7B en grotere gedistilleerde edities. De naam vermeldt zowel de producent van de redeneerdata als de onderliggende modelfamilie.
Wat distillatie bijdraagt
Het R1-onderzoek van DeepSeek onderscheidt de training van het grote redeneermodel dat als leraar dient van de fine-tuning van de kleinere leerlingmodellen. De pijplijn van de leraar gebruikt reinforcement learning en fasen met begeleid leren; de vrijgegeven gedistilleerde modellen zijn verfijnd met door R1 geproduceerde voorbeelden. De maker beschrijft 800.000 zorgvuldig geselecteerde voorbeelden voor deze releases. Neem niet aan dat het 7B-leerlingmodel zelf de mixture-of-experts-architectuur van het volledige model heeft of elke trainingsfase van het leraarmodel heeft doorlopen. Distillatie geeft dit model een aangeleerde redeneerstijl; het maakt de conclusies niet gelijkwaardig aan die van de leraar.
Het exacte model en de configuratie
De officiële modeltabel identificeert Qwen2.5-Math-7B als de basis van deze editie. DeepSeek wijzigt de configuratie en tokenizerinstellingen, waardoor het exacte vrijgegeven checkpoint en het chatsjabloon van belang zijn. De gepubliceerde configuratie gebruikt een Qwen2-architectuur voor causale taalmodellering met 28 lagen en bfloat16-gewichten. Het maximale aantal posities is 131.072. Die configuratiewaarde is geen afzonderlijke validatie van nauwkeurigheid bij lange documenten: de contexttabel van 128K op de gedeelde R1-modelkaart beschrijft de volledige R1-modellen, terwijl de tabel met gedistilleerde modellen de afstamming aangeeft zonder een gevalideerde contexttabel per leerlingmodel te publiceren.
Gebruik het voor een taak met een controleerbare uitkomst. Lever voor wiskunde de volledige opgave, definities en eenheden aan. Voeg voor code de relevante functie, invoer, het waargenomen resultaat en het gewenste gedrag toe. Som bij een logische vraag de feiten op en onderscheid een vereiste conclusie van een aanname. Vraag om een eindresultaat dat onafhankelijk kan worden gecontroleerd, zoals een waarde in een kader, een beknopte bewijsschets of een patch met uitleg. Deze voorbeelden passen het gedocumenteerde redeneerbereik van de maker toe; ze beweren niet dat het model automatisch code uitvoert of bewijzen verifieert.
De prompt voorbereiden
DeepSeek raadt voor deze R1-release aan alle instructies in de gebruikersprompt te plaatsen en een systeemprompt te vermijden. Vraag bij een wiskundig probleem om stapsgewijs redeneren en een duidelijk afgebakend eindantwoord. Neem elke gewenste uitvoerstructuur in dezelfde prompt op: bijvoorbeeld een korte conclusie, gevolgd door aannames en ondersteunende berekeningen. Een applicatie moet de eigen tokenizer en opmaak van het leerlingmodel gebruiken en niet zonder controle van de wijzigingen van de maker het basis-Qwen-sjabloon overnemen.
De maker merkt op dat sommige vragen een leeg denkblok kunnen opleveren en het beoogde redeneerpatroon kunnen overslaan. De aanbevolen oplossing is om in een compatibele werkwijze de generatie te laten beginnen met de openingsmarkering voor denken en een nieuwe regel. Dit is een gedocumenteerde aanbeveling voor het generatieformaat, geen belofte dat elke applicatie zo'n instelling aanbiedt. Houd bij de presentatie van een resultaat het eindantwoord gescheiden van de langere redeneertekst.
Generatie-instellingen en beschikbare ruimte
DeepSeek raadt een temperature tussen 0.5 en 0.7 aan, met 0.6 als voorkeursstartpunt, om herhaalde of onsamenhangende uitvoer te verminderen. De evaluatieopstelling gebruikt een generatieruimte van 32.768 tokens en top_p 0.95. Die evaluatiekeuzes vormen geen universeel hard maximum. Redenering, brontekst en het eindantwoord hebben allemaal ruimte nodig in de geconfigureerde context, dus een verzoek met een lang bewijs of een lange codelijst moet nog steeds ruimte laten voor completion.
