Introdução: um modelo de raciocínio mais pequeno derivado de R1
DeepSeek-R1-Distill-Qwen-7B transfere exemplos de raciocínio de DeepSeek-R1 para um modelo denso baseado em Qwen2.5-Math-7B. Aceita texto e gera texto, incluindo soluções desenvolvidas, explicações de programação e respostas a problemas de lógica. Esta destilação exata de 7B é um checkpoint separado do DeepSeek-R1 completo, do Qwen2.5-Math-7B original e das edições destiladas maiores. O seu nome regista tanto o produtor dos dados de raciocínio como a família do modelo subjacente.
O contributo da destilação
A investigação R1 da DeepSeek distingue o treino do grande modelo professor de raciocínio do ajuste fino dos seus alunos mais pequenos. O processo do professor usa aprendizagem por reforço e etapas supervisionadas; os modelos destilados disponibilizados são ajustados com amostras produzidas por R1. O fabricante descreve 800 000 exemplos selecionados para estes lançamentos. Não pressuponha que o aluno de 7B tem a arquitetura de mistura de especialistas do modelo completo ou que passou por todas as etapas de treino do professor. A destilação dá a este modelo um estilo de raciocínio aprendido; não torna as suas conclusões equivalentes às do professor.
O modelo exato e a sua configuração
A tabela oficial de modelos identifica Qwen2.5-Math-7B como a base desta edição. A DeepSeek altera a configuração e as definições do tokenizador, pelo que o checkpoint exato disponibilizado e o modelo de formatação de conversa são relevantes. A configuração publicada usa uma arquitetura de modelo de linguagem causal Qwen2 com 28 camadas e pesos bfloat16. Define o máximo de posições como 131 072. Esse valor de configuração não é uma validação separada da precisão em documentos longos: a tabela de contexto de 128K da ficha R1 partilhada descreve os modelos R1 completos, enquanto a tabela de modelos destilados identifica a ascendência sem publicar uma tabela de contexto validado por aluno.
Use-o numa tarefa com um resultado verificável. Para matemática, forneça o enunciado completo, as definições e as unidades. Para código, inclua a função relevante, a entrada, o resultado observado e o comportamento pretendido. Para uma pergunta de lógica, enumere os factos e distinga uma conclusão exigida de um pressuposto. Peça um resultado final que possa ser verificado de forma independente, como um valor em destaque, um esboço conciso de demonstração ou uma alteração explicada. Estes exemplos aplicam o âmbito de raciocínio documentado pelo fabricante; não afirmam que o modelo executa código ou verifica demonstrações automaticamente.
Como preparar o prompt
A DeepSeek recomenda colocar todas as instruções no prompt do utilizador e evitar um prompt de sistema neste lançamento R1. Para um problema matemático, peça raciocínio passo a passo e uma resposta final claramente delimitada. Inclua qualquer estrutura de saída no mesmo prompt: por exemplo, uma conclusão breve seguida de pressupostos e cálculos de suporte. Uma aplicação deve usar o tokenizador e a formatação próprios do aluno, em vez de substituir o modelo de formatação Qwen de base sem verificar as alterações do fabricante.
O fabricante assinala que algumas consultas podem produzir um bloco de raciocínio vazio e contornar o padrão de raciocínio pretendido. A solução recomendada é fazer a geração começar com o marcador de abertura de raciocínio e uma mudança de linha num fluxo de trabalho compatível. É uma recomendação documentada de formato de geração, não uma promessa de que todas as aplicações disponibilizam esse controlo. Mantenha a resposta final distinta do texto de raciocínio mais longo ao apresentar um resultado.
Definições de geração e espaço disponível
A DeepSeek recomenda uma temperatura entre 0.5 e 0.7, com 0.6 como ponto de partida preferido, para reduzir saídas repetitivas ou incoerentes. A configuração de avaliação usa uma capacidade de geração de 32 768 tokens e top_p 0.95. Estas escolhas de avaliação não são um máximo rígido universal. O raciocínio, o texto de origem e a resposta final precisam todos de espaço no contexto configurado, pelo que um pedido que contenha uma demonstração longa ou uma listagem de código deve deixar, ainda assim, espaço para a resposta gerada.
