DeepSeek R1 to oryginalny model DeepSeek ukierunkowany na rozumowanie w zadaniach matematycznych, programistycznych i logicznych. Bazuje na DeepSeek V3 Base i korzysta z procesu treningowego obejmującego przykłady początkowe, nadzorowane doskonalenie i uczenie ze wzmocnieniem. Wejściem jest tekst, a wynikiem tekstowe rozwiązanie lub odpowiedź. Pozostaje odrębny od R1 Zero, późniejszego wydania R1-0528 i osobnych modeli destylowanych.
Producent odróżnia R1 od podejścia R1 Zero opartego wyłącznie na uczeniu ze wzmocnieniem. Materiały początkowe zapewniają R1 czytelniejszy wzorzec startowy przed uczeniem ze wzmocnieniem ukierunkowanym na rozumowanie. Późniejsze próbkowanie z odrzucaniem i trening nadzorowany dodają dane dotyczące rozumowania i ogólnego przeznaczenia, po czym następuje kolejny etap uczenia ze wzmocnieniem. Karta opisuje dwa etapy nadzorowane i dwa etapy uczenia ze wzmocnieniem, mające poprawić wzorce rozumowania i zgodność z żądaną odpowiedzią.
Opublikowana architektura ma 671 miliardów parametrów ogółem, z czego 37 miliardów jest aktywnych na token, oraz kontekst 128K. To okno obejmuje łącznie źródła, prompt i wygenerowane rozumowanie lub odpowiedź; nie stanowi osobnej gwarancji wyjścia 128K. Długi warunek matematyczny, fragment kodu lub zestaw wymagań nadal należy uporządkować tak, aby model mógł rozpoznać właściwy problem i potrzebną formę wyniku.
DeepSeek zaleca temperaturę od 0.5 do 0.7, ze wskazaniem na 0.6, aby ograniczyć powtórzenia lub niespójne wyjście. Doradza umieszczanie instrukcji w prompcie użytkownika zamiast dodawania promptu systemowego. Raport badawczy zaleca również bezpośrednie sformułowanie problemu i formatu wyjścia bez przykładów, ponieważ prompty few-shot mogą obniżać skuteczność tego oryginalnego profilu. Są to zalecenia użytkowania producenta, a nie domyślne ustawienia zakładane dla każdej aplikacji.
W przypadku matematyki podaj pełny warunek, definicje zmiennych i ograniczenia dziedziny. Producent zaleca prosić o rozwiązanie krok po kroku z końcowym wynikiem w wyrażeniu \\boxed{}. Przykładowe wytyczne mogą żądać końcowego wzoru, założeń jego obowiązywania i sprawdzenia przez podstawienie. W przypadku kodu dołącz zachowanie do zaimplementowania, ograniczenia i reprezentatywne wejście, a następnie poproś o proponowany algorytm i materiał kodowy oddzielnie od wyjaśnienia.
Format rozumowania modelu oddziela fazę myślenia od końcowej odpowiedzi. DeepSeek zauważa, że niektóre zapytania mogą tworzyć pusty blok myślenia, i zaleca prefiks rozpoczynający rozumowanie w referencyjnym procesie, gdy zamierzone jest głębsze rozumowanie. Zachowuj rozróżnienie między formatem producenta a końcową odpowiedzią przeznaczoną dla użytkownika. Żądanym materiałem może być zwięzły wniosek lub kod, nawet gdy pośredni proces modelu jest dłuższy.
Oryginalne badanie wskazuje konkretne ograniczenia. R1 jest zoptymalizowany dla chińskiego i angielskiego, a zapytania w innych językach mogą prowadzić do niepożądanego mieszania języków. Jest wrażliwy na sposób formułowania promptów, a złożone zachowanie w rozmowach wieloturowych, odgrywaniu ról, JSON i wywołaniach funkcji jest mniej rozwinięte niż jego ukierunkowanie na rozumowanie matematyczne i programistyczne. Obsługa JSON i narzędzi udokumentowana dla R1-0528 jest zmianą późniejszego wydania, a nie kontraktem oryginalnego R1. Jawnie określ język i format wyjścia oraz sformułuj problem bezpośrednio.
