DeepSeek R1 Distill Llama 8B transfere padrões de raciocínio de DeepSeek R1 para um modelo denso baseado em Llama 3.1 8B Base. A DeepSeek afina esta base com exemplos gerados por R1. O resultado é um ponto de controlo destilado de 8B separado, que trabalha com dados de entrada textuais e devolve uma resposta em texto, incluindo uma derivação, uma proposta de código ou a explicação de um problema lógico.
Identidade do modelo destilado. O fabricante disponibiliza destilações Llama e Qwen com diferentes bases e dimensões. A edição Llama 8B parte de um modelo Base; Llama 70B parte de Llama 3.3 70B Instruct. As edições Qwen usam as suas próprias bases. Preserve o ponto de controlo com a designação exata ao escolher um modelo ou interpretar a sua resposta. A DeepSeek ajusta as configurações e os tokenizadores das versões destiladas, pelo que uma configuração inalterada do modelo de base não descreve integralmente a versão preparada.
Para uma questão matemática, indique os pressupostos, defina os símbolos e inclua o problema completo. Peça uma derivação passo a passo, seguida de um resultado final claramente separado. Um pedido pedagógico útil pode perguntar por que razão uma determinada transformação é válida e que pressuposto a torna possível. Quando um argumento depender de um caso limite, inclua esse caso no pedido e solicite ao modelo que o verifique explicitamente. Assim obtém uma solução que pode examinar e discutir, em vez de uma resposta sem explicação.
Recomendações de utilização. A DeepSeek recomenda uma temperatura entre 0.5 e 0.7, com preferência por 0.6 para a sua série de raciocínio. Aconselha a colocar as instruções na mensagem do utilizador, sem um pedido de sistema separado, e pede aos utilizadores de matemática que solicitem raciocínio sequencial com a resposta final em notação de caixa. Para os casos em que o padrão de raciocínio pretendido é ignorado, a DeepSeek recomenda impor o prefixo de resposta <think>\\n numa configuração de geração compatível. Estas são recomendações publicadas de utilização do modelo para ambientes de geração compatíveis.
Para programação, forneça uma função ou um algoritmo conciso, entradas representativas e os resultados esperados. Peça a implementação proposta e exemplos que exercitem casos normais e excecionais. Para comunicar um erro, mantenha a mensagem de erro e indique o comportamento pretendido; depois, peça uma correção mínima com uma explicação. Um problema pequeno e bem delimitado facilita a verificação de que a resposta satisfaz o requisito real e a localização do ponto que precisa de seguimento.
Para análise lógica, apresente as premissas separadamente da conclusão que pretende testar. Peça um argumento que as relacione ou um contraexemplo que mostre que a conclusão não decorre necessariamente delas. Se a tarefa estiver insuficientemente especificada, peça o pressuposto em falta antes de uma conclusão definitiva. Verifique de forma independente os cálculos importantes e execute o código no projeto a que se destina. Ao avaliar o modelo para um fluxo de trabalho, siga o conselho do produtor de usar vários ensaios representativos, em vez de uma única resposta favorável.
", "aboutText": "DeepSeek R1 Distill Llama 8B transfere padrões de raciocínio de DeepSeek R1 para um modelo denso baseado em Llama 3.1 8B Base. A DeepSeek afina esta base com exemplos gerados por R1. O resultado é um ponto de controlo destilado de 8B separado, que trabalha com dados de entrada textuais e devolve uma resposta em texto, incluindo uma derivação, uma proposta de código ou a explicação de um problema lógico.\n\nIdentidade do modelo destilado. O fabricante disponibiliza destilações Llama e Qwen com diferentes bases e dimensões. A edição Llama 8B parte de um modelo Base; Llama 70B parte de Llama 3.3 70B Instruct. As edições Qwen usam as suas próprias bases. Preserve o ponto de controlo com a designação exata ao escolher um modelo ou interpretar a sua resposta. A DeepSeek ajusta as configurações e os tokenizadores das versões destiladas, pelo que uma configuração inalterada do modelo de base não descreve integralmente a versão preparada.