DeepSeek R1 Distill Llama 70B är en separat resonemangsmodell byggd på Llama 3.3 70B Instruct. DeepSeek finjusterar grundmodellen med resonemangsexempel genererade av DeepSeek R1 och överför därmed mönster för att lösa matematiska, programmeringsrelaterade och logiska problem till en tät Llama-modell. Den tar emot text och ger ett textsvar med den begärda analysen, koden eller slutsatsen.
Destillation. Detta är en förberedd modellkontrollpunkt, inte ett läge som aktiverar hela R1-modellen. Tillverkaren släpper flera destillerade modeller baserade på Llama- och Qwen-grundmodeller. Llama-utgåvan på 70B använder Llama 3.3 Instruct; Llama-utgåvan på 8B utgår från Llama 3.1 Base. Skillnaderna i grundmodell och storlek har betydelse när du väljer exakt utgåva. DeepSeek anpassar också konfigurationerna och tokeniserarna för de destillerade utgåvorna, så den publicerade modellberedningen bör följa med den namngivna kontrollpunkten.
Resonemangsarbete. För en matematisk uppgift lämnar du hela problemformuleringen, definitionerna och antagandena samt anger om resultatet ska vara ett bevis, en beräkning eller ett motexempel. Be om en tydlig härledning och ett slutsvar som är lätt att hitta. För en algoritmfråga anger du begränsningarna för indata och önskade utdata och ber sedan om metoden, dess implementation och fall som prövar antagandena. Den användbara leveransen är en lösning vars viktiga steg går att granska, inte bara ett rimligt slutvärde.
Genereringsrekommendationer. DeepSeek rekommenderar att alla instruktioner läggs i användarmeddelandet i stället för att lägga till en separat systemprompt. För resonemangsserien är det dokumenterade temperaturintervallet 0,5–0,7, med 0,6 som rekommendation för att minska upprepningar och osammanhängande utdata. Matematiska prompter bör begära en stegvis lösning med det matematiska slutresultatet inramat. För fall där det avsedda resonemangsmönstret hoppas över rekommenderar DeepSeek att svarsprefixet <think>\\n tvingas fram i en kompatibel genereringsmiljö. Detta är rekommendationer för en kompatibel genereringsmiljö och fastställer inget separat körverktyg.
För kodhjälp tar du med den relevanta funktionen, det rapporterade felet, det förväntade beteendet och representativa indata. Be om ett minimalt ändringsförslag med förklaring och ett testfall som skulle avslöja det ursprungliga problemet. Om frågan gäller flera moduler behåller du deras namn och beskriver gränssnittet mellan dem. Modellen kan då resonera om de tillförda sambanden och returnera ett patchförslag eller en fokuserad förklaring för granskning.
För teknisk analys skiljer du givna fakta från de alternativ som övervägs. Du kan be modellen jämföra två algoritmer, förklara varför ett villkor är nödvändigt eller hitta indata som motsäger en föreslagen regel. Begär det avgörande argumentet först och gör alla antaganden uttryckliga. Kontrollera viktiga beräkningar oberoende och kör genererad kod i den avsedda miljön; själva svaret är en textleverans. När du jämför modellbeteende använder du flera representativa problem i stället för att betrakta ett svar som en fullständig bedömning.
", "aboutText": "DeepSeek R1 Distill Llama 70B är en separat resonemangsmodell byggd på Llama 3.3 70B Instruct. DeepSeek finjusterar grundmodellen med resonemangsexempel genererade av DeepSeek R1 och överför därmed mönster för att lösa matematiska, programmeringsrelaterade och logiska problem till en tät Llama-modell. Den tar emot text och ger ett textsvar med den begärda analysen, koden eller slutsatsen.\n\nDestillation. Detta är en förberedd modellkontrollpunkt, inte ett läge som aktiverar hela R1-modellen. Tillverkaren släpper flera destillerade modeller baserade på Llama- och Qwen-grundmodeller. Llama-utgåvan på 70B använder Llama 3.3 Instruct; Llama-utgåvan på 8B utgår från Llama 3.1 Base. Skillnaderna i grundmodell och storlek har betydelse när du väljer exakt utgåva. DeepSeek anpassar också konfigurationerna och tokeniserarna för de destillerade utgåvorna, så den publicerade modellberedningen bör följa med den namngivna kontrollpunkten.