Limitações que afetam a escolha do modelo
Um pequeno modelo destilado continua a representar um compromisso de raciocínio distinto. Os materiais de lançamento do fabricante não estabelecem entrada de imagem, áudio ou vídeo para este checkpoint, nem um protocolo próprio de chamadas de ferramentas. A execução de ferramentas ou o acesso a dados atuais exigiriam um fluxo de trabalho da aplicação configurado separadamente. O lançamento também não herda as alterações posteriores da política de prompts de DeepSeek-R1-0528 apenas por ter R1 no nome. Verifique as respostas numéricas, inspecione as alterações de código propostas e confira se a conclusão final decorre dos factos fornecidos; uma transcrição longa de raciocínio, por si só, não prova correção.
", "aboutText": "Introdução: um modelo de raciocínio mais pequeno derivado de R1\n\nDeepSeek-R1-Distill-Qwen-7B transfere exemplos de raciocínio de DeepSeek-R1 para um modelo denso baseado em Qwen2.5-Math-7B. Aceita texto e gera texto, incluindo soluções desenvolvidas, explicações de programação e respostas a problemas de lógica. Esta destilação exata de 7B é um checkpoint separado do DeepSeek-R1 completo, do Qwen2.5-Math-7B original e das edições destiladas maiores. O seu nome regista tanto o produtor dos dados de raciocínio como a família do modelo subjacente.\n\nO contributo da destilação\n\nA investigação R1 da DeepSeek distingue o treino do grande modelo professor de raciocínio do ajuste fino dos seus alunos mais pequenos. O processo do professor usa aprendizagem por reforço e etapas supervisionadas; os modelos destilados disponibilizados são ajustados com amostras produzidas por R1. O fabricante descreve 800 000 exemplos selecionados para estes lançamentos. Não pressuponha que o aluno de 7B tem a arquitetura de mistura de especialistas do modelo completo ou que passou por todas as etapas de treino do professor. A destilação dá a este modelo um estilo de raciocínio aprendido; não torna as suas conclusões equivalentes às do professor.\n\nO modelo exato e a sua configuração\n\nA tabela oficial de modelos identifica Qwen2.5-Math-7B como a base desta edição. A DeepSeek altera a configuração e as definições do tokenizador, pelo que o checkpoint exato disponibilizado e o modelo de formatação de conversa são relevantes. A configuração publicada usa uma arquitetura de modelo de linguagem causal Qwen2 com 28 camadas e pesos bfloat16. Define o máximo de posições como 131 072. Esse valor de configuração não é uma validação separada da precisão em documentos longos: a tabela de contexto de 128K da ficha R1 partilhada descreve os modelos R1 completos, enquanto a tabela de modelos destilados identifica a ascendência sem publicar uma tabela de contexto validado por aluno.\n\nUse-o numa tarefa com um resultado verificável. Para matemática, forneça o enunciado completo, as definições e as unidades. Para código, inclua a função relevante, a entrada, o resultado observado e o comportamento pretendido. Para uma pergunta de lógica, enumere os factos e distinga uma conclusão exigida de um pressuposto. Peça um resultado final que possa ser verificado de forma independente, como um valor em destaque, um esboço conciso de demonstração ou uma alteração explicada. Estes exemplos aplicam o âmbito de raciocínio documentado pelo fabricante; não afirmam que o modelo executa código ou verifica demonstrações automaticamente.\n\nComo preparar o prompt\n\nA DeepSeek recomenda colocar todas as instruções no prompt do utilizador e evitar um prompt de sistema neste lançamento R1. Para um problema matemático, peça raciocínio passo a passo e uma resposta final claramente delimitada. Inclua qualquer estrutura de saída no mesmo prompt: por exemplo, uma conclusão breve seguida de pressupostos e cálculos de suporte. Uma aplicação deve usar o tokenizador e a formatação próprios do aluno, em vez de substituir o modelo de formatação Qwen de base sem verificar as alterações do fabricante.\n\nO fabricante assinala que algumas consultas podem produzir um bloco de raciocínio vazio e contornar o padrão de raciocínio pretendido. A solução recomendada é fazer a geração começar com o marcador de abertura de raciocínio e uma mudança de linha num fluxo de trabalho compatível. É uma recomendação documentada de formato de geração, não uma promessa de que todas as aplicações disponibilizam esse controlo. Mantenha a resposta final distinta do texto de raciocínio mais longo ao apresentar um resultado.