DeepSeek-R1-Distill-Qwen-32B är DeepSeeks täta resonemangskontrollpunkt i storleken 32B, byggd från Qwen2.5-32B. DeepSeek finjusterar grundmodellen med resonemangsexempel genererade av DeepSeek-R1. Resultatet är en separat textmodell för problem som kräver flera sammanhängande steg, till exempel en matematisk härledning, en algoritmfråga eller resonemang kring begränsningar.
Hur denna destillation skiljer sig från hela R1-modellen
Tillverkarens utgåva skiljer DeepSeek-R1-Zero, DeepSeek-R1 och destillerade modeller baserade på Qwen eller Llama åt. Den fullständiga R1-linjen utvecklar resonemang genom sin egen träningskedja; destillationssteget överför mönster som representeras i R1-genererade exempel till separata täta kontrollpunkter. Denna post är den Qwen-baserade destillerade utgåvan på 32B, inte hela R1-modellen, R1-Zero eller den oförändrade Qwen2.5-32B-grundmodellen.
De släppta Qwen-destillationerna finjusteras med 800 000 kuraterade exempel. DeepSeek ändrar också deras konfigurationer och tokeniserare och instruerar användare att behålla dessa inställningar. Träningsursprunget förklarar resonemangsfokuset, medan den namngivna kontrollpunkten och dess egen konfiguration avgör den faktiska utgåvan. Det innebär inte att den större lärarmodellen automatiskt rådfrågas för att besvara varje ny fråga.
Konfigurationen för 32B-kontrollpunkten använder en kausal språkmodellsarkitektur med 64 lager, 40 attention-huvuden för frågevektorer och 8 nyckel/värde-huvuden. Maximalt antal positioner är satt till 131 072. Denna konfigurationsuppgift gäller den släppta modellen; ett exempelkommando för drift eller en annan medlem av R1-familjen ska inte behandlas som samma kontextinställning. Modellen tar emot text och genererar text snarare än att ta emot en bild eller producera en visuell leverans eller ljudleverans.
Förbered en matematisk uppgift eller koduppgift
För ett matematiskt problem lämnar du hela villkoret, definierar variablerna och anger definitionsmängden eller antagandena. Ange om slutresultatet ska vara ett exakt uttryck, en numerisk approximation eller ett bevis för ett påstående. En användbar begäran kan be om en härledning följd av slututtrycket och en kontroll mot de ursprungliga villkoren. Tillverkaren rekommenderar ett genomarbetat matematiskt svar med slutsvaret inramat i en LaTeX-ruta.
För ett algoritmproblem lämnar du intervallet för indata, önskade utdata och begränsningar för lösningen. Be om metoden, implementationen och en förklaring till varför den bevarar den nödvändiga egenskapen. Om problemet gäller befintlig kod lämnar du den relevanta funktionen, de indata som ger det oväntade beteendet och det förväntade resultatet. Svaret kan jämföra den faktiska vägen med den avsedda och föreslå en rättelse; körning och verifiering av programmet är separata applikationssteg.
För ett problem med begränsningar listar du de tillåtna valen och sambanden uttryckligen. Till exempel kan en schemaläggningsbegäran ange deltagare, tillgänglighet och regler som gör två tilldelningar oförenliga. Be om en föreslagen tilldelning med regeln som stöder varje beslut och kräv att alla olösta villkor förblir synliga. Det gör resonemangsuppgiften granskningsbar i stället för att be modellen välja utan de underliggande begränsningarna.
Tillverkarspecifika användningsrekommendationer
DeepSeek rekommenderar att lägga alla instruktioner i användarprompten och undvika en separat systemprompt för denna serie. Det skiljer sig från en allmän chattmall som använder ett systemmeddelande för att definiera uppgiften. Placera önskat svarsformat, källmaterial och själva frågan tillsammans med tydliga gränser.
Det rekommenderade temperaturintervallet är 0,5 till 0,7, med 0,6 som förstahandsval. Tillverkaren kopplar rekommendationen till att undvika upprepningar eller osammanhängande utdata. Företaget noterar också att vissa frågor kan ge ett tomt resonemangsblock och rekommenderar att inleda utdata med den öppnande resonemangsmarkören. Detta är rekommendationer för det släppta resonemangsarbetsflödet, inte en garanti för att en enskild inställning fastställer korrekthet.
