MAI-DS-R1 er en ræsonneringsmodel, som Microsoft AI-teamet har eftertrænet fra DeepSeek-R1. Formålet er at bevare grundmodellens styrker i ræsonnering og samtidig forbedre svarvillighed på emner, der tidligere fik unyttige afvisninger, samt forfine modellens risikoprofil. Microsoft beskriver udgivelsen som sin egen eftertrænede model med et DeepSeek-R1-grundlag på 671 mia. parametre og en mixture-of-experts-arkitektur. Det er en tekstgenereringsmodel frem for en af de mindre R1-distillationer.
Modelkortet præsenterer sprogforståelse og -generering, spørgsmål om almen viden, problemløsning i flere trin, kodegenerering og -forståelse samt videnskabelige eller akademiske opgaver som direkte anvendelser. En nyttig anmodning kan derfor starte med en matematisk betingelse, en logisk gåde, et kodefragment eller en teknisk forklaring, der skal undersøges. Resultatet er tekst: en foreslået løsning, et stykke kode, en forklaring eller et sammenhængende udkast. Resultatets art bør angives i anmodningen, så ræsonneringen tjener et defineret mål.
Til en matematikassistent skal du levere den fulde betingelse, definitioner, kendte størrelser og den konklusion, der skal fastslås. En illustrativ opgave er: »Kontroller denne foreslåede løsning. Identificer den første udokumenterede overgang, forklar den manglende antagelse, og giv et rettet resultat, der opfylder de oprindelige betingelser.« Til en programmeringsassistent skal du levere den relevante funktion, inputeksempler og forventet adfærd; bed om en forklaring af fejlen og en ændring, der kan kontrolleres med disse eksempler. Ved forskningsudkast skal du levere materialet til sammenligning og skelne mellem kildeudsagn, fortolkninger og spørgsmål, der stadig kræver dokumentation.
Microsoft præsenterer også modellen som grundlag for yderligere domænespecifik finjustering, herunder matematikundervisning, programmeringsassistenter og videnskabelige forskningsværktøjer. Det er en efterfølgende tilpasningsanvendelse, adskilt fra den generelle model, der beskrives her. Eftertræningen bruger sikkerheds- og ikke-efterlevelseseksempler sammen med flersprogede eksempler, der dækker emner, hvor der var rapporteret skævheder. Ændringen retter sig mod svaradfærd; den gør ikke modellen til et system uden begrænsninger og fjerner ikke behovet for at vurdere dens svar.
Producenten identificerer væsentlige anvendelsesgrænser. Kliniske diagnoser eller behandlingsbeslutninger, endelige juridiske afgørelser, selvstændig sikkerhedskritisk styring og finansielle eller sikkerhedsmæssige beslutninger med store konsekvenser ligger uden for modelkortets tilsigtede pålidelige anvendelse. Den dokumenterede rolle beskrives bedre som forklaring, udarbejdelse af udkast og struktureret problemløsning med passende gennemgang. Microsoft bemærker, at faktuelle hallucinationer, kulturelle eller demografiske skævheder og sårbarhed over for manipulerende prompts kan bestå efter eftertræning.
Udgivelsen deler den oprindelige DeepSeek-R1s vidensgrænse, så et selvsikkert svar kan stadig mangle en nyere begivenhed eller en specialiseret oplysning. Selvom eftertræningen bruger flersprogede data, forventer Microsoft, at engelsk og kinesisk er de stærkeste sprog. Vurder det sprog og fagområde, applikationen kræver, frem for at antage samme kvalitet på alle sprog. Meget lange eller komplicerede prompts kan fortsat være udfordrende; adskil kildematerialet, opgaven og kriteriet for et vellykket svar.
Modelkortet anbefaler klare rolle- og opgaveinstruktioner, menneskelig eller automatisk verificering ved følsomme anvendelser samt overvågning eller indholdsfiltrering, hvor applikationen har brug for det. Hold kildefakta og mellemliggende antagelser tilgængelige for gennemgang, og bed om et endeligt svar, der kan sammenlignes med det oprindelige problem. Det læste kort offentliggør ikke en separat numerisk kontekst- eller outputgrænse for denne udgivelse, så disse grænser bør fastslås ud fra en præcis kørselsspecifikation frem for at lånes fra en anden DeepSeek-udgave. MAI-DS-R1 forbliver en særskilt eftertrænet model med sine egne dokumenterede mål og begrænsninger.
