DeepSeek R1 Distill Llama 8B överför resonemangsmönster från DeepSeek R1 till en tät modell baserad på Llama 3.1 8B Base. DeepSeek finjusterar denna grund med exempel genererade av R1. Resultatet är en separat destillerad 8B-kontrollpunkt som arbetar med textindata och returnerar ett textsvar, exempelvis en härledning, ett kodförslag eller en förklaring av ett logiskt problem.
Den destillerade modellens identitet. Tillverkaren släpper Llama- och Qwen-destillationer med olika grundmodeller och storlekar. Llama 8B-utgåvan utgår från en Base-modell; Llama 70B utgår från Llama 3.3 70B Instruct. Qwen-utgåvorna använder sina egna grundmodeller. Behåll den exakt namngivna kontrollpunkten när du väljer modell eller tolkar dess svar. DeepSeek anpassar de destillerade modellernas konfigurationer och tokeniserare, så en oförändrad uppsättning för grundmodellen beskriver inte hela den förberedda utgåvan.
För en matematisk fråga anger du antagandena, definierar symboler och tar med hela problemet. Be om en stegvis härledning följd av ett tydligt avskilt slutresultat. En användbar undervisningsuppgift kan fråga varför en viss omvandling är giltig och vilket antagande som gör den möjlig. När ett argument beror på ett gränsfall tar du med det fallet i prompten och ber modellen kontrollera det uttryckligen. Det ger en lösning som du kan granska och diskutera i stället för ett oförklarat svar.
Användningsrekommendationer. DeepSeek rekommenderar en temperatur mellan 0,5 och 0,7, med 0,6 som förstahandsval för sin resonemangsserie. Företaget råder användare att lägga instruktionerna i användarmeddelandet utan en separat systemprompt och att vid matematiska uppgifter be om sekventiellt resonemang med slutsvaret inramat. För fall där det avsedda resonemangsmönstret hoppas över rekommenderar DeepSeek att svarsprefixet <think>\\n tvingas fram i en kompatibel genereringsmiljö. Detta är publicerade rekommendationer för modellanvändning i kompatibla genereringsmiljöer.
För programmering lämnar du en kortfattad funktion eller algoritm, representativa indata och förväntade utdata. Be om den föreslagna implementationen och exempel som prövar vanliga fall och undantagsfall. För en felrapport behåller du felmeddelandet, anger det avsedda beteendet och ber sedan om en minimal rättelse med förklaring. Ett litet, fokuserat problem gör det lättare att kontrollera om svaret uppfyller det faktiska kravet och hitta den punkt som behöver en följdfråga.
För logisk analys anger du premisserna separat från slutsatsen som ska prövas. Begär antingen ett argument som förbinder dem eller ett motexempel som visar att slutsatsen inte behöver följa. Om uppgiften är otillräckligt specificerad ber du om det saknade antagandet innan en bestämd slutsats ges. Kontrollera viktiga beräkningar oberoende och kör kod i det avsedda projektet. När du bedömer modellen för ett arbetsflöde följer du producentens råd att använda flera representativa försök i stället för ett enda gynnsamt svar.