Ett praktiskt svarskontrakt kan begära en förklaring av metoden, de viktiga motiverade stegen och en separat slutleverans. I en matematisk uppgift använder du det inramade uttrycket för slutresultatet. I en koduppgift skiljer du koden från dess antaganden och exempelindata. I en logisk uppgift håller du varje slutsats kopplad till regeln eller den tillförda uppgiften som stöder den. Det låter resonemangstexten och resultatet som applikationen behöver fylla olika syften.
Gränser för kontext, utdata och integration
Den släppta konfigurationens maximala 131 072 positioner bör beaktas tillsammans med hela prompten och det genererade resonemanget. Tillverkaren använder en genereringsinställning på 32 768 token vid utvärdering, men den experimentella inställningen är ingen publicerad, separat specifikation för denna kontrollpunkts utdatakapacitet. Härled ingen svarsgräns från en benchmarkuppsättning och kopiera inte den ursprungliga Qwen Instruct-utgåvans utdatatal på 8 192 token till den ändrade destillerade utgåvan.
Håll indata fokuserade på den faktiska matematiska, programmeringsrelaterade eller logiska frågan och ange den önskade slutformen. En extern miniräknare, ett kodarkiv, en dokumentparser eller en sökfunktion behöver tillhandahållas av den omgivande applikationen; det ingår inte bara för att du väljer en textbaserad resonemangskontrollpunkt. Det användbara resultatet är en skriftlig lösning eller föreslagen implementation vars antaganden, metod och slutsvar motsvarar det tillförda problemet.
", "aboutText": "DeepSeek-R1-Distill-Qwen-32B är DeepSeeks täta resonemangskontrollpunkt i storleken 32B, byggd från Qwen2.5-32B. DeepSeek finjusterar grundmodellen med resonemangsexempel genererade av DeepSeek-R1. Resultatet är en separat textmodell för problem som kräver flera sammanhängande steg, till exempel en matematisk härledning, en algoritmfråga eller resonemang kring begränsningar.\n\nHur denna destillation skiljer sig från hela R1-modellen\n\nTillverkarens utgåva skiljer DeepSeek-R1-Zero, DeepSeek-R1 och destillerade modeller baserade på Qwen eller Llama åt. Den fullständiga R1-linjen utvecklar resonemang genom sin egen träningskedja; destillationssteget överför mönster som representeras i R1-genererade exempel till separata täta kontrollpunkter. Denna post är den Qwen-baserade destillerade utgåvan på 32B, inte hela R1-modellen, R1-Zero eller den oförändrade Qwen2.5-32B-grundmodellen.\n\nDe släppta Qwen-destillationerna finjusteras med 800 000 kuraterade exempel. DeepSeek ändrar också deras konfigurationer och tokeniserare och instruerar användare att behålla dessa inställningar. Träningsursprunget förklarar resonemangsfokuset, medan den namngivna kontrollpunkten och dess egen konfiguration avgör den faktiska utgåvan. Det innebär inte att den större lärarmodellen automatiskt rådfrågas för att besvara varje ny fråga.\n\nKonfigurationen för 32B-kontrollpunkten använder en kausal språkmodellsarkitektur med 64 lager, 40 attention-huvuden för frågevektorer och 8 nyckel/värde-huvuden. Maximalt antal positioner är satt till 131 072. Denna konfigurationsuppgift gäller den släppta modellen; ett exempelkommando för drift eller en annan medlem av R1-familjen ska inte behandlas som samma kontextinställning. Modellen tar emot text och genererar text snarare än att ta emot en bild eller producera en visuell leverans eller ljudleverans.\n\nFörbered en matematisk uppgift eller koduppgift\n\nFör ett matematiskt problem lämnar du hela villkoret, definierar variablerna och anger definitionsmängden eller antagandena. Ange om slutresultatet ska vara ett exakt uttryck, en numerisk approximation eller ett bevis för ett påstående. En användbar begäran kan be om en härledning följd av slututtrycket och en kontroll mot de ursprungliga villkoren. Tillverkaren rekommenderar ett genomarbetat matematiskt svar med slutsvaret inramat i en LaTeX-ruta.\n\nFör ett algoritmproblem lämnar du intervallet för indata, önskade utdata och begränsningar för lösningen. Be om metoden, implementationen och en förklaring till varför den bevarar den nödvändiga egenskapen. Om problemet gäller befintlig kod lämnar du den relevanta funktionen, de indata som ger det oväntade beteendet och det förväntade resultatet. Svaret kan jämföra den faktiska vägen med den avsedda och föreslå en rättelse; körning och verifiering av programmet är separata applikationssteg.