DeepSeek-R1-Distill-Qwen-14B är den Qwen-baserade resonemangskontrollpunkten i storleken 14B som DeepSeek har släppt. Grundmodellen är Qwen2.5-14B, finjusterad med exempel framtagna av DeepSeek-R1. Den tar emot ett skriftligt problem eller en konversation och returnerar text som kan innehålla en matematisk lösning, en förklaring av programbeteende eller en slutsats dragen från flera tillförda villkor.
Överföring av resonemang och den namngivna utgåvan
DeepSeek skiljer de fullständiga R1- och R1-Zero-modellerna från de täta modellerna som destillerats till Qwen- och Llama-grundmodeller. För de destillerade utgåvorna för träningsdata över resonemangsmönster från den större R1-modellen till en annan kontrollpunkt. Namnet 14B identifierar just denna Qwen-grundmodell; det identifierar inte hela R1-arkitekturen, den destillerade 32B-kontrollpunkten eller den vanliga Qwen2.5-14B-Instruct-utgåvan.
Tillverkaren beskriver 800 000 kuraterade exempel för Qwen-destillationerna och noterar ändringar i deras konfigurationer och tokeniserare. Behåll DeepSeeks utgåveinställningar när du använder modellen. Ändringarna har betydelse även om modellens ursprung är Qwen2.5. 14B-kontrollpunktens egen konfiguration anger 48 lager, 40 attention-huvuden för frågevektorer och 8 nyckel/värde-huvuden, med maximalt antal positioner satt till 131 072.
Vad som behövs för ett användbart genomarbetat svar
För en handledningsuppgift tar du med problemet och elevens lösningsförsök och markerar sedan övergången som behöver förklaras. Be modellen identifiera det relevanta villkoret, förklara rättelsen med samma notation och fortsätta bara så långt som behövs för att fastställa resultatet. Det håller svaret kopplat till elevens faktiska svårighet i stället för att ge en orelaterad fullständig lektion.
En elev kan till exempel ha dividerat med ett uttryck utan att ange om det kan vara noll. Lämna den ursprungliga ekvationen och fråga vilka fall som måste beaktas före den omvandlingen. Det önskade resultatet kan skilja det tillåtna fallet, undantagsfallet och den slutliga lösningsmängden åt. Detta är ett förslag till matematisk uppgift, där svarsformen definieras av villkoret i stället för av en allmän begäran att förklara algebra.
För en programmeringsfråga lämnar du algoritmen eller funktionen och konkreta indata. Fråga hur tillståndet ändras och varför det returnerade resultatet följer. En följdfråga kan begära en reviderad implementation med en uttrycklig begränsning, till exempel att behålla den publika funktionssignaturen eller undvika att ändra indata. Ta med relevant hjälpkod och förväntat beteende så att förklaringen inte beror på en ospecificerad implementation.
För en logisk jämförelse identifierar du alternativen och villkoren som varje alternativ måste uppfylla. Begär antagandena som varje metod använder, konflikterna som utesluter ett val och den kvarvarande olösta informationen. En kompakt beslutstabell kan sedan bli slutleveransen, medan den omgivande texten förklarar hur de tillförda reglerna stöder den.
Promptrekommendationer från DeepSeek
Tillverkaren rekommenderar att undvika en systemprompt och lägga alla instruktioner direkt i användarprompten. Samla uppgiften, utdatakraven och det nödvändiga källmaterialet och ange tydligt vilken text som är problemet och vilken som är en instruktion om svaret. Använd den släppta tokeniseraren och konversationsinställningarna i stället för att anta att den ursprungliga Qwen-formateringen är utbytbar.
Det dokumenterade temperaturintervallet är 0,5 till 0,7, med 0,6 som rekommendation. DeepSeek kopplar detta till minskade upprepningar och mindre osammanhängande utdata. För matematiska frågor rekommenderar företaget ett genomarbetat svar med slutresultatet i en LaTeX-ruta. Det beskriver också fall där modellen hoppar över resonemangsblocket och rekommenderar att börja svaret med den öppnande resonemangsmarkören för att uppmuntra det avsedda resonemangsarbetsflödet.
