Deep Cogito: Cogito v2.1 671B deepcogito/cogito-v2.1-671b

Модель Deep Cogito: Cogito v2.1 671B от Deepcogito (семейство cogito-v2) доступна через единый OpenAI-совместимый API НейроГейт — без VPN, с оплатой в рублях, единым ключом для всех 353+ моделей платформы.
Доступны через единый API НейроГейт: 1 модель Deepcogito.

👁 Зрение 🧠 Рассуждение 🎨 Генерация изображений 🎙 Аудио-вход 🔊 Синтез речи 🆓 Бесплатно

128K

контекст, токенов

125 ₽

за 1 млн входных токенов

125 ₽

за 1 млн выходных токенов

возможностей

Что такое Deep Cogito: Cogito v2.1 671B

Мощная open-source MoE-модель с reasoning для задач, требующих глубокой логики, работы с кодом и анализа объёмных текстов.

Cogito v2.1 671B — флагманская модель семейства Cogito v2 от Deep Cogito, построенная на архитектуре Mixture of Experts (MoE) с 671 миллиардом параметров. Модель обучена с применением метода самоигры на основе обучения с подкреплением (self-play RL), что позволяет ей демонстрировать сильные рассуждательные способности и конкурировать с ведущими закрытыми и открытыми моделями по широкому спектру задач.

Ключевая особенность — встроенный механизм внутреннего рассуждения (reasoning): перед финальным ответом модель выстраивает цепочку мыслей, что особенно заметно на задачах, требующих многошаговой логики, математики, программирования и анализа. Контекстное окно в 128 000 токенов позволяет работать с объёмными документами и сложными диалогами. Модель является open-source, что даёт возможность самостоятельного развёртывания и тонкой настройки.

Для команд, которым важна прозрачность весов и высокое качество рассуждений без привязки к закрытым API, Cogito v2.1 671B представляет собой серьёзную альтернативу проприетарным решениям уровня frontier.

Когда брать эту модель

✓ Сложные задачи с многошаговым рассуждением: математика, логические головоломки, доказательства
✓ Генерация и ревью кода с детальным объяснением решений
✓ Анализ длинных документов и технических спецификаций в рамках большого контекста
✓ Исследовательские и R&D-проекты, где важен доступ к весам модели и возможность файн-тюнинга
✓ Сравнительное тестирование open-source альтернатив закрытым frontier-моделям

Пример работы

Реальный сценарий, на котором модель проявляет себя:

Проанализируй алгоритм динамического программирования для задачи о рюкзаке: объясни его временну́ю и пространственную сложность, укажи возможные оптимизации и напиши реализацию на Python с комментариями.

Использование Deep Cogito: Cogito v2.1 671B через НейроГейт

OpenAI-совместимый эндпоинт https://api.neuralgate.ru/v1 — замени base_url в любом SDK и используй модель по её id.

# Chat completion
curl https://api.neuralgate.ru/v1/chat/completions \
  -H "Authorization: Bearer $NEURALGATE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepcogito/cogito-v2.1-671b",
    "messages": [{"role":"user","content":"Привет!"}]
  }'

from openai import OpenAI

client = OpenAI(
    api_key="sk-...your-neuralgate-key...",
    base_url="https://api.neuralgate.ru/v1",
)
response = client.chat.completions.create(
    model="deepcogito/cogito-v2.1-671b",
    messages=[{"role": "user", "content": "Привет!"}],
)
print(response.choices[0].message.content)

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.NEURALGATE_API_KEY,
  baseURL: "https://api.neuralgate.ru/v1",
});
const resp = await client.chat.completions.create({
  model: "deepcogito/cogito-v2.1-671b",
  messages: [{ role: "user", content: "Привет!" }],
});
console.log(resp.choices[0].message.content);