DeepSeek-Reasoner

Qu’est-ce que DeepSeek-Reasoner ?

DeepSeek-Reasoner est le mode/nom d’API de raisonnement (ou « thinking ») pour les modèles DeepSeek axés sur le raisonnement (actuellement alignés sur la famille DeepSeek-V3.2). Il est conçu pour produire une chaîne de pensée (CoT) explicite avant d’émettre une réponse finale — c’est‑à‑dire que le modèle génère intentionnellement un raisonnement interne étape par étape qui est exposé (ou peut l’être) via l’API afin que les appelants puissent l’inspecter ou le distiller. DeepSeek positionne la variante reasoner comme le pendant « thinking » de son modèle de chat non-thinking et la destine au raisonnement multi‑étapes, aux mathématiques, au code et aux workflows d’agents.

Principales fonctionnalités (orientées utilisateur)

• Chaîne de pensée (CoT) explicite. L’API renvoie un champ séparé reasoning_content contenant le raisonnement interne étape par étape du modèle, aux côtés du content final. Ceci est conçu pour l’inspection et la logique d’agent en aval.
• Modes « thinking » vs « chat ». deepseek-reasoner (mode thinking) est distinct de deepseek-chat (mode non-thinking) ; tous deux ont été mis à niveau vers la génération V3.2.
• Très grandes fenêtres de contexte. DeepSeek propose des longueurs de contexte très élevées. Les variantes Reasoner sont présentées comme adaptées au raisonnement long format et à la mémoire d’agent.
• Sortie JSON / réponses structurées. Prise en charge de sorties JSON structurées, utiles pour une consommation programmatique.
• Focalisation agents/concepteurs d’agents. V3.2 et la variante Speciale sont explicitement décrits comme des « modèles axés sur le raisonnement conçus pour les agents ».

Capacités techniques

• Entrées : invites en texte brut, JSON structuré pour des appels d’outils/d’agents, fichiers ou documents longs (via de longs contextes) ; les jetons sont des jetons NLP standard.
• Sorties : l’API renvoie à la fois reasoning_content (texte CoT) et content (réponse finale). Les clients de l’API peuvent demander uniquement le CoT ou uniquement la réponse finale en ajustant max_tokens ou les paramètres de réponse. (Remarque pratique : l’extraction du CoT peut tout de même être facturée comme sortie du modèle.)
• DeepSeek a itéré via une feuille de route spécialisée en raisonnement : modèles de base de grande taille (famille R1), suivis d’un post-entraînement ciblé / apprentissage par renforcement (de type RLHF) et d’un affinage de type policy pour améliorer la profondeur de raisonnement. L’équipe utilise également la distillation pour compresser la capacité de raisonnement dans des modèles plus petits et déployables.
• La série V3.2 ajoute un post-entraînement axé agent pour l’usage d’outils, une inférence hybride (Think / Non-Think) et des optimisations pour des itérations de « thinking » plus rapides.
• L’efficacité d’inférence est aidée par une méthode d’attention clairsemée (des rapports l’appellent « DeepSeek Sparse Attention — DSA ») qui concentre le calcul sur les segments pertinents plutôt que sur une attention dense complète sur de très longues séquences ; cela réduit le coût pour de très longs contextes.

Comment accéder à l’API deepseek-reasoner

Étape 1 : S’inscrire pour obtenir une clé API

Connectez-vous à cometapi.com. Si vous n’êtes pas encore utilisateur, veuillez d’abord vous inscrire. Connectez-vous à votre console CometAPI. Obtenez la clé d’API d’identification d’accès de l’interface. Cliquez sur « Add Token » dans le jeton d’API du centre personnel, obtenez la clé de jeton : sk-xxxxx et soumettez.

Étape 2 : Envoyer des requêtes à l’API deepseek-reasoner

Sélectionnez l’endpoint « deepseek-reasoner » pour envoyer la requête API et définir le corps de requête. La méthode de requête et le corps de requête sont obtenus depuis la documentation API de notre site Web. Notre site propose également un test Apifox pour votre commodité. Remplacez <YOUR_API_KEY> par votre clé CometAPI réelle issue de votre compte. L’URL de base est au format Chat.

Insérez votre question ou votre demande dans le champ content — c’est à cela que le modèle répondra. Traitez la réponse de l’API pour obtenir la réponse générée.

Étape 3 : Récupérer et vérifier les résultats

Traitez la réponse de l’API pour obtenir la réponse générée. Après traitement, l’API répond avec le statut de la tâche et les données de sortie.