Användbara matematiska utdata kan innehålla den valda metoden, de motiverade omvandlingarna och ett separat slututtryck. Ange om resultatet ska vara exakt eller avrundat och specificera enheter när de spelar roll. För kod ber du om förklaringen separat från den föreslagna implementationen. För logik ber du om slutsatsen tillsammans med de villkor under vilka den gäller. Dessa krav avgör vad läsaren eller applikationen faktiskt kan använda efter resonemangstexten.
Kontext och innehållsmässiga gränser
Den nuvarande släppta konfigurationen sätter maximalt antal positioner till 131 072. Det är denna kontrollpunkts konfigurationsvärde, inte ett ärvt löfte för varje driftgränssnitt. Tillverkarens genereringsinställning på 32 768 token ingår i utvärderingen; den fastställer ingen separat hård gräns för svarslängden. Utdatakapaciteten hos den ursprungliga Qwen Instruct-modellen ska på samma sätt inte överföras till denna ändrade resonemangsutgåva utan en egen specifikation.
Detta är en textmodell. En bild av ett matematiskt problem behöver få sina symboler och villkor omvandlade till text före resonemangsuppgiften, och körning av föreslagen kod kräver en separat utvecklings- eller beräkningsmiljö. Destillation beskriver träning med R1-exempel, inte ett automatiskt anrop till lärarmodellen vid körning eller en inbyggd oberoende verifierare.
Använd den namngivna 14B-kontrollpunkten för en definierad uppgift som kräver ett genomarbetat svar och bevara problemets notation, antaganden och målresultat. Det praktiska målet är en lösning som läsaren kan granska: vilka villkor som gäller, varför varje viktigt steg följer och vilket slututtryck, vilken implementation eller vilken slutsats som besvarar den ursprungliga frågan.
", "aboutText": "DeepSeek-R1-Distill-Qwen-14B är den Qwen-baserade resonemangskontrollpunkten i storleken 14B som DeepSeek har släppt. Grundmodellen är Qwen2.5-14B, finjusterad med exempel framtagna av DeepSeek-R1. Den tar emot ett skriftligt problem eller en konversation och returnerar text som kan innehålla en matematisk lösning, en förklaring av programbeteende eller en slutsats dragen från flera tillförda villkor.\n\nÖverföring av resonemang och den namngivna utgåvan\n\nDeepSeek skiljer de fullständiga R1- och R1-Zero-modellerna från de täta modellerna som destillerats till Qwen- och Llama-grundmodeller. För de destillerade utgåvorna för träningsdata över resonemangsmönster från den större R1-modellen till en annan kontrollpunkt. Namnet 14B identifierar just denna Qwen-grundmodell; det identifierar inte hela R1-arkitekturen, den destillerade 32B-kontrollpunkten eller den vanliga Qwen2.5-14B-Instruct-utgåvan.\n\nTillverkaren beskriver 800 000 kuraterade exempel för Qwen-destillationerna och noterar ändringar i deras konfigurationer och tokeniserare. Behåll DeepSeeks utgåveinställningar när du använder modellen. Ändringarna har betydelse även om modellens ursprung är Qwen2.5. 14B-kontrollpunktens egen konfiguration anger 48 lager, 40 attention-huvuden för frågevektorer och 8 nyckel/värde-huvuden, med maximalt antal positioner satt till 131 072.\n\nVad som behövs för ett användbart genomarbetat svar\n\nFör en handledningsuppgift tar du med problemet och elevens lösningsförsök och markerar sedan övergången som behöver förklaras. Be modellen identifiera det relevanta villkoret, förklara rättelsen med samma notation och fortsätta bara så långt som behövs för att fastställa resultatet. Det håller svaret kopplat till elevens faktiska svårighet i stället för att ge en orelaterad fullständig lektion.\n\nEn elev kan till exempel ha dividerat med ett uttryck utan att ange om det kan vara noll. Lämna den ursprungliga ekvationen och fråga vilka fall som måste beaktas före den omvandlingen. Det önskade resultatet kan skilja det tillåtna fallet, undantagsfallet och den slutliga lösningsmängden åt. Detta är ett förslag till matematisk uppgift, där svarsformen definieras av villkoret i stället för av en allmän begäran att förklara algebra.\n\nFör en programmeringsfråga lämnar du algoritmen eller funktionen och konkreta indata. Fråga hur tillståndet ändras och varför det returnerade resultatet följer. En följdfråga kan begära en reviderad implementation med en uttrycklig begränsning, till exempel att behålla den publika funktionssignaturen eller undvika att ändra indata. Ta med relevant hjälpkod och förväntat beteende så att förklaringen inte beror på en ospecificerad implementation.