MAI-DS-R1 ist ein Schlussfolgerungsmodell, das das Microsoft-AI-Team aus DeepSeek-R1 nachtrainiert hat. Es soll die Schlussfolgerungsstärken des Basismodells bewahren und zugleich die Antwortbereitschaft bei Themen verbessern, die zuvor wenig hilfreiche Ablehnungen erhielten, sowie das Risikoprofil verfeinern. Microsoft beschreibt die Veröffentlichung als eigenes nachtrainiertes Modell mit einer DeepSeek-R1-Grundlage von 671 Milliarden Parametern und Mixture-of-Experts-Architektur. Es ist ein Texterzeugungsmodell statt einer der kleineren R1-Destillationen.
Die Modellkarte nennt Sprachverständnis und -erzeugung, Allgemeinwissensfragen, mehrstufige Problemlösung, Codeerzeugung und -verständnis sowie wissenschaftliche oder akademische Aufgaben als direkte Anwendungen. Eine nützliche Anfrage kann daher mit einer mathematischen Bedingung, einem Logikrätsel, einem Codefragment oder einer zu untersuchenden technischen Erklärung beginnen. Das Ergebnis ist Text: ein Lösungsvorschlag, Code, eine Erklärung oder ein kohärenter Entwurf. Die Ergebnisart sollte in der Anfrage benannt werden, damit das Schlussfolgern einem definierten Ziel dient.
Liefern Sie einem Mathematikassistenten vollständige Bedingung, Definitionen, bekannte Größen und die festzustellende Schlussfolgerung. Eine Beispielaufgabe 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.“ Liefern Sie einem Programmierassistenten relevante Funktion, Beispieleingaben und erwartetes Verhalten; verlangen Sie eine Fehlererklärung und eine anhand dieser Beispiele prüfbare Änderung. Geben Sie für Forschungsentwürfe Vergleichsmaterial vor und unterscheiden Sie Quellenaussagen, Interpretationen und Fragen mit weiterem Belegbedarf.
Microsoft stellt das Modell auch als Grundlage weiteren fachspezifischen Fine-Tunings vor, etwa für Mathematikunterricht, Programmierassistenten und wissenschaftliche Forschungswerkzeuge. Dies ist eine nachgelagerte Anpassungsnutzung, getrennt vom hier beschriebenen allgemeinen Modell. Das Nachtraining verwendet Sicherheits- und Nichtbefolgungsbeispiele sowie mehrsprachige Beispiele zu Themen mit berichteten Verzerrungen. Die Änderung zielt auf Antwortverhalten; sie macht das Modell weder zu einem uneingeschränkten System noch beseitigt sie die nötige Antwortbewertung.
Der Hersteller nennt erhebliche Nutzungsgrenzen. Klinische Diagnose- oder Behandlungsentscheidungen, definitive Rechtsentscheidungen, autonome sicherheitskritische Steuerung und folgenschwere 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 angemessener Prüfung fassen. Microsoft weist darauf hin, dass faktische Halluzinationen, kulturelle oder demografische Verzerrungen und Anfälligkeit für gegnerische Prompts nach dem Nachtraining bestehen bleiben können.
Die Veröffentlichung teilt den ursprünglichen DeepSeek-R1-Wissensstichtag; einer selbstsicheren Antwort kann daher weiterhin ein aktuelles Ereignis oder ein Spezialfakt fehlen. Obwohl das Nachtraining mehrsprachige Daten verwendet, erwartet Microsoft die stärksten Sprachen bei Englisch und Chinesisch. Bewerten Sie benötigte Anwendungssprache und Sachgebiet, statt gleiche Qualität in jeder Sprache vorauszusetzen. Sehr lange oder komplizierte Prompts können schwierig bleiben. Trennen Sie Quellmaterial, Aufgabe und Kriterium einer erfolgreichen Antwort.
Die Modellkarte empfiehlt klare Rollen- und Aufgabenanweisungen, menschliche oder automatische Prüfung sensibler Nutzungen sowie Überwachung oder Inhaltsfilterung, wo die Anwendung sie benötigt. Halten Sie Quellenfakten und Zwischenannahmen zur Prüfung verfügbar und verlangen Sie eine mit der ursprünglichen Aufgabe vergleichbare Endantwort. Die gelesene Karte veröffentlicht keine gesonderte numerische Kontext- oder Ausgabeobergrenze für diese Veröffentlichung. Diese Grenzen sollten daher aus einer genauen Ausführungsspezifikation bestimmt statt von einer anderen DeepSeek-Edition übernommen werden. MAI-DS-R1 bleibt ein eigenständiges nachtrainiertes Modell mit eigenen dokumentierten Zielen und Einschränkungen.
