DeepSeek-R1-Distill-Qwen-14B é o ponto de controlo de raciocínio de dimensão 14B baseado em Qwen, publicado pela DeepSeek. A sua base é Qwen2.5-14B, afinada com exemplos preparados por DeepSeek-R1. Aceita um problema escrito ou uma conversa e devolve texto que pode incluir uma solução matemática, uma explicação do comportamento de um programa ou uma conclusão obtida a partir de várias condições fornecidas.
Transferência de raciocínio e edição identificada
A DeepSeek distingue os modelos completos R1 e R1-Zero dos modelos densos destilados sobre bases Qwen e Llama. Nas versões destiladas, os dados de treino transportam padrões de raciocínio do modelo R1 de maior dimensão para um ponto de controlo diferente. O nome 14B identifica esta base Qwen específica; não identifica a arquitetura R1 completa, o ponto de controlo destilado de 32B nem a versão normal Qwen2.5-14B-Instruct.
O fabricante descreve 800,000 exemplos selecionados para as versões destiladas Qwen e assinala alterações nas suas configurações e tokenizadores. Mantenha as definições da versão DeepSeek ao usar este modelo. Essas alterações são relevantes, apesar de a origem do modelo ser Qwen2.5. A configuração própria do ponto de controlo de 14B especifica 48 camadas, 40 cabeças de atenção de consulta e 8 cabeças de chave/valor, com o máximo de posições definido em 131,072.
O que fornecer para uma resposta desenvolvida útil
Para uma tarefa de tutoria, inclua o problema e a tentativa de solução do aluno; depois, assinale a transição que precisa de explicação. Peça ao modelo que identifique a condição relevante, explique a correção na mesma notação e prossiga apenas até onde for necessário para estabelecer o resultado. Isto mantém a resposta ligada à dificuldade real do aluno, em vez de produzir uma aula completa sem relação com ela.
Por exemplo, um aluno pode ter dividido por uma expressão sem indicar se esta pode ser zero. Forneça a equação original e pergunte que casos devem ser considerados antes dessa transformação. O resultado pretendido pode separar o caso permitido, o caso excecional e o conjunto final de soluções. Esta é uma tarefa matemática proposta, com o formato da resposta definido pela condição, em vez de um pedido genérico para explicar álgebra.
Para uma questão de programação, forneça o algoritmo ou a função e uma entrada concreta. Pergunte como o estado muda e por que razão daí decorre o resultado devolvido. Um pedido de seguimento pode solicitar uma implementação revista sob uma restrição explícita, como manter a assinatura pública da função ou evitar modificar a entrada. Inclua o código auxiliar relevante e o comportamento esperado, para que a explicação não dependa de uma implementação não especificada.
Para uma comparação lógica, identifique as alternativas e as condições que cada uma tem de satisfazer. Peça os pressupostos usados por cada abordagem, os conflitos que excluem uma escolha e as informações que continuam por esclarecer. Uma tabela de decisão concisa pode então constituir o resultado final, enquanto a prosa envolvente explica como as regras fornecidas o sustentam.
Recomendações da DeepSeek para os pedidos
O fabricante recomenda evitar um pedido de sistema e colocar todas as instruções diretamente no pedido do utilizador. Reúna a tarefa, os requisitos de saída e o material de origem necessário, identificando claramente que texto constitui o problema e que texto é uma instrução sobre a resposta. Use o tokenizador e as definições de conversação publicados, em vez de pressupor que a formatação original de Qwen é intercambiável.
O intervalo de temperatura documentado é de 0.5 a 0.7, com 0.6 recomendado. A DeepSeek relaciona isto com a redução da repetição e das respostas incoerentes. Para perguntas matemáticas, recomenda uma resposta desenvolvida com o resultado final numa caixa LaTeX. Descreve também casos em que o modelo ignora o bloco de raciocínio e recomenda iniciar a resposta com o marcador de abertura de raciocínio para incentivar o fluxo pretendido.