", "aboutText": "MAI-DS-R1 er en ræsonneringsmodel, som Microsoft AI-teamet har eftertrænet fra DeepSeek-R1. Formålet er at bevare grundmodellens styrker i ræsonnering og samtidig forbedre svarvillighed på emner, der tidligere fik unyttige afvisninger, samt forfine modellens risikoprofil. Microsoft beskriver udgivelsen som sin egen eftertrænede model med et DeepSeek-R1-grundlag på 671 mia. parametre og en mixture-of-experts-arkitektur. Det er en tekstgenereringsmodel frem for en af de mindre R1-distillationer.\n\nModelkortet præsenterer sprogforståelse og -generering, spørgsmål om almen viden, problemløsning i flere trin, kodegenerering og -forståelse samt videnskabelige eller akademiske opgaver som direkte anvendelser. En nyttig anmodning kan derfor starte med en matematisk betingelse, en logisk gåde, et kodefragment eller en teknisk forklaring, der skal undersøges. Resultatet er tekst: en foreslået løsning, et stykke kode, en forklaring eller et sammenhængende udkast. Resultatets art bør angives i anmodningen, så ræsonneringen tjener et defineret mål.\n\nTil en matematikassistent skal du levere den fulde betingelse, definitioner, kendte størrelser og den konklusion, der skal fastslås. En illustrativ opgave er: »Kontroller denne foreslåede løsning. Identificer den første udokumenterede overgang, forklar den manglende antagelse, og giv et rettet resultat, der opfylder de oprindelige betingelser.« Til en programmeringsassistent skal du levere den relevante funktion, inputeksempler og forventet adfærd; bed om en forklaring af fejlen og en ændring, der kan kontrolleres med disse eksempler. Ved forskningsudkast skal du levere materialet til sammenligning og skelne mellem kildeudsagn, fortolkninger og spørgsmål, der stadig kræver dokumentation.\n\nMicrosoft præsenterer også modellen som grundlag for yderligere domænespecifik finjustering, herunder matematikundervisning, programmeringsassistenter og videnskabelige forskningsværktøjer. Det er en efterfølgende tilpasningsanvendelse, adskilt fra den generelle model, der beskrives her. Eftertræningen bruger sikkerheds- og ikke-efterlevelseseksempler sammen med flersprogede eksempler, der dækker emner, hvor der var rapporteret skævheder. Ændringen retter sig mod svaradfærd; den gør ikke modellen til et system uden begrænsninger og fjerner ikke behovet for at vurdere dens svar.\n\nProducenten identificerer væsentlige anvendelsesgrænser. Kliniske diagnoser eller behandlingsbeslutninger, endelige juridiske afgørelser, selvstændig sikkerhedskritisk styring og finansielle eller sikkerhedsmæssige beslutninger med store konsekvenser ligger uden for modelkortets tilsigtede pålidelige anvendelse. Den dokumenterede rolle beskrives bedre som forklaring, udarbejdelse af udkast og struktureret problemløsning med passende gennemgang. Microsoft bemærker, at faktuelle hallucinationer, kulturelle eller demografiske skævheder og sårbarhed over for manipulerende prompts kan bestå efter eftertræning.\n\nUdgivelsen deler den oprindelige DeepSeek-R1s vidensgrænse, så et selvsikkert svar kan stadig mangle en nyere begivenhed eller en specialiseret oplysning. Selvom eftertræningen bruger flersprogede data, forventer Microsoft, at engelsk og kinesisk er de stærkeste sprog. Vurder det sprog og fagområde, applikationen kræver, frem for at antage samme kvalitet på alle sprog. Meget lange eller komplicerede prompts kan fortsat være udfordrende; adskil kildematerialet, opgaven og kriteriet for et vellykket svar.\n\nModelkortet anbefaler klare rolle- og opgaveinstruktioner, menneskelig eller automatisk verificering ved følsomme anvendelser samt overvågning eller indholdsfiltrering, hvor applikationen har brug for det. Hold kildefakta og mellemliggende antagelser tilgængelige for gennemgang, og bed om et endeligt svar, der kan sammenlignes med det oprindelige problem. Det læste kort offentliggør ikke en separat numerisk kontekst- eller outputgrænse for denne udgivelse, så disse grænser bør fastslås ud fra en præcis kørselsspecifikation frem for at lånes fra en anden DeepSeek-udgave. MAI-DS-R1 forbliver en særskilt eftertrænet model med sine egne dokumenterede mål og begrænsninger.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "bcc2e34b3833fc88f4e7161a7d7b4db61eaac7afe597605f3f12c8eb85816f57", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "MAI-DS-R1MAI-DS-R1 er Microsofts eftertrænede DeepSeek-R1-model til tekstræsonnering, matematik, kode og forskning. Den bevarer R1s ræsonneringsgrundlag, mens den adresserer mangler i svar og forfiner modellens håndtering af følsomme emner.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
MAI-DS-R1 er en ræsonneringsmodel, som Microsoft AI-teamet har eftertrænet fra DeepSeek-R1. Formålet er at bevare grundmodellens styrker i ræsonnering og samtidig forbedre svarvillighed på emner, der tidligere fik unyttige afvisninger, samt forfine modellens risikoprofil. Microsoft beskriver udgivelsen som sin egen eftertrænede model med et DeepSeek-R1-grundlag på 671 mia. parametre og en mixture-of-experts-arkitektur. Det er en tekstgenereringsmodel frem for en af de mindre R1-distillationer.
