DeepSeek R1 é o modelo original da DeepSeek centrado no raciocínio para tarefas matemáticas, de programação e de lógica. Baseia-se em DeepSeek V3 Base e usa um processo de treino com exemplos de arranque inicial, aperfeiçoamento supervisionado e aprendizagem por reforço. A entrada é texto e o resultado é uma solução ou resposta textual. Mantém-se distinto de R1 Zero, da edição posterior R1-0528 e dos modelos destilados separadamente.
O produtor distingue R1 da abordagem de R1 Zero, baseada exclusivamente em aprendizagem por reforço. O material de arranque inicial proporciona a R1 um padrão inicial mais legível antes da aprendizagem por reforço orientada para o raciocínio. A amostragem por rejeição e o treino supervisionado subsequentes acrescentam dados de raciocínio e de uso geral, seguindo-se outra etapa de aprendizagem por reforço. A ficha descreve duas etapas supervisionadas e duas de aprendizagem por reforço, destinadas a melhorar os padrões de raciocínio e o alinhamento com a resposta solicitada.
A arquitetura publicada tem um total de 671 mil milhões de parâmetros, com 37 mil milhões ativos por token, e um contexto de 128K. Essa janela contém em conjunto a fonte, o pedido e o raciocínio ou a resposta gerados; não é uma garantia separada de 128K de saída. Uma condição matemática longa, um fragmento de código ou um conjunto de requisitos devem, ainda assim, ser organizados de forma a permitir ao modelo identificar o problema real e o formato do resultado pretendido.
A DeepSeek recomenda uma temperatura entre 0.5 e 0.7, com 0.6 recomendado, para reduzir a repetição ou as respostas incoerentes. Aconselha a colocar as instruções no pedido do utilizador, em vez de acrescentar um pedido de sistema. O seu relatório de investigação também recomenda um enunciado direto do problema e do formato de saída, sem exemplos, numa abordagem zero-shot, porque os pedidos few-shot podem reduzir o desempenho neste perfil original. Estas são recomendações de utilização do produtor, e não valores predefinidos assumidos para todas as aplicações.
Para matemática, forneça a condição completa, as definições das variáveis e as restrições de domínio. O produtor recomenda pedir uma solução passo a passo com o resultado final numa expressão \\boxed{}. Um pedido ilustrativo pode solicitar a fórmula final, os pressupostos em que é válida e uma verificação por substituição. Para código, inclua o comportamento a implementar, as restrições e uma entrada representativa; depois, peça o algoritmo proposto e o código separadamente da sua explicação.
O formato de raciocínio do modelo separa uma fase de pensamento da resposta final. A DeepSeek assinala que algumas perguntas podem produzir um bloco de pensamento vazio e recomenda um prefixo de início de raciocínio no seu fluxo de referência quando se pretende raciocínio mais aprofundado. Preserve a distinção entre esse formato do produtor e a resposta final que pretende apresentar ao utilizador. O resultado solicitado pode ser uma conclusão concisa ou código, mesmo quando o processo intermédio do modelo é mais longo.
A investigação original identifica limitações concretas. R1 está otimizado para chinês e inglês, e as perguntas noutras línguas podem provocar misturas linguísticas indesejadas. É sensível à formulação dos pedidos, e o seu comportamento em interações complexas com vários turnos, representação de papéis, JSON e chamadas de função está menos desenvolvido do que o seu foco no raciocínio matemático e de programação. O suporte de JSON e de ferramentas documentado para R1-0528 é uma alteração de uma edição posterior, não o contrato do R1 original. Indique explicitamente a língua e o formato de saída e mantenha o enunciado do problema direto.
Para uma tarefa técnica prática, defina o que constitui um resultado correto: uma fórmula com pressupostos, um algoritmo que cumpra a complexidade indicada ou uma comparação fundamentada segundo critérios fornecidos. Peça que a resposta final identifique as informações em falta, em vez de as inventar. Para trabalho dependente de fontes, forneça as passagens de referência em texto. Reveja o código ou a conclusão propostos à luz das condições originais; o resultado útil é a solução final e a explicação que a sustenta, distintos de uma ação ou validação que a aplicação envolvente tenha efetivamente realizado.