\n\nDefinições de geração e espaço disponível\n\nA DeepSeek recomenda uma temperatura entre 0.5 e 0.7, com 0.6 como ponto de partida preferido, para reduzir saídas repetitivas ou incoerentes. A configuração de avaliação usa uma capacidade de geração de 32 768 tokens e top_p 0.95. Estas escolhas de avaliação não são um máximo rígido universal. O raciocínio, o texto de origem e a resposta final precisam todos de espaço no contexto configurado, pelo que um pedido que contenha uma demonstração longa ou uma listagem de código deve deixar, ainda assim, espaço para a resposta gerada.\n\nLimitações que afetam a escolha do modelo\n\nUm pequeno modelo destilado continua a representar um compromisso de raciocínio distinto. Os materiais de lançamento do fabricante não estabelecem entrada de imagem, áudio ou vídeo para este checkpoint, nem um protocolo próprio de chamadas de ferramentas. A execução de ferramentas ou o acesso a dados atuais exigiriam um fluxo de trabalho da aplicação configurado separadamente. O lançamento também não herda as alterações posteriores da política de prompts de DeepSeek-R1-0528 apenas por ter R1 no nome. Verifique as respostas numéricas, inspecione as alterações de código propostas e confira se a conclusão final decorre dos factos fornecidos; uma transcrição longa de raciocínio, por si só, não prova correção.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Calculate a mixture ratio\n\nA workshop mixes 2 liters of concentrate with 6 liters of water. It needs 20 liters of the same mixture. Calculate the required concentrate and water, show the proportional calculation and give a clearly labelled final answer with units. Check that the two quantities add to the requested volume.A short proportional calculation and final concentrate and water quantities in liters.Verify both the 1:3 concentrate-to-water ratio and the 20-liter total independently.DeepSeek-R1-Distill-Qwen-7B-ultraDeepSeek-R1-Distill-Qwen-7B é o modelo de raciocínio denso e compacto da DeepSeek, ajustado a partir de Qwen2.5-Math-7B com exemplos gerados por R1. Recebe texto e produz texto para tarefas matemáticas, de programação e de lógica, com orientações de prompts específicas do checkpoint.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Introdução: um modelo de raciocínio mais pequeno derivado de R1
DeepSeek-R1-Distill-Qwen-7B transfere exemplos de raciocínio de DeepSeek-R1 para um modelo denso baseado em Qwen2.5-Math-7B. Aceita texto e gera texto, incluindo soluções desenvolvidas, explicações de programação e respostas a problemas de lógica. Esta destilação exata de 7B é um checkpoint separado do DeepSeek-R1 completo, do Qwen2.5-Math-7B original e das edições destiladas maiores. O seu nome regista tanto o produtor dos dados de raciocínio como a família do modelo subjacente.
O contributo da destilação
A investigação R1 da DeepSeek distingue o treino do grande modelo professor de raciocínio do ajuste fino dos seus alunos mais pequenos. O processo do professor usa aprendizagem por reforço e etapas supervisionadas; os modelos destilados disponibilizados são ajustados com amostras produzidas por R1. O fabricante descreve 800 000 exemplos selecionados para estes lançamentos. Não pressuponha que o aluno de 7B tem a arquitetura de mistura de especialistas do modelo completo ou que passou por todas as etapas de treino do professor. A destilação dá a este modelo um estilo de raciocínio aprendido; não torna as suas conclusões equivalentes às do professor.
O modelo exato e a sua configuração
A tabela oficial de modelos identifica Qwen2.5-Math-7B como a base desta edição. A DeepSeek altera a configuração e as definições do tokenizador, pelo que o checkpoint exato disponibilizado e o modelo de formatação de conversa são relevantes. A configuração publicada usa uma arquitetura de modelo de linguagem causal Qwen2 com 28 camadas e pesos bfloat16. Define o máximo de posições como 131 072. Esse valor de configuração não é uma validação separada da precisão em documentos longos: a tabela de contexto de 128K da ficha R1 partilhada descreve os modelos R1 completos, enquanto a tabela de modelos destilados identifica a ascendência sem publicar uma tabela de contexto validado por aluno.
Use-o numa tarefa com um resultado verificável. Para matemática, forneça o enunciado completo, as definições e as unidades. Para código, inclua a função relevante, a entrada, o resultado observado e o comportamento pretendido. Para uma pergunta de lógica, enumere os factos e distinga uma conclusão exigida de um pressuposto. Peça um resultado final que possa ser verificado de forma independente, como um valor em destaque, um esboço conciso de demonstração ou uma alteração explicada. Estes exemplos aplicam o âmbito de raciocínio documentado pelo fabricante; não afirmam que o modelo executa código ou verifica demonstrações automaticamente.
