Introduktion: en mindre resonemangsmodell härledd från R1
DeepSeek-R1-Distill-Qwen-7B överför resonemangsexempel från DeepSeek-R1 till en tät modell baserad på Qwen2.5-Math-7B. Den tar emot text och genererar text, däribland genomarbetade lösningar, programmeringsförklaringar och svar på logiska problem. Denna exakta 7B-destillation är en separat modellversion från fullständiga DeepSeek-R1, ursprungliga Qwen2.5-Math-7B och större destillerade utgåvor. Namnet anger både producenten av resonemangsdata och den underliggande modellfamiljen.
Vad destillering bidrar med
DeepSeeks R1-forskning skiljer träningen av den stora lärarmodellen för resonemang från finjusteringen av dess mindre elevmodeller. Lärarens arbetsflöde använder förstärkningsinlärning och övervakade steg; de utgivna destillerade modellerna finjusteras med exempel som R1 producerat. Tillverkaren beskriver 800 000 utvalda exempel för dessa utgåvor. Anta inte att 7B-eleven själv har den fullständiga modellens mixture-of-experts-arkitektur eller har genomgått varje steg i lärarens träning. Destillering ger modellen en inlärd resonemangsstil; den gör inte dess slutsatser likvärdiga med lärarens.
Den exakta modellen och dess konfiguration
Den officiella modelltabellen anger Qwen2.5-Math-7B som denna utgåvas grund. DeepSeek ändrar konfiguration och tokenizerinställningar, så den exakta utgivna modellversionen och chattmallen är viktiga. Den publicerade konfigurationen använder en kausal språkmodellarkitektur av typen Qwen2 med 28 lager och bfloat16-vikter. Den anger högst 131 072 positioner. Konfigurationsvärdet är ingen separat verifiering av träffsäkerheten för långa dokument: det gemensamma R1-modellkortets kontexttabell på 128K beskriver de fullständiga R1-modellerna, medan tabellen över destillerade modeller anger ursprung utan att publicera en validerad kontexttabell för varje elev.
Använd modellen för en uppgift med ett kontrollerbart resultat. För matematik tillhandahåller du den fullständiga problemformuleringen, definitioner och enheter. För kod tar du med den relevanta funktionen, indata, observerat resultat och önskat beteende. För en logikfråga listar du fakta och skiljer en slutsats som måste visas från ett antagande. Begär ett slutresultat som kan kontrolleras oberoende, exempelvis ett inramat värde, en kort bevisöversikt eller en förklarad patch. Dessa exempel tillämpar tillverkarens dokumenterade resonemangsområde; de är inte påståenden om att modellen kör kod eller verifierar bevis automatiskt.
Hur prompten förbereds
DeepSeek rekommenderar att alla instruktioner placeras i användarprompten och att en systemprompt undviks för denna R1-utgåva. För ett matematiskt problem ber du om stegvis resonemang och ett tydligt avgränsat slutsvar. Ta med eventuell utdataform i samma prompt: exempelvis en kort slutsats följd av antaganden och stödjande beräkningar. En applikation ska använda elevmodellens egen tokenizer och formatering i stället för att ersätta dem med Qwens grundmall utan att kontrollera tillverkarens ändringar.
Tillverkaren noterar att vissa frågor kan ge ett tomt tankeblock och hoppa över det avsedda resonemangsmönstret. Den rekommenderade åtgärden är att låta genereringen börja med den inledande tankemarkören och en radbrytning i ett kompatibelt arbetsflöde. Detta är en dokumenterad rekommendation för genereringsformatet, inte ett löfte om att varje applikation exponerar en sådan kontroll. Håll slutsvaret åtskilt från den längre resonemangstexten när resultatet presenteras.
Genereringsinställningar och tillgängligt utrymme
DeepSeek rekommenderar en temperatur mellan 0,5 och 0,7, med 0,6 som föredragen utgångspunkt, för att minska upprepningar eller osammanhängande utdata. Utvärderingskonfigurationen använder ett genereringsutrymme på 32 768 token och top_p 0.95. Dessa utvärderingsval är ingen allmän hård maxgräns. Resonemang, källtext och slutsvar behöver alla utrymme i den konfigurerade kontexten, så en begäran med ett långt bevis eller en lång kodlistning ska fortfarande lämna plats för svaret.
