深度思考

更新时间：2025-04-11

深度思考模型在传统大语言模型的基础上，强化了推理、逻辑分析和决策能力。在回答用户之前模型会先输出一段思维链内容，以提升最终答案的准确性，适用于复杂推理和深度分析任务，如数理逻辑推理、编程代码等。

深度思考模型API参数特殊说明

本章说明深度思考模型与常规文本生成模型接口字段的差异。

输出字段：
- reasoning_content：思维链内容，与content同级，访问方法见【访问样例】
- content：最终回答内容
不支持的参数：temperature、top_p、presence_penalty、frequency_penalty、logprobs、top_logprobs。请注意，为了兼容已有软件，设置 temperature、top_p、presence_penalty、frequency_penalty 参数不会报错，但也不会生效。设置 logprobs、top_logprobs 会报错。

快速开始

您可以通过对话 Chat 调用深度思考模型，以下是使用深度思考模型的简单调用示例。

使用前请参考API Key 认证鉴权获取 API Key ，用于在线推理服务的认证鉴权。

Bash

curl --location 'https://qianfan.baidubce.com/v2/chat/completions' \
--header 'Content-Type: application/json' \
--header 'Authorization: Bearer bce-v3/ALTAK-*********/614fb**********' \
--data '{
    "model": "deepseek-r1",
    "messages": [
        {
            "role": "user",
            "content": "9.11 and 9.8, which is greater?"
        }
    ]
}'

深度思考模型多轮对话请求

多轮对话上下文拼接

除用户提问和模型回答外，深度思考模型还会输出思维链内容，帮助模型拆解用户问题、生成多种回复综合得到更好的答案。在每一轮对话中，模型都会输出思维链内容和最终回答。但在下一轮对话时，之前轮次输出的思维链内容不会被拼接的上下文中。以下是用户和模型多轮对话的示例。

请注意，如果您在输入的 messages 序列中，传入了reasoning_content，API 会返回400错误。因此，请删除 API 响应中的reasoning_content字段，再发起 API 请求，方法如下述使用示例所示。

输出的 reasoning_content 长度不计入上下文长度中，但输出 token 数包含了思维链（reasoning_content）和最终答案（content）的所有 token，其计价相同。您可以在请求完成后响应对象的 “usage” 中查看 token 的具体用量。思维链的 token 消耗量可在 completion_tokens_details中查看。

JSON

{
  "usage": {
        "prompt_tokens": 2,
        "completion_tokens": 544,
        "total_tokens": 546,
        "completion_tokens_details": {
            "reasoning_tokens": 446
        }
    }
 }

多轮对话调用示例

千帆 V2 版本推理接口兼容 OpenAI 接口规范，因此可以使用 OpenAI SDK 请求千帆平台推理接口。

Python

pip3 install-U openai

下面的代码以 Python 语言为例，展示了如何访问思维链和最终回答，以及如何在多轮对话中进行上下文拼接。

流式请求

Python

from openai import OpenAI

client = OpenAI(
    api_key="your-api_key",  
    base_url="https://qianfan.baidubce.com/v2"
)

# Round 1
messages = [{"role": "user", "content": "9.11 and 9.8, which is greater?"}]
response = client.chat.completions.create(
    model="deepseek-r1-distill-qwen-32b",
    messages=messages,
    stream=True
)

reasoning_content = ""
content = ""

for chunk in response:
    if chunk.choices[0].delta.reasoning_content:
        print(chunk.choices[0].delta.reasoning_content, end="")
        reasoning_content += chunk.choices[0].delta.reasoning_content
    else:
        print(chunk.choices[0].delta.content, end="")
        content += chunk.choices[0].delta.content

# Round 2
messages.append({"role": "assistant", "content": content})
messages.append({'role': 'user', 'content': "How many Rs are there in the word 'strawberry'?"})
response = client.chat.completions.create(
    model="deepseek-r1-distill-qwen-32b",
    messages=messages,
    stream=True
)

for chunk in response:
    if chunk.choices[0].delta.reasoning_content:
        print(chunk.choices[0].delta.reasoning_content, end="")
        reasoning_content += chunk.choices[0].delta.reasoning_content
    else:
        print(chunk.choices[0].delta.content, end="")
        content += chunk.choices[0].delta.content

非流式请求

Python

from openai import OpenAI

client = OpenAI(
    api_key="your-api_key",  
    base_url="https://qianfan.baidubce.com/v2"
)

# Round 1
messages = [{"role": "user", "content": "9.11 and 9.8, which is greater?"}]
response = client.chat.completions.create(
    model="deepseek-r1-distill-qwen-32b",
    messages=messages
)

print(response.choices[0].message)

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

# Round 2
messages.append({'role': 'assistant', 'content': content})
messages.append({'role': 'user', 'content': "How many Rs are there in the word 'strawberry'?"})
response = client.chat.completions.create(
    model="deepseek-r1-distill-qwen-32b",
    messages=messages
)
print(response.choices[0].message)