MAI-DS-R1 ist ein Reasoning-Modell, das das Microsoft-AI-Team ausgehend von DeepSeek-R1 nachtrainiert hat. Es soll die Reasoning-Stärken des Basismodells bewahren und zugleich die Antwortbereitschaft bei Themen verbessern, die zuvor unhilfreiche Ablehnungen erhielten, sowie das Risikoprofil des Modells verfeinern. Microsoft beschreibt die Veröffentlichung als eigenes nachtrainiertes Modell mit einer DeepSeek-R1-Grundlage von 671 Milliarden Parametern und einer Mixture-of-Experts-Architektur. Es ist ein Textgenerierungsmodell und keine der kleineren R1-Destillationen.
Die Modellkarte nennt Sprachverständnis und -generierung, Allgemeinwissensfragen, mehrstufige Problemlösung, Codegenerierung und -verständnis sowie wissenschaftliche oder akademische Aufgaben als direkte Anwendungen. Eine nützliche Anfrage kann daher mit einer mathematischen Bedingung, einem logischen Rätsel, einem Codefragment oder einer zu untersuchenden technischen Erklärung beginnen. Das Ergebnis ist Text: ein Lösungsvorschlag, ein Stück Code, eine Erklärung oder ein zusammenhängender Entwurf. Die Art des Ergebnisses sollte in der Anfrage angegeben werden, damit das Schlussfolgern einem definierten Ziel dient.
Stellen Sie für einen Mathematikassistenten die vollständige Bedingung, Definitionen, bekannte Größen und die zu belegende Schlussfolgerung bereit. Eine beispielhafte Aufgabe lautet: „Prüfen Sie diesen Lösungsvorschlag. Benennen Sie den ersten unbelegten Übergang, erklären Sie die fehlende Annahme und liefern Sie ein korrigiertes Ergebnis, das die ursprünglichen Bedingungen erfüllt.“ Stellen Sie für einen Programmierassistenten die relevante Funktion, Eingabebeispiele und erwartetes Verhalten bereit; verlangen Sie eine Fehlererklärung und eine anhand dieser Beispiele überprüfbare Änderung. Geben Sie für Forschungsentwürfe das zu vergleichende Material an und unterscheiden Sie Quellenaussagen, Interpretationen und Fragen, die noch Belege benötigen.
Microsoft stellt das Modell auch als Grundlage für weiteres domänenspezifisches Fine-Tuning dar, darunter Mathematiknachhilfe, Programmierassistenten und wissenschaftliche Forschungswerkzeuge. Dies ist eine nachgelagerte Anpassungsnutzung, getrennt vom hier beschriebenen allgemeinen Modell. Das Nachtraining verwendet Sicherheits- und Nichtbefolgungsbeispiele zusammen mit mehrsprachigen Beispielen zu Themen, bei denen Verzerrungen gemeldet wurden. Die Änderung betrifft das Antwortverhalten; sie macht das Modell weder zu einem uneingeschränkten System noch beseitigt sie die Notwendigkeit, seine Antworten zu bewerten.
Der Hersteller nennt wesentliche Nutzungsgrenzen. Klinische Diagnosen oder Behandlungsentscheidungen, verbindliche rechtliche Entscheidungen, autonome sicherheitskritische Steuerung sowie folgenreiche Finanz- oder Sicherheitsentscheidungen liegen außerhalb der in der Modellkarte vorgesehenen zuverlässigen Nutzung. Die dokumentierte Rolle lässt sich besser als Erklärung, Entwurf und strukturierte Problemlösung mit geeigneter Prüfung beschreiben. Microsoft weist darauf hin, dass sachliche Halluzinationen, kulturelle oder demografische Verzerrungen und Anfälligkeit für gegnerische Prompts nach dem Nachtraining fortbestehen können.
Die Veröffentlichung teilt den ursprünglichen Wissensstand von DeepSeek-R1, sodass auch einer selbstsicheren Antwort ein aktuelles Ereignis oder eine spezielle Tatsache fehlen kann. Obwohl das Nachtraining mehrsprachige Daten verwendet, erwartet Microsoft Englisch und Chinesisch als stärkste Sprachen. Bewerten Sie die für die Anwendung benötigte Sprache und Fachmaterie, statt für jede Sprache dieselbe Qualität vorauszusetzen. Sehr lange oder komplizierte Prompts können weiterhin herausfordernd sein; trennen Sie Ausgangsmaterial, Aufgabe und das Kriterium einer erfolgreichen Antwort.
