DeepSeek R1 är DeepSeeks ursprungliga modell med fokus på resonemang för matematiska, programmeringsrelaterade och logiska uppgifter. Den bygger på DeepSeek V3 Base och använder en träningskedja med kallstartsexempel, övervakad förfining och förstärkningsinlärning. Indata är text och resultatet är en textbaserad lösning eller ett svar. Den är fortsatt skild från R1 Zero, den senare R1-0528-utgåvan och de separat destillerade modellerna.
Producenten skiljer R1 från R1 Zeros metod med enbart förstärkningsinlärning. Kallstartsmaterial ger R1 ett mer läsbart utgångsmönster före resonemangsinriktad förstärkningsinlärning. Efterföljande rejection sampling och övervakad träning tillför resonemangsdata och allmänna data, följt av ännu ett steg med förstärkningsinlärning. Modellkortet beskriver två övervakade steg och två steg med förstärkningsinlärning, avsedda att förbättra resonemangsmönstren och anpassningen till det begärda svaret.
Den publicerade arkitekturen har totalt 671 miljarder parametrar, med 37 miljarder aktiva per token och en kontext på 128K. Fönstret rymmer källan, prompten och det genererade resonemanget eller svaret tillsammans; det är ingen separat garanti för 128K utdata. Ett långt matematiskt villkor, kodfragment eller en uppsättning krav bör ändå ordnas så att modellen kan identifiera det faktiska problemet och den form på resultatet som du behöver.
DeepSeek rekommenderar temperatur mellan 0,5 och 0,7, med 0,6 som rekommenderat värde, för att minska upprepningar eller osammanhängande utdata. Företaget råder användare att lägga instruktionerna i användarprompten i stället för att lägga till en systemprompt. Forskningsrapporten rekommenderar också en direkt zero-shot-formulering av problemet och utdataformatet, eftersom few-shot-promptning kan försämra prestandan i denna ursprungliga profil. Detta är producentens användningsrekommendationer, inte standardvärden som antas gälla för varje applikation.
För matematik lämnar du hela villkoret, variabeldefinitionerna och begränsningarna för definitionsmängden. Producenten rekommenderar att be om en stegvis lösning med slutresultatet i ett \\boxed{}-uttryck. En exempelbeskrivning kan begära den slutliga formeln, antagandena under vilka den gäller och en kontroll genom insättning. För kod tar du med beteendet som ska implementeras, begränsningarna och representativa indata och ber sedan om den föreslagna algoritmen och kodleveransen separat från förklaringen.
Modellens resonemangsformat skiljer en tankefas från slutsvaret. DeepSeek noterar att vissa frågor kan ge ett tomt tankeblock och rekommenderar ett prefix för resonemangsstart i sitt referensarbetsflöde när djupare resonemang önskas. Behåll skillnaden mellan producentens format och det slutliga svar som användaren ska läsa. Den begärda leveransen kan vara en kortfattad slutsats eller kod även när modellens mellanliggande process är längre.
Den ursprungliga forskningen identifierar konkreta begränsningar. R1 är optimerad för kinesiska och engelska, och frågor på andra språk kan leda till oönskad språkblandning. Den är känslig för promptning, och dess förmåga inom komplexa flerturskonversationer, rollspel, JSON och funktionsanrop är mindre utvecklad än dess fokus på matematiskt resonemang och kodresonemang. JSON- och verktygsstödet som dokumenteras för R1-0528 är en ändring i en senare utgåva, inte det ursprungliga R1-kontraktet. Ange utdataspråk och format uttryckligen och håll problemformuleringen direkt.
För en praktisk teknisk uppgift definierar du vad som räknas som ett korrekt resultat: en formel med antaganden, en algoritm som uppfyller den angivna komplexiteten eller en motiverad jämförelse mot givna kriterier. Be slutsvaret att identifiera saknad information i stället för att hitta på den. För källberoende arbete lämnar du de auktoritativa avsnitten som text. Granska den föreslagna koden eller slutsatsen mot de ursprungliga villkoren; den användbara leveransen är den slutliga lösningen och dess stödjande förklaring, skilda från en åtgärd eller validering som den omgivande applikationen faktiskt har utfört.