Beperkingen die de modelkeuze beïnvloeden
Een klein gedistilleerd model blijft een afzonderlijke afweging voor redeneertaken. Het releasemateriaal van de maker stelt geen invoer van afbeeldingen, audio of video voor dit checkpoint vast, en evenmin een speciaal protocol voor toolaanroepen. Tooluitvoering of toegang tot actuele gegevens zou een afzonderlijk geconfigureerde applicatieworkflow vereisen. De release neemt ook niet alleen door de naam R1 de latere wijzigingen in het promptbeleid van DeepSeek-R1-0528 over. Verifieer numerieke antwoorden, inspecteer voorgestelde codewijzigingen en controleer of de eindconclusie uit de aangeleverde feiten volgt; een lang redeneertranscript alleen is geen bewijs van juistheid.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten DeepSeek-R1-Distill-Qwen-7B-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 $0.00014 / 1K tokens Uitvoer · Uitvoertokens $0.00028 / 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-R1-Distill-Qwen-7B-ultra", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='DeepSeek-R1-Distill-Qwen-7B-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='DeepSeek-R1-Distill-Qwen-7B-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-R1-Distill-Qwen-7B-ultra
Gebruik de hierboven getoonde methodepaden.
DeepSeek-R1-Distill-Qwen-7B-ultraDeepSeek-R1-Distill-Qwen-7B is het compacte, dichte redeneermodel van DeepSeek, verfijnd vanuit Qwen2.5-Math-7B met door R1 gegenereerde voorbeelden. Het verwerkt tekst en produceert tekst voor wiskundige, programmeer- en logische taken, met promptadvies dat specifiek is voor dit checkpoint.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Inleiding: een kleiner redeneermodel afgeleid van R1
DeepSeek-R1-Distill-Qwen-7B brengt redeneervoorbeelden van DeepSeek-R1 over naar een dicht model dat is gebaseerd op Qwen2.5-Math-7B. Het accepteert tekst en genereert tekst, waaronder uitgewerkte oplossingen, programmeeruitleg en antwoorden op logische problemen. Deze exacte 7B-distillatie is een afzonderlijk checkpoint naast het volledige DeepSeek-R1, het oorspronkelijke Qwen2.5-Math-7B en grotere gedistilleerde edities. De naam vermeldt zowel de producent van de redeneerdata als de onderliggende modelfamilie.
Wat distillatie bijdraagt
Het R1-onderzoek van DeepSeek onderscheidt de training van het grote redeneermodel dat als leraar dient van de fine-tuning van de kleinere leerlingmodellen. De pijplijn van de leraar gebruikt reinforcement learning en fasen met begeleid leren; de vrijgegeven gedistilleerde modellen zijn verfijnd met door R1 geproduceerde voorbeelden. De maker beschrijft 800.000 zorgvuldig geselecteerde voorbeelden voor deze releases. Neem niet aan dat het 7B-leerlingmodel zelf de mixture-of-experts-architectuur van het volledige model heeft of elke trainingsfase van het leraarmodel heeft doorlopen. Distillatie geeft dit model een aangeleerde redeneerstijl; het maakt de conclusies niet gelijkwaardig aan die van de leraar.
Het exacte model en de configuratie
De officiële modeltabel identificeert Qwen2.5-Math-7B als de basis van deze editie. DeepSeek wijzigt de configuratie en tokenizerinstellingen, waardoor het exacte vrijgegeven checkpoint en het chatsjabloon van belang zijn. De gepubliceerde configuratie gebruikt een Qwen2-architectuur voor causale taalmodellering met 28 lagen en bfloat16-gewichten. Het maximale aantal posities is 131.072. Die configuratiewaarde is geen afzonderlijke validatie van nauwkeurigheid bij lange documenten: de contexttabel van 128K op de gedeelde R1-modelkaart beschrijft de volledige R1-modellen, terwijl de tabel met gedistilleerde modellen de afstamming aangeeft zonder een gevalideerde contexttabel per leerlingmodel te publiceren.