\n\nFör en logisk jämförelse identifierar du alternativen och villkoren som varje alternativ måste uppfylla. Begär antagandena som varje metod använder, konflikterna som utesluter ett val och den kvarvarande olösta informationen. En kompakt beslutstabell kan sedan bli slutleveransen, medan den omgivande texten förklarar hur de tillförda reglerna stöder den.\n\nPromptrekommendationer från DeepSeek\n\nTillverkaren rekommenderar att undvika en systemprompt och lägga alla instruktioner direkt i användarprompten. Samla uppgiften, utdatakraven och det nödvändiga källmaterialet och ange tydligt vilken text som är problemet och vilken som är en instruktion om svaret. Använd den släppta tokeniseraren och konversationsinställningarna i stället för att anta att den ursprungliga Qwen-formateringen är utbytbar.\n\nDet dokumenterade temperaturintervallet är 0,5 till 0,7, med 0,6 som rekommendation. DeepSeek kopplar detta till minskade upprepningar och mindre osammanhängande utdata. För matematiska frågor rekommenderar företaget ett genomarbetat svar med slutresultatet i en LaTeX-ruta. Det beskriver också fall där modellen hoppar över resonemangsblocket och rekommenderar att börja svaret med den öppnande resonemangsmarkören för att uppmuntra det avsedda resonemangsarbetsflödet.\n\nAnvändbara matematiska utdata kan innehålla den valda metoden, de motiverade omvandlingarna och ett separat slututtryck. Ange om resultatet ska vara exakt eller avrundat och specificera enheter när de spelar roll. För kod ber du om förklaringen separat från den föreslagna implementationen. För logik ber du om slutsatsen tillsammans med de villkor under vilka den gäller. Dessa krav avgör vad läsaren eller applikationen faktiskt kan använda efter resonemangstexten.\n\nKontext och innehållsmässiga gränser\n\nDen nuvarande släppta konfigurationen sätter maximalt antal positioner till 131 072. Det är denna kontrollpunkts konfigurationsvärde, inte ett ärvt löfte för varje driftgränssnitt. Tillverkarens genereringsinställning på 32 768 token ingår i utvärderingen; den fastställer ingen separat hård gräns för svarslängden. Utdatakapaciteten hos den ursprungliga Qwen Instruct-modellen ska på samma sätt inte överföras till denna ändrade resonemangsutgåva utan en egen specifikation.\n\nDetta är en textmodell. En bild av ett matematiskt problem behöver få sina symboler och villkor omvandlade till text före resonemangsuppgiften, och körning av föreslagen kod kräver en separat utvecklings- eller beräkningsmiljö. Destillation beskriver träning med R1-exempel, inte ett automatiskt anrop till lärarmodellen vid körning eller en inbyggd oberoende verifierare.\n\nAnvänd den namngivna 14B-kontrollpunkten för en definierad uppgift som kräver ett genomarbetat svar och bevara problemets notation, antaganden och målresultat. Det praktiska målet är en lösning som läsaren kan granska: vilka villkor som gäller, varför varje viktigt steg följer och vilket slututtryck, vilken implementation eller vilken slutsats som besvarar den ursprungliga frågan.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Repair an algebraic division step\n\nA student solves x(x - 3) = 2(x - 3) by dividing by x - 3 and concludes x = 2. Explain the missing case without changing the original equation. Separate the zero-divisor case from the nonzero case, then give the complete solution set and substitute each candidate back into the equation.A case split, a complete solution set and a substitution check for each candidate.The response checks the x - 3 = 0 case rather than silently dividing it away.deepseek-ai/DeepSeek-R1-Distill-Qwen-14BDeepSeek-R1-Distill-Qwen-14B är en kontrollpunkt för textresonemang baserad på Qwen2.5-14B och exempel genererade av DeepSeek-R1. Den stöder genomarbetade matematiska, programmeringsrelaterade och logiska svar, med DeepSeeks egen tokeniserare, promptrekommendationer och utgåvekonfiguration.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek-R1-Distill-Qwen-14B är den Qwen-baserade resonemangskontrollpunkten i storleken 14B som DeepSeek har släppt. Grundmodellen är Qwen2.5-14B, finjusterad med exempel framtagna av DeepSeek-R1. Den tar emot ett skriftligt problem eller en konversation och returnerar text som kan innehålla en matematisk lösning, en förklaring av programbeteende eller en slutsats dragen från flera tillförda villkor.