", "aboutText": "DeepSeek R1 är DeepSeeks ursprungliga modell med fokus på resonemang för matematiska, programmeringsrelaterade och logiska uppgifter. Den bygger på DeepSeek V3 Base och använder en träningskedja med kallstartsexempel, övervakad förfining och förstärkningsinlärning. Indata är text och resultatet är en textbaserad lösning eller ett svar. Den är fortsatt skild från R1 Zero, den senare R1-0528-utgåvan och de separat destillerade modellerna.\n\nProducenten skiljer R1 från R1 Zeros metod med enbart förstärkningsinlärning. Kallstartsmaterial ger R1 ett mer läsbart utgångsmönster före resonemangsinriktad förstärkningsinlärning. Efterföljande rejection sampling och övervakad träning tillför resonemangsdata och allmänna data, följt av ännu ett steg med förstärkningsinlärning. Modellkortet beskriver två övervakade steg och två steg med förstärkningsinlärning, avsedda att förbättra resonemangsmönstren och anpassningen till det begärda svaret.\n\nDen publicerade arkitekturen har totalt 671 miljarder parametrar, med 37 miljarder aktiva per token och en kontext på 128K. Fönstret rymmer källan, prompten och det genererade resonemanget eller svaret tillsammans; det är ingen separat garanti för 128K utdata. Ett långt matematiskt villkor, kodfragment eller en uppsättning krav bör ändå ordnas så att modellen kan identifiera det faktiska problemet och den form på resultatet som du behöver.\n\nDeepSeek rekommenderar temperatur mellan 0,5 och 0,7, med 0,6 som rekommenderat värde, för att minska upprepningar eller osammanhängande utdata. Företaget råder användare att lägga instruktionerna i användarprompten i stället för att lägga till en systemprompt. Forskningsrapporten rekommenderar också en direkt zero-shot-formulering av problemet och utdataformatet, eftersom few-shot-promptning kan försämra prestandan i denna ursprungliga profil. Detta är producentens användningsrekommendationer, inte standardvärden som antas gälla för varje applikation.\n\nFör matematik lämnar du hela villkoret, variabeldefinitionerna och begränsningarna för definitionsmängden. Producenten rekommenderar att be om en stegvis lösning med slutresultatet i ett \\boxed{}-uttryck. En exempelbeskrivning kan begära den slutliga formeln, antagandena under vilka den gäller och en kontroll genom insättning. För kod tar du med beteendet som ska implementeras, begränsningarna och representativa indata och ber sedan om den föreslagna algoritmen och kodleveransen separat från förklaringen.\n\nModellens resonemangsformat skiljer en tankefas från slutsvaret. DeepSeek noterar att vissa frågor kan ge ett tomt tankeblock och rekommenderar ett prefix för resonemangsstart i sitt referensarbetsflöde när djupare resonemang önskas. Behåll skillnaden mellan producentens format och det slutliga svar som användaren ska läsa. Den begärda leveransen kan vara en kortfattad slutsats eller kod även när modellens mellanliggande process är längre.\n\nDen ursprungliga forskningen identifierar konkreta begränsningar. R1 är optimerad för kinesiska och engelska, och frågor på andra språk kan leda till oönskad språkblandning. Den är känslig för promptning, och dess förmåga inom komplexa flerturskonversationer, rollspel, JSON och funktionsanrop är mindre utvecklad än dess fokus på matematiskt resonemang och kodresonemang. JSON- och verktygsstödet som dokumenteras för R1-0528 är en ändring i en senare utgåva, inte det ursprungliga R1-kontraktet. Ange utdataspråk och format uttryckligen och håll problemformuleringen direkt.\n\nFör en praktisk teknisk uppgift definierar du vad som räknas som ett korrekt resultat: en formel med antaganden, en algoritm som uppfyller den angivna komplexiteten eller en motiverad jämförelse mot givna kriterier. Be slutsvaret att identifiera saknad information i stället för att hitta på den. För källberoende arbete lämnar du de auktoritativa avsnitten som text. Granska den föreslagna koden eller slutsatsen mot de ursprungliga villkoren; den användbara leveransen är den slutliga lösningen och dess stödjande förklaring, skilda från en åtgärd eller validering som den omgivande applikationen faktiskt har utfört.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Optimize a rectangular enclosure\n\nA rectangular enclosure has 60 metres of fencing, used on all four sides. Its width and length are positive real numbers. Derive the largest possible area, justify why the optimum is global and check the dimensions against the fencing constraint. Give the final result in a boxed mathematical expression.A derivation, optimal dimensions, a perimeter check and a boxed maximum area.Check that the solution respects positivity and uses 2(length + width) = 60 rather than a three-sided constraint.deepseek/deepseek-r1DeepSeek R1 är DeepSeeks ursprungliga textmodell med fokus på resonemang för matematik, kod och logik. Den kombinerar instruktionsexempel för kallstart med förstärkningsinlärning och en kontext på 128K, med producentråd om direkta prompter och uttrycklig formatering av slutsvaret.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek R1 är DeepSeeks ursprungliga modell med fokus på resonemang för matematiska, programmeringsrelaterade och logiska uppgifter. Den bygger på DeepSeek V3 Base och använder en träningskedja med kallstartsexempel, övervakad förfining och förstärkningsinlärning. Indata är text och resultatet är en textbaserad lösning eller ett svar. Den är fortsatt skild från R1 Zero, den senare R1-0528-utgåvan och de separat destillerade modellerna.