Como preparar o prompt
A DeepSeek recomenda colocar todas as instruções no prompt do utilizador e evitar um prompt de sistema neste lançamento R1. Para um problema matemático, peça raciocínio passo a passo e uma resposta final claramente delimitada. Inclua qualquer estrutura de saída no mesmo prompt: por exemplo, uma conclusão breve seguida de pressupostos e cálculos de suporte. Uma aplicação deve usar o tokenizador e a formatação próprios do aluno, em vez de substituir o modelo de formatação Qwen de base sem verificar as alterações do fabricante.
O fabricante assinala que algumas consultas podem produzir um bloco de raciocínio vazio e contornar o padrão de raciocínio pretendido. A solução recomendada é fazer a geração começar com o marcador de abertura de raciocínio e uma mudança de linha num fluxo de trabalho compatível. É uma recomendação documentada de formato de geração, não uma promessa de que todas as aplicações disponibilizam esse controlo. Mantenha a resposta final distinta do texto de raciocínio mais longo ao apresentar um resultado.
Definições de geração e espaço disponível
A DeepSeek recomenda uma temperatura entre 0.5 e 0.7, com 0.6 como ponto de partida preferido, para reduzir saídas repetitivas ou incoerentes. A configuração de avaliação usa uma capacidade de geração de 32 768 tokens e top_p 0.95. Estas escolhas de avaliação não são um máximo rígido universal. O raciocínio, o texto de origem e a resposta final precisam todos de espaço no contexto configurado, pelo que um pedido que contenha uma demonstração longa ou uma listagem de código deve deixar, ainda assim, espaço para a resposta gerada.
Limitações que afetam a escolha do modelo
Um pequeno modelo destilado continua a representar um compromisso de raciocínio distinto. Os materiais de lançamento do fabricante não estabelecem entrada de imagem, áudio ou vídeo para este checkpoint, nem um protocolo próprio de chamadas de ferramentas. A execução de ferramentas ou o acesso a dados atuais exigiriam um fluxo de trabalho da aplicação configurado separadamente. O lançamento também não herda as alterações posteriores da política de prompts de DeepSeek-R1-0528 apenas por ter R1 no nome. Verifique as respostas numéricas, inspecione as alterações de código propostas e confira se a conclusão final decorre dos factos fornecidos; uma transcrição longa de raciocínio, por si só, não prova correção.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites DeepSeek-R1-Distill-Qwen-7B-ultra | 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 $0.00014 / 1K tokens Saída · Tokens de saída $0.00028 / 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-R1-Distill-Qwen-7B-ultra", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='DeepSeek-R1-Distill-Qwen-7B-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='DeepSeek-R1-Distill-Qwen-7B-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-R1-Distill-Qwen-7B-ultra
Use os caminhos dos métodos indicados acima.
DeepSeek-R1-Distill-Qwen-7B-ultraDeepSeek-R1-Distill-Qwen-7B é o modelo de raciocínio denso e compacto da DeepSeek, ajustado a partir de Qwen2.5-Math-7B com exemplos gerados por R1. Recebe texto e produz texto para tarefas matemáticas, de programação e de lógica, com orientações de prompts específicas do checkpoint.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Introdução: um modelo de raciocínio mais pequeno derivado de R1
DeepSeek-R1-Distill-Qwen-7B transfere exemplos de raciocínio de DeepSeek-R1 para um modelo denso baseado em Qwen2.5-Math-7B. Aceita texto e gera texto, incluindo soluções desenvolvidas, explicações de programação e respostas a problemas de lógica. Esta destilação exata de 7B é um checkpoint separado do DeepSeek-R1 completo, do Qwen2.5-Math-7B original e das edições destiladas maiores. O seu nome regista tanto o produtor dos dados de raciocínio como a família do modelo subjacente.
O contributo da destilação
A investigação R1 da DeepSeek distingue o treino do grande modelo professor de raciocínio do ajuste fino dos seus alunos mais pequenos. O processo do professor usa aprendizagem por reforço e etapas supervisionadas; os modelos destilados disponibilizados são ajustados com amostras produzidas por R1. O fabricante descreve 800 000 exemplos selecionados para estes lançamentos. Não pressuponha que o aluno de 7B tem a arquitetura de mistura de especialistas do modelo completo ou que passou por todas as etapas de treino do professor. A destilação dá a este modelo um estilo de raciocínio aprendido; não torna as suas conclusões equivalentes às do professor.