", "aboutText": "MAI-DS-R1 ist ein Schlussfolgerungsmodell, das das Microsoft-AI-Team aus DeepSeek-R1 nachtrainiert hat. Es soll die Schlussfolgerungsstärken des Basismodells bewahren und zugleich die Antwortbereitschaft bei Themen verbessern, die zuvor wenig hilfreiche Ablehnungen erhielten, sowie das Risikoprofil verfeinern. Microsoft beschreibt die Veröffentlichung als eigenes nachtrainiertes Modell mit einer DeepSeek-R1-Grundlage von 671 Milliarden Parametern und Mixture-of-Experts-Architektur. Es ist ein Texterzeugungsmodell statt einer der kleineren R1-Destillationen.\n\nDie Modellkarte nennt Sprachverständnis und -erzeugung, Allgemeinwissensfragen, mehrstufige Problemlösung, Codeerzeugung und -verständnis sowie wissenschaftliche oder akademische Aufgaben als direkte Anwendungen. Eine nützliche Anfrage kann daher mit einer mathematischen Bedingung, einem Logikrätsel, einem Codefragment oder einer zu untersuchenden technischen Erklärung beginnen. Das Ergebnis ist Text: ein Lösungsvorschlag, Code, eine Erklärung oder ein kohärenter Entwurf. Die Ergebnisart sollte in der Anfrage benannt werden, damit das Schlussfolgern einem definierten Ziel dient.\n\nLiefern Sie einem Mathematikassistenten vollständige Bedingung, Definitionen, bekannte Größen und die festzustellende Schlussfolgerung. Eine Beispielaufgabe 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.“ Liefern Sie einem Programmierassistenten relevante Funktion, Beispieleingaben und erwartetes Verhalten; verlangen Sie eine Fehlererklärung und eine anhand dieser Beispiele prüfbare Änderung. Geben Sie für Forschungsentwürfe Vergleichsmaterial vor und unterscheiden Sie Quellenaussagen, Interpretationen und Fragen mit weiterem Belegbedarf.\n\nMicrosoft stellt das Modell auch als Grundlage weiteren fachspezifischen Fine-Tunings vor, etwa für Mathematikunterricht, Programmierassistenten und wissenschaftliche Forschungswerkzeuge. Dies ist eine nachgelagerte Anpassungsnutzung, getrennt vom hier beschriebenen allgemeinen Modell. Das Nachtraining verwendet Sicherheits- und Nichtbefolgungsbeispiele sowie mehrsprachige Beispiele zu Themen mit berichteten Verzerrungen. Die Änderung zielt auf Antwortverhalten; sie macht das Modell weder zu einem uneingeschränkten System noch beseitigt sie die nötige Antwortbewertung.\n\nDer Hersteller nennt erhebliche Nutzungsgrenzen. Klinische Diagnose- oder Behandlungsentscheidungen, definitive Rechtsentscheidungen, autonome sicherheitskritische Steuerung und folgenschwere 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 angemessener Prüfung fassen. Microsoft weist darauf hin, dass faktische Halluzinationen, kulturelle oder demografische Verzerrungen und Anfälligkeit für gegnerische Prompts nach dem Nachtraining bestehen bleiben können.\n\nDie Veröffentlichung teilt den ursprünglichen DeepSeek-R1-Wissensstichtag; einer selbstsicheren Antwort kann daher weiterhin ein aktuelles Ereignis oder ein Spezialfakt fehlen. Obwohl das Nachtraining mehrsprachige Daten verwendet, erwartet Microsoft die stärksten Sprachen bei Englisch und Chinesisch. Bewerten Sie benötigte Anwendungssprache und Sachgebiet, statt gleiche Qualität in jeder Sprache vorauszusetzen. Sehr lange oder komplizierte Prompts können schwierig bleiben. Trennen Sie Quellmaterial, Aufgabe und Kriterium einer erfolgreichen Antwort.