Die Modellkarte empfiehlt klare Rollen- und Aufgabenanweisungen, menschliche oder automatisierte Überprüfung bei sensiblen Anwendungen sowie Überwachung oder Inhaltsfilterung, wo die Anwendung sie benötigt. Halten Sie Quellenfakten und Zwischenannahmen für die Prüfung verfügbar und verlangen Sie eine abschließende Antwort, die mit dem ursprünglichen Problem verglichen werden kann. Die gelesene Karte veröffentlicht für diese Ausgabe keine separate numerische Kontext- oder Ausgabeobergrenze; diese Grenzen sollten daher aus einer genauen Ausführungsspezifikation ermittelt und nicht aus einer anderen DeepSeek-Ausgabe übernommen werden. MAI-DS-R1 bleibt ein eigenständiges nachtrainiertes Modell mit eigenen dokumentierten Zielen und Einschränkungen.
", "aboutText": "MAI-DS-R1 ist ein Reasoning-Modell, das das Microsoft-AI-Team ausgehend von DeepSeek-R1 nachtrainiert hat. Es soll die Reasoning-Stärken des Basismodells bewahren und zugleich die Antwortbereitschaft bei Themen verbessern, die zuvor unhilfreiche Ablehnungen erhielten, sowie das Risikoprofil des Modells verfeinern. Microsoft beschreibt die Veröffentlichung als eigenes nachtrainiertes Modell mit einer DeepSeek-R1-Grundlage von 671 Milliarden Parametern und einer Mixture-of-Experts-Architektur. Es ist ein Textgenerierungsmodell und keine der kleineren R1-Destillationen.\n\nDie Modellkarte nennt Sprachverständnis und -generierung, Allgemeinwissensfragen, mehrstufige Problemlösung, Codegenerierung und -verständnis sowie wissenschaftliche oder akademische Aufgaben als direkte Anwendungen. Eine nützliche Anfrage kann daher mit einer mathematischen Bedingung, einem logischen Rätsel, einem Codefragment oder einer zu untersuchenden technischen Erklärung beginnen. Das Ergebnis ist Text: ein Lösungsvorschlag, ein Stück Code, eine Erklärung oder ein zusammenhängender Entwurf. Die Art des Ergebnisses sollte in der Anfrage angegeben werden, damit das Schlussfolgern einem definierten Ziel dient.\n\nStellen Sie für einen Mathematikassistenten die vollständige Bedingung, Definitionen, bekannte Größen und die zu belegende Schlussfolgerung bereit. Eine beispielhafte Aufgabe lautet: „Prüfen Sie diesen Lösungsvorschlag. Benennen Sie den ersten unbelegten Übergang, erklären Sie die fehlende Annahme und liefern Sie ein korrigiertes Ergebnis, das die ursprünglichen Bedingungen erfüllt.“ Stellen Sie für einen Programmierassistenten die relevante Funktion, Eingabebeispiele und erwartetes Verhalten bereit; verlangen Sie eine Fehlererklärung und eine anhand dieser Beispiele überprüfbare Änderung. Geben Sie für Forschungsentwürfe das zu vergleichende Material an und unterscheiden Sie Quellenaussagen, Interpretationen und Fragen, die noch Belege benötigen.\n\nMicrosoft stellt das Modell auch als Grundlage für weiteres domänenspezifisches Fine-Tuning dar, darunter Mathematiknachhilfe, Programmierassistenten und wissenschaftliche Forschungswerkzeuge. Dies ist eine nachgelagerte Anpassungsnutzung, getrennt vom hier beschriebenen allgemeinen Modell. Das Nachtraining verwendet Sicherheits- und Nichtbefolgungsbeispiele zusammen mit mehrsprachigen Beispielen zu Themen, bei denen Verzerrungen gemeldet wurden. Die Änderung betrifft das Antwortverhalten; sie macht das Modell weder zu einem uneingeschränkten System noch beseitigt sie die Notwendigkeit, seine Antworten zu bewerten.\n\nDer Hersteller nennt wesentliche Nutzungsgrenzen. Klinische Diagnosen oder Behandlungsentscheidungen, verbindliche rechtliche Entscheidungen, autonome sicherheitskritische Steuerung sowie folgenreiche Finanz- oder Sicherheitsentscheidungen liegen außerhalb der in der Modellkarte vorgesehenen zuverlässigen Nutzung. Die dokumentierte Rolle lässt sich besser als Erklärung, Entwurf und strukturierte Problemlösung mit geeigneter Prüfung beschreiben. Microsoft weist darauf hin, dass sachliche Halluzinationen, kulturelle oder demografische Verzerrungen und Anfälligkeit für gegnerische Prompts nach dem Nachtraining fortbestehen können.