\n\nResonemangsarbete. För en matematisk uppgift lämnar du hela problemformuleringen, definitionerna och antagandena samt anger om resultatet ska vara ett bevis, en beräkning eller ett motexempel. Be om en tydlig härledning och ett slutsvar som är lätt att hitta. För en algoritmfråga anger du begränsningarna för indata och önskade utdata och ber sedan om metoden, dess implementation och fall som prövar antagandena. Den användbara leveransen är en lösning vars viktiga steg går att granska, inte bara ett rimligt slutvärde.\n\nGenereringsrekommendationer. DeepSeek rekommenderar att alla instruktioner läggs i användarmeddelandet i stället för att lägga till en separat systemprompt. För resonemangsserien är det dokumenterade temperaturintervallet 0,5–0,7, med 0,6 som rekommendation för att minska upprepningar och osammanhängande utdata. Matematiska prompter bör begära en stegvis lösning med det matematiska slutresultatet inramat. För fall där det avsedda resonemangsmönstret hoppas över rekommenderar DeepSeek att svarsprefixet `Tekniskt exempel på engelska
Test an allocation rule\n\nA workshop must assign 17 identical kits to four teams. Each team needs at least three kits, and Team A must receive an odd number. Find the allocation that minimizes the largest team allocation. Show a short verifiable argument that a smaller maximum is impossible, then give one valid allocation.An explicit allocation, its maximum and a concise optimality argument.The allocation must sum to 17, satisfy the minimum and oddness rules, and include a lower-bound argument.deepseek/deepseek-r1-distill-llama-70bEn tät resonemangsmodell som DeepSeek har destillerat från R1-genererade exempel till Llama 3.3 70B Instruct. Använd textprompter för matematiska problem, kod och logiska frågor som behöver en förklarad lösning och ett separat slutsvar.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek R1 Distill Llama 70B är en separat resonemangsmodell byggd på Llama 3.3 70B Instruct. DeepSeek finjusterar grundmodellen med resonemangsexempel genererade av DeepSeek R1 och överför därmed mönster för att lösa matematiska, programmeringsrelaterade och logiska problem till en tät Llama-modell. Den tar emot text och ger ett textsvar med den begärda analysen, koden eller slutsatsen.
Destillation. Detta är en förberedd modellkontrollpunkt, inte ett läge som aktiverar hela R1-modellen. Tillverkaren släpper flera destillerade modeller baserade på Llama- och Qwen-grundmodeller. Llama-utgåvan på 70B använder Llama 3.3 Instruct; Llama-utgåvan på 8B utgår från Llama 3.1 Base. Skillnaderna i grundmodell och storlek har betydelse när du väljer exakt utgåva. DeepSeek anpassar också konfigurationerna och tokeniserarna för de destillerade utgåvorna, så den publicerade modellberedningen bör följa med den namngivna kontrollpunkten.
Resonemangsarbete. För en matematisk uppgift lämnar du hela problemformuleringen, definitionerna och antagandena samt anger om resultatet ska vara ett bevis, en beräkning eller ett motexempel. Be om en tydlig härledning och ett slutsvar som är lätt att hitta. För en algoritmfråga anger du begränsningarna för indata och önskade utdata och ber sedan om metoden, dess implementation och fall som prövar antagandena. Den användbara leveransen är en lösning vars viktiga steg går att granska, inte bara ett rimligt slutvärde.
Genereringsrekommendationer. DeepSeek rekommenderar att alla instruktioner läggs i användarmeddelandet i stället för att lägga till en separat systemprompt. För resonemangsserien är det dokumenterade temperaturintervallet 0,5–0,7, med 0,6 som rekommendation för att minska upprepningar och osammanhängande utdata. Matematiska prompter bör begära en stegvis lösning med det matematiska slutresultatet inramat. För fall där det avsedda resonemangsmönstret hoppas över rekommenderar DeepSeek att svarsprefixet <think>\\n tvingas fram i en kompatibel genereringsmiljö. Detta är rekommendationer för en kompatibel genereringsmiljö och fastställer inget separat körverktyg.
För kodhjälp tar du med den relevanta funktionen, det rapporterade felet, det förväntade beteendet och representativa indata. Be om ett minimalt ändringsförslag med förklaring och ett testfall som skulle avslöja det ursprungliga problemet. Om frågan gäller flera moduler behåller du deras namn och beskriver gränssnittet mellan dem. Modellen kan då resonera om de tillförda sambanden och returnera ett patchförslag eller en fokuserad förklaring för granskning.