\n\nFör ett problem med begränsningar listar du de tillåtna valen och sambanden uttryckligen. Till exempel kan en schemaläggningsbegäran ange deltagare, tillgänglighet och regler som gör två tilldelningar oförenliga. Be om en föreslagen tilldelning med regeln som stöder varje beslut och kräv att alla olösta villkor förblir synliga. Det gör resonemangsuppgiften granskningsbar i stället för att be modellen välja utan de underliggande begränsningarna.\n\nTillverkarspecifika användningsrekommendationer\n\nDeepSeek rekommenderar att lägga alla instruktioner i användarprompten och undvika en separat systemprompt för denna serie. Det skiljer sig från en allmän chattmall som använder ett systemmeddelande för att definiera uppgiften. Placera önskat svarsformat, källmaterial och själva frågan tillsammans med tydliga gränser.\n\nDet rekommenderade temperaturintervallet är 0,5 till 0,7, med 0,6 som förstahandsval. Tillverkaren kopplar rekommendationen till att undvika upprepningar eller osammanhängande utdata. Företaget noterar också att vissa frågor kan ge ett tomt resonemangsblock och rekommenderar att inleda utdata med den öppnande resonemangsmarkören. Detta är rekommendationer för det släppta resonemangsarbetsflödet, inte en garanti för att en enskild inställning fastställer korrekthet.\n\nEtt praktiskt svarskontrakt kan begära en förklaring av metoden, de viktiga motiverade stegen och en separat slutleverans. I en matematisk uppgift använder du det inramade uttrycket för slutresultatet. I en koduppgift skiljer du koden från dess antaganden och exempelindata. I en logisk uppgift håller du varje slutsats kopplad till regeln eller den tillförda uppgiften som stöder den. Det låter resonemangstexten och resultatet som applikationen behöver fylla olika syften.\n\nGränser för kontext, utdata och integration\n\nDen släppta konfigurationens maximala 131 072 positioner bör beaktas tillsammans med hela prompten och det genererade resonemanget. Tillverkaren använder en genereringsinställning på 32 768 token vid utvärdering, men den experimentella inställningen är ingen publicerad, separat specifikation för denna kontrollpunkts utdatakapacitet. Härled ingen svarsgräns från en benchmarkuppsättning och kopiera inte den ursprungliga Qwen Instruct-utgåvans utdatatal på 8 192 token till den ändrade destillerade utgåvan.\n\nHåll indata fokuserade på den faktiska matematiska, programmeringsrelaterade eller logiska frågan och ange den önskade slutformen. En extern miniräknare, ett kodarkiv, en dokumentparser eller en sökfunktion behöver tillhandahållas av den omgivande applikationen; det ingår inte bara för att du väljer en textbaserad resonemangskontrollpunkt. Det användbara resultatet är en skriftlig lösning eller föreslagen implementation vars antaganden, metod och slutsvar motsvarar det tillförda problemet.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Solve a bounded scheduling problem\n\nSchedule three one-hour interviews in slots 09:00, 10:00 and 11:00. Ada cannot attend 09:00; Ben cannot attend 11:00; Chen must be before Ada. Each person gets one distinct slot. Give a valid schedule, explain how each constraint is satisfied and state whether another schedule is possible.A person-to-slot table, a constraint check and a justified uniqueness or non-uniqueness conclusion.Check all three constraints and distinct slots directly against the proposed schedule.deepseek-ai/DeepSeek-R1-Distill-Qwen-32BDeepSeek-R1-Distill-Qwen-32B är en tät textmodell för resonemang, finjusterad från Qwen2.5-32B med DeepSeek-R1-exempel. Den är avsedd för matematiska, kodrelaterade och logiska flerstegsuppgifter, med tillverkarspecifik promptning och en utgåvekonfiguration på 131,072 positioner.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek-R1-Distill-Qwen-32B är DeepSeeks täta resonemangskontrollpunkt i storleken 32B, byggd från Qwen2.5-32B. DeepSeek finjusterar grundmodellen med resonemangsexempel genererade av DeepSeek-R1. Resultatet är en separat textmodell för problem som kräver flera sammanhängande steg, till exempel en matematisk härledning, en algoritmfråga eller resonemang kring begränsningar.