Överföring av resonemang och den namngivna utgåvan
DeepSeek skiljer de fullständiga R1- och R1-Zero-modellerna från de täta modellerna som destillerats till Qwen- och Llama-grundmodeller. För de destillerade utgåvorna för träningsdata över resonemangsmönster från den större R1-modellen till en annan kontrollpunkt. Namnet 14B identifierar just denna Qwen-grundmodell; det identifierar inte hela R1-arkitekturen, den destillerade 32B-kontrollpunkten eller den vanliga Qwen2.5-14B-Instruct-utgåvan.
Tillverkaren beskriver 800 000 kuraterade exempel för Qwen-destillationerna och noterar ändringar i deras konfigurationer och tokeniserare. Behåll DeepSeeks utgåveinställningar när du använder modellen. Ändringarna har betydelse även om modellens ursprung är Qwen2.5. 14B-kontrollpunktens egen konfiguration anger 48 lager, 40 attention-huvuden för frågevektorer och 8 nyckel/värde-huvuden, med maximalt antal positioner satt till 131 072.
Vad som behövs för ett användbart genomarbetat svar
För en handledningsuppgift tar du med problemet och elevens lösningsförsök och markerar sedan övergången som behöver förklaras. Be modellen identifiera det relevanta villkoret, förklara rättelsen med samma notation och fortsätta bara så långt som behövs för att fastställa resultatet. Det håller svaret kopplat till elevens faktiska svårighet i stället för att ge en orelaterad fullständig lektion.
En elev kan till exempel ha dividerat med ett uttryck utan att ange om det kan vara noll. Lämna den ursprungliga ekvationen och fråga vilka fall som måste beaktas före den omvandlingen. Det önskade resultatet kan skilja det tillåtna fallet, undantagsfallet och den slutliga lösningsmängden åt. Detta är ett förslag till matematisk uppgift, där svarsformen definieras av villkoret i stället för av en allmän begäran att förklara algebra.
För en programmeringsfråga lämnar du algoritmen eller funktionen och konkreta indata. Fråga hur tillståndet ändras och varför det returnerade resultatet följer. En följdfråga kan begära en reviderad implementation med en uttrycklig begränsning, till exempel att behålla den publika funktionssignaturen eller undvika att ändra indata. Ta med relevant hjälpkod och förväntat beteende så att förklaringen inte beror på en ospecificerad implementation.
För en logisk jämförelse identifierar du alternativen och villkoren som varje alternativ måste uppfylla. Begär antagandena som varje metod använder, konflikterna som utesluter ett val och den kvarvarande olösta informationen. En kompakt beslutstabell kan sedan bli slutleveransen, medan den omgivande texten förklarar hur de tillförda reglerna stöder den.
Promptrekommendationer från DeepSeek
Tillverkaren rekommenderar att undvika en systemprompt och lägga alla instruktioner direkt i användarprompten. Samla uppgiften, utdatakraven och det nödvändiga källmaterialet och ange tydligt vilken text som är problemet och vilken som är en instruktion om svaret. Använd den släppta tokeniseraren och konversationsinställningarna i stället för att anta att den ursprungliga Qwen-formateringen är utbytbar.
Det dokumenterade temperaturintervallet är 0,5 till 0,7, med 0,6 som rekommendation. DeepSeek kopplar detta till minskade upprepningar och mindre osammanhängande utdata. För matematiska frågor rekommenderar företaget ett genomarbetat svar med slutresultatet i en LaTeX-ruta. Det beskriver också fall där modellen hoppar över resonemangsblocket och rekommenderar att börja svaret med den öppnande resonemangsmarkören för att uppmuntra det avsedda resonemangsarbetsflödet.
Användbara matematiska utdata kan innehålla den valda metoden, de motiverade omvandlingarna och ett separat slututtryck. Ange om resultatet ska vara exakt eller avrundat och specificera enheter när de spelar roll. För kod ber du om förklaringen separat från den föreslagna implementationen. För logik ber du om slutsatsen tillsammans med de villkor under vilka den gäller. Dessa krav avgör vad läsaren eller applikationen faktiskt kan använda efter resonemangstexten.