För teknisk analys skiljer du givna fakta från de alternativ som övervägs. Du kan be modellen jämföra två algoritmer, förklara varför ett villkor är nödvändigt eller hitta indata som motsäger en föreslagen regel. Begär det avgörande argumentet först och gör alla antaganden uttryckliga. Kontrollera viktiga beräkningar oberoende och kör genererad kod i den avsedda miljön; själva svaret är en textleverans. När du jämför modellbeteende använder du flera representativa problem i stället för att betrakta ett svar som en fullständig bedömning.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek/deepseek-r1-distill-llama-70b | 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 $0.00028 / 1K token Utdata · Utdatatoken $0.00086 / 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/deepseek-r1-distill-llama-70b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek/deepseek-r1-distill-llama-70b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek/deepseek-r1-distill-llama-70b',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/deepseek-r1-distill-llama-70b
Använd metodsökvägarna som visas ovan.
deepseek/deepseek-r1-distill-llama-70bEn tät resonemangsmodell som DeepSeek har destillerat från R1-genererade exempel till Llama 3.3 70B Instruct. Använd textprompter för matematiska problem, kod och logiska frågor som behöver en förklarad lösning och ett separat slutsvar.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek R1 Distill Llama 70B är en separat resonemangsmodell byggd på Llama 3.3 70B Instruct. DeepSeek finjusterar grundmodellen med resonemangsexempel genererade av DeepSeek R1 och överför därmed mönster för att lösa matematiska, programmeringsrelaterade och logiska problem till en tät Llama-modell. Den tar emot text och ger ett textsvar med den begärda analysen, koden eller slutsatsen.
Destillation. Detta är en förberedd modellkontrollpunkt, inte ett läge som aktiverar hela R1-modellen. Tillverkaren släpper flera destillerade modeller baserade på Llama- och Qwen-grundmodeller. Llama-utgåvan på 70B använder Llama 3.3 Instruct; Llama-utgåvan på 8B utgår från Llama 3.1 Base. Skillnaderna i grundmodell och storlek har betydelse när du väljer exakt utgåva. DeepSeek anpassar också konfigurationerna och tokeniserarna för de destillerade utgåvorna, så den publicerade modellberedningen bör följa med den namngivna kontrollpunkten.
Resonemangsarbete. För en matematisk uppgift lämnar du hela problemformuleringen, definitionerna och antagandena samt anger om resultatet ska vara ett bevis, en beräkning eller ett motexempel. Be om en tydlig härledning och ett slutsvar som är lätt att hitta. För en algoritmfråga anger du begränsningarna för indata och önskade utdata och ber sedan om metoden, dess implementation och fall som prövar antagandena. Den användbara leveransen är en lösning vars viktiga steg går att granska, inte bara ett rimligt slutvärde.
Genereringsrekommendationer. DeepSeek rekommenderar att alla instruktioner läggs i användarmeddelandet i stället för att lägga till en separat systemprompt. För resonemangsserien är det dokumenterade temperaturintervallet 0,5–0,7, med 0,6 som rekommendation för att minska upprepningar och osammanhängande utdata. Matematiska prompter bör begära en stegvis lösning med det matematiska slutresultatet inramat. För fall där det avsedda resonemangsmönstret hoppas över rekommenderar DeepSeek att svarsprefixet <think>\\n tvingas fram i en kompatibel genereringsmiljö. Detta är rekommendationer för en kompatibel genereringsmiljö och fastställer inget separat körverktyg.
För kodhjälp tar du med den relevanta funktionen, det rapporterade felet, det förväntade beteendet och representativa indata. Be om ett minimalt ändringsförslag med förklaring och ett testfall som skulle avslöja det ursprungliga problemet. Om frågan gäller flera moduler behåller du deras namn och beskriver gränssnittet mellan dem. Modellen kan då resonera om de tillförda sambanden och returnera ett patchförslag eller en fokuserad förklaring för granskning.
För teknisk analys skiljer du givna fakta från de alternativ som övervägs. Du kan be modellen jämföra två algoritmer, förklara varför ett villkor är nödvändigt eller hitta indata som motsäger en föreslagen regel. Begär det avgörande argumentet först och gör alla antaganden uttryckliga. Kontrollera viktiga beräkningar oberoende och kör genererad kod i den avsedda miljön; själva svaret är en textleverans. När du jämför modellbeteende använder du flera representativa problem i stället för att betrakta ett svar som en fullständig bedömning.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek/deepseek-r1-distill-llama-70b | 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 $0.00028 / 1K token Utdata · Utdatatoken $0.00086 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "deepseek/deepseek-r1-distill-llama-70b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1-distill-llama-70b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-r1-distill-llama-70b', '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/deepseek-r1-distill-llama-70b
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Test an allocation rule\n\nA workshop must assign 17 identical kits to four teams. Each team needs at least three kits, and Team A must receive an odd number. Find the allocation that minimizes the largest team allocation. Show a short verifiable argument that a smaller maximum is impossible, then give one valid allocation.An explicit allocation, its maximum and a concise optimality argument.The allocation must sum to 17, satisfy the minimum and oddness rules, and include a lower-bound argument.