Modèles de raisonnement

​

Présentation

​

Cas d’utilisation typiques

• Résolution de problèmes complexes : Convient aux tâches nécessitant une logique étape par étape, comme le raisonnement mathématique ou scientifique.
• Systèmes d’aide à la décision : Aide à expliquer la logique derrière les conclusions en fournissant des processus de raisonnement détaillés.
• Éducation et formation : Aide les apprenants à comprendre des concepts complexes en présentant clairement les processus de dérivation.

​

Installation et configuration

pip install -U openai

​

Utilisation de l’API

​

Paramètres de requête

• max_tokens : Définit le nombre maximal de tokens que le modèle peut renvoyer.
• temperature : Recommandé entre 0,5 et 0,7 (suggestion : 0,6) pour équilibrer créativité et logique.
• top_p : La valeur recommandée est 0,95.

​

Exemple de code

​

Réponse en streaming

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.novita.ai/openai")
messages = [
    {"role": "user", "content": "Explain Newton's Second Law."}
]

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("Final Answer:", content)
print("Reasoning Steps:", reasoning_content)

​

Réponse sans streaming

response = client.chat.completions.create(
    model="deepseek/deepseek-r1",
    messages=[
        {"role": "user", "content": "What is the greenhouse effect? How can it be mitigated?"}
    ],
    stream=False,
    max_tokens=4096
)

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

print("Final Answer:", content)
print("Reasoning Steps:", reasoning_content)

​

Gestion du contexte

messages.append({"role": "assistant", "content": content})
messages.append({"role": "user", "content": "Please continue explaining the solution."})

​

Modèles pris en charge

​

Facturation

• La facturation est basée sur le nombre de tokens, à la fois pour l’entrée et pour la sortie.
• Veuillez consulter la page de tarification de chaque modèle pour connaître les règles de facturation spécifiques et les détails de conversion des tokens.

​

Remarques et bonnes pratiques

• Évitez de placer des instructions de raisonnement dans le message system. Rendez plutôt l’intention explicite dans le message user.
• Pour les tâches mathématiques, donnez des instructions claires au modèle, par exemple : « Veuillez raisonner étape par étape et fournir une réponse finale. »
• Pour empêcher le modèle de sauter des étapes de raisonnement, envisagez de demander un saut de ligne avant la réponse finale.