\n\nDie Veröffentlichung teilt den ursprünglichen Wissensstand von DeepSeek-R1, sodass auch einer selbstsicheren Antwort ein aktuelles Ereignis oder eine spezielle Tatsache fehlen kann. Obwohl das Nachtraining mehrsprachige Daten verwendet, erwartet Microsoft Englisch und Chinesisch als stärkste Sprachen. Bewerten Sie die für die Anwendung benötigte Sprache und Fachmaterie, statt für jede Sprache dieselbe Qualität vorauszusetzen. Sehr lange oder komplizierte Prompts können weiterhin herausfordernd sein; trennen Sie Ausgangsmaterial, Aufgabe und das Kriterium einer erfolgreichen Antwort.\n\nDie Modellkarte empfiehlt klare Rollen- und Aufgabenanweisungen, menschliche oder automatisierte Überprüfung bei sensiblen Anwendungen sowie Überwachung oder Inhaltsfilterung, wo die Anwendung sie benötigt. Halten Sie Quellenfakten und Zwischenannahmen für die Prüfung verfügbar und verlangen Sie eine abschließende Antwort, die mit dem ursprünglichen Problem verglichen werden kann. Die gelesene Karte veröffentlicht für diese Ausgabe keine separate numerische Kontext- oder Ausgabeobergrenze; diese Grenzen sollten daher aus einer genauen Ausführungsspezifikation ermittelt und nicht aus einer anderen DeepSeek-Ausgabe übernommen werden. MAI-DS-R1 bleibt ein eigenständiges nachtrainiertes Modell mit eigenen dokumentierten Zielen und Einschränkungen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e642f691c559a18031555249d66b0e66a170a949cf7d452155d93944ba8b1883", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "MAI-DS-R1MAI-DS-R1 ist Microsofts nachtrainiertes DeepSeek-R1-Modell für Text-Reasoning, Mathematik, Code und Forschung. Es bewahrt die Reasoning-Grundlage von R1, behebt Antwortlücken und verfeinert den Umgang des Modells mit sensiblen Themen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MAI-DS-R1 ist ein Reasoning-Modell, das das Microsoft-AI-Team ausgehend von DeepSeek-R1 nachtrainiert hat. Es soll die Reasoning-Stärken des Basismodells bewahren und zugleich die Antwortbereitschaft bei Themen verbessern, die zuvor unhilfreiche Ablehnungen erhielten, sowie das Risikoprofil des Modells verfeinern. Microsoft beschreibt die Veröffentlichung als eigenes nachtrainiertes Modell mit einer DeepSeek-R1-Grundlage von 671 Milliarden Parametern und einer Mixture-of-Experts-Architektur. Es ist ein Textgenerierungsmodell und keine der kleineren R1-Destillationen.
Die Modellkarte nennt Sprachverständnis und -generierung, Allgemeinwissensfragen, mehrstufige Problemlösung, Codegenerierung und -verständnis sowie wissenschaftliche oder akademische Aufgaben als direkte Anwendungen. Eine nützliche Anfrage kann daher mit einer mathematischen Bedingung, einem logischen Rätsel, einem Codefragment oder einer zu untersuchenden technischen Erklärung beginnen. Das Ergebnis ist Text: ein Lösungsvorschlag, ein Stück Code, eine Erklärung oder ein zusammenhängender Entwurf. Die Art des Ergebnisses sollte in der Anfrage angegeben werden, damit das Schlussfolgern einem definierten Ziel dient.
Stellen Sie für einen Mathematikassistenten die vollständige Bedingung, Definitionen, bekannte Größen und die zu belegende Schlussfolgerung bereit. Eine beispielhafte Aufgabe lautet: „Prüfen Sie diesen Lösungsvorschlag. Benennen Sie den ersten unbelegten Übergang, erklären Sie die fehlende Annahme und liefern Sie ein korrigiertes Ergebnis, das die ursprünglichen Bedingungen erfüllt.“ Stellen Sie für einen Programmierassistenten die relevante Funktion, Eingabebeispiele und erwartetes Verhalten bereit; verlangen Sie eine Fehlererklärung und eine anhand dieser Beispiele überprüfbare Änderung. Geben Sie für Forschungsentwürfe das zu vergleichende Material an und unterscheiden Sie Quellenaussagen, Interpretationen und Fragen, die noch Belege benötigen.