Begränsningar som påverkar modellvalet
En liten destillerad modell innebär fortfarande en särskild avvägning för resonemang. Tillverkarens utgivningsmaterial fastställer inte bild-, ljud- eller videoindata för denna modellversion och inte heller något särskilt protokoll för verktygsanrop. Verktygskörning eller åtkomst till aktuella data skulle kräva ett separat konfigurerat applikationsflöde. Utgåvan ärver inte heller senare förändringar i promptpolicyn för DeepSeek-R1-0528 enbart genom R1-namnet. Verifiera numeriska svar, granska föreslagna kodändringar och kontrollera att den slutliga slutsatsen följer av angivna fakta; en lång utskrift av resonemanget är inte i sig bevis på korrekthet.
", "aboutText": "Introduktion: en mindre resonemangsmodell härledd från R1\n\nDeepSeek-R1-Distill-Qwen-7B överför resonemangsexempel från DeepSeek-R1 till en tät modell baserad på Qwen2.5-Math-7B. Den tar emot text och genererar text, däribland genomarbetade lösningar, programmeringsförklaringar och svar på logiska problem. Denna exakta 7B-destillation är en separat modellversion från fullständiga DeepSeek-R1, ursprungliga Qwen2.5-Math-7B och större destillerade utgåvor. Namnet anger både producenten av resonemangsdata och den underliggande modellfamiljen.\n\nVad destillering bidrar med\n\nDeepSeeks R1-forskning skiljer träningen av den stora lärarmodellen för resonemang från finjusteringen av dess mindre elevmodeller. Lärarens arbetsflöde använder förstärkningsinlärning och övervakade steg; de utgivna destillerade modellerna finjusteras med exempel som R1 producerat. Tillverkaren beskriver 800 000 utvalda exempel för dessa utgåvor. Anta inte att 7B-eleven själv har den fullständiga modellens mixture-of-experts-arkitektur eller har genomgått varje steg i lärarens träning. Destillering ger modellen en inlärd resonemangsstil; den gör inte dess slutsatser likvärdiga med lärarens.\n\nDen exakta modellen och dess konfiguration\n\nDen officiella modelltabellen anger Qwen2.5-Math-7B som denna utgåvas grund. DeepSeek ändrar konfiguration och tokenizerinställningar, så den exakta utgivna modellversionen och chattmallen är viktiga. Den publicerade konfigurationen använder en kausal språkmodellarkitektur av typen Qwen2 med 28 lager och bfloat16-vikter. Den anger högst 131 072 positioner. Konfigurationsvärdet är ingen separat verifiering av träffsäkerheten för långa dokument: det gemensamma R1-modellkortets kontexttabell på 128K beskriver de fullständiga R1-modellerna, medan tabellen över destillerade modeller anger ursprung utan att publicera en validerad kontexttabell för varje elev.\n\nAnvänd modellen för en uppgift med ett kontrollerbart resultat. För matematik tillhandahåller du den fullständiga problemformuleringen, definitioner och enheter. För kod tar du med den relevanta funktionen, indata, observerat resultat och önskat beteende. För en logikfråga listar du fakta och skiljer en slutsats som måste visas från ett antagande. Begär ett slutresultat som kan kontrolleras oberoende, exempelvis ett inramat värde, en kort bevisöversikt eller en förklarad patch. Dessa exempel tillämpar tillverkarens dokumenterade resonemangsområde; de är inte påståenden om att modellen kör kod eller verifierar bevis automatiskt.\n\nHur prompten förbereds\n\nDeepSeek rekommenderar att alla instruktioner placeras i användarprompten och att en systemprompt undviks för denna R1-utgåva. För ett matematiskt problem ber du om stegvis resonemang och ett tydligt avgränsat slutsvar. Ta med eventuell utdataform i samma prompt: exempelvis en kort slutsats följd av antaganden och stödjande beräkningar. En applikation ska använda elevmodellens egen tokenizer och formatering i stället för att ersätta dem med Qwens grundmall utan att kontrollera tillverkarens ändringar.