", "aboutText": "DeepSeek R1 é o modelo original da DeepSeek centrado no raciocínio para tarefas matemáticas, de programação e de lógica. Baseia-se em DeepSeek V3 Base e usa um processo de treino com exemplos de arranque inicial, aperfeiçoamento supervisionado e aprendizagem por reforço. A entrada é texto e o resultado é uma solução ou resposta textual. Mantém-se distinto de R1 Zero, da edição posterior R1-0528 e dos modelos destilados separadamente.\n\nO produtor distingue R1 da abordagem de R1 Zero, baseada exclusivamente em aprendizagem por reforço. O material de arranque inicial proporciona a R1 um padrão inicial mais legível antes da aprendizagem por reforço orientada para o raciocínio. A amostragem por rejeição e o treino supervisionado subsequentes acrescentam dados de raciocínio e de uso geral, seguindo-se outra etapa de aprendizagem por reforço. A ficha descreve duas etapas supervisionadas e duas de aprendizagem por reforço, destinadas a melhorar os padrões de raciocínio e o alinhamento com a resposta solicitada.\n\nA arquitetura publicada tem um total de 671 mil milhões de parâmetros, com 37 mil milhões ativos por token, e um contexto de 128K. Essa janela contém em conjunto a fonte, o pedido e o raciocínio ou a resposta gerados; não é uma garantia separada de 128K de saída. Uma condição matemática longa, um fragmento de código ou um conjunto de requisitos devem, ainda assim, ser organizados de forma a permitir ao modelo identificar o problema real e o formato do resultado pretendido.\n\nA DeepSeek recomenda uma temperatura entre 0.5 e 0.7, com 0.6 recomendado, para reduzir a repetição ou as respostas incoerentes. Aconselha a colocar as instruções no pedido do utilizador, em vez de acrescentar um pedido de sistema. O seu relatório de investigação também recomenda um enunciado direto do problema e do formato de saída, sem exemplos, numa abordagem zero-shot, porque os pedidos few-shot podem reduzir o desempenho neste perfil original. Estas são recomendações de utilização do produtor, e não valores predefinidos assumidos para todas as aplicações.\n\nPara matemática, forneça a condição completa, as definições das variáveis e as restrições de domínio. O produtor recomenda pedir uma solução passo a passo com o resultado final numa expressão \\boxed{}. Um pedido ilustrativo pode solicitar a fórmula final, os pressupostos em que é válida e uma verificação por substituição. Para código, inclua o comportamento a implementar, as restrições e uma entrada representativa; depois, peça o algoritmo proposto e o código separadamente da sua explicação.\n\nO formato de raciocínio do modelo separa uma fase de pensamento da resposta final. A DeepSeek assinala que algumas perguntas podem produzir um bloco de pensamento vazio e recomenda um prefixo de início de raciocínio no seu fluxo de referência quando se pretende raciocínio mais aprofundado. Preserve a distinção entre esse formato do produtor e a resposta final que pretende apresentar ao utilizador. O resultado solicitado pode ser uma conclusão concisa ou código, mesmo quando o processo intermédio do modelo é mais longo.\n\nA investigação original identifica limitações concretas. R1 está otimizado para chinês e inglês, e as perguntas noutras línguas podem provocar misturas linguísticas indesejadas. É sensível à formulação dos pedidos, e o seu comportamento em interações complexas com vários turnos, representação de papéis, JSON e chamadas de função está menos desenvolvido do que o seu foco no raciocínio matemático e de programação. O suporte de JSON e de ferramentas documentado para R1-0528 é uma alteração de uma edição posterior, não o contrato do R1 original. Indique explicitamente a língua e o formato de saída e mantenha o enunciado do problema direto.\n\nPara uma tarefa técnica prática, defina o que constitui um resultado correto: uma fórmula com pressupostos, um algoritmo que cumpra a complexidade indicada ou uma comparação fundamentada segundo critérios fornecidos. Peça que a resposta final identifique as informações em falta, em vez de as inventar. Para trabalho dependente de fontes, forneça as passagens de referência em texto. Reveja o código ou a conclusão propostos à luz das condições originais; o resultado útil é a solução final e a explicação que a sustenta, distintos de uma ação ou validação que a aplicação envolvente tenha efetivamente realizado.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
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 é o modelo textual original da DeepSeek centrado no raciocínio para matemática, código e lógica. Combina exemplos de instruções para arranque inicial com aprendizagem por reforço e um contexto de 128K, com orientações do produtor para pedidos diretos e formatação explícita da resposta final.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
DeepSeek R1 é o modelo original da DeepSeek centrado no raciocínio para tarefas matemáticas, de programação e de lógica. Baseia-se em DeepSeek V3 Base e usa um processo de treino com exemplos de arranque inicial, aperfeiçoamento supervisionado e aprendizagem por reforço. A entrada é texto e o resultado é uma solução ou resposta textual. Mantém-se distinto de R1 Zero, da edição posterior R1-0528 e dos modelos destilados separadamente.