Uma saída matemática útil pode conter o método escolhido, as transformações justificadas e uma expressão final separada. Indique se o resultado deve ser exato ou arredondado e especifique as unidades quando forem relevantes. Para código, peça a explicação separadamente da implementação proposta. Para lógica, peça a conclusão final juntamente com as condições em que é válida. Estes requisitos determinam o que o leitor ou a aplicação pode efetivamente usar após o texto de raciocínio.
Limites de contexto e de conteúdo
A configuração atualmente publicada define o máximo de posições em 131,072. Esse é o valor de configuração deste ponto de controlo, não uma promessa herdada sobre todas as interfaces de disponibilização. A definição de geração de 32,768 tokens do fabricante faz parte da avaliação; não estabelece um comprimento máximo rígido e separado de resposta. A capacidade de saída do modelo Qwen Instruct original também não deve ser transferida para esta versão de raciocínio modificada sem uma especificação própria.
Este é um modelo textual. Uma imagem de um problema matemático precisa de ter os símbolos e as condições convertidos em texto antes da tarefa de raciocínio, e a execução do código proposto exige um ambiente separado de desenvolvimento ou cálculo. A destilação descreve treino com exemplos de R1, e não uma chamada automática ao professor durante a execução nem um verificador independente integrado.
Use o ponto de controlo identificado de 14B para uma tarefa definida de resposta desenvolvida e preserve a notação, os pressupostos e o resultado pretendido do problema. O objetivo prático é uma solução que o leitor possa examinar: que condições se aplicam, por que razão decorre cada passo importante e que expressão final, implementação ou conclusão responde à pergunta original.
", "aboutText": "DeepSeek-R1-Distill-Qwen-14B é o ponto de controlo de raciocínio de dimensão 14B baseado em Qwen, publicado pela DeepSeek. A sua base é Qwen2.5-14B, afinada com exemplos preparados por DeepSeek-R1. Aceita um problema escrito ou uma conversa e devolve texto que pode incluir uma solução matemática, uma explicação do comportamento de um programa ou uma conclusão obtida a partir de várias condições fornecidas.\n\nTransferência de raciocínio e edição identificada\n\nA DeepSeek distingue os modelos completos R1 e R1-Zero dos modelos densos destilados sobre bases Qwen e Llama. Nas versões destiladas, os dados de treino transportam padrões de raciocínio do modelo R1 de maior dimensão para um ponto de controlo diferente. O nome 14B identifica esta base Qwen específica; não identifica a arquitetura R1 completa, o ponto de controlo destilado de 32B nem a versão normal Qwen2.5-14B-Instruct.\n\nO fabricante descreve 800,000 exemplos selecionados para as versões destiladas Qwen e assinala alterações nas suas configurações e tokenizadores. Mantenha as definições da versão DeepSeek ao usar este modelo. Essas alterações são relevantes, apesar de a origem do modelo ser Qwen2.5. A configuração própria do ponto de controlo de 14B especifica 48 camadas, 40 cabeças de atenção de consulta e 8 cabeças de chave/valor, com o máximo de posições definido em 131,072.\n\nO que fornecer para uma resposta desenvolvida útil\n\nPara uma tarefa de tutoria, inclua o problema e a tentativa de solução do aluno; depois, assinale a transição que precisa de explicação. Peça ao modelo que identifique a condição relevante, explique a correção na mesma notação e prossiga apenas até onde for necessário para estabelecer o resultado. Isto mantém a resposta ligada à dificuldade real do aluno, em vez de produzir uma aula completa sem relação com ela.\n\nPor exemplo, um aluno pode ter dividido por uma expressão sem indicar se esta pode ser zero. Forneça a equação original e pergunte que casos devem ser considerados antes dessa transformação. O resultado pretendido pode separar o caso permitido, o caso excecional e o conjunto final de soluções. Esta é uma tarefa matemática proposta, com o formato da resposta definido pela condição, em vez de um pedido genérico para explicar álgebra.\n\nPara uma questão de programação, forneça o algoritmo ou a função e uma entrada concreta. Pergunte como o estado muda e por que razão daí decorre o resultado devolvido. Um pedido de seguimento pode solicitar uma implementação revista sob uma restrição explícita, como manter a assinatura pública da função ou evitar modificar a entrada. Inclua o código auxiliar relevante e o comportamento esperado, para que a explicação não dependa de uma implementação não especificada.