", "aboutText": "DeepSeek R1 Distill Llama 8B överför resonemangsmönster från DeepSeek R1 till en tät modell baserad på Llama 3.1 8B Base. DeepSeek finjusterar denna grund med exempel genererade av R1. Resultatet är en separat destillerad 8B-kontrollpunkt som arbetar med textindata och returnerar ett textsvar, exempelvis en härledning, ett kodförslag eller en förklaring av ett logiskt problem.\n\nDen destillerade modellens identitet. Tillverkaren släpper Llama- och Qwen-destillationer med olika grundmodeller och storlekar. Llama 8B-utgåvan utgår från en Base-modell; Llama 70B utgår från Llama 3.3 70B Instruct. Qwen-utgåvorna använder sina egna grundmodeller. Behåll den exakt namngivna kontrollpunkten när du väljer modell eller tolkar dess svar. DeepSeek anpassar de destillerade modellernas konfigurationer och tokeniserare, så en oförändrad uppsättning för grundmodellen beskriver inte hela den förberedda utgåvan.\n\nFör en matematisk fråga anger du antagandena, definierar symboler och tar med hela problemet. Be om en stegvis härledning följd av ett tydligt avskilt slutresultat. En användbar undervisningsuppgift kan fråga varför en viss omvandling är giltig och vilket antagande som gör den möjlig. När ett argument beror på ett gränsfall tar du med det fallet i prompten och ber modellen kontrollera det uttryckligen. Det ger en lösning som du kan granska och diskutera i stället för ett oförklarat svar.\n\nAnvändningsrekommendationer. DeepSeek rekommenderar en temperatur mellan 0,5 och 0,7, med 0,6 som förstahandsval för sin resonemangsserie. Företaget råder användare att lägga instruktionerna i användarmeddelandet utan en separat systemprompt och att vid matematiska uppgifter be om sekventiellt resonemang med slutsvaret inramat. För fall där det avsedda resonemangsmönstret hoppas över rekommenderar DeepSeek att svarsprefixet `Tekniskt exempel på engelska
Explain a square-root boundary\n\nSolve sqrt(x + 6) = x over the real numbers. Give a concise derivation, state the domain restrictions before squaring and check every resulting candidate in the original equation. Put the final solution set in box notation and explain why squaring can introduce an invalid candidate.A domain statement, an algebraic derivation, candidate substitutions and a boxed solution set.Check that every accepted root satisfies both the sign restriction and the unsquared equation.deepseek/deepseek-r1-distill-llama-8bEn kompakt, tät resonemangsmodell som DeepSeek har byggt på Llama 3.1 8B Base och finjusterat med exempel genererade av R1. Den ger textbaserade lösningar på matematiska, logiska och programmeringsrelaterade uppgifter utifrån ett tydligt formulerat problem.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek R1 Distill Llama 8B överför resonemangsmönster från DeepSeek R1 till en tät modell baserad på Llama 3.1 8B Base. DeepSeek finjusterar denna grund med exempel genererade av R1. Resultatet är en separat destillerad 8B-kontrollpunkt som arbetar med textindata och returnerar ett textsvar, exempelvis en härledning, ett kodförslag eller en förklaring av ett logiskt problem.
Den destillerade modellens identitet. Tillverkaren släpper Llama- och Qwen-destillationer med olika grundmodeller och storlekar. Llama 8B-utgåvan utgår från en Base-modell; Llama 70B utgår från Llama 3.3 70B Instruct. Qwen-utgåvorna använder sina egna grundmodeller. Behåll den exakt namngivna kontrollpunkten när du väljer modell eller tolkar dess svar. DeepSeek anpassar de destillerade modellernas konfigurationer och tokeniserare, så en oförändrad uppsättning för grundmodellen beskriver inte hela den förberedda utgåvan.
För en matematisk fråga anger du antagandena, definierar symboler och tar med hela problemet. Be om en stegvis härledning följd av ett tydligt avskilt slutresultat. En användbar undervisningsuppgift kan fråga varför en viss omvandling är giltig och vilket antagande som gör den möjlig. När ett argument beror på ett gränsfall tar du med det fallet i prompten och ber modellen kontrollera det uttryckligen. Det ger en lösning som du kan granska och diskutera i stället för ett oförklarat svar.
Användningsrekommendationer. DeepSeek rekommenderar en temperatur mellan 0,5 och 0,7, med 0,6 som förstahandsval för sin resonemangsserie. Företaget råder användare att lägga instruktionerna i användarmeddelandet utan en separat systemprompt och att vid matematiska uppgifter be om sekventiellt resonemang med slutsvaret inramat. För fall där det avsedda resonemangsmönstret hoppas över rekommenderar DeepSeek att svarsprefixet <think>\\n tvingas fram i en kompatibel genereringsmiljö. Detta är publicerade rekommendationer för modellanvändning i kompatibla genereringsmiljöer.
För programmering lämnar du en kortfattad funktion eller algoritm, representativa indata och förväntade utdata. Be om den föreslagna implementationen och exempel som prövar vanliga fall och undantagsfall. För en felrapport behåller du felmeddelandet, anger det avsedda beteendet och ber sedan om en minimal rättelse med förklaring. Ett litet, fokuserat problem gör det lättare att kontrollera om svaret uppfyller det faktiska kravet och hitta den punkt som behöver en följdfråga.