Microsoft stellt das Modell auch als Grundlage für weiteres domänenspezifisches Fine-Tuning dar, darunter Mathematiknachhilfe, Programmierassistenten und wissenschaftliche Forschungswerkzeuge. Dies ist eine nachgelagerte Anpassungsnutzung, getrennt vom hier beschriebenen allgemeinen Modell. Das Nachtraining verwendet Sicherheits- und Nichtbefolgungsbeispiele zusammen mit mehrsprachigen Beispielen zu Themen, bei denen Verzerrungen gemeldet wurden. Die Änderung betrifft das Antwortverhalten; sie macht das Modell weder zu einem uneingeschränkten System noch beseitigt sie die Notwendigkeit, seine Antworten zu bewerten.
Der Hersteller nennt wesentliche Nutzungsgrenzen. Klinische Diagnosen oder Behandlungsentscheidungen, verbindliche rechtliche Entscheidungen, autonome sicherheitskritische Steuerung sowie folgenreiche Finanz- oder Sicherheitsentscheidungen liegen außerhalb der in der Modellkarte vorgesehenen zuverlässigen Nutzung. Die dokumentierte Rolle lässt sich besser als Erklärung, Entwurf und strukturierte Problemlösung mit geeigneter Prüfung beschreiben. Microsoft weist darauf hin, dass sachliche Halluzinationen, kulturelle oder demografische Verzerrungen und Anfälligkeit für gegnerische Prompts nach dem Nachtraining fortbestehen können.
Die Veröffentlichung teilt den ursprünglichen Wissensstand von DeepSeek-R1, sodass auch einer selbstsicheren Antwort ein aktuelles Ereignis oder eine spezielle Tatsache fehlen kann. Obwohl das Nachtraining mehrsprachige Daten verwendet, erwartet Microsoft Englisch und Chinesisch als stärkste Sprachen. Bewerten Sie die für die Anwendung benötigte Sprache und Fachmaterie, statt für jede Sprache dieselbe Qualität vorauszusetzen. Sehr lange oder komplizierte Prompts können weiterhin herausfordernd sein; trennen Sie Ausgangsmaterial, Aufgabe und das Kriterium einer erfolgreichen Antwort.
Die Modellkarte empfiehlt klare Rollen- und Aufgabenanweisungen, menschliche oder automatisierte Überprüfung bei sensiblen Anwendungen sowie Überwachung oder Inhaltsfilterung, wo die Anwendung sie benötigt. Halten Sie Quellenfakten und Zwischenannahmen für die Prüfung verfügbar und verlangen Sie eine abschließende Antwort, die mit dem ursprünglichen Problem verglichen werden kann. Die gelesene Karte veröffentlicht für diese Ausgabe keine separate numerische Kontext- oder Ausgabeobergrenze; diese Grenzen sollten daher aus einer genauen Ausführungsspezifikation ermittelt und nicht aus einer anderen DeepSeek-Ausgabe übernommen werden. MAI-DS-R1 bleibt ein eigenständiges nachtrainiertes Modell mit eigenen dokumentierten Zielen und Einschränkungen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits MAI-DS-R1 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00132 / 1K Tokens Ausgabe · Ausgabetoken $0.00506 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00132 / 1K Tokens Ausgabe · Ausgabetoken $0.00506 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra MAI-DS-R1
/chat/completions
MAI-DS-R1MAI-DS-R1 ist Microsofts nachtrainiertes DeepSeek-R1-Modell für Text-Reasoning, Mathematik, Code und Forschung. Es bewahrt die Reasoning-Grundlage von R1, behebt Antwortlücken und verfeinert den Umgang des Modells mit sensiblen Themen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MAI-DS-R1 ist ein Reasoning-Modell, das das Microsoft-AI-Team ausgehend von DeepSeek-R1 nachtrainiert hat. Es soll die Reasoning-Stärken des Basismodells bewahren und zugleich die Antwortbereitschaft bei Themen verbessern, die zuvor unhilfreiche Ablehnungen erhielten, sowie das Risikoprofil des Modells verfeinern. Microsoft beschreibt die Veröffentlichung als eigenes nachtrainiertes Modell mit einer DeepSeek-R1-Grundlage von 671 Milliarden Parametern und einer Mixture-of-Experts-Architektur. Es ist ein Textgenerierungsmodell und keine der kleineren R1-Destillationen.
Die Modellkarte nennt Sprachverständnis und -generierung, Allgemeinwissensfragen, mehrstufige Problemlösung, Codegenerierung und -verständnis sowie wissenschaftliche oder akademische Aufgaben als direkte Anwendungen. Eine nützliche Anfrage kann daher mit einer mathematischen Bedingung, einem logischen Rätsel, einem Codefragment oder einer zu untersuchenden technischen Erklärung beginnen. Das Ergebnis ist Text: ein Lösungsvorschlag, ein Stück Code, eine Erklärung oder ein zusammenhängender Entwurf. Die Art des Ergebnisses sollte in der Anfrage angegeben werden, damit das Schlussfolgern einem definierten Ziel dient.