O modelo exato e a sua configuração
A tabela oficial de modelos identifica Qwen2.5-Math-7B como a base desta edição. A DeepSeek altera a configuração e as definições do tokenizador, pelo que o checkpoint exato disponibilizado e o modelo de formatação de conversa são relevantes. A configuração publicada usa uma arquitetura de modelo de linguagem causal Qwen2 com 28 camadas e pesos bfloat16. Define o máximo de posições como 131 072. Esse valor de configuração não é uma validação separada da precisão em documentos longos: a tabela de contexto de 128K da ficha R1 partilhada descreve os modelos R1 completos, enquanto a tabela de modelos destilados identifica a ascendência sem publicar uma tabela de contexto validado por aluno.
Use-o numa tarefa com um resultado verificável. Para matemática, forneça o enunciado completo, as definições e as unidades. Para código, inclua a função relevante, a entrada, o resultado observado e o comportamento pretendido. Para uma pergunta de lógica, enumere os factos e distinga uma conclusão exigida de um pressuposto. Peça um resultado final que possa ser verificado de forma independente, como um valor em destaque, um esboço conciso de demonstração ou uma alteração explicada. Estes exemplos aplicam o âmbito de raciocínio documentado pelo fabricante; não afirmam que o modelo executa código ou verifica demonstrações automaticamente.
Como preparar o prompt
A DeepSeek recomenda colocar todas as instruções no prompt do utilizador e evitar um prompt de sistema neste lançamento R1. Para um problema matemático, peça raciocínio passo a passo e uma resposta final claramente delimitada. Inclua qualquer estrutura de saída no mesmo prompt: por exemplo, uma conclusão breve seguida de pressupostos e cálculos de suporte. Uma aplicação deve usar o tokenizador e a formatação próprios do aluno, em vez de substituir o modelo de formatação Qwen de base sem verificar as alterações do fabricante.
O fabricante assinala que algumas consultas podem produzir um bloco de raciocínio vazio e contornar o padrão de raciocínio pretendido. A solução recomendada é fazer a geração começar com o marcador de abertura de raciocínio e uma mudança de linha num fluxo de trabalho compatível. É uma recomendação documentada de formato de geração, não uma promessa de que todas as aplicações disponibilizam esse controlo. Mantenha a resposta final distinta do texto de raciocínio mais longo ao apresentar um resultado.
Definições de geração e espaço disponível
A DeepSeek recomenda uma temperatura entre 0.5 e 0.7, com 0.6 como ponto de partida preferido, para reduzir saídas repetitivas ou incoerentes. A configuração de avaliação usa uma capacidade de geração de 32 768 tokens e top_p 0.95. Estas escolhas de avaliação não são um máximo rígido universal. O raciocínio, o texto de origem e a resposta final precisam todos de espaço no contexto configurado, pelo que um pedido que contenha uma demonstração longa ou uma listagem de código deve deixar, ainda assim, espaço para a resposta gerada.
Limitações que afetam a escolha do modelo
Um pequeno modelo destilado continua a representar um compromisso de raciocínio distinto. Os materiais de lançamento do fabricante não estabelecem entrada de imagem, áudio ou vídeo para este checkpoint, nem um protocolo próprio de chamadas de ferramentas. A execução de ferramentas ou o acesso a dados atuais exigiriam um fluxo de trabalho da aplicação configurado separadamente. O lançamento também não herda as alterações posteriores da política de prompts de DeepSeek-R1-0528 apenas por ter R1 no nome. Verifique as respostas numéricas, inspecione as alterações de código propostas e confira se a conclusão final decorre dos factos fornecidos; uma transcrição longa de raciocínio, por si só, não prova correção.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites DeepSeek-R1-Distill-Qwen-7B-ultra | 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 $0.00014 / 1K tokens Saída · Tokens de saída $0.00028 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "DeepSeek-R1-Distill-Qwen-7B-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'DeepSeek-R1-Distill-Qwen-7B-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'DeepSeek-R1-Distill-Qwen-7B-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-R1-Distill-Qwen-7B-ultra
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Calculate a mixture ratio\n\nA workshop mixes 2 liters of concentrate with 6 liters of water. It needs 20 liters of the same mixture. Calculate the required concentrate and water, show the proportional calculation and give a clearly labelled final answer with units. Check that the two quantities add to the requested volume.A short proportional calculation and final concentrate and water quantities in liters.Verify both the 1:3 concentrate-to-water ratio and the 20-liter total independently.