\n\nPara uma questão matemática, indique os pressupostos, defina os símbolos e inclua o problema completo. Peça uma derivação passo a passo, seguida de um resultado final claramente separado. Um pedido pedagógico útil pode perguntar por que razão uma determinada transformação é válida e que pressuposto a torna possível. Quando um argumento depender de um caso limite, inclua esse caso no pedido e solicite ao modelo que o verifique explicitamente. Assim obtém uma solução que pode examinar e discutir, em vez de uma resposta sem explicação.\n\nRecomendações de utilização. A DeepSeek recomenda uma temperatura entre 0.5 e 0.7, com preferência por 0.6 para a sua série de raciocínio. Aconselha a colocar as instruções na mensagem do utilizador, sem um pedido de sistema separado, e pede aos utilizadores de matemática que solicitem raciocínio sequencial com a resposta final em notação de caixa. Para os casos em que o padrão de raciocínio pretendido é ignorado, a DeepSeek recomenda impor o prefixo de resposta `Exemplo técnico em inglês
Explain a square-root boundary\n\nSolve sqrt(x + 6) = x over the real numbers. Give a concise derivation, state the domain restrictions before squaring and check every resulting candidate in the original equation. Put the final solution set in box notation and explain why squaring can introduce an invalid candidate.A domain statement, an algebraic derivation, candidate substitutions and a boxed solution set.Check that every accepted root satisfies both the sign restriction and the unsquared equation.deepseek/deepseek-r1-distill-llama-8bUm modelo denso e compacto de raciocínio, criado pela DeepSeek sobre Llama 3.1 8B Base e afinado com exemplos gerados por R1. Produz soluções textuais para tarefas matemáticas, lógicas e de programação a partir de um problema claramente formulado.
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 Llama 8B transfere padrões de raciocínio de DeepSeek R1 para um modelo denso baseado em Llama 3.1 8B Base. A DeepSeek afina esta base com exemplos gerados por R1. O resultado é um ponto de controlo destilado de 8B separado, que trabalha com dados de entrada textuais e devolve uma resposta em texto, incluindo uma derivação, uma proposta de código ou a explicação de um problema lógico.
Identidade do modelo destilado. O fabricante disponibiliza destilações Llama e Qwen com diferentes bases e dimensões. A edição Llama 8B parte de um modelo Base; Llama 70B parte de Llama 3.3 70B Instruct. As edições Qwen usam as suas próprias bases. Preserve o ponto de controlo com a designação exata ao escolher um modelo ou interpretar a sua resposta. A DeepSeek ajusta as configurações e os tokenizadores das versões destiladas, pelo que uma configuração inalterada do modelo de base não descreve integralmente a versão preparada.
Para uma questão matemática, indique os pressupostos, defina os símbolos e inclua o problema completo. Peça uma derivação passo a passo, seguida de um resultado final claramente separado. Um pedido pedagógico útil pode perguntar por que razão uma determinada transformação é válida e que pressuposto a torna possível. Quando um argumento depender de um caso limite, inclua esse caso no pedido e solicite ao modelo que o verifique explicitamente. Assim obtém uma solução que pode examinar e discutir, em vez de uma resposta sem explicação.
Recomendações de utilização. A DeepSeek recomenda uma temperatura entre 0.5 e 0.7, com preferência por 0.6 para a sua série de raciocínio. Aconselha a colocar as instruções na mensagem do utilizador, sem um pedido de sistema separado, e pede aos utilizadores de matemática que solicitem raciocínio sequencial com a resposta final em notação de caixa. Para os casos em que o padrão de raciocínio pretendido é ignorado, a DeepSeek recomenda impor o prefixo de resposta <think>\\n numa configuração de geração compatível. Estas são recomendações publicadas de utilização do modelo para ambientes de geração compatíveis.
Para programação, forneça uma função ou um algoritmo conciso, entradas representativas e os resultados esperados. Peça a implementação proposta e exemplos que exercitem casos normais e excecionais. Para comunicar um erro, mantenha a mensagem de erro e indique o comportamento pretendido; depois, peça uma correção mínima com uma explicação. Um problema pequeno e bem delimitado facilita a verificação de que a resposta satisfaz o requisito real e a localização do ponto que precisa de seguimento.