Kontext och innehållsmässiga gränser
Den nuvarande släppta konfigurationen sätter maximalt antal positioner till 131 072. Det är denna kontrollpunkts konfigurationsvärde, inte ett ärvt löfte för varje driftgränssnitt. Tillverkarens genereringsinställning på 32 768 token ingår i utvärderingen; den fastställer ingen separat hård gräns för svarslängden. Utdatakapaciteten hos den ursprungliga Qwen Instruct-modellen ska på samma sätt inte överföras till denna ändrade resonemangsutgåva utan en egen specifikation.
Detta är en textmodell. En bild av ett matematiskt problem behöver få sina symboler och villkor omvandlade till text före resonemangsuppgiften, och körning av föreslagen kod kräver en separat utvecklings- eller beräkningsmiljö. Destillation beskriver träning med R1-exempel, inte ett automatiskt anrop till lärarmodellen vid körning eller en inbyggd oberoende verifierare.
Använd den namngivna 14B-kontrollpunkten för en definierad uppgift som kräver ett genomarbetat svar och bevara problemets notation, antaganden och målresultat. Det praktiska målet är en lösning som läsaren kan granska: vilka villkor som gäller, varför varje viktigt steg följer och vilket slututtryck, vilken implementation eller vilken slutsats som besvarar den ursprungliga frågan.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek-ai/DeepSeek-R1-Distill-Qwen-14B | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.0002 / 1K token Utdata · Utdatatoken $0.0002 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-14B", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek-ai/DeepSeek-R1-Distill-Qwen-14B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek-ai/DeepSeek-R1-Distill-Qwen-14B',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-14B
Använd metodsökvägarna som visas ovan.
deepseek-ai/DeepSeek-R1-Distill-Qwen-14BDeepSeek-R1-Distill-Qwen-14B är en kontrollpunkt för textresonemang baserad på Qwen2.5-14B och exempel genererade av DeepSeek-R1. Den stöder genomarbetade matematiska, programmeringsrelaterade och logiska svar, med DeepSeeks egen tokeniserare, promptrekommendationer och utgåvekonfiguration.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek-R1-Distill-Qwen-14B är den Qwen-baserade resonemangskontrollpunkten i storleken 14B som DeepSeek har släppt. Grundmodellen är Qwen2.5-14B, finjusterad med exempel framtagna av DeepSeek-R1. Den tar emot ett skriftligt problem eller en konversation och returnerar text som kan innehålla en matematisk lösning, en förklaring av programbeteende eller en slutsats dragen från flera tillförda villkor.
Överföring av resonemang och den namngivna utgåvan
DeepSeek skiljer de fullständiga R1- och R1-Zero-modellerna från de täta modellerna som destillerats till Qwen- och Llama-grundmodeller. För de destillerade utgåvorna för träningsdata över resonemangsmönster från den större R1-modellen till en annan kontrollpunkt. Namnet 14B identifierar just denna Qwen-grundmodell; det identifierar inte hela R1-arkitekturen, den destillerade 32B-kontrollpunkten eller den vanliga Qwen2.5-14B-Instruct-utgåvan.
Tillverkaren beskriver 800 000 kuraterade exempel för Qwen-destillationerna och noterar ändringar i deras konfigurationer och tokeniserare. Behåll DeepSeeks utgåveinställningar när du använder modellen. Ändringarna har betydelse även om modellens ursprung är Qwen2.5. 14B-kontrollpunktens egen konfiguration anger 48 lager, 40 attention-huvuden för frågevektorer och 8 nyckel/värde-huvuden, med maximalt antal positioner satt till 131 072.
Vad som behövs för ett användbart genomarbetat svar
För en handledningsuppgift tar du med problemet och elevens lösningsförsök och markerar sedan övergången som behöver förklaras. Be modellen identifiera det relevanta villkoret, förklara rättelsen med samma notation och fortsätta bara så långt som behövs för att fastställa resultatet. Det håller svaret kopplat till elevens faktiska svårighet i stället för att ge en orelaterad fullständig lektion.
En elev kan till exempel ha dividerat med ett uttryck utan att ange om det kan vara noll. Lämna den ursprungliga ekvationen och fråga vilka fall som måste beaktas före den omvandlingen. Det önskade resultatet kan skilja det tillåtna fallet, undantagsfallet och den slutliga lösningsmängden åt. Detta är ett förslag till matematisk uppgift, där svarsformen definieras av villkoret i stället för av en allmän begäran att förklara algebra.
