🚀 告别海外账号与网络限制！稳定直连全球优质大模型，限时半价接入中。 👉 点击领取海量免费额度
1. 先明确目标：用一把 Key 复现 DeepSeek-R1 的推理表现
本文的目标很具体：以 Artificial Analysis 收录的 DeepSeek-R1 智能指数为参照，用 TaoToken 提供的同一把 Key，复现一道数学推理题的流式输出与耗时表现。TaoToken 在本文中只承担一个角色——提供 API Key 和 Base URL，作为复现实验的默认供应商。你可以在 TaoToken 官网创建 Key，Base URL 统一写https://taotoken.net/api。
需要提前说明的是：本文不含排行分数，也不对 DeepSeek-R1 在 Artificial Analysis 上的具体名次做任何断言。Artificial Analysis 的智能指数是一个公开榜单，其分数、日期与页面以该榜官网为准；TaoToken 并非该榜的参赛方，本文也不把 TaoToken 当作被评测对象。我们要做的，是在自己的环境里跑出一道推理题，记录流式输出过程和耗时，形成一份可复现的本地记录表。
产物清单如下：
- 一份可运行的 Python 脚本，调用 DeepSeek-R1 完成数学推理；
- 一份采样参数配置（temperature、top_p、max_tokens 等）；
- 一张耗时记录表，包含首 token 延迟、总耗时、输出 token 数；
- 一份失败分支排查清单。
如果你更想直接体验模型对话，可以走模型对话入口；如果打算长期做 Agent 或批量复现，建议看 Coding Plan；接入和排障相关的细节，则集中在 API Keys 与接入文档。
2. 操作步骤：从创建 Key 到跑通第一道推理题
2.1 创建 Key 与确认 Base URL
第一步，打开 TaoToken 官网，进入控制台创建 API Key。创建完成后，你会得到一串以sk-开头的密钥。请把它保存在环境变量里，不要硬编码进脚本。
Base URL 固定为：
https://taotoken.net/api注意：这个地址不带任何查询参数。官网首页地址可以带 UTM 用于来源统计，但 API 调用地址保持干净即可。
2.2 安装依赖
本文使用 OpenAI 兼容的 Python SDK 进行调用，因为 TaoToken 的接口遵循 OpenAI 兼容协议，DeepSeek-R1 也可以通过该协议访问。
pip install openai如果你更习惯命令行方式，也可以安装 TaoToken 的 CLI 工具：
npm i -g @taotoken/taotokenCLI 的基本用法如下，其中-k填你的 Key，-u填 API 地址，-m填模型 ID：
taotoken cc -k YOUR_API_KEY -u https://taotoken.net/api -m deepseek-reasoner2.3 复现用的 Prompt
为了让复现结果具备可比性，prompt 需要固定。本文选用一道经典数学推理题，要求模型给出完整推导过程：
请逐步推理并解答下面的数学题，最后用「答案：」开头单独一行给出最终结果。 题目：一个水池有两个进水管和一个出水管。甲管单独注满水池需要 6 小时，乙管单独注满需要 8 小时，丙管单独排空满池水需要 12 小时。如果三管同时打开，多少小时可以注满水池？ 要求： 1. 先写出各管每小时的效率； 2. 写出三管同时打开时的净效率； 3. 计算注满所需时间，结果用分数表示并保留两位小数； 4. 不要跳步。这道题的好处是：推理链条清晰、答案唯一、计算量适中，适合观察流式输出中的推理过程。
2.4 采样参数
为了让复现实验可对比，采样参数固定如下：
| 参数 | 取值 | 说明 |
|---|---|---|
| temperature | 0.6 | 推理类任务常用值，兼顾稳定性与多样性 |
| top_p | 0.95 | nucleus 采样阈值 |
| max_tokens | 2048 | 给推理过程留足空间 |
| stream | true | 开启流式，便于记录首 token 延迟 |
| frequency_penalty | 0 | 不额外惩罚重复 |
| presence_penalty | 0 | 不额外鼓励新话题 |
需要说明的是，以上参数是本文复现实验的固定配置，不代表官方推荐值。不同模型、不同任务的最优参数可能不同，实际使用时请以模型官方文档为准。
2.5 完整调用脚本
下面是一份可直接运行的 Python 脚本，它会流式打印输出，并记录首 token 延迟与总耗时：
import os import time from openai import OpenAI client = OpenAI( api_key=os.environ["TAOTOKEN_API_KEY"], base_url="https://taotoken.net/api", ) PROMPT = """请逐步推理并解答下面的数学题，最后用「答案：」开头单独一行给出最终结果。 题目：一个水池有两个进水管和一个出水管。甲管单独注满水池需要 6 小时，乙管单独注满需要 8 小时，丙管单独排空满池水需要 12 小时。如果三管同时打开，多少小时可以注满水池？ 要求： 1. 先写出各管每小时的效率； 2. 写出三管同时打开时的净效率； 3. 计算注满所需时间，结果用分数表示并保留两位小数； 4. 不要跳步。 """ start = time.time() first_token_time = None output_chars = 0 stream = client.chat.completions.create( model="deepseek-reasoner", messages=[{"role": "user", "content": PROMPT}], temperature=0.6, top_p=0.95, max_tokens=2048, stream=True, ) for chunk in stream: delta = chunk.choices[0].delta content = getattr(delta, "content", None) if content: if first_token_time is None: first_token_time = time.time() - start output_chars += len(content) print(content, end="", flush=True) total = time.time() - start print("\n---") print(f"首 token 延迟: {first_token_time:.3f}s") print(f"总耗时: {total:.3f}s") print(f"输出字符数: {output_chars}")运行前设置环境变量：