\n\nTillverkaren noterar att vissa frågor kan ge ett tomt tankeblock och hoppa över det avsedda resonemangsmönstret. Den rekommenderade åtgärden är att låta genereringen börja med den inledande tankemarkören och en radbrytning i ett kompatibelt arbetsflöde. Detta är en dokumenterad rekommendation för genereringsformatet, inte ett löfte om att varje applikation exponerar en sådan kontroll. Håll slutsvaret åtskilt från den längre resonemangstexten när resultatet presenteras.\n\nGenereringsinställningar och tillgängligt utrymme\n\nDeepSeek rekommenderar en temperatur mellan 0,5 och 0,7, med 0,6 som föredragen utgångspunkt, för att minska upprepningar eller osammanhängande utdata. Utvärderingskonfigurationen använder ett genereringsutrymme på 32 768 token och top_p 0.95. Dessa utvärderingsval är ingen allmän hård maxgräns. Resonemang, källtext och slutsvar behöver alla utrymme i den konfigurerade kontexten, så en begäran med ett långt bevis eller en lång kodlistning ska fortfarande lämna plats för svaret.\n\nBegränsningar som påverkar modellvalet\n\nEn liten destillerad modell innebär fortfarande en särskild avvägning för resonemang. Tillverkarens utgivningsmaterial fastställer inte bild-, ljud- eller videoindata för denna modellversion och inte heller något särskilt protokoll för verktygsanrop. Verktygskörning eller åtkomst till aktuella data skulle kräva ett separat konfigurerat applikationsflöde. Utgåvan ärver inte heller senare förändringar i promptpolicyn för DeepSeek-R1-0528 enbart genom R1-namnet. Verifiera numeriska svar, granska föreslagna kodändringar och kontrollera att den slutliga slutsatsen följer av angivna fakta; en lång utskrift av resonemanget är inte i sig bevis på korrekthet.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7634199ab61f05ae7add91c21b1b0d6e08d7f1d7e5c2ee28ae93cce6a390dca6", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7BDeepSeek-R1-Distill-Qwen-7B är DeepSeeks kompakta täta resonemangsmodell, finjusterad från Qwen2.5-Math-7B med exempel som genererats av R1. Den tar emot text och producerar text för matematiska, programmeringsrelaterade och logiska uppgifter, med promptanvisningar för just denna modellversion.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Introduktion: en mindre resonemangsmodell härledd från R1
DeepSeek-R1-Distill-Qwen-7B överför resonemangsexempel från DeepSeek-R1 till en tät modell baserad på Qwen2.5-Math-7B. Den tar emot text och genererar text, däribland genomarbetade lösningar, programmeringsförklaringar och svar på logiska problem. Denna exakta 7B-destillation är en separat modellversion från fullständiga DeepSeek-R1, ursprungliga Qwen2.5-Math-7B och större destillerade utgåvor. Namnet anger både producenten av resonemangsdata och den underliggande modellfamiljen.
Vad destillering bidrar med
DeepSeeks R1-forskning skiljer träningen av den stora lärarmodellen för resonemang från finjusteringen av dess mindre elevmodeller. Lärarens arbetsflöde använder förstärkningsinlärning och övervakade steg; de utgivna destillerade modellerna finjusteras med exempel som R1 producerat. Tillverkaren beskriver 800 000 utvalda exempel för dessa utgåvor. Anta inte att 7B-eleven själv har den fullständiga modellens mixture-of-experts-arkitektur eller har genomgått varje steg i lärarens träning. Destillering ger modellen en inlärd resonemangsstil; den gör inte dess slutsatser likvärdiga med lärarens.
Den exakta modellen och dess konfiguration
Den officiella modelltabellen anger Qwen2.5-Math-7B som denna utgåvas grund. DeepSeek ändrar konfiguration och tokenizerinställningar, så den exakta utgivna modellversionen och chattmallen är viktiga. Den publicerade konfigurationen använder en kausal språkmodellarkitektur av typen Qwen2 med 28 lager och bfloat16-vikter. Den anger högst 131 072 positioner. Konfigurationsvärdet är ingen separat verifiering av träffsäkerheten för långa dokument: det gemensamma R1-modellkortets kontexttabell på 128K beskriver de fullständiga R1-modellerna, medan tabellen över destillerade modeller anger ursprung utan att publicera en validerad kontexttabell för varje elev.