W praktycznym zadaniu technicznym zdefiniuj, co stanowi poprawny wynik: wzór z założeniami, algorytm spełniający podaną złożoność lub uzasadnione porównanie według dostarczonych kryteriów. Poproś, aby końcowa odpowiedź wskazywała brakujące informacje zamiast je wymyślać. W pracy zależnej od źródeł dostarcz autorytatywne fragmenty jako tekst. Oceń proponowany kod lub wniosek względem pierwotnych warunków; użytecznym materiałem jest końcowe rozwiązanie i wspierające je wyjaśnienie, odrębne od działania lub walidacji faktycznie wykonanych przez otaczającą aplikację.
", "aboutText": "DeepSeek R1 to oryginalny model DeepSeek ukierunkowany na rozumowanie w zadaniach matematycznych, programistycznych i logicznych. Bazuje na DeepSeek V3 Base i korzysta z procesu treningowego obejmującego przykłady początkowe, nadzorowane doskonalenie i uczenie ze wzmocnieniem. Wejściem jest tekst, a wynikiem tekstowe rozwiązanie lub odpowiedź. Pozostaje odrębny od R1 Zero, późniejszego wydania R1-0528 i osobnych modeli destylowanych.\n\nProducent odróżnia R1 od podejścia R1 Zero opartego wyłącznie na uczeniu ze wzmocnieniem. Materiały początkowe zapewniają R1 czytelniejszy wzorzec startowy przed uczeniem ze wzmocnieniem ukierunkowanym na rozumowanie. Późniejsze próbkowanie z odrzucaniem i trening nadzorowany dodają dane dotyczące rozumowania i ogólnego przeznaczenia, po czym następuje kolejny etap uczenia ze wzmocnieniem. Karta opisuje dwa etapy nadzorowane i dwa etapy uczenia ze wzmocnieniem, mające poprawić wzorce rozumowania i zgodność z żądaną odpowiedzią.\n\nOpublikowana architektura ma 671 miliardów parametrów ogółem, z czego 37 miliardów jest aktywnych na token, oraz kontekst 128K. To okno obejmuje łącznie źródła, prompt i wygenerowane rozumowanie lub odpowiedź; nie stanowi osobnej gwarancji wyjścia 128K. Długi warunek matematyczny, fragment kodu lub zestaw wymagań nadal należy uporządkować tak, aby model mógł rozpoznać właściwy problem i potrzebną formę wyniku.\n\nDeepSeek zaleca temperaturę od 0.5 do 0.7, ze wskazaniem na 0.6, aby ograniczyć powtórzenia lub niespójne wyjście. Doradza umieszczanie instrukcji w prompcie użytkownika zamiast dodawania promptu systemowego. Raport badawczy zaleca również bezpośrednie sformułowanie problemu i formatu wyjścia bez przykładów, ponieważ prompty few-shot mogą obniżać skuteczność tego oryginalnego profilu. Są to zalecenia użytkowania producenta, a nie domyślne ustawienia zakładane dla każdej aplikacji.\n\nW przypadku matematyki podaj pełny warunek, definicje zmiennych i ograniczenia dziedziny. Producent zaleca prosić o rozwiązanie krok po kroku z końcowym wynikiem w wyrażeniu \\boxed{}. Przykładowe wytyczne mogą żądać końcowego wzoru, założeń jego obowiązywania i sprawdzenia przez podstawienie. W przypadku kodu dołącz zachowanie do zaimplementowania, ograniczenia i reprezentatywne wejście, a następnie poproś o proponowany algorytm i materiał kodowy oddzielnie od wyjaśnienia.\n\nFormat rozumowania modelu oddziela fazę myślenia od końcowej odpowiedzi. DeepSeek zauważa, że niektóre zapytania mogą tworzyć pusty blok myślenia, i zaleca prefiks rozpoczynający rozumowanie w referencyjnym procesie, gdy zamierzone jest głębsze rozumowanie. Zachowuj rozróżnienie między formatem producenta a końcową odpowiedzią przeznaczoną dla użytkownika. Żądanym materiałem może być zwięzły wniosek lub kod, nawet gdy pośredni proces modelu jest dłuższy.