För logisk analys anger du premisserna separat från slutsatsen som ska prövas. Begär antingen ett argument som förbinder dem eller ett motexempel som visar att slutsatsen inte behöver följa. Om uppgiften är otillräckligt specificerad ber du om det saknade antagandet innan en bestämd slutsats ges. Kontrollera viktiga beräkningar oberoende och kör kod i det avsedda projektet. När du bedömer modellen för ett arbetsflöde följer du producentens råd att använda flera representativa försök i stället för ett enda gynnsamt svar.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek/deepseek-r1-distill-llama-8b | 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 $0.00008 / 1K token Utdata · Utdatatoken $0.00008 / 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-8b", "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-8b',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-8b',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-8b
Använd metodsökvägarna som visas ovan.
deepseek/deepseek-r1-distill-llama-8bEn kompakt, tät resonemangsmodell som DeepSeek har byggt på Llama 3.1 8B Base och finjusterat med exempel genererade av R1. Den ger textbaserade lösningar på matematiska, logiska och programmeringsrelaterade uppgifter utifrån ett tydligt formulerat problem.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek R1 Distill Llama 8B överför resonemangsmönster från DeepSeek R1 till en tät modell baserad på Llama 3.1 8B Base. DeepSeek finjusterar denna grund med exempel genererade av R1. Resultatet är en separat destillerad 8B-kontrollpunkt som arbetar med textindata och returnerar ett textsvar, exempelvis en härledning, ett kodförslag eller en förklaring av ett logiskt problem.
Den destillerade modellens identitet. Tillverkaren släpper Llama- och Qwen-destillationer med olika grundmodeller och storlekar. Llama 8B-utgåvan utgår från en Base-modell; Llama 70B utgår från Llama 3.3 70B Instruct. Qwen-utgåvorna använder sina egna grundmodeller. Behåll den exakt namngivna kontrollpunkten när du väljer modell eller tolkar dess svar. DeepSeek anpassar de destillerade modellernas konfigurationer och tokeniserare, så en oförändrad uppsättning för grundmodellen beskriver inte hela den förberedda utgåvan.
För en matematisk fråga anger du antagandena, definierar symboler och tar med hela problemet. Be om en stegvis härledning följd av ett tydligt avskilt slutresultat. En användbar undervisningsuppgift kan fråga varför en viss omvandling är giltig och vilket antagande som gör den möjlig. När ett argument beror på ett gränsfall tar du med det fallet i prompten och ber modellen kontrollera det uttryckligen. Det ger en lösning som du kan granska och diskutera i stället för ett oförklarat svar.
Användningsrekommendationer. DeepSeek rekommenderar en temperatur mellan 0,5 och 0,7, med 0,6 som förstahandsval för sin resonemangsserie. Företaget råder användare att lägga instruktionerna i användarmeddelandet utan en separat systemprompt och att vid matematiska uppgifter be om sekventiellt resonemang med slutsvaret inramat. För fall där det avsedda resonemangsmönstret hoppas över rekommenderar DeepSeek att svarsprefixet <think>\\n tvingas fram i en kompatibel genereringsmiljö. Detta är publicerade rekommendationer för modellanvändning i kompatibla genereringsmiljöer.
För programmering lämnar du en kortfattad funktion eller algoritm, representativa indata och förväntade utdata. Be om den föreslagna implementationen och exempel som prövar vanliga fall och undantagsfall. För en felrapport behåller du felmeddelandet, anger det avsedda beteendet och ber sedan om en minimal rättelse med förklaring. Ett litet, fokuserat problem gör det lättare att kontrollera om svaret uppfyller det faktiska kravet och hitta den punkt som behöver en följdfråga.
För logisk analys anger du premisserna separat från slutsatsen som ska prövas. Begär antingen ett argument som förbinder dem eller ett motexempel som visar att slutsatsen inte behöver följa. Om uppgiften är otillräckligt specificerad ber du om det saknade antagandet innan en bestämd slutsats ges. Kontrollera viktiga beräkningar oberoende och kör kod i det avsedda projektet. När du bedömer modellen för ett arbetsflöde följer du producentens råd att använda flera representativa försök i stället för ett enda gynnsamt svar.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek/deepseek-r1-distill-llama-8b | 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 $0.00008 / 1K token Utdata · Utdatatoken $0.00008 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "deepseek/deepseek-r1-distill-llama-8b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-8b', '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-8b', '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-8b
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Explain a square-root boundary\n\nSolve sqrt(x + 6) = x over the real numbers. Give a concise derivation, state the domain restrictions before squaring and check every resulting candidate in the original equation. Put the final solution set in box notation and explain why squaring can introduce an invalid candidate.A domain statement, an algebraic derivation, candidate substitutions and a boxed solution set.Check that every accepted root satisfies both the sign restriction and the unsquared equation.