För en programmeringsfråga lämnar du algoritmen eller funktionen och konkreta indata. Fråga hur tillståndet ändras och varför det returnerade resultatet följer. En följdfråga kan begära en reviderad implementation med en uttrycklig begränsning, till exempel att behålla den publika funktionssignaturen eller undvika att ändra indata. Ta med relevant hjälpkod och förväntat beteende så att förklaringen inte beror på en ospecificerad implementation.
För en logisk jämförelse identifierar du alternativen och villkoren som varje alternativ måste uppfylla. Begär antagandena som varje metod använder, konflikterna som utesluter ett val och den kvarvarande olösta informationen. En kompakt beslutstabell kan sedan bli slutleveransen, medan den omgivande texten förklarar hur de tillförda reglerna stöder den.
Promptrekommendationer från DeepSeek
Tillverkaren rekommenderar att undvika en systemprompt och lägga alla instruktioner direkt i användarprompten. Samla uppgiften, utdatakraven och det nödvändiga källmaterialet och ange tydligt vilken text som är problemet och vilken som är en instruktion om svaret. Använd den släppta tokeniseraren och konversationsinställningarna i stället för att anta att den ursprungliga Qwen-formateringen är utbytbar.
Det dokumenterade temperaturintervallet är 0,5 till 0,7, med 0,6 som rekommendation. DeepSeek kopplar detta till minskade upprepningar och mindre osammanhängande utdata. För matematiska frågor rekommenderar företaget ett genomarbetat svar med slutresultatet i en LaTeX-ruta. Det beskriver också fall där modellen hoppar över resonemangsblocket och rekommenderar att börja svaret med den öppnande resonemangsmarkören för att uppmuntra det avsedda resonemangsarbetsflödet.
Användbara matematiska utdata kan innehålla den valda metoden, de motiverade omvandlingarna och ett separat slututtryck. Ange om resultatet ska vara exakt eller avrundat och specificera enheter när de spelar roll. För kod ber du om förklaringen separat från den föreslagna implementationen. För logik ber du om slutsatsen tillsammans med de villkor under vilka den gäller. Dessa krav avgör vad läsaren eller applikationen faktiskt kan använda efter resonemangstexten.
Kontext och innehållsmässiga gränser
Den nuvarande släppta konfigurationen sätter maximalt antal positioner till 131 072. Det är denna kontrollpunkts konfigurationsvärde, inte ett ärvt löfte för varje driftgränssnitt. Tillverkarens genereringsinställning på 32 768 token ingår i utvärderingen; den fastställer ingen separat hård gräns för svarslängden. Utdatakapaciteten hos den ursprungliga Qwen Instruct-modellen ska på samma sätt inte överföras till denna ändrade resonemangsutgåva utan en egen specifikation.
Detta är en textmodell. En bild av ett matematiskt problem behöver få sina symboler och villkor omvandlade till text före resonemangsuppgiften, och körning av föreslagen kod kräver en separat utvecklings- eller beräkningsmiljö. Destillation beskriver träning med R1-exempel, inte ett automatiskt anrop till lärarmodellen vid körning eller en inbyggd oberoende verifierare.
Använd den namngivna 14B-kontrollpunkten för en definierad uppgift som kräver ett genomarbetat svar och bevara problemets notation, antaganden och målresultat. Det praktiska målet är en lösning som läsaren kan granska: vilka villkor som gäller, varför varje viktigt steg följer och vilket slututtryck, vilken implementation eller vilken slutsats som besvarar den ursprungliga frågan.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek-ai/DeepSeek-R1-Distill-Qwen-14B | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.0002 / 1K token Utdata · Utdatatoken $0.0002 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-14B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-ai/DeepSeek-R1-Distill-Qwen-14B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek-ai/DeepSeek-R1-Distill-Qwen-14B', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra deepseek-ai/DeepSeek-R1-Distill-Qwen-14B
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Repair an algebraic division step\n\nA student solves x(x - 3) = 2(x - 3) by dividing by x - 3 and concludes x = 2. Explain the missing case without changing the original equation. Separate the zero-divisor case from the nonzero case, then give the complete solution set and substitute each candidate back into the equation.A case split, a complete solution set and a substitution check for each candidate.The response checks the x - 3 = 0 case rather than silently dividing it away.