\n\nPara uma comparação lógica, identifique as alternativas e as condições que cada uma tem de satisfazer. Peça os pressupostos usados por cada abordagem, os conflitos que excluem uma escolha e as informações que continuam por esclarecer. Uma tabela de decisão concisa pode então constituir o resultado final, enquanto a prosa envolvente explica como as regras fornecidas o sustentam.\n\nRecomendações da DeepSeek para os pedidos\n\nO fabricante recomenda evitar um pedido de sistema e colocar todas as instruções diretamente no pedido do utilizador. Reúna a tarefa, os requisitos de saída e o material de origem necessário, identificando claramente que texto constitui o problema e que texto é uma instrução sobre a resposta. Use o tokenizador e as definições de conversação publicados, em vez de pressupor que a formatação original de Qwen é intercambiável.\n\nO intervalo de temperatura documentado é de 0.5 a 0.7, com 0.6 recomendado. A DeepSeek relaciona isto com a redução da repetição e das respostas incoerentes. Para perguntas matemáticas, recomenda uma resposta desenvolvida com o resultado final numa caixa LaTeX. Descreve também casos em que o modelo ignora o bloco de raciocínio e recomenda iniciar a resposta com o marcador de abertura de raciocínio para incentivar o fluxo pretendido.\n\nUma saída matemática útil pode conter o método escolhido, as transformações justificadas e uma expressão final separada. Indique se o resultado deve ser exato ou arredondado e especifique as unidades quando forem relevantes. Para código, peça a explicação separadamente da implementação proposta. Para lógica, peça a conclusão final juntamente com as condições em que é válida. Estes requisitos determinam o que o leitor ou a aplicação pode efetivamente usar após o texto de raciocínio.\n\nLimites de contexto e de conteúdo\n\nA configuração atualmente publicada define o máximo de posições em 131,072. Esse é o valor de configuração deste ponto de controlo, não uma promessa herdada sobre todas as interfaces de disponibilização. A definição de geração de 32,768 tokens do fabricante faz parte da avaliação; não estabelece um comprimento máximo rígido e separado de resposta. A capacidade de saída do modelo Qwen Instruct original também não deve ser transferida para esta versão de raciocínio modificada sem uma especificação própria.\n\nEste é um modelo textual. Uma imagem de um problema matemático precisa de ter os símbolos e as condições convertidos em texto antes da tarefa de raciocínio, e a execução do código proposto exige um ambiente separado de desenvolvimento ou cálculo. A destilação descreve treino com exemplos de R1, e não uma chamada automática ao professor durante a execução nem um verificador independente integrado.\n\nUse o ponto de controlo identificado de 14B para uma tarefa definida de resposta desenvolvida e preserve a notação, os pressupostos e o resultado pretendido do problema. O objetivo prático é uma solução que o leitor possa examinar: que condições se aplicam, por que razão decorre cada passo importante e que expressão final, implementação ou conclusão responde à pergunta original.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Repair an algebraic division step\n\nA student solves x(x - 3) = 2(x - 3) by dividing by x - 3 and concludes x = 2. Explain the missing case without changing the original equation. Separate the zero-divisor case from the nonzero case, then give the complete solution set and substitute each candidate back into the equation.A case split, a complete solution set and a substitution check for each candidate.The response checks the x - 3 = 0 case rather than silently dividing it away.deepseek-ai/DeepSeek-R1-Distill-Qwen-14BDeepSeek-R1-Distill-Qwen-14B é um ponto de controlo de raciocínio textual baseado em Qwen2.5-14B e em exemplos gerados por DeepSeek-R1. Suporta respostas desenvolvidas de matemática, programação e lógica, com o tokenizador, as recomendações de pedidos e a configuração de versão próprios da DeepSeek.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
DeepSeek-R1-Distill-Qwen-14B é o ponto de controlo de raciocínio de dimensão 14B baseado em Qwen, publicado pela DeepSeek. A sua base é Qwen2.5-14B, afinada com exemplos preparados por DeepSeek-R1. Aceita um problema escrito ou uma conversa e devolve texto que pode incluir uma solução matemática, uma explicação do comportamento de um programa ou uma conclusão obtida a partir de várias condições fornecidas.