O produtor distingue R1 da abordagem de R1 Zero, baseada exclusivamente em aprendizagem por reforço. O material de arranque inicial proporciona a R1 um padrão inicial mais legível antes da aprendizagem por reforço orientada para o raciocínio. A amostragem por rejeição e o treino supervisionado subsequentes acrescentam dados de raciocínio e de uso geral, seguindo-se outra etapa de aprendizagem por reforço. A ficha descreve duas etapas supervisionadas e duas de aprendizagem por reforço, destinadas a melhorar os padrões de raciocínio e o alinhamento com a resposta solicitada.
A arquitetura publicada tem um total de 671 mil milhões de parâmetros, com 37 mil milhões ativos por token, e um contexto de 128K. Essa janela contém em conjunto a fonte, o pedido e o raciocínio ou a resposta gerados; não é uma garantia separada de 128K de saída. Uma condição matemática longa, um fragmento de código ou um conjunto de requisitos devem, ainda assim, ser organizados de forma a permitir ao modelo identificar o problema real e o formato do resultado pretendido.
A DeepSeek recomenda uma temperatura entre 0.5 e 0.7, com 0.6 recomendado, para reduzir a repetição ou as respostas incoerentes. Aconselha a colocar as instruções no pedido do utilizador, em vez de acrescentar um pedido de sistema. O seu relatório de investigação também recomenda um enunciado direto do problema e do formato de saída, sem exemplos, numa abordagem zero-shot, porque os pedidos few-shot podem reduzir o desempenho neste perfil original. Estas são recomendações de utilização do produtor, e não valores predefinidos assumidos para todas as aplicações.
Para matemática, forneça a condição completa, as definições das variáveis e as restrições de domínio. O produtor recomenda pedir uma solução passo a passo com o resultado final numa expressão \\boxed{}. Um pedido ilustrativo pode solicitar a fórmula final, os pressupostos em que é válida e uma verificação por substituição. Para código, inclua o comportamento a implementar, as restrições e uma entrada representativa; depois, peça o algoritmo proposto e o código separadamente da sua explicação.
O formato de raciocínio do modelo separa uma fase de pensamento da resposta final. A DeepSeek assinala que algumas perguntas podem produzir um bloco de pensamento vazio e recomenda um prefixo de início de raciocínio no seu fluxo de referência quando se pretende raciocínio mais aprofundado. Preserve a distinção entre esse formato do produtor e a resposta final que pretende apresentar ao utilizador. O resultado solicitado pode ser uma conclusão concisa ou código, mesmo quando o processo intermédio do modelo é mais longo.
A investigação original identifica limitações concretas. R1 está otimizado para chinês e inglês, e as perguntas noutras línguas podem provocar misturas linguísticas indesejadas. É sensível à formulação dos pedidos, e o seu comportamento em interações complexas com vários turnos, representação de papéis, JSON e chamadas de função está menos desenvolvido do que o seu foco no raciocínio matemático e de programação. O suporte de JSON e de ferramentas documentado para R1-0528 é uma alteração de uma edição posterior, não o contrato do R1 original. Indique explicitamente a língua e o formato de saída e mantenha o enunciado do problema direto.
Para uma tarefa técnica prática, defina o que constitui um resultado correto: uma fórmula com pressupostos, um algoritmo que cumpra a complexidade indicada ou uma comparação fundamentada segundo critérios fornecidos. Peça que a resposta final identifique as informações em falta, em vez de as inventar. Para trabalho dependente de fontes, forneça as passagens de referência em texto. Reveja o código ou a conclusão propostos à luz das condições originais; o resultado útil é a solução final e a explicação que a sustenta, distintos de uma ação ou validação que a aplicação envolvente tenha efetivamente realizado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites deepseek/deepseek-r1 | 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.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0014 / 1K tokens Saída · Tokens de saída $0.005 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0014 / 1K tokens Saída · Tokens de saída $0.005 / 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", "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 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
Use os caminhos dos métodos indicados acima.
deepseek/deepseek-r1DeepSeek R1 é o modelo textual original da DeepSeek centrado no raciocínio para matemática, código e lógica. Combina exemplos de instruções para arranque inicial com aprendizagem por reforço e um contexto de 128K, com orientações do produtor para pedidos diretos e formatação explícita da resposta final.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
DeepSeek R1 é o modelo original da DeepSeek centrado no raciocínio para tarefas matemáticas, de programação e de lógica. Baseia-se em DeepSeek V3 Base e usa um processo de treino com exemplos de arranque inicial, aperfeiçoamento supervisionado e aprendizagem por reforço. A entrada é texto e o resultado é uma solução ou resposta textual. Mantém-se distinto de R1 Zero, da edição posterior R1-0528 e dos modelos destilados separadamente.