Stellen Sie für einen Mathematikassistenten die vollständige Bedingung, Definitionen, bekannte Größen und die zu belegende Schlussfolgerung bereit. Eine beispielhafte Aufgabe lautet: „Prüfen Sie diesen Lösungsvorschlag. Benennen Sie den ersten unbelegten Übergang, erklären Sie die fehlende Annahme und liefern Sie ein korrigiertes Ergebnis, das die ursprünglichen Bedingungen erfüllt.“ Stellen Sie für einen Programmierassistenten die relevante Funktion, Eingabebeispiele und erwartetes Verhalten bereit; verlangen Sie eine Fehlererklärung und eine anhand dieser Beispiele überprüfbare Änderung. Geben Sie für Forschungsentwürfe das zu vergleichende Material an und unterscheiden Sie Quellenaussagen, Interpretationen und Fragen, die noch Belege benötigen.
Microsoft stellt das Modell auch als Grundlage für weiteres domänenspezifisches Fine-Tuning dar, darunter Mathematiknachhilfe, Programmierassistenten und wissenschaftliche Forschungswerkzeuge. Dies ist eine nachgelagerte Anpassungsnutzung, getrennt vom hier beschriebenen allgemeinen Modell. Das Nachtraining verwendet Sicherheits- und Nichtbefolgungsbeispiele zusammen mit mehrsprachigen Beispielen zu Themen, bei denen Verzerrungen gemeldet wurden. Die Änderung betrifft das Antwortverhalten; sie macht das Modell weder zu einem uneingeschränkten System noch beseitigt sie die Notwendigkeit, seine Antworten zu bewerten.
Der Hersteller nennt wesentliche Nutzungsgrenzen. Klinische Diagnosen oder Behandlungsentscheidungen, verbindliche rechtliche Entscheidungen, autonome sicherheitskritische Steuerung sowie folgenreiche Finanz- oder Sicherheitsentscheidungen liegen außerhalb der in der Modellkarte vorgesehenen zuverlässigen Nutzung. Die dokumentierte Rolle lässt sich besser als Erklärung, Entwurf und strukturierte Problemlösung mit geeigneter Prüfung beschreiben. Microsoft weist darauf hin, dass sachliche Halluzinationen, kulturelle oder demografische Verzerrungen und Anfälligkeit für gegnerische Prompts nach dem Nachtraining fortbestehen können.
Die Veröffentlichung teilt den ursprünglichen Wissensstand von DeepSeek-R1, sodass auch einer selbstsicheren Antwort ein aktuelles Ereignis oder eine spezielle Tatsache fehlen kann. Obwohl das Nachtraining mehrsprachige Daten verwendet, erwartet Microsoft Englisch und Chinesisch als stärkste Sprachen. Bewerten Sie die für die Anwendung benötigte Sprache und Fachmaterie, statt für jede Sprache dieselbe Qualität vorauszusetzen. Sehr lange oder komplizierte Prompts können weiterhin herausfordernd sein; trennen Sie Ausgangsmaterial, Aufgabe und das Kriterium einer erfolgreichen Antwort.
Die Modellkarte empfiehlt klare Rollen- und Aufgabenanweisungen, menschliche oder automatisierte Überprüfung bei sensiblen Anwendungen sowie Überwachung oder Inhaltsfilterung, wo die Anwendung sie benötigt. Halten Sie Quellenfakten und Zwischenannahmen für die Prüfung verfügbar und verlangen Sie eine abschließende Antwort, die mit dem ursprünglichen Problem verglichen werden kann. Die gelesene Karte veröffentlicht für diese Ausgabe keine separate numerische Kontext- oder Ausgabeobergrenze; diese Grenzen sollten daher aus einer genauen Ausführungsspezifikation ermittelt und nicht aus einer anderen DeepSeek-Ausgabe übernommen werden. MAI-DS-R1 bleibt ein eigenständiges nachtrainiertes Modell mit eigenen dokumentierten Zielen und Einschränkungen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits MAI-DS-R1 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00132 / 1K Tokens Ausgabe · Ausgabetoken $0.00506 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00132 / 1K Tokens Ausgabe · Ausgabetoken $0.00506 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "MAI-DS-R1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra MAI-DS-R1
/chat/completions