Använd modellen för en uppgift med ett kontrollerbart resultat. För matematik tillhandahåller du den fullständiga problemformuleringen, definitioner och enheter. För kod tar du med den relevanta funktionen, indata, observerat resultat och önskat beteende. För en logikfråga listar du fakta och skiljer en slutsats som måste visas från ett antagande. Begär ett slutresultat som kan kontrolleras oberoende, exempelvis ett inramat värde, en kort bevisöversikt eller en förklarad patch. Dessa exempel tillämpar tillverkarens dokumenterade resonemangsområde; de är inte påståenden om att modellen kör kod eller verifierar bevis automatiskt.
Hur prompten förbereds
DeepSeek rekommenderar att alla instruktioner placeras i användarprompten och att en systemprompt undviks för denna R1-utgåva. För ett matematiskt problem ber du om stegvis resonemang och ett tydligt avgränsat slutsvar. Ta med eventuell utdataform i samma prompt: exempelvis en kort slutsats följd av antaganden och stödjande beräkningar. En applikation ska använda elevmodellens egen tokenizer och formatering i stället för att ersätta dem med Qwens grundmall utan att kontrollera tillverkarens ändringar.
Tillverkaren noterar att vissa frågor kan ge ett tomt tankeblock och hoppa över det avsedda resonemangsmönstret. Den rekommenderade åtgärden är att låta genereringen börja med den inledande tankemarkören och en radbrytning i ett kompatibelt arbetsflöde. Detta är en dokumenterad rekommendation för genereringsformatet, inte ett löfte om att varje applikation exponerar en sådan kontroll. Håll slutsvaret åtskilt från den längre resonemangstexten när resultatet presenteras.
Genereringsinställningar och tillgängligt utrymme
DeepSeek rekommenderar en temperatur mellan 0,5 och 0,7, med 0,6 som föredragen utgångspunkt, för att minska upprepningar eller osammanhängande utdata. Utvärderingskonfigurationen använder ett genereringsutrymme på 32 768 token och top_p 0.95. Dessa utvärderingsval är ingen allmän hård maxgräns. Resonemang, källtext och slutsvar behöver alla utrymme i den konfigurerade kontexten, så en begäran med ett långt bevis eller en lång kodlistning ska fortfarande lämna plats för svaret.
Begränsningar som påverkar modellvalet
En liten destillerad modell innebär fortfarande en särskild avvägning för resonemang. Tillverkarens utgivningsmaterial fastställer inte bild-, ljud- eller videoindata för denna modellversion och inte heller något särskilt protokoll för verktygsanrop. Verktygskörning eller åtkomst till aktuella data skulle kräva ett separat konfigurerat applikationsflöde. Utgåvan ärver inte heller senare förändringar i promptpolicyn för DeepSeek-R1-0528 enbart genom R1-namnet. Verifiera numeriska svar, granska föreslagna kodändringar och kontrollera att den slutliga slutsatsen följer av angivna fakta; en lång utskrift av resonemanget är inte i sig bevis på korrekthet.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Beror på modellen | Standard— |
Fältmessages[].content | Typstring | KravValfritt | Värden & gränser Gäller när: Textsamtal | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
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 |
Parametercontrol_scope | AvtalTextsamtal; stream är ett booleskt värde och har false som standard. |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Metodalias: /chat/completions
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 $0.0001 / 1K token Utdata · Utdatatoken $0.0001 / 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":"Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B
/chat/completions
Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7BDeepSeek-R1-Distill-Qwen-7B är DeepSeeks kompakta täta resonemangsmodell, finjusterad från Qwen2.5-Math-7B med exempel som genererats av R1. Den tar emot text och producerar text för matematiska, programmeringsrelaterade och logiska uppgifter, med promptanvisningar för just denna modellversion.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Introduktion: en mindre resonemangsmodell härledd från R1
DeepSeek-R1-Distill-Qwen-7B överför resonemangsexempel från DeepSeek-R1 till en tät modell baserad på Qwen2.5-Math-7B. Den tar emot text och genererar text, däribland genomarbetade lösningar, programmeringsförklaringar och svar på logiska problem. Denna exakta 7B-destillation är en separat modellversion från fullständiga DeepSeek-R1, ursprungliga Qwen2.5-Math-7B och större destillerade utgåvor. Namnet anger både producenten av resonemangsdata och den underliggande modellfamiljen.