\n\nDie Modellkarte empfiehlt klare Rollen- und Aufgabenanweisungen, menschliche oder automatische Prüfung sensibler Nutzungen sowie Überwachung oder Inhaltsfilterung, wo die Anwendung sie benötigt. Halten Sie Quellenfakten und Zwischenannahmen zur Prüfung verfügbar und verlangen Sie eine mit der ursprünglichen Aufgabe vergleichbare Endantwort. Die gelesene Karte veröffentlicht keine gesonderte numerische Kontext- oder Ausgabeobergrenze für diese Veröffentlichung. Diese Grenzen sollten daher aus einer genauen Ausführungsspezifikation bestimmt statt von einer anderen DeepSeek-Edition 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": "d2a6a04b0838339f88464f04b2facfbb47a209679a119b3763249df58115212d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "MAI-DS-R1MAI-DS-R1 ist Microsofts nachtrainiertes DeepSeek-R1-Modell für textuelles Schlussfolgern, Mathematik, Code und Forschung. Es bewahrt die R1-Schlussfolgerungsgrundlage, 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 Schlussfolgerungsmodell, das das Microsoft-AI-Team aus DeepSeek-R1 nachtrainiert hat. Es soll die Schlussfolgerungsstärken des Basismodells bewahren und zugleich die Antwortbereitschaft bei Themen verbessern, die zuvor wenig hilfreiche Ablehnungen erhielten, sowie das Risikoprofil verfeinern. Microsoft beschreibt die Veröffentlichung als eigenes nachtrainiertes Modell mit einer DeepSeek-R1-Grundlage von 671 Milliarden Parametern und Mixture-of-Experts-Architektur. Es ist ein Texterzeugungsmodell statt einer der kleineren R1-Destillationen.
Die Modellkarte nennt Sprachverständnis und -erzeugung, Allgemeinwissensfragen, mehrstufige Problemlösung, Codeerzeugung und -verständnis sowie wissenschaftliche oder akademische Aufgaben als direkte Anwendungen. Eine nützliche Anfrage kann daher mit einer mathematischen Bedingung, einem Logikrätsel, einem Codefragment oder einer zu untersuchenden technischen Erklärung beginnen. Das Ergebnis ist Text: ein Lösungsvorschlag, Code, eine Erklärung oder ein kohärenter Entwurf. Die Ergebnisart sollte in der Anfrage benannt werden, damit das Schlussfolgern einem definierten Ziel dient.
Liefern Sie einem Mathematikassistenten vollständige Bedingung, Definitionen, bekannte Größen und die festzustellende Schlussfolgerung. Eine Beispielaufgabe 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.“ Liefern Sie einem Programmierassistenten relevante Funktion, Beispieleingaben und erwartetes Verhalten; verlangen Sie eine Fehlererklärung und eine anhand dieser Beispiele prüfbare Änderung. Geben Sie für Forschungsentwürfe Vergleichsmaterial vor und unterscheiden Sie Quellenaussagen, Interpretationen und Fragen mit weiterem Belegbedarf.
Microsoft stellt das Modell auch als Grundlage weiteren fachspezifischen Fine-Tunings vor, etwa für Mathematikunterricht, Programmierassistenten und wissenschaftliche Forschungswerkzeuge. Dies ist eine nachgelagerte Anpassungsnutzung, getrennt vom hier beschriebenen allgemeinen Modell. Das Nachtraining verwendet Sicherheits- und Nichtbefolgungsbeispiele sowie mehrsprachige Beispiele zu Themen mit berichteten Verzerrungen. Die Änderung zielt auf Antwortverhalten; sie macht das Modell weder zu einem uneingeschränkten System noch beseitigt sie die nötige Antwortbewertung.
Der Hersteller nennt erhebliche Nutzungsgrenzen. Klinische Diagnose- oder Behandlungsentscheidungen, definitive Rechtsentscheidungen, autonome sicherheitskritische Steuerung und folgenschwere 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 angemessener Prüfung fassen. Microsoft weist darauf hin, dass faktische Halluzinationen, kulturelle oder demografische Verzerrungen und Anfälligkeit für gegnerische Prompts nach dem Nachtraining bestehen bleiben können.
Die Veröffentlichung teilt den ursprünglichen DeepSeek-R1-Wissensstichtag; einer selbstsicheren Antwort kann daher weiterhin ein aktuelles Ereignis oder ein Spezialfakt fehlen. Obwohl das Nachtraining mehrsprachige Daten verwendet, erwartet Microsoft die stärksten Sprachen bei Englisch und Chinesisch. Bewerten Sie benötigte Anwendungssprache und Sachgebiet, statt gleiche Qualität in jeder Sprache vorauszusetzen. Sehr lange oder komplizierte Prompts können schwierig bleiben. Trennen Sie Quellmaterial, Aufgabe und Kriterium einer erfolgreichen Antwort.