Modelkortet præsenterer sprogforståelse og -generering, spørgsmål om almen viden, problemløsning i flere trin, kodegenerering og -forståelse samt videnskabelige eller akademiske opgaver som direkte anvendelser. En nyttig anmodning kan derfor starte med en matematisk betingelse, en logisk gåde, et kodefragment eller en teknisk forklaring, der skal undersøges. Resultatet er tekst: en foreslået løsning, et stykke kode, en forklaring eller et sammenhængende udkast. Resultatets art bør angives i anmodningen, så ræsonneringen tjener et defineret mål.
Til en matematikassistent skal du levere den fulde betingelse, definitioner, kendte størrelser og den konklusion, der skal fastslås. En illustrativ opgave er: »Kontroller denne foreslåede løsning. Identificer den første udokumenterede overgang, forklar den manglende antagelse, og giv et rettet resultat, der opfylder de oprindelige betingelser.« Til en programmeringsassistent skal du levere den relevante funktion, inputeksempler og forventet adfærd; bed om en forklaring af fejlen og en ændring, der kan kontrolleres med disse eksempler. Ved forskningsudkast skal du levere materialet til sammenligning og skelne mellem kildeudsagn, fortolkninger og spørgsmål, der stadig kræver dokumentation.
Microsoft præsenterer også modellen som grundlag for yderligere domænespecifik finjustering, herunder matematikundervisning, programmeringsassistenter og videnskabelige forskningsværktøjer. Det er en efterfølgende tilpasningsanvendelse, adskilt fra den generelle model, der beskrives her. Eftertræningen bruger sikkerheds- og ikke-efterlevelseseksempler sammen med flersprogede eksempler, der dækker emner, hvor der var rapporteret skævheder. Ændringen retter sig mod svaradfærd; den gør ikke modellen til et system uden begrænsninger og fjerner ikke behovet for at vurdere dens svar.
Producenten identificerer væsentlige anvendelsesgrænser. Kliniske diagnoser eller behandlingsbeslutninger, endelige juridiske afgørelser, selvstændig sikkerhedskritisk styring og finansielle eller sikkerhedsmæssige beslutninger med store konsekvenser ligger uden for modelkortets tilsigtede pålidelige anvendelse. Den dokumenterede rolle beskrives bedre som forklaring, udarbejdelse af udkast og struktureret problemløsning med passende gennemgang. Microsoft bemærker, at faktuelle hallucinationer, kulturelle eller demografiske skævheder og sårbarhed over for manipulerende prompts kan bestå efter eftertræning.
Udgivelsen deler den oprindelige DeepSeek-R1s vidensgrænse, så et selvsikkert svar kan stadig mangle en nyere begivenhed eller en specialiseret oplysning. Selvom eftertræningen bruger flersprogede data, forventer Microsoft, at engelsk og kinesisk er de stærkeste sprog. Vurder det sprog og fagområde, applikationen kræver, frem for at antage samme kvalitet på alle sprog. Meget lange eller komplicerede prompts kan fortsat være udfordrende; adskil kildematerialet, opgaven og kriteriet for et vellykket svar.
Modelkortet anbefaler klare rolle- og opgaveinstruktioner, menneskelig eller automatisk verificering ved følsomme anvendelser samt overvågning eller indholdsfiltrering, hvor applikationen har brug for det. Hold kildefakta og mellemliggende antagelser tilgængelige for gennemgang, og bed om et endeligt svar, der kan sammenlignes med det oprindelige problem. Det læste kort offentliggør ikke en separat numerisk kontekst- eller outputgrænse for denne udgivelse, så disse grænser bør fastslås ud fra en præcis kørselsspecifikation frem for at lånes fra en anden DeepSeek-udgave. MAI-DS-R1 forbliver en særskilt eftertrænet model med sine egne dokumenterede mål og begrænsninger.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser MAI-DS-R1 | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream |
Parametercontrol_scope | KontraktTekstsamtale; stream er en boolesk værdi og er som standard false. |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Metodealiaser: /chat/completions
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00132 / 1K tokens Output · Outputtokens $0.00506 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00132 / 1K tokens Output · Outputtokens $0.00506 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"MAI-DS-R1","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="MAI-DS-R1", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra MAI-DS-R1
/chat/completions
MAI-DS-R1MAI-DS-R1 er Microsofts eftertrænede DeepSeek-R1-model til tekstræsonnering, matematik, kode og forskning. Den bevarer R1s ræsonneringsgrundlag, mens den adresserer mangler i svar og forfiner modellens håndtering af følsomme emner.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
MAI-DS-R1 er en ræsonneringsmodel, som Microsoft AI-teamet har eftertrænet fra DeepSeek-R1. Formålet er at bevare grundmodellens styrker i ræsonnering og samtidig forbedre svarvillighed på emner, der tidligere fik unyttige afvisninger, samt forfine modellens risikoprofil. Microsoft beskriver udgivelsen som sin egen eftertrænede model med et DeepSeek-R1-grundlag på 671 mia. parametre og en mixture-of-experts-arkitektur. Det er en tekstgenereringsmodel frem for en af de mindre R1-distillationer.