Para análise lógica, apresente as premissas separadamente da conclusão que pretende testar. Peça um argumento que as relacione ou um contraexemplo que mostre que a conclusão não decorre necessariamente delas. Se a tarefa estiver insuficientemente especificada, peça o pressuposto em falta antes de uma conclusão definitiva. Verifique de forma independente os cálculos importantes e execute o código no projeto a que se destina. Ao avaliar o modelo para um fluxo de trabalho, siga o conselho do produtor de usar vários ensaios representativos, em vez de uma única resposta favorável.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites deepseek/deepseek-r1-distill-llama-8b | 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 $0.00008 / 1K tokens Saída · Tokens de saída $0.00008 / 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/deepseek-r1-distill-llama-8b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek/deepseek-r1-distill-llama-8b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek/deepseek-r1-distill-llama-8b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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/deepseek-r1-distill-llama-8b
Use os caminhos dos métodos indicados acima.
deepseek/deepseek-r1-distill-llama-8bUm modelo denso e compacto de raciocínio, criado pela DeepSeek sobre Llama 3.1 8B Base e afinado com exemplos gerados por R1. Produz soluções textuais para tarefas matemáticas, lógicas e de programação a partir de um problema claramente formulado.
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 Llama 8B transfere padrões de raciocínio de DeepSeek R1 para um modelo denso baseado em Llama 3.1 8B Base. A DeepSeek afina esta base com exemplos gerados por R1. O resultado é um ponto de controlo destilado de 8B separado, que trabalha com dados de entrada textuais e devolve uma resposta em texto, incluindo uma derivação, uma proposta de código ou a explicação de um problema lógico.
Identidade do modelo destilado. O fabricante disponibiliza destilações Llama e Qwen com diferentes bases e dimensões. A edição Llama 8B parte de um modelo Base; Llama 70B parte de Llama 3.3 70B Instruct. As edições Qwen usam as suas próprias bases. Preserve o ponto de controlo com a designação exata ao escolher um modelo ou interpretar a sua resposta. A DeepSeek ajusta as configurações e os tokenizadores das versões destiladas, pelo que uma configuração inalterada do modelo de base não descreve integralmente a versão preparada.
Para uma questão matemática, indique os pressupostos, defina os símbolos e inclua o problema completo. Peça uma derivação passo a passo, seguida de um resultado final claramente separado. Um pedido pedagógico útil pode perguntar por que razão uma determinada transformação é válida e que pressuposto a torna possível. Quando um argumento depender de um caso limite, inclua esse caso no pedido e solicite ao modelo que o verifique explicitamente. Assim obtém uma solução que pode examinar e discutir, em vez de uma resposta sem explicação.
Recomendações de utilização. A DeepSeek recomenda uma temperatura entre 0.5 e 0.7, com preferência por 0.6 para a sua série de raciocínio. Aconselha a colocar as instruções na mensagem do utilizador, sem um pedido de sistema separado, e pede aos utilizadores de matemática que solicitem raciocínio sequencial com a resposta final em notação de caixa. Para os casos em que o padrão de raciocínio pretendido é ignorado, a DeepSeek recomenda impor o prefixo de resposta <think>\\n numa configuração de geração compatível. Estas são recomendações publicadas de utilização do modelo para ambientes de geração compatíveis.
Para programação, forneça uma função ou um algoritmo conciso, entradas representativas e os resultados esperados. Peça a implementação proposta e exemplos que exercitem casos normais e excecionais. Para comunicar um erro, mantenha a mensagem de erro e indique o comportamento pretendido; depois, peça uma correção mínima com uma explicação. Um problema pequeno e bem delimitado facilita a verificação de que a resposta satisfaz o requisito real e a localização do ponto que precisa de seguimento.
Para análise lógica, apresente as premissas separadamente da conclusão que pretende testar. Peça um argumento que as relacione ou um contraexemplo que mostre que a conclusão não decorre necessariamente delas. Se a tarefa estiver insuficientemente especificada, peça o pressuposto em falta antes de uma conclusão definitiva. Verifique de forma independente os cálculos importantes e execute o código no projeto a que se destina. Ao avaliar o modelo para um fluxo de trabalho, siga o conselho do produtor de usar vários ensaios representativos, em vez de uma única resposta favorável.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites deepseek/deepseek-r1-distill-llama-8b | 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 $0.00008 / 1K tokens Saída · Tokens de saída $0.00008 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "deepseek/deepseek-r1-distill-llama-8b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1-distill-llama-8b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1-distill-llama-8b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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/deepseek-r1-distill-llama-8b
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Explain a square-root boundary\n\nSolve sqrt(x + 6) = x over the real numbers. Give a concise derivation, state the domain restrictions before squaring and check every resulting candidate in the original equation. Put the final solution set in box notation and explain why squaring can introduce an invalid candidate.A domain statement, an algebraic derivation, candidate substitutions and a boxed solution set.Check that every accepted root satisfies both the sign restriction and the unsquared equation.