Vad destillering bidrar med
DeepSeeks R1-forskning skiljer träningen av den stora lärarmodellen för resonemang från finjusteringen av dess mindre elevmodeller. Lärarens arbetsflöde använder förstärkningsinlärning och övervakade steg; de utgivna destillerade modellerna finjusteras med exempel som R1 producerat. Tillverkaren beskriver 800 000 utvalda exempel för dessa utgåvor. Anta inte att 7B-eleven själv har den fullständiga modellens mixture-of-experts-arkitektur eller har genomgått varje steg i lärarens träning. Destillering ger modellen en inlärd resonemangsstil; den gör inte dess slutsatser likvärdiga med lärarens.
Den exakta modellen och dess konfiguration
Den officiella modelltabellen anger Qwen2.5-Math-7B som denna utgåvas grund. DeepSeek ändrar konfiguration och tokenizerinställningar, så den exakta utgivna modellversionen och chattmallen är viktiga. Den publicerade konfigurationen använder en kausal språkmodellarkitektur av typen Qwen2 med 28 lager och bfloat16-vikter. Den anger högst 131 072 positioner. Konfigurationsvärdet är ingen separat verifiering av träffsäkerheten för långa dokument: det gemensamma R1-modellkortets kontexttabell på 128K beskriver de fullständiga R1-modellerna, medan tabellen över destillerade modeller anger ursprung utan att publicera en validerad kontexttabell för varje elev.
Använd modellen för en uppgift med ett kontrollerbart resultat. För matematik tillhandahåller du den fullständiga problemformuleringen, definitioner och enheter. För kod tar du med den relevanta funktionen, indata, observerat resultat och önskat beteende. För en logikfråga listar du fakta och skiljer en slutsats som måste visas från ett antagande. Begär ett slutresultat som kan kontrolleras oberoende, exempelvis ett inramat värde, en kort bevisöversikt eller en förklarad patch. Dessa exempel tillämpar tillverkarens dokumenterade resonemangsområde; de är inte påståenden om att modellen kör kod eller verifierar bevis automatiskt.
Hur prompten förbereds
DeepSeek rekommenderar att alla instruktioner placeras i användarprompten och att en systemprompt undviks för denna R1-utgåva. För ett matematiskt problem ber du om stegvis resonemang och ett tydligt avgränsat slutsvar. Ta med eventuell utdataform i samma prompt: exempelvis en kort slutsats följd av antaganden och stödjande beräkningar. En applikation ska använda elevmodellens egen tokenizer och formatering i stället för att ersätta dem med Qwens grundmall utan att kontrollera tillverkarens ändringar.
Tillverkaren noterar att vissa frågor kan ge ett tomt tankeblock och hoppa över det avsedda resonemangsmönstret. Den rekommenderade åtgärden är att låta genereringen börja med den inledande tankemarkören och en radbrytning i ett kompatibelt arbetsflöde. Detta är en dokumenterad rekommendation för genereringsformatet, inte ett löfte om att varje applikation exponerar en sådan kontroll. Håll slutsvaret åtskilt från den längre resonemangstexten när resultatet presenteras.
Genereringsinställningar och tillgängligt utrymme
DeepSeek rekommenderar en temperatur mellan 0,5 och 0,7, med 0,6 som föredragen utgångspunkt, för att minska upprepningar eller osammanhängande utdata. Utvärderingskonfigurationen använder ett genereringsutrymme på 32 768 token och top_p 0.95. Dessa utvärderingsval är ingen allmän hård maxgräns. Resonemang, källtext och slutsvar behöver alla utrymme i den konfigurerade kontexten, så en begäran med ett långt bevis eller en lång kodlistning ska fortfarande lämna plats för svaret.
Begränsningar som påverkar modellvalet
En liten destillerad modell innebär fortfarande en särskild avvägning för resonemang. Tillverkarens utgivningsmaterial fastställer inte bild-, ljud- eller videoindata för denna modellversion och inte heller något särskilt protokoll för verktygsanrop. Verktygskörning eller åtkomst till aktuella data skulle kräva ett separat konfigurerat applikationsflöde. Utgåvan ärver inte heller senare förändringar i promptpolicyn för DeepSeek-R1-0528 enbart genom R1-namnet. Verifiera numeriska svar, granska föreslagna kodändringar och kontrollera att den slutliga slutsatsen följer av angivna fakta; en lång utskrift av resonemanget är inte i sig bevis på korrekthet.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B | 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 $0.0001 / 1K token Utdata · Utdatatoken $0.0001 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B', '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': 'Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B', '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 Pro/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B
/chat/completions