Producenten skiljer R1 från R1 Zeros metod med enbart förstärkningsinlärning. Kallstartsmaterial ger R1 ett mer läsbart utgångsmönster före resonemangsinriktad förstärkningsinlärning. Efterföljande rejection sampling och övervakad träning tillför resonemangsdata och allmänna data, följt av ännu ett steg med förstärkningsinlärning. Modellkortet beskriver två övervakade steg och två steg med förstärkningsinlärning, avsedda att förbättra resonemangsmönstren och anpassningen till det begärda svaret.
Den publicerade arkitekturen har totalt 671 miljarder parametrar, med 37 miljarder aktiva per token och en kontext på 128K. Fönstret rymmer källan, prompten och det genererade resonemanget eller svaret tillsammans; det är ingen separat garanti för 128K utdata. Ett långt matematiskt villkor, kodfragment eller en uppsättning krav bör ändå ordnas så att modellen kan identifiera det faktiska problemet och den form på resultatet som du behöver.
DeepSeek rekommenderar temperatur mellan 0,5 och 0,7, med 0,6 som rekommenderat värde, för att minska upprepningar eller osammanhängande utdata. Företaget råder användare att lägga instruktionerna i användarprompten i stället för att lägga till en systemprompt. Forskningsrapporten rekommenderar också en direkt zero-shot-formulering av problemet och utdataformatet, eftersom few-shot-promptning kan försämra prestandan i denna ursprungliga profil. Detta är producentens användningsrekommendationer, inte standardvärden som antas gälla för varje applikation.
För matematik lämnar du hela villkoret, variabeldefinitionerna och begränsningarna för definitionsmängden. Producenten rekommenderar att be om en stegvis lösning med slutresultatet i ett \\boxed{}-uttryck. En exempelbeskrivning kan begära den slutliga formeln, antagandena under vilka den gäller och en kontroll genom insättning. För kod tar du med beteendet som ska implementeras, begränsningarna och representativa indata och ber sedan om den föreslagna algoritmen och kodleveransen separat från förklaringen.
Modellens resonemangsformat skiljer en tankefas från slutsvaret. DeepSeek noterar att vissa frågor kan ge ett tomt tankeblock och rekommenderar ett prefix för resonemangsstart i sitt referensarbetsflöde när djupare resonemang önskas. Behåll skillnaden mellan producentens format och det slutliga svar som användaren ska läsa. Den begärda leveransen kan vara en kortfattad slutsats eller kod även när modellens mellanliggande process är längre.
Den ursprungliga forskningen identifierar konkreta begränsningar. R1 är optimerad för kinesiska och engelska, och frågor på andra språk kan leda till oönskad språkblandning. Den är känslig för promptning, och dess förmåga inom komplexa flerturskonversationer, rollspel, JSON och funktionsanrop är mindre utvecklad än dess fokus på matematiskt resonemang och kodresonemang. JSON- och verktygsstödet som dokumenteras för R1-0528 är en ändring i en senare utgåva, inte det ursprungliga R1-kontraktet. Ange utdataspråk och format uttryckligen och håll problemformuleringen direkt.
För en praktisk teknisk uppgift definierar du vad som räknas som ett korrekt resultat: en formel med antaganden, en algoritm som uppfyller den angivna komplexiteten eller en motiverad jämförelse mot givna kriterier. Be slutsvaret att identifiera saknad information i stället för att hitta på den. För källberoende arbete lämnar du de auktoritativa avsnitten som text. Granska den föreslagna koden eller slutsatsen mot de ursprungliga villkoren; den användbara leveransen är den slutliga lösningen och dess stödjande förklaring, skilda från en åtgärd eller validering som den omgivande applikationen faktiskt har utfört.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek/deepseek-r1 | 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.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0014 / 1K token Utdata · Utdatatoken $0.005 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0014 / 1K token Utdata · Utdatatoken $0.005 / 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", "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',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',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
Använd metodsökvägarna som visas ovan.
deepseek/deepseek-r1DeepSeek R1 är DeepSeeks ursprungliga textmodell med fokus på resonemang för matematik, kod och logik. Den kombinerar instruktionsexempel för kallstart med förstärkningsinlärning och en kontext på 128K, med producentråd om direkta prompter och uttrycklig formatering av slutsvaret.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek R1 är DeepSeeks ursprungliga modell med fokus på resonemang för matematiska, programmeringsrelaterade och logiska uppgifter. Den bygger på DeepSeek V3 Base och använder en träningskedja med kallstartsexempel, övervakad förfining och förstärkningsinlärning. Indata är text och resultatet är en textbaserad lösning eller ett svar. Den är fortsatt skild från R1 Zero, den senare R1-0528-utgåvan och de separat destillerade modellerna.