Transferência de raciocínio e edição identificada
A DeepSeek distingue os modelos completos R1 e R1-Zero dos modelos densos destilados sobre bases Qwen e Llama. Nas versões destiladas, os dados de treino transportam padrões de raciocínio do modelo R1 de maior dimensão para um ponto de controlo diferente. O nome 14B identifica esta base Qwen específica; não identifica a arquitetura R1 completa, o ponto de controlo destilado de 32B nem a versão normal Qwen2.5-14B-Instruct.
O fabricante descreve 800,000 exemplos selecionados para as versões destiladas Qwen e assinala alterações nas suas configurações e tokenizadores. Mantenha as definições da versão DeepSeek ao usar este modelo. Essas alterações são relevantes, apesar de a origem do modelo ser Qwen2.5. A configuração própria do ponto de controlo de 14B especifica 48 camadas, 40 cabeças de atenção de consulta e 8 cabeças de chave/valor, com o máximo de posições definido em 131,072.
O que fornecer para uma resposta desenvolvida útil
Para uma tarefa de tutoria, inclua o problema e a tentativa de solução do aluno; depois, assinale a transição que precisa de explicação. Peça ao modelo que identifique a condição relevante, explique a correção na mesma notação e prossiga apenas até onde for necessário para estabelecer o resultado. Isto mantém a resposta ligada à dificuldade real do aluno, em vez de produzir uma aula completa sem relação com ela.
Por exemplo, um aluno pode ter dividido por uma expressão sem indicar se esta pode ser zero. Forneça a equação original e pergunte que casos devem ser considerados antes dessa transformação. O resultado pretendido pode separar o caso permitido, o caso excecional e o conjunto final de soluções. Esta é uma tarefa matemática proposta, com o formato da resposta definido pela condição, em vez de um pedido genérico para explicar álgebra.
Para uma questão de programação, forneça o algoritmo ou a função e uma entrada concreta. Pergunte como o estado muda e por que razão daí decorre o resultado devolvido. Um pedido de seguimento pode solicitar uma implementação revista sob uma restrição explícita, como manter a assinatura pública da função ou evitar modificar a entrada. Inclua o código auxiliar relevante e o comportamento esperado, para que a explicação não dependa de uma implementação não especificada.
Para uma comparação lógica, identifique as alternativas e as condições que cada uma tem de satisfazer. Peça os pressupostos usados por cada abordagem, os conflitos que excluem uma escolha e as informações que continuam por esclarecer. Uma tabela de decisão concisa pode então constituir o resultado final, enquanto a prosa envolvente explica como as regras fornecidas o sustentam.
Recomendações da DeepSeek para os pedidos
O fabricante recomenda evitar um pedido de sistema e colocar todas as instruções diretamente no pedido do utilizador. Reúna a tarefa, os requisitos de saída e o material de origem necessário, identificando claramente que texto constitui o problema e que texto é uma instrução sobre a resposta. Use o tokenizador e as definições de conversação publicados, em vez de pressupor que a formatação original de Qwen é intercambiável.
O intervalo de temperatura documentado é de 0.5 a 0.7, com 0.6 recomendado. A DeepSeek relaciona isto com a redução da repetição e das respostas incoerentes. Para perguntas matemáticas, recomenda uma resposta desenvolvida com o resultado final numa caixa LaTeX. Descreve também casos em que o modelo ignora o bloco de raciocínio e recomenda iniciar a resposta com o marcador de abertura de raciocínio para incentivar o fluxo pretendido.
Uma saída matemática útil pode conter o método escolhido, as transformações justificadas e uma expressão final separada. Indique se o resultado deve ser exato ou arredondado e especifique as unidades quando forem relevantes. Para código, peça a explicação separadamente da implementação proposta. Para lógica, peça a conclusão final juntamente com as condições em que é válida. Estes requisitos determinam o que o leitor ou a aplicação pode efetivamente usar após o texto de raciocínio.