\n\nOryginalne badanie wskazuje konkretne ograniczenia. R1 jest zoptymalizowany dla chińskiego i angielskiego, a zapytania w innych językach mogą prowadzić do niepożądanego mieszania języków. Jest wrażliwy na sposób formułowania promptów, a złożone zachowanie w rozmowach wieloturowych, odgrywaniu ról, JSON i wywołaniach funkcji jest mniej rozwinięte niż jego ukierunkowanie na rozumowanie matematyczne i programistyczne. Obsługa JSON i narzędzi udokumentowana dla R1-0528 jest zmianą późniejszego wydania, a nie kontraktem oryginalnego R1. Jawnie określ język i format wyjścia oraz sformułuj problem bezpośrednio.\n\nW praktycznym zadaniu technicznym zdefiniuj, co stanowi poprawny wynik: wzór z założeniami, algorytm spełniający podaną złożoność lub uzasadnione porównanie według dostarczonych kryteriów. Poproś, aby końcowa odpowiedź wskazywała brakujące informacje zamiast je wymyślać. W pracy zależnej od źródeł dostarcz autorytatywne fragmenty jako tekst. Oceń proponowany kod lub wniosek względem pierwotnych warunków; użytecznym materiałem jest końcowe rozwiązanie i wspierające je wyjaśnienie, odrębne od działania lub walidacji faktycznie wykonanych przez otaczającą aplikację.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Optimize a rectangular enclosure\n\nA rectangular enclosure has 60 metres of fencing, used on all four sides. Its width and length are positive real numbers. Derive the largest possible area, justify why the optimum is global and check the dimensions against the fencing constraint. Give the final result in a boxed mathematical expression.A derivation, optimal dimensions, a perimeter check and a boxed maximum area.Check that the solution respects positivity and uses 2(length + width) = 60 rather than a three-sided constraint.deepseek/deepseek-r1DeepSeek R1 to oryginalny model tekstowy DeepSeek ukierunkowany na rozumowanie w matematyce, kodzie i logice. Łączy początkowe przykłady instruktażowe z uczeniem ze wzmocnieniem i kontekstem 128K, a producent zaleca bezpośrednie prompty i jawne formatowanie końcowej odpowiedzi.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
DeepSeek R1 to oryginalny model DeepSeek ukierunkowany na rozumowanie w zadaniach matematycznych, programistycznych i logicznych. Bazuje na DeepSeek V3 Base i korzysta z procesu treningowego obejmującego przykłady początkowe, nadzorowane doskonalenie i uczenie ze wzmocnieniem. Wejściem jest tekst, a wynikiem tekstowe rozwiązanie lub odpowiedź. Pozostaje odrębny od R1 Zero, późniejszego wydania R1-0528 i osobnych modeli destylowanych.
Producent odróżnia R1 od podejścia R1 Zero opartego wyłącznie na uczeniu ze wzmocnieniem. Materiały początkowe zapewniają R1 czytelniejszy wzorzec startowy przed uczeniem ze wzmocnieniem ukierunkowanym na rozumowanie. Późniejsze próbkowanie z odrzucaniem i trening nadzorowany dodają dane dotyczące rozumowania i ogólnego przeznaczenia, po czym następuje kolejny etap uczenia ze wzmocnieniem. Karta opisuje dwa etapy nadzorowane i dwa etapy uczenia ze wzmocnieniem, mające poprawić wzorce rozumowania i zgodność z żądaną odpowiedzią.
Opublikowana architektura ma 671 miliardów parametrów ogółem, z czego 37 miliardów jest aktywnych na token, oraz kontekst 128K. To okno obejmuje łącznie źródła, prompt i wygenerowane rozumowanie lub odpowiedź; nie stanowi osobnej gwarancji wyjścia 128K. Długi warunek matematyczny, fragment kodu lub zestaw wymagań nadal należy uporządkować tak, aby model mógł rozpoznać właściwy problem i potrzebną formę wyniku.
DeepSeek zaleca temperaturę od 0.5 do 0.7, ze wskazaniem na 0.6, aby ograniczyć powtórzenia lub niespójne wyjście. Doradza umieszczanie instrukcji w prompcie użytkownika zamiast dodawania promptu systemowego. Raport badawczy zaleca również bezpośrednie sformułowanie problemu i formatu wyjścia bez przykładów, ponieważ prompty few-shot mogą obniżać skuteczność tego oryginalnego profilu. Są to zalecenia użytkowania producenta, a nie domyślne ustawienia zakładane dla każdej aplikacji.