Hur denna destillation skiljer sig från hela R1-modellen
Tillverkarens utgåva skiljer DeepSeek-R1-Zero, DeepSeek-R1 och destillerade modeller baserade på Qwen eller Llama åt. Den fullständiga R1-linjen utvecklar resonemang genom sin egen träningskedja; destillationssteget överför mönster som representeras i R1-genererade exempel till separata täta kontrollpunkter. Denna post är den Qwen-baserade destillerade utgåvan på 32B, inte hela R1-modellen, R1-Zero eller den oförändrade Qwen2.5-32B-grundmodellen.
De släppta Qwen-destillationerna finjusteras med 800 000 kuraterade exempel. DeepSeek ändrar också deras konfigurationer och tokeniserare och instruerar användare att behålla dessa inställningar. Träningsursprunget förklarar resonemangsfokuset, medan den namngivna kontrollpunkten och dess egen konfiguration avgör den faktiska utgåvan. Det innebär inte att den större lärarmodellen automatiskt rådfrågas för att besvara varje ny fråga.
Konfigurationen för 32B-kontrollpunkten använder en kausal språkmodellsarkitektur med 64 lager, 40 attention-huvuden för frågevektorer och 8 nyckel/värde-huvuden. Maximalt antal positioner är satt till 131 072. Denna konfigurationsuppgift gäller den släppta modellen; ett exempelkommando för drift eller en annan medlem av R1-familjen ska inte behandlas som samma kontextinställning. Modellen tar emot text och genererar text snarare än att ta emot en bild eller producera en visuell leverans eller ljudleverans.
Förbered en matematisk uppgift eller koduppgift
För ett matematiskt problem lämnar du hela villkoret, definierar variablerna och anger definitionsmängden eller antagandena. Ange om slutresultatet ska vara ett exakt uttryck, en numerisk approximation eller ett bevis för ett påstående. En användbar begäran kan be om en härledning följd av slututtrycket och en kontroll mot de ursprungliga villkoren. Tillverkaren rekommenderar ett genomarbetat matematiskt svar med slutsvaret inramat i en LaTeX-ruta.
För ett algoritmproblem lämnar du intervallet för indata, önskade utdata och begränsningar för lösningen. Be om metoden, implementationen och en förklaring till varför den bevarar den nödvändiga egenskapen. Om problemet gäller befintlig kod lämnar du den relevanta funktionen, de indata som ger det oväntade beteendet och det förväntade resultatet. Svaret kan jämföra den faktiska vägen med den avsedda och föreslå en rättelse; körning och verifiering av programmet är separata applikationssteg.
För ett problem med begränsningar listar du de tillåtna valen och sambanden uttryckligen. Till exempel kan en schemaläggningsbegäran ange deltagare, tillgänglighet och regler som gör två tilldelningar oförenliga. Be om en föreslagen tilldelning med regeln som stöder varje beslut och kräv att alla olösta villkor förblir synliga. Det gör resonemangsuppgiften granskningsbar i stället för att be modellen välja utan de underliggande begränsningarna.
Tillverkarspecifika användningsrekommendationer
DeepSeek rekommenderar att lägga alla instruktioner i användarprompten och undvika en separat systemprompt för denna serie. Det skiljer sig från en allmän chattmall som använder ett systemmeddelande för att definiera uppgiften. Placera önskat svarsformat, källmaterial och själva frågan tillsammans med tydliga gränser.
Det rekommenderade temperaturintervallet är 0,5 till 0,7, med 0,6 som förstahandsval. Tillverkaren kopplar rekommendationen till att undvika upprepningar eller osammanhängande utdata. Företaget noterar också att vissa frågor kan ge ett tomt resonemangsblock och rekommenderar att inleda utdata med den öppnande resonemangsmarkören. Detta är rekommendationer för det släppta resonemangsarbetsflödet, inte en garanti för att en enskild inställning fastställer korrekthet.