Modelkortet præsenterer sprogforståelse og -generering, spørgsmål om almen viden, problemløsning i flere trin, kodegenerering og -forståelse samt videnskabelige eller akademiske opgaver som direkte anvendelser. En nyttig anmodning kan derfor starte med en matematisk betingelse, en logisk gåde, et kodefragment eller en teknisk forklaring, der skal undersøges. Resultatet er tekst: en foreslået løsning, et stykke kode, en forklaring eller et sammenhængende udkast. Resultatets art bør angives i anmodningen, så ræsonneringen tjener et defineret mål.
Til en matematikassistent skal du levere den fulde betingelse, definitioner, kendte størrelser og den konklusion, der skal fastslås. En illustrativ opgave er: »Kontroller denne foreslåede løsning. Identificer den første udokumenterede overgang, forklar den manglende antagelse, og giv et rettet resultat, der opfylder de oprindelige betingelser.« Til en programmeringsassistent skal du levere den relevante funktion, inputeksempler og forventet adfærd; bed om en forklaring af fejlen og en ændring, der kan kontrolleres med disse eksempler. Ved forskningsudkast skal du levere materialet til sammenligning og skelne mellem kildeudsagn, fortolkninger og spørgsmål, der stadig kræver dokumentation.
Microsoft præsenterer også modellen som grundlag for yderligere domænespecifik finjustering, herunder matematikundervisning, programmeringsassistenter og videnskabelige forskningsværktøjer. Det er en efterfølgende tilpasningsanvendelse, adskilt fra den generelle model, der beskrives her. Eftertræningen bruger sikkerheds- og ikke-efterlevelseseksempler sammen med flersprogede eksempler, der dækker emner, hvor der var rapporteret skævheder. Ændringen retter sig mod svaradfærd; den gør ikke modellen til et system uden begrænsninger og fjerner ikke behovet for at vurdere dens svar.
Producenten identificerer væsentlige anvendelsesgrænser. Kliniske diagnoser eller behandlingsbeslutninger, endelige juridiske afgørelser, selvstændig sikkerhedskritisk styring og finansielle eller sikkerhedsmæssige beslutninger med store konsekvenser ligger uden for modelkortets tilsigtede pålidelige anvendelse. Den dokumenterede rolle beskrives bedre som forklaring, udarbejdelse af udkast og struktureret problemløsning med passende gennemgang. Microsoft bemærker, at faktuelle hallucinationer, kulturelle eller demografiske skævheder og sårbarhed over for manipulerende prompts kan bestå efter eftertræning.
Udgivelsen deler den oprindelige DeepSeek-R1s vidensgrænse, så et selvsikkert svar kan stadig mangle en nyere begivenhed eller en specialiseret oplysning. Selvom eftertræningen bruger flersprogede data, forventer Microsoft, at engelsk og kinesisk er de stærkeste sprog. Vurder det sprog og fagområde, applikationen kræver, frem for at antage samme kvalitet på alle sprog. Meget lange eller komplicerede prompts kan fortsat være udfordrende; adskil kildematerialet, opgaven og kriteriet for et vellykket svar.
Modelkortet anbefaler klare rolle- og opgaveinstruktioner, menneskelig eller automatisk verificering ved følsomme anvendelser samt overvågning eller indholdsfiltrering, hvor applikationen har brug for det. Hold kildefakta og mellemliggende antagelser tilgængelige for gennemgang, og bed om et endeligt svar, der kan sammenlignes med det oprindelige problem. Det læste kort offentliggør ikke en separat numerisk kontekst- eller outputgrænse for denne udgivelse, så disse grænser bør fastslås ud fra en præcis kørselsspecifikation frem for at lånes fra en anden DeepSeek-udgave. MAI-DS-R1 forbliver en særskilt eftertrænet model med sine egne dokumenterede mål og begrænsninger.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser MAI-DS-R1 | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00132 / 1K tokens Output · Outputtokens $0.00506 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00132 / 1K tokens Output · Outputtokens $0.00506 / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "MAI-DS-R1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'MAI-DS-R1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'MAI-DS-R1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra MAI-DS-R1
/chat/completions