Die Modellkarte empfiehlt klare Rollen- und Aufgabenanweisungen, menschliche oder automatische Prüfung sensibler Nutzungen sowie Überwachung oder Inhaltsfilterung, wo die Anwendung sie benötigt. Halten Sie Quellenfakten und Zwischenannahmen zur Prüfung verfügbar und verlangen Sie eine mit der ursprünglichen Aufgabe vergleichbare Endantwort. Die gelesene Karte veröffentlicht keine gesonderte numerische Kontext- oder Ausgabeobergrenze für diese Veröffentlichung. Diese Grenzen sollten daher aus einer genauen Ausführungsspezifikation bestimmt statt von einer anderen DeepSeek-Edition 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 Token Ausgabe · Ausgabetoken $0.00506 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00132 / 1K Token Ausgabe · Ausgabetoken $0.00506 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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 textuelles Schlussfolgern, Mathematik, Code und Forschung. Es bewahrt die R1-Schlussfolgerungsgrundlage, 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 Schlussfolgerungsmodell, das das Microsoft-AI-Team aus DeepSeek-R1 nachtrainiert hat. Es soll die Schlussfolgerungsstärken des Basismodells bewahren und zugleich die Antwortbereitschaft bei Themen verbessern, die zuvor wenig hilfreiche Ablehnungen erhielten, sowie das Risikoprofil verfeinern. Microsoft beschreibt die Veröffentlichung als eigenes nachtrainiertes Modell mit einer DeepSeek-R1-Grundlage von 671 Milliarden Parametern und Mixture-of-Experts-Architektur. Es ist ein Texterzeugungsmodell statt einer der kleineren R1-Destillationen.
Die Modellkarte nennt Sprachverständnis und -erzeugung, Allgemeinwissensfragen, mehrstufige Problemlösung, Codeerzeugung und -verständnis sowie wissenschaftliche oder akademische Aufgaben als direkte Anwendungen. Eine nützliche Anfrage kann daher mit einer mathematischen Bedingung, einem Logikrätsel, einem Codefragment oder einer zu untersuchenden technischen Erklärung beginnen. Das Ergebnis ist Text: ein Lösungsvorschlag, Code, eine Erklärung oder ein kohärenter Entwurf. Die Ergebnisart sollte in der Anfrage benannt werden, damit das Schlussfolgern einem definierten Ziel dient.
Liefern Sie einem Mathematikassistenten vollständige Bedingung, Definitionen, bekannte Größen und die festzustellende Schlussfolgerung. Eine Beispielaufgabe 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.“ Liefern Sie einem Programmierassistenten relevante Funktion, Beispieleingaben und erwartetes Verhalten; verlangen Sie eine Fehlererklärung und eine anhand dieser Beispiele prüfbare Änderung. Geben Sie für Forschungsentwürfe Vergleichsmaterial vor und unterscheiden Sie Quellenaussagen, Interpretationen und Fragen mit weiterem Belegbedarf.
Microsoft stellt das Modell auch als Grundlage weiteren fachspezifischen Fine-Tunings vor, etwa für Mathematikunterricht, Programmierassistenten und wissenschaftliche Forschungswerkzeuge. Dies ist eine nachgelagerte Anpassungsnutzung, getrennt vom hier beschriebenen allgemeinen Modell. Das Nachtraining verwendet Sicherheits- und Nichtbefolgungsbeispiele sowie mehrsprachige Beispiele zu Themen mit berichteten Verzerrungen. Die Änderung zielt auf Antwortverhalten; sie macht das Modell weder zu einem uneingeschränkten System noch beseitigt sie die nötige Antwortbewertung.
Der Hersteller nennt erhebliche Nutzungsgrenzen. Klinische Diagnose- oder Behandlungsentscheidungen, definitive Rechtsentscheidungen, autonome sicherheitskritische Steuerung und folgenschwere 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 angemessener Prüfung fassen. Microsoft weist darauf hin, dass faktische Halluzinationen, kulturelle oder demografische Verzerrungen und Anfälligkeit für gegnerische Prompts nach dem Nachtraining bestehen bleiben können.
Die Veröffentlichung teilt den ursprünglichen DeepSeek-R1-Wissensstichtag; einer selbstsicheren Antwort kann daher weiterhin ein aktuelles Ereignis oder ein Spezialfakt fehlen. Obwohl das Nachtraining mehrsprachige Daten