Passer au contenu principal

​
Présentation des fonctionnalités

Les modèles de raisonnement sont des modèles de langage avancés optimisés pour la résolution de problèmes complexes et les tâches de raisonnement. Ils améliorent la précision de la résolution de problèmes en produisant des étapes de raisonnement détaillées (chaîne de pensée).

​
Cas d’utilisation typiques

  • Résolution de problèmes complexes : adapté aux scénarios nécessitant une dérivation étape par étape et des étapes logiques explicites, par exemple en mathématiques ou en raisonnement scientifique.
  • Systèmes d’aide à la décision : fournit un processus de raisonnement détaillé pour soutenir l’analyse décisionnelle et aider à comprendre la logique derrière les décisions.
  • Éducation et formation : aide les utilisateurs à apprendre et à comprendre des connaissances complexes en fournissant un processus de dérivation détaillé.

​
Installation et préparation

Avant d’utiliser les modèles de raisonnement, assurez-vous d’avoir installé la dernière version du SDK OpenAI : 
pip install -U openai

​
Méthode d’appel de l’API

Utilisez les modèles de raisonnement en appelant l’interface /chat/completions.

​
Description des paramètres de requête

  • max_tokens : définit le nombre maximal de tokens générés par le modèle.
  • temperature : il est recommandé de la définir entre 0.5 et 0.7 (0.6 recommandé) afin d’équilibrer créativité et logique de la sortie.
  • top_p : il est recommandé de le définir sur 0.95.

​
Exemple de code de requête

​
Requête avec sortie en streaming

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.highwayapi.ai/openai")
messages = [
    {"role": "user", "content": "解释一下牛顿第二定律。"}
]

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("最终回答：", content)
print("推理过程：", reasoning_content)

​
Requête avec sortie non-streaming

response = client.chat.completions.create(
    model="deepseek/deepseek-r1",
    messages=[
        {"role": "user", "content": "什么是温室效应？如何减缓？"}
    ],
    stream=False,
    max_tokens=4096
)

content = response.choices[0].message.content
reasoning_content = response.choices[0].message.reasoning_content

print("最终回答：", content)
print("推理过程：", reasoning_content)

​
Gestion du contexte

Le contenu de raisonnement renvoyé par le modèle n’est pas automatiquement ajouté au tour de dialogue suivant ; l’utilisateur doit gérer manuellement l’historique de la conversation : 
messages.append({"role": "assistant", "content": content})
messages.append({"role": "user", "content": "继续解释一下解决方案。"})

​
Liste des modèles pris en charge

​
Mode de facturation

  • La facturation est basée sur le nombre de tokens en entrée et en sortie.
  • Pour les tarifs détaillés et les règles de conversion, veuillez consulter la page de détails du modèle.

​
Remarques et bonnes pratiques

  • N’ajoutez pas d’instructions de raisonnement dans le message system ; les instructions doivent être explicitement formulées directement dans le message user.
  • Pour les problèmes mathématiques, indiquez clairement les exigences, par exemple : « Veuillez raisonner étape par étape et indiquer clairement la réponse finale. »
  • Pour éviter que le modèle ne saute l’étape de raisonnement, il est recommandé de forcer le modèle à ajouter un saut de ligne avant la sortie.