W przypadku matematyki podaj pełny warunek, definicje zmiennych i ograniczenia dziedziny. Producent zaleca prosić o rozwiązanie krok po kroku z końcowym wynikiem w wyrażeniu \\boxed{}. Przykładowe wytyczne mogą żądać końcowego wzoru, założeń jego obowiązywania i sprawdzenia przez podstawienie. W przypadku kodu dołącz zachowanie do zaimplementowania, ograniczenia i reprezentatywne wejście, a następnie poproś o proponowany algorytm i materiał kodowy oddzielnie od wyjaśnienia.
Format rozumowania modelu oddziela fazę myślenia od końcowej odpowiedzi. DeepSeek zauważa, że niektóre zapytania mogą tworzyć pusty blok myślenia, i zaleca prefiks rozpoczynający rozumowanie w referencyjnym procesie, gdy zamierzone jest głębsze rozumowanie. Zachowuj rozróżnienie między formatem producenta a końcową odpowiedzią przeznaczoną dla użytkownika. Żądanym materiałem może być zwięzły wniosek lub kod, nawet gdy pośredni proces modelu jest dłuższy.
Oryginalne badanie wskazuje konkretne ograniczenia. R1 jest zoptymalizowany dla chińskiego i angielskiego, a zapytania w innych językach mogą prowadzić do niepożądanego mieszania języków. Jest wrażliwy na sposób formułowania promptów, a złożone zachowanie w rozmowach wieloturowych, odgrywaniu ról, JSON i wywołaniach funkcji jest mniej rozwinięte niż jego ukierunkowanie na rozumowanie matematyczne i programistyczne. Obsługa JSON i narzędzi udokumentowana dla R1-0528 jest zmianą późniejszego wydania, a nie kontraktem oryginalnego R1. Jawnie określ język i format wyjścia oraz sformułuj problem bezpośrednio.
W praktycznym zadaniu technicznym zdefiniuj, co stanowi poprawny wynik: wzór z założeniami, algorytm spełniający podaną złożoność lub uzasadnione porównanie według dostarczonych kryteriów. Poproś, aby końcowa odpowiedź wskazywała brakujące informacje zamiast je wymyślać. W pracy zależnej od źródeł dostarcz autorytatywne fragmenty jako tekst. Oceń proponowany kod lub wniosek względem pierwotnych warunków; użytecznym materiałem jest końcowe rozwiązanie i wspierające je wyjaśnienie, odrębne od działania lub walidacji faktycznie wykonanych przez otaczającą aplikację.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity deepseek/deepseek-r1 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0014 / 1K tokenów Wyjście · Tokeny wyjściowe $0.005 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0014 / 1K tokenów Wyjście · Tokeny wyjściowe $0.005 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek/deepseek-r1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek/deepseek-r1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek/deepseek-r1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra deepseek/deepseek-r1
Użyj ścieżek metod podanych powyżej.
deepseek/deepseek-r1DeepSeek R1 to oryginalny model tekstowy DeepSeek ukierunkowany na rozumowanie w matematyce, kodzie i logice. Łączy początkowe przykłady instruktażowe z uczeniem ze wzmocnieniem i kontekstem 128K, a producent zaleca bezpośrednie prompty i jawne formatowanie końcowej odpowiedzi.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
DeepSeek R1 to oryginalny model DeepSeek ukierunkowany na rozumowanie w zadaniach matematycznych, programistycznych i logicznych. Bazuje na DeepSeek V3 Base i korzysta z procesu treningowego obejmującego przykłady początkowe, nadzorowane doskonalenie i uczenie ze wzmocnieniem. Wejściem jest tekst, a wynikiem tekstowe rozwiązanie lub odpowiedź. Pozostaje odrębny od R1 Zero, późniejszego wydania R1-0528 i osobnych modeli destylowanych.
Producent odróżnia R1 od podejścia R1 Zero opartego wyłącznie na uczeniu ze wzmocnieniem. Materiały początkowe zapewniają R1 czytelniejszy wzorzec startowy przed uczeniem ze wzmocnieniem ukierunkowanym na rozumowanie. Późniejsze próbkowanie z odrzucaniem i trening nadzorowany dodają dane dotyczące rozumowania i ogólnego przeznaczenia, po czym następuje kolejny etap uczenia ze wzmocnieniem. Karta opisuje dwa etapy nadzorowane i dwa etapy uczenia ze wzmocnieniem, mające poprawić wzorce rozumowania i zgodność z żądaną odpowiedzią.