Producenten skiljer R1 från R1 Zeros metod med enbart förstärkningsinlärning. Kallstartsmaterial ger R1 ett mer läsbart utgångsmönster före resonemangsinriktad förstärkningsinlärning. Efterföljande rejection sampling och övervakad träning tillför resonemangsdata och allmänna data, följt av ännu ett steg med förstärkningsinlärning. Modellkortet beskriver två övervakade steg och två steg med förstärkningsinlärning, avsedda att förbättra resonemangsmönstren och anpassningen till det begärda svaret.
Den publicerade arkitekturen har totalt 671 miljarder parametrar, med 37 miljarder aktiva per token och en kontext på 128K. Fönstret rymmer källan, prompten och det genererade resonemanget eller svaret tillsammans; det är ingen separat garanti för 128K utdata. Ett långt matematiskt villkor, kodfragment eller en uppsättning krav bör ändå ordnas så att modellen kan identifiera det faktiska problemet och den form på resultatet som du behöver.
DeepSeek rekommenderar temperatur mellan 0,5 och 0,7, med 0,6 som rekommenderat värde, för att minska upprepningar eller osammanhängande utdata. Företaget råder användare att lägga instruktionerna i användarprompten i stället för att lägga till en systemprompt. Forskningsrapporten rekommenderar också en direkt zero-shot-formulering av problemet och utdataformatet, eftersom few-shot-promptning kan försämra prestandan i denna ursprungliga profil. Detta är producentens användningsrekommendationer, inte standardvärden som antas gälla för varje applikation.
För matematik lämnar du hela villkoret, variabeldefinitionerna och begränsningarna för definitionsmängden. Producenten rekommenderar att be om en stegvis lösning med slutresultatet i ett \\boxed{}-uttryck. En exempelbeskrivning kan begära den slutliga formeln, antagandena under vilka den gäller och en kontroll genom insättning. För kod tar du med beteendet som ska implementeras, begränsningarna och representativa indata och ber sedan om den föreslagna algoritmen och kodleveransen separat från förklaringen.
Modellens resonemangsformat skiljer en tankefas från slutsvaret. DeepSeek noterar att vissa frågor kan ge ett tomt tankeblock och rekommenderar ett prefix för resonemangsstart i sitt referensarbetsflöde när djupare resonemang önskas. Behåll skillnaden mellan producentens format och det slutliga svar som användaren ska läsa. Den begärda leveransen kan vara en kortfattad slutsats eller kod även när modellens mellanliggande process är längre.
Den ursprungliga forskningen identifierar konkreta begränsningar. R1 är optimerad för kinesiska och engelska, och frågor på andra språk kan leda till oönskad språkblandning. Den är känslig för promptning, och dess förmåga inom komplexa flerturskonversationer, rollspel, JSON och funktionsanrop är mindre utvecklad än dess fokus på matematiskt resonemang och kodresonemang. JSON- och verktygsstödet som dokumenteras för R1-0528 är en ändring i en senare utgåva, inte det ursprungliga R1-kontraktet. Ange utdataspråk och format uttryckligen och håll problemformuleringen direkt.
För en praktisk teknisk uppgift definierar du vad som räknas som ett korrekt resultat: en formel med antaganden, en algoritm som uppfyller den angivna komplexiteten eller en motiverad jämförelse mot givna kriterier. Be slutsvaret att identifiera saknad information i stället för att hitta på den. För källberoende arbete lämnar du de auktoritativa avsnitten som text. Granska den föreslagna koden eller slutsatsen mot de ursprungliga villkoren; den användbara leveransen är den slutliga lösningen och dess stödjande förklaring, skilda från en åtgärd eller validering som den omgivande applikationen faktiskt har utfört.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek/deepseek-r1 | 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.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0014 / 1K token Utdata · Utdatatoken $0.005 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0014 / 1K token Utdata · Utdatatoken $0.005 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "deepseek/deepseek-r1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Optimize a rectangular enclosure\n\nA rectangular enclosure has 60 metres of fencing, used on all four sides. Its width and length are positive real numbers. Derive the largest possible area, justify why the optimum is global and check the dimensions against the fencing constraint. Give the final result in a boxed mathematical expression.A derivation, optimal dimensions, a perimeter check and a boxed maximum area.Check that the solution respects positivity and uses 2(length + width) = 60 rather than a three-sided constraint.