Limites de contexto e de conteúdo
A configuração atualmente publicada define o máximo de posições em 131,072. Esse é o valor de configuração deste ponto de controlo, não uma promessa herdada sobre todas as interfaces de disponibilização. A definição de geração de 32,768 tokens do fabricante faz parte da avaliação; não estabelece um comprimento máximo rígido e separado de resposta. A capacidade de saída do modelo Qwen Instruct original também não deve ser transferida para esta versão de raciocínio modificada sem uma especificação própria.
Este é um modelo textual. Uma imagem de um problema matemático precisa de ter os símbolos e as condições convertidos em texto antes da tarefa de raciocínio, e a execução do código proposto exige um ambiente separado de desenvolvimento ou cálculo. A destilação descreve treino com exemplos de R1, e não uma chamada automática ao professor durante a execução nem um verificador independente integrado.
Use o ponto de controlo identificado de 14B para uma tarefa definida de resposta desenvolvida e preserve a notação, os pressupostos e o resultado pretendido do problema. O objetivo prático é uma solução que o leitor possa examinar: que condições se aplicam, por que razão decorre cada passo importante e que expressão final, implementação ou conclusão responde à pergunta original.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites deepseek-ai/DeepSeek-R1-Distill-Qwen-14B | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.0002 / 1K tokens Saída · Tokens de saída $0.0002 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-14B", "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-ai/DeepSeek-R1-Distill-Qwen-14B',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-ai/DeepSeek-R1-Distill-Qwen-14B',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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-14B
Use os caminhos dos métodos indicados acima.
deepseek-ai/DeepSeek-R1-Distill-Qwen-14BDeepSeek-R1-Distill-Qwen-14B é um ponto de controlo de raciocínio textual baseado em Qwen2.5-14B e em exemplos gerados por DeepSeek-R1. Suporta respostas desenvolvidas de matemática, programação e lógica, com o tokenizador, as recomendações de pedidos e a configuração de versão próprios da DeepSeek.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
DeepSeek-R1-Distill-Qwen-14B é o ponto de controlo de raciocínio de dimensão 14B baseado em Qwen, publicado pela DeepSeek. A sua base é Qwen2.5-14B, afinada com exemplos preparados por DeepSeek-R1. Aceita um problema escrito ou uma conversa e devolve texto que pode incluir uma solução matemática, uma explicação do comportamento de um programa ou uma conclusão obtida a partir de várias condições fornecidas.
Transferência de raciocínio e edição identificada
A DeepSeek distingue os modelos completos R1 e R1-Zero dos modelos densos destilados sobre bases Qwen e Llama. Nas versões destiladas, os dados de treino transportam padrões de raciocínio do modelo R1 de maior dimensão para um ponto de controlo diferente. O nome 14B identifica esta base Qwen específica; não identifica a arquitetura R1 completa, o ponto de controlo destilado de 32B nem a versão normal Qwen2.5-14B-Instruct.
O fabricante descreve 800,000 exemplos selecionados para as versões destiladas Qwen e assinala alterações nas suas configurações e tokenizadores. Mantenha as definições da versão DeepSeek ao usar este modelo. Essas alterações são relevantes, apesar de a origem do modelo ser Qwen2.5. A configuração própria do ponto de controlo de 14B especifica 48 camadas, 40 cabeças de atenção de consulta e 8 cabeças de chave/valor, com o máximo de posições definido em 131,072.
O que fornecer para uma resposta desenvolvida útil
Para uma tarefa de tutoria, inclua o problema e a tentativa de solução do aluno; depois, assinale a transição que precisa de explicação. Peça ao modelo que identifique a condição relevante, explique a correção na mesma notação e prossiga apenas até onde for necessário para estabelecer o resultado. Isto mantém a resposta ligada à dificuldade real do aluno, em vez de produzir uma aula completa sem relação com ela.
Por exemplo, um aluno pode ter dividido por uma expressão sem indicar se esta pode ser zero. Forneça a equação original e pergunte que casos devem ser considerados antes dessa transformação. O resultado pretendido pode separar o caso permitido, o caso excecional e o conjunto final de soluções. Esta é uma tarefa matemática proposta, com o formato da resposta definido pela condição, em vez de um pedido genérico para explicar álgebra.