Gebruik het voor een taak met een controleerbare uitkomst. Lever voor wiskunde de volledige opgave, definities en eenheden aan. Voeg voor code de relevante functie, invoer, het waargenomen resultaat en het gewenste gedrag toe. Som bij een logische vraag de feiten op en onderscheid een vereiste conclusie van een aanname. Vraag om een eindresultaat dat onafhankelijk kan worden gecontroleerd, zoals een waarde in een kader, een beknopte bewijsschets of een patch met uitleg. Deze voorbeelden passen het gedocumenteerde redeneerbereik van de maker toe; ze beweren niet dat het model automatisch code uitvoert of bewijzen verifieert.
De prompt voorbereiden
DeepSeek raadt voor deze R1-release aan alle instructies in de gebruikersprompt te plaatsen en een systeemprompt te vermijden. Vraag bij een wiskundig probleem om stapsgewijs redeneren en een duidelijk afgebakend eindantwoord. Neem elke gewenste uitvoerstructuur in dezelfde prompt op: bijvoorbeeld een korte conclusie, gevolgd door aannames en ondersteunende berekeningen. Een applicatie moet de eigen tokenizer en opmaak van het leerlingmodel gebruiken en niet zonder controle van de wijzigingen van de maker het basis-Qwen-sjabloon overnemen.
De maker merkt op dat sommige vragen een leeg denkblok kunnen opleveren en het beoogde redeneerpatroon kunnen overslaan. De aanbevolen oplossing is om in een compatibele werkwijze de generatie te laten beginnen met de openingsmarkering voor denken en een nieuwe regel. Dit is een gedocumenteerde aanbeveling voor het generatieformaat, geen belofte dat elke applicatie zo'n instelling aanbiedt. Houd bij de presentatie van een resultaat het eindantwoord gescheiden van de langere redeneertekst.
Generatie-instellingen en beschikbare ruimte
DeepSeek raadt een temperature tussen 0.5 en 0.7 aan, met 0.6 als voorkeursstartpunt, om herhaalde of onsamenhangende uitvoer te verminderen. De evaluatieopstelling gebruikt een generatieruimte van 32.768 tokens en top_p 0.95. Die evaluatiekeuzes vormen geen universeel hard maximum. Redenering, brontekst en het eindantwoord hebben allemaal ruimte nodig in de geconfigureerde context, dus een verzoek met een lang bewijs of een lange codelijst moet nog steeds ruimte laten voor completion.
Beperkingen die de modelkeuze beïnvloeden
Een klein gedistilleerd model blijft een afzonderlijke afweging voor redeneertaken. Het releasemateriaal van de maker stelt geen invoer van afbeeldingen, audio of video voor dit checkpoint vast, en evenmin een speciaal protocol voor toolaanroepen. Tooluitvoering of toegang tot actuele gegevens zou een afzonderlijk geconfigureerde applicatieworkflow vereisen. De release neemt ook niet alleen door de naam R1 de latere wijzigingen in het promptbeleid van DeepSeek-R1-0528 over. Verifieer numerieke antwoorden, inspecteer voorgestelde codewijzigingen en controleer of de eindconclusie uit de aangeleverde feiten volgt; een lang redeneertranscript alleen is geen bewijs van juistheid.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten DeepSeek-R1-Distill-Qwen-7B-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 $0.00014 / 1K tokens Uitvoer · Uitvoertokens $0.00028 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "DeepSeek-R1-Distill-Qwen-7B-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'DeepSeek-R1-Distill-Qwen-7B-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'DeepSeek-R1-Distill-Qwen-7B-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-R1-Distill-Qwen-7B-ultra
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Calculate a mixture ratio\n\nA workshop mixes 2 liters of concentrate with 6 liters of water. It needs 20 liters of the same mixture. Calculate the required concentrate and water, show the proportional calculation and give a clearly labelled final answer with units. Check that the two quantities add to the requested volume.A short proportional calculation and final concentrate and water quantities in liters.Verify both the 1:3 concentrate-to-water ratio and the 20-liter total independently.