Opublikowana architektura ma 671 miliardów parametrów ogółem, z czego 37 miliardów jest aktywnych na token, oraz kontekst 128K. To okno obejmuje łącznie źródła, prompt i wygenerowane rozumowanie lub odpowiedź; nie stanowi osobnej gwarancji wyjścia 128K. Długi warunek matematyczny, fragment kodu lub zestaw wymagań nadal należy uporządkować tak, aby model mógł rozpoznać właściwy problem i potrzebną formę wyniku.
DeepSeek zaleca temperaturę od 0.5 do 0.7, ze wskazaniem na 0.6, aby ograniczyć powtórzenia lub niespójne wyjście. Doradza umieszczanie instrukcji w prompcie użytkownika zamiast dodawania promptu systemowego. Raport badawczy zaleca również bezpośrednie sformułowanie problemu i formatu wyjścia bez przykładów, ponieważ prompty few-shot mogą obniżać skuteczność tego oryginalnego profilu. Są to zalecenia użytkowania producenta, a nie domyślne ustawienia zakładane dla każdej aplikacji.
W przypadku matematyki podaj pełny warunek, definicje zmiennych i ograniczenia dziedziny. Producent zaleca prosić o rozwiązanie krok po kroku z końcowym wynikiem w wyrażeniu \\boxed{}. Przykładowe wytyczne mogą żądać końcowego wzoru, założeń jego obowiązywania i sprawdzenia przez podstawienie. W przypadku kodu dołącz zachowanie do zaimplementowania, ograniczenia i reprezentatywne wejście, a następnie poproś o proponowany algorytm i materiał kodowy oddzielnie od wyjaśnienia.
Format rozumowania modelu oddziela fazę myślenia od końcowej odpowiedzi. DeepSeek zauważa, że niektóre zapytania mogą tworzyć pusty blok myślenia, i zaleca prefiks rozpoczynający rozumowanie w referencyjnym procesie, gdy zamierzone jest głębsze rozumowanie. Zachowuj rozróżnienie między formatem producenta a końcową odpowiedzią przeznaczoną dla użytkownika. Żądanym materiałem może być zwięzły wniosek lub kod, nawet gdy pośredni proces modelu jest dłuższy.
Oryginalne badanie wskazuje konkretne ograniczenia. R1 jest zoptymalizowany dla chińskiego i angielskiego, a zapytania w innych językach mogą prowadzić do niepożądanego mieszania języków. Jest wrażliwy na sposób formułowania promptów, a złożone zachowanie w rozmowach wieloturowych, odgrywaniu ról, JSON i wywołaniach funkcji jest mniej rozwinięte niż jego ukierunkowanie na rozumowanie matematyczne i programistyczne. Obsługa JSON i narzędzi udokumentowana dla R1-0528 jest zmianą późniejszego wydania, a nie kontraktem oryginalnego R1. Jawnie określ język i format wyjścia oraz sformułuj problem bezpośrednio.
W praktycznym zadaniu technicznym zdefiniuj, co stanowi poprawny wynik: wzór z założeniami, algorytm spełniający podaną złożoność lub uzasadnione porównanie według dostarczonych kryteriów. Poproś, aby końcowa odpowiedź wskazywała brakujące informacje zamiast je wymyślać. W pracy zależnej od źródeł dostarcz autorytatywne fragmenty jako tekst. Oceń proponowany kod lub wniosek względem pierwotnych warunków; użytecznym materiałem jest końcowe rozwiązanie i wspierające je wyjaśnienie, odrębne od działania lub walidacji faktycznie wykonanych przez otaczającą aplikację.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity deepseek/deepseek-r1 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0014 / 1K tokenów Wyjście · Tokeny wyjściowe $0.005 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0014 / 1K tokenów Wyjście · Tokeny wyjściowe $0.005 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "deepseek/deepseek-r1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra deepseek/deepseek-r1
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Optimize a rectangular enclosure\n\nA rectangular enclosure has 60 metres of fencing, used on all four sides. Its width and length are positive real numbers. Derive the largest possible area, justify why the optimum is global and check the dimensions against the fencing constraint. Give the final result in a boxed mathematical expression.A derivation, optimal dimensions, a perimeter check and a boxed maximum area.Check that the solution respects positivity and uses 2(length + width) = 60 rather than a three-sided constraint.