`;
});
clearInterval(interval);
}
attempts++;
if (attempts >= maxAttempts) {
clearInterval(interval);
}
}, 200);
return ;
}
};
## Funktionsübersicht
Reasoning-Modelle sind fortschrittliche Sprachmodelle, die für komplexe Problemlösungs- und Schlussfolgerungsaufgaben optimiert sind. Durch die Ausgabe detaillierter Reasoning-Schritte (Chain of Thought) verbessern sie die Genauigkeit der Problemlösung.
### Typische Anwendungsszenarien
* **Lösung komplexer Probleme**: Geeignet für Szenarien, die eine schrittweise Herleitung und klare logische Schritte erfordern, z. B. Mathematik oder wissenschaftliches Schlussfolgern.
* **Entscheidungsunterstützungssysteme**: Stellen detaillierte Reasoning-Prozesse zur Unterstützung von Entscheidungsanalysen bereit und helfen dabei, die Logik hinter Entscheidungen zu verstehen.
* **Bildung und Training**: Unterstützen Nutzer beim Lernen und Verstehen komplexer Inhalte und stellen detaillierte Herleitungsprozesse bereit.
## Installation und Vorbereitung
Stellen Sie vor der Verwendung von Reasoning-Modellen sicher, dass die neueste Version des OpenAI SDK installiert ist:
```bash theme={null}
pip install -U openai
```
## API-Aufrufmethode
Verwenden Sie Reasoning-Modelle durch Aufruf der Schnittstelle `/chat/completions`.
### Beschreibung der Anfrageparameter
* `max_tokens`: Legt die maximale Anzahl der vom Modell ausgegebenen Tokens fest.
* `temperature`: Empfohlen ist ein Wert von 0,5 bis 0,7 (empfohlen: 0,6), um Kreativität und Logik der Ausgabe auszubalancieren.
* `top_p`: Empfohlen ist ein Wert von 0,95.
### Beispielcode für Anfragen
#### Anfrage mit Streaming-Ausgabe
```python theme={null}
from openai import OpenAI
client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.highwayapi.ai/openai")
messages = [
{"role": "user", "content": "Erkläre das zweite Newtonsche Gesetz."}
]
response = client.chat.completions.create(
model="deepseek/deepseek-r1",
messages=messages,
stream=True,
max_tokens=4096
)
content = ""
reasoning_content = ""
for chunk in response:
if chunk.choices[0].delta.content:
content += chunk.choices[0].delta.content
if chunk.choices[0].delta.reasoning_content:
reasoning_content += chunk.choices[0].delta.reasoning_content
print("Endgültige Antwort:", content)
print("Reasoning-Prozess:", reasoning_content)
```
#### Anfrage ohne Streaming-Ausgabe
```python theme={null}
response = client.chat.completions.create(
model="deepseek/deepseek-r1",
messages=[
{"role": "user", "content": "Was ist der Treibhauseffekt? Wie kann man ihn verlangsamen?"}
],
stream=False,
max_tokens=4096
)
content = response.choices[0].message.content
reasoning_content = response.choices[0].message.reasoning_content
print("Endgültige Antwort:", content)
print("Reasoning-Prozess:", reasoning_content)
```
## Kontextverwaltung
Die vom Modell zurückgegebenen Reasoning-Inhalte werden nicht automatisch an die nächste Gesprächsrunde angehängt. Nutzer müssen den Gesprächsverlauf manuell verwalten:
```python theme={null}
messages.append({"role": "assistant", "content": content})
messages.append({"role": "user", "content": "Erkläre die Lösung weiter."})
```
## Liste der unterstützten Modelle
## Abrechnungsmethode
* Die Abrechnung erfolgt basierend auf der Anzahl der Eingabe- und Ausgabe-Tokens.
* Konkrete Abrechnungsstandards und Umrechnungsregeln finden Sie auf der Modelldetailseite.
## Hinweise und Best Practices
* Fügen Sie keine Reasoning-Anweisungen in `system`-Nachrichten hinzu; formulieren Sie die Anweisungen direkt und eindeutig in der `user`-Nachricht.
* Geben Sie bei mathematischen Problemen die Anforderungen klar an, z. B.: „Bitte schlussfolgere Schritt für Schritt und gib die endgültige Antwort eindeutig an.“
* Um zu vermeiden, dass das Modell den Reasoning-Schritt überspringt, wird empfohlen, das Modell zu zwingen, vor der Ausgabe einen Zeilenumbruch hinzuzufügen.