Ett praktiskt svarskontrakt kan begära en förklaring av metoden, de viktiga motiverade stegen och en separat slutleverans. I en matematisk uppgift använder du det inramade uttrycket för slutresultatet. I en koduppgift skiljer du koden från dess antaganden och exempelindata. I en logisk uppgift håller du varje slutsats kopplad till regeln eller den tillförda uppgiften som stöder den. Det låter resonemangstexten och resultatet som applikationen behöver fylla olika syften.
Gränser för kontext, utdata och integration
Den släppta konfigurationens maximala 131 072 positioner bör beaktas tillsammans med hela prompten och det genererade resonemanget. Tillverkaren använder en genereringsinställning på 32 768 token vid utvärdering, men den experimentella inställningen är ingen publicerad, separat specifikation för denna kontrollpunkts utdatakapacitet. Härled ingen svarsgräns från en benchmarkuppsättning och kopiera inte den ursprungliga Qwen Instruct-utgåvans utdatatal på 8 192 token till den ändrade destillerade utgåvan.
Håll indata fokuserade på den faktiska matematiska, programmeringsrelaterade eller logiska frågan och ange den önskade slutformen. En extern miniräknare, ett kodarkiv, en dokumentparser eller en sökfunktion behöver tillhandahållas av den omgivande applikationen; det ingår inte bara för att du väljer en textbaserad resonemangskontrollpunkt. Det användbara resultatet är en skriftlig lösning eller föreslagen implementation vars antaganden, metod och slutsvar motsvarar det tillförda problemet.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek-ai/DeepSeek-R1-Distill-Qwen-32B | 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 $0.00036 / 1K token Utdata · Utdatatoken $0.00036 / 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-32B", "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-32B',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-32B',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-32B
Använd metodsökvägarna som visas ovan.
deepseek-ai/DeepSeek-R1-Distill-Qwen-32BDeepSeek-R1-Distill-Qwen-32B är en tät textmodell för resonemang, finjusterad från Qwen2.5-32B med DeepSeek-R1-exempel. Den är avsedd för matematiska, kodrelaterade och logiska flerstegsuppgifter, med tillverkarspecifik promptning och en utgåvekonfiguration på 131,072 positioner.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek-R1-Distill-Qwen-32B är DeepSeeks täta resonemangskontrollpunkt i storleken 32B, byggd från Qwen2.5-32B. DeepSeek finjusterar grundmodellen med resonemangsexempel genererade av DeepSeek-R1. Resultatet är en separat textmodell för problem som kräver flera sammanhängande steg, till exempel en matematisk härledning, en algoritmfråga eller resonemang kring begränsningar.
Hur denna destillation skiljer sig från hela R1-modellen
Tillverkarens utgåva skiljer DeepSeek-R1-Zero, DeepSeek-R1 och destillerade modeller baserade på Qwen eller Llama åt. Den fullständiga R1-linjen utvecklar resonemang genom sin egen träningskedja; destillationssteget överför mönster som representeras i R1-genererade exempel till separata täta kontrollpunkter. Denna post är den Qwen-baserade destillerade utgåvan på 32B, inte hela R1-modellen, R1-Zero eller den oförändrade Qwen2.5-32B-grundmodellen.
De släppta Qwen-destillationerna finjusteras med 800 000 kuraterade exempel. DeepSeek ändrar också deras konfigurationer och tokeniserare och instruerar användare att behålla dessa inställningar. Träningsursprunget förklarar resonemangsfokuset, medan den namngivna kontrollpunkten och dess egen konfiguration avgör den faktiska utgåvan. Det innebär inte att den större lärarmodellen automatiskt rådfrågas för att besvara varje ny fråga.
Konfigurationen för 32B-kontrollpunkten använder en kausal språkmodellsarkitektur med 64 lager, 40 attention-huvuden för frågevektorer och 8 nyckel/värde-huvuden. Maximalt antal positioner är satt till 131 072. Denna konfigurationsuppgift gäller den släppta modellen; ett exempelkommando för drift eller en annan medlem av R1-familjen ska inte behandlas som samma kontextinställning. Modellen tar emot text och genererar text snarare än att ta emot en bild eller producera en visuell leverans eller ljudleverans.
Förbered en matematisk uppgift eller koduppgift
För ett matematiskt problem lämnar du hela villkoret, definierar variablerna och anger definitionsmängden eller antagandena. Ange om slutresultatet ska vara ett exakt uttryck, en numerisk approximation eller ett bevis för ett påstående. En användbar begäran kan be om en härledning följd av slututtrycket och en kontroll mot de ursprungliga villkoren. Tillverkaren rekommenderar ett genomarbetat matematiskt svar med slutsvaret inramat i en LaTeX-ruta.