O produtor distingue R1 da abordagem de R1 Zero, baseada exclusivamente em aprendizagem por reforço. O material de arranque inicial proporciona a R1 um padrão inicial mais legível antes da aprendizagem por reforço orientada para o raciocínio. A amostragem por rejeição e o treino supervisionado subsequentes acrescentam dados de raciocínio e de uso geral, seguindo-se outra etapa de aprendizagem por reforço. A ficha descreve duas etapas supervisionadas e duas de aprendizagem por reforço, destinadas a melhorar os padrões de raciocínio e o alinhamento com a resposta solicitada.
A arquitetura publicada tem um total de 671 mil milhões de parâmetros, com 37 mil milhões ativos por token, e um contexto de 128K. Essa janela contém em conjunto a fonte, o pedido e o raciocínio ou a resposta gerados; não é uma garantia separada de 128K de saída. Uma condição matemática longa, um fragmento de código ou um conjunto de requisitos devem, ainda assim, ser organizados de forma a permitir ao modelo identificar o problema real e o formato do resultado pretendido.
A DeepSeek recomenda uma temperatura entre 0.5 e 0.7, com 0.6 recomendado, para reduzir a repetição ou as respostas incoerentes. Aconselha a colocar as instruções no pedido do utilizador, em vez de acrescentar um pedido de sistema. O seu relatório de investigação também recomenda um enunciado direto do problema e do formato de saída, sem exemplos, numa abordagem zero-shot, porque os pedidos few-shot podem reduzir o desempenho neste perfil original. Estas são recomendações de utilização do produtor, e não valores predefinidos assumidos para todas as aplicações.
Para matemática, forneça a condição completa, as definições das variáveis e as restrições de domínio. O produtor recomenda pedir uma solução passo a passo com o resultado final numa expressão \\boxed{}. Um pedido ilustrativo pode solicitar a fórmula final, os pressupostos em que é válida e uma verificação por substituição. Para código, inclua o comportamento a implementar, as restrições e uma entrada representativa; depois, peça o algoritmo proposto e o código separadamente da sua explicação.
O formato de raciocínio do modelo separa uma fase de pensamento da resposta final. A DeepSeek assinala que algumas perguntas podem produzir um bloco de pensamento vazio e recomenda um prefixo de início de raciocínio no seu fluxo de referência quando se pretende raciocínio mais aprofundado. Preserve a distinção entre esse formato do produtor e a resposta final que pretende apresentar ao utilizador. O resultado solicitado pode ser uma conclusão concisa ou código, mesmo quando o processo intermédio do modelo é mais longo.
A investigação original identifica limitações concretas. R1 está otimizado para chinês e inglês, e as perguntas noutras línguas podem provocar misturas linguísticas indesejadas. É sensível à formulação dos pedidos, e o seu comportamento em interações complexas com vários turnos, representação de papéis, JSON e chamadas de função está menos desenvolvido do que o seu foco no raciocínio matemático e de programação. O suporte de JSON e de ferramentas documentado para R1-0528 é uma alteração de uma edição posterior, não o contrato do R1 original. Indique explicitamente a língua e o formato de saída e mantenha o enunciado do problema direto.
Para uma tarefa técnica prática, defina o que constitui um resultado correto: uma fórmula com pressupostos, um algoritmo que cumpra a complexidade indicada ou uma comparação fundamentada segundo critérios fornecidos. Peça que a resposta final identifique as informações em falta, em vez de as inventar. Para trabalho dependente de fontes, forneça as passagens de referência em texto. Reveja o código ou a conclusão propostos à luz das condições originais; o resultado útil é a solução final e a explicação que a sustenta, distintos de uma ação ou validação que a aplicação envolvente tenha efetivamente realizado.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites deepseek/deepseek-r1 | 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.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0014 / 1K tokens Saída · Tokens de saída $0.005 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0014 / 1K tokens Saída · Tokens de saída $0.005 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "deepseek/deepseek-r1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
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.