export TAOTOKEN_API_KEY="你的Key" python run_reasoning.py3. TaoToken 接入与配置：不同工具的写法
TaoToken 的接入方式取决于你使用的工具。下面分别给出 Claude Code、Codex 和 CC Switch 三件套的配置写法。
3.1 Claude Code 配置
Claude Code 通过settings.json读取配置。你需要在配置文件中设置ANTHROPIC_BASE_URL和ANTHROPIC_API_KEY两个环境变量，或者直接在 settings 中写入：
{ "env": { "ANTHROPIC_BASE_URL": "https://taotoken.net/api", "ANTHROPIC_API_KEY": "YOUR_API_KEY" } }如果你的 Claude Code 版本支持在 settings 中直接指定模型，也可以加上模型字段。具体字段名以你本地版本为准。
3.2 Codex 配置
Codex 使用config.toml进行配置。一个典型的写法如下：
[model_providers.taotoken] name = "TaoToken" base_url = "https://taotoken.net/api" env_key = "TAOTOKEN_API_KEY" [profiles.default] model_provider = "taotoken" model = "deepseek-reasoner"保存后，确保环境变量TAOTOKEN_API_KEY已设置。
3.3 CC Switch 三件套
CC Switch 的三件套指的是：供应商配置、模型配置、Key 配置。三者需要保持一致：
- 供应商：选择自定义或 OpenAI 兼容；
- Base URL：填
https://taotoken.net/api； - API Key：填你在 TaoToken 控制台创建的 Key；
- 模型 ID：填你要调用的模型，例如
deepseek-reasoner。
三件套配置完成后，建议先用一条最简单的请求验证连通性，再跑正式任务。
4. 可验证结果与失败分支
4.1 预期输出
这道题的正确答案是：甲管效率 1/6，乙管效率 1/8，丙管效率 1/12，净效率为 1/6 + 1/8 - 1/12 = 4/24 + 3/24 - 2/24 = 5/24，注满时间为 24/5 = 4.8 小时。
模型在流式输出中应当先给出各管效率，再给出净效率，最后给出答案。你可以在输出末尾检查是否出现「答案：4.8 小时」或等价表述。
4.2 耗时记录表
下面是一张空白记录表，你可以把每次运行的结果填入：
| 运行序号 | 模型 ID | 首 token 延迟(s) | 总耗时(s) | 输出字符数 | 是否得到正确答案 | 备注 |
|---|---|---|---|---|---|---|
| 1 | deepseek-reasoner | |||||
| 2 | deepseek-reasoner | |||||
| 3 | deepseek-reasoner |
建议至少跑 3 次，观察首 token 延迟和总耗时的波动范围。注意：本文不含排行分数，以上表格只记录本地复现的耗时与输出情况，不构成任何模型排名。
4.3 失败分支排查
如果运行失败，可以按以下顺序排查：
- 401 未授权：检查 API Key 是否正确、是否已过期、环境变量是否生效。注意不要用官网首页地址当 Base URL，API 地址是
https://taotoken.net/api。 - 404 模型不存在：检查模型 ID 是否拼写正确。不同供应商的模型 ID 命名可能不同，以 TaoToken 控制台或接入文档中列出的为准。
- 超时或连接失败：检查网络环境是否可访问 API 地址，适当增加超时时间。
- 输出为空：检查
max_tokens是否过小，或 prompt 是否被截断。 - 流式中断：检查是否触发了内容过滤或长度限制，可尝试降低
max_tokens或调整 prompt。
如果以上排查仍无法解决，建议查阅接入文档，或在 API Keys 页面确认 Key 的状态。
5. 限制、成本与模型选择
5.1 限制说明
本文的复现实验只针对一道数学推理题，不能代表模型在所有推理任务上的表现。流式输出的耗时受网络、服务端负载、输出长度等多因素影响，单次结果波动较大，建议多次运行取中位数。
另外，Artificial Analysis 的智能指数是一个公开榜单，其评测方法、题目集、评分标准由该榜制定。本文不引用其具体分数，也不对 DeepSeek-R1 在该榜上的名次做任何判断。如果你需要了解榜单详情，请以 Artificial Analysis 官网页面为准。
5.2 成本与模型选择
成本方面，不同模型的计费方式不同，具体价格以 TaoToken 官网或控制台展示为准。Artificial Analysis 上标注的价格不等于 TaoToken 的售价，两者不能混用。Hugging Face 上的热度指标也不等于跑分，不能作为模型能力的直接依据。
模型选择上，DeepSeek-R1 系列适合需要显式推理过程的数学、逻辑类任务。如果你要做的是长周期 Agent 开发，建议关注 Coding Plan；如果只是临时验证接入，用 API Keys 配合本文脚本即可。
5.3 下一步
如果你已经跑通了本文的复现实验，可以尝试：
- 换一道更难的数学题，观察推理链长度变化；
- 调整 temperature，观察输出稳定性；
- 把同一道题跑 5 次，统计答案一致率；
- 对比不同模型 ID 在同一 prompt 下的表现。
需要创建 Key 或查看接入细节，可以访问 TaoToken 官网；模型对话入口适合快速体验；Coding Plan 适合长期开发；API Keys 与接入文档适合排障和插件配置。
🚀 告别海外账号与网络限制！稳定直连全球优质大模型，限时半价接入中。 👉 点击领取海量免费额度
 实时监听 MCP 资源与目录变化)
