Hvad er DeepSeek-Reasoner?
DeepSeek-Reasoner er ræsonnement- (eller “tænke”-) tilstanden/API-navnet for DeepSeeks ræsonnement-først-modeller (aktuelt afstemt med DeepSeek‑V3.2-familien). Den er designet til at producere en eksplicit kæde af ræsonnement (CoT), før der afgives et endeligt svar—dvs. modellen genererer bevidst intern trinvis ræsonnement, som eksponeres (eller kan eksponeres) via API’et, så kaldere kan inspicere eller destillere det. DeepSeek positionerer reasoner-varianten som den “tænkende” modpart til sin ikke-tænkende chatmodel og markedsfører den til flertrinsræsonnement, matematik, kodning og agent-arbejdsgange.
Hovedfunktioner (brugerrettede)
- Eksplicit Chain-of-Thought (CoT)-output. API’et returnerer et separat felt
reasoning_content, som indeholder modellens interne trinvise ræsonnement side om side med det endeligecontent. Dette er designet til gennemsigtighed og efterfølgende agentlogik. - “Thinking”- vs “Chat”-tilstande.
deepseek-reasoner(tænkningstilstand) er adskilt fradeepseek-chat(ikke-tænkningstilstand); begge blev opgraderet til V3.2-generationen. - Store kontekstvinduer. DeepSeek stiller meget store kontekstlængder til rådighed. Reasoner-varianterne markedsføres til langformet ræsonnement og agenthukommelse.
- JSON-output / strukturerede svar. Understøttelse af strukturerede JSON-output, nyttige til programmatisk forbrug.
- Fokus på agenter/agent-byggere. V3.2 og Speciale-varianten beskrives eksplicit som “reasoning-first models built for agents.”
Tekniske muligheder
- Inputs: fritekst-prompter, struktureret JSON til værktøjs-/agentkald, filer eller lange dokumenter (via lang kontekst); tokens er standard NLP-tokens.
- Outputs: API’et returnerer både
reasoning_content(CoT-tekst) ogcontent(endeligt svar). API-klienter kan anmode om kun CoT eller kun endeligt svar ved at justere max_tokens eller responsparametre. (Praktisk bemærkning: Udtræk af CoT kan stadig blive faktureret som modeloutput.) - DeepSeek har itereret via en ræsonnementsspecialiseret roadmap: basestore modeller (R1-familien) efterfulgt af fokuseret eftertræning/forstærkningslæring (RLHF-stil) og policy-stil finjustering for at forbedre ræsonnementsdybde. Teamet bruger også destillation til at komprimere ræsonnementsevne i mindre, deployerbare modeller.
- V3.2-serien tilføjer agent-fokuseret eftertræning til værktøjsbrug, hybrid inferens (Think / Non-Think) og optimeringer til hurtigere “tænke”-iterationer.
- Inferenseffektivitet understøttes af en metode med sparsom opmærksomhed (rapporter kalder den DeepSeek Sparse Attention — DSA), som fokuserer beregning på relevante segmenter i stedet for fuld tæt opmærksomhed på meget lange sekvenser; dette reducerer omkostningerne for meget lange kontekster.
Sådan får du adgang til deepseek-reasoner API
Trin 1: Tilmeld dig for at få en API-nøgle
Log ind på cometapi.com. Hvis du ikke er bruger endnu, skal du først registrere dig. Log ind på din CometAPI console. Hent API-nøglen (adgangslegitimation) til interfacet. Klik på “Add Token” ved API-tokenet i det personlige center, få token-nøglen: sk-xxxxx og indsend.
Trin 2: Send forespørgsler til deepseek-reasoner API
Vælg “deepseek-reasoner”-endpointet for at sende API-forespørgslen og angiv request body. Forespørgselsmetode og request body findes i API-dokumentationen på vores hjemmeside. Vores hjemmeside tilbyder også Apifox test for din bekvemmelighed. Erstat <YOUR_API_KEY> med din faktiske CometAPI-nøgle fra din konto. Basis-URL er i Chat-format.
Indsæt dit spørgsmål eller din anmodning i content-feltet—det er dette, modellen svarer på. Behandl API-responsen for at få det genererede svar.
Trin 3: Hent og verificér resultater
Behandl API-responsen for at få det genererede svar. Efter behandlingen svarer API’et med opgavens status og outputdata.