Para uma questão de programação, forneça o algoritmo ou a função e uma entrada concreta. Pergunte como o estado muda e por que razão daí decorre o resultado devolvido. Um pedido de seguimento pode solicitar uma implementação revista sob uma restrição explícita, como manter a assinatura pública da função ou evitar modificar a entrada. Inclua o código auxiliar relevante e o comportamento esperado, para que a explicação não dependa de uma implementação não especificada.
Para uma comparação lógica, identifique as alternativas e as condições que cada uma tem de satisfazer. Peça os pressupostos usados por cada abordagem, os conflitos que excluem uma escolha e as informações que continuam por esclarecer. Uma tabela de decisão concisa pode então constituir o resultado final, enquanto a prosa envolvente explica como as regras fornecidas o sustentam.
Recomendações da DeepSeek para os pedidos
O fabricante recomenda evitar um pedido de sistema e colocar todas as instruções diretamente no pedido do utilizador. Reúna a tarefa, os requisitos de saída e o material de origem necessário, identificando claramente que texto constitui o problema e que texto é uma instrução sobre a resposta. Use o tokenizador e as definições de conversação publicados, em vez de pressupor que a formatação original de Qwen é intercambiável.
O intervalo de temperatura documentado é de 0.5 a 0.7, com 0.6 recomendado. A DeepSeek relaciona isto com a redução da repetição e das respostas incoerentes. Para perguntas matemáticas, recomenda uma resposta desenvolvida com o resultado final numa caixa LaTeX. Descreve também casos em que o modelo ignora o bloco de raciocínio e recomenda iniciar a resposta com o marcador de abertura de raciocínio para incentivar o fluxo pretendido.
Uma saída matemática útil pode conter o método escolhido, as transformações justificadas e uma expressão final separada. Indique se o resultado deve ser exato ou arredondado e especifique as unidades quando forem relevantes. Para código, peça a explicação separadamente da implementação proposta. Para lógica, peça a conclusão final juntamente com as condições em que é válida. Estes requisitos determinam o que o leitor ou a aplicação pode efetivamente usar após o texto de raciocínio.
Limites de contexto e de conteúdo
A configuração atualmente publicada define o máximo de posições em 131,072. Esse é o valor de configuração deste ponto de controlo, não uma promessa herdada sobre todas as interfaces de disponibilização. A definição de geração de 32,768 tokens do fabricante faz parte da avaliação; não estabelece um comprimento máximo rígido e separado de resposta. A capacidade de saída do modelo Qwen Instruct original também não deve ser transferida para esta versão de raciocínio modificada sem uma especificação própria.
Este é um modelo textual. Uma imagem de um problema matemático precisa de ter os símbolos e as condições convertidos em texto antes da tarefa de raciocínio, e a execução do código proposto exige um ambiente separado de desenvolvimento ou cálculo. A destilação descreve treino com exemplos de R1, e não uma chamada automática ao professor durante a execução nem um verificador independente integrado.
Use o ponto de controlo identificado de 14B para uma tarefa definida de resposta desenvolvida e preserve a notação, os pressupostos e o resultado pretendido do problema. O objetivo prático é uma solução que o leitor possa examinar: que condições se aplicam, por que razão decorre cada passo importante e que expressão final, implementação ou conclusão responde à pergunta original.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites deepseek-ai/DeepSeek-R1-Distill-Qwen-14B | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.0002 / 1K tokens Saída · Tokens de saída $0.0002 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-14B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-ai/DeepSeek-R1-Distill-Qwen-14B', '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-ai/DeepSeek-R1-Distill-Qwen-14B', '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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-14B
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Repair an algebraic division step\n\nA student solves x(x - 3) = 2(x - 3) by dividing by x - 3 and concludes x = 2. Explain the missing case without changing the original equation. Separate the zero-divisor case from the nonzero case, then give the complete solution set and substitute each candidate back into the equation.A case split, a complete solution set and a substitution check for each candidate.The response checks the x - 3 = 0 case rather than silently dividing it away.