För ett algoritmproblem lämnar du intervallet för indata, önskade utdata och begränsningar för lösningen. Be om metoden, implementationen och en förklaring till varför den bevarar den nödvändiga egenskapen. Om problemet gäller befintlig kod lämnar du den relevanta funktionen, de indata som ger det oväntade beteendet och det förväntade resultatet. Svaret kan jämföra den faktiska vägen med den avsedda och föreslå en rättelse; körning och verifiering av programmet är separata applikationssteg.
För ett problem med begränsningar listar du de tillåtna valen och sambanden uttryckligen. Till exempel kan en schemaläggningsbegäran ange deltagare, tillgänglighet och regler som gör två tilldelningar oförenliga. Be om en föreslagen tilldelning med regeln som stöder varje beslut och kräv att alla olösta villkor förblir synliga. Det gör resonemangsuppgiften granskningsbar i stället för att be modellen välja utan de underliggande begränsningarna.
Tillverkarspecifika användningsrekommendationer
DeepSeek rekommenderar att lägga alla instruktioner i användarprompten och undvika en separat systemprompt för denna serie. Det skiljer sig från en allmän chattmall som använder ett systemmeddelande för att definiera uppgiften. Placera önskat svarsformat, källmaterial och själva frågan tillsammans med tydliga gränser.
Det rekommenderade temperaturintervallet är 0,5 till 0,7, med 0,6 som förstahandsval. Tillverkaren kopplar rekommendationen till att undvika upprepningar eller osammanhängande utdata. Företaget noterar också att vissa frågor kan ge ett tomt resonemangsblock och rekommenderar att inleda utdata med den öppnande resonemangsmarkören. Detta är rekommendationer för det släppta resonemangsarbetsflödet, inte en garanti för att en enskild inställning fastställer korrekthet.
Ett praktiskt svarskontrakt kan begära en förklaring av metoden, de viktiga motiverade stegen och en separat slutleverans. I en matematisk uppgift använder du det inramade uttrycket för slutresultatet. I en koduppgift skiljer du koden från dess antaganden och exempelindata. I en logisk uppgift håller du varje slutsats kopplad till regeln eller den tillförda uppgiften som stöder den. Det låter resonemangstexten och resultatet som applikationen behöver fylla olika syften.
Gränser för kontext, utdata och integration
Den släppta konfigurationens maximala 131 072 positioner bör beaktas tillsammans med hela prompten och det genererade resonemanget. Tillverkaren använder en genereringsinställning på 32 768 token vid utvärdering, men den experimentella inställningen är ingen publicerad, separat specifikation för denna kontrollpunkts utdatakapacitet. Härled ingen svarsgräns från en benchmarkuppsättning och kopiera inte den ursprungliga Qwen Instruct-utgåvans utdatatal på 8 192 token till den ändrade destillerade utgåvan.
Håll indata fokuserade på den faktiska matematiska, programmeringsrelaterade eller logiska frågan och ange den önskade slutformen. En extern miniräknare, ett kodarkiv, en dokumentparser eller en sökfunktion behöver tillhandahållas av den omgivande applikationen; det ingår inte bara för att du väljer en textbaserad resonemangskontrollpunkt. Det användbara resultatet är en skriftlig lösning eller föreslagen implementation vars antaganden, metod och slutsvar motsvarar det tillförda problemet.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek-ai/DeepSeek-R1-Distill-Qwen-32B | 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 $0.00036 / 1K token Utdata · Utdatatoken $0.00036 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "deepseek-ai/DeepSeek-R1-Distill-Qwen-32B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-32B', '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-32B', '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-32B
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Solve a bounded scheduling problem\n\nSchedule three one-hour interviews in slots 09:00, 10:00 and 11:00. Ada cannot attend 09:00; Ben cannot attend 11:00; Chen must be before Ada. Each person gets one distinct slot. Give a valid schedule, explain how each constraint is satisfied and state whether another schedule is possible.A person-to-slot table, a constraint check and a justified uniqueness or non-uniqueness conclusion.Check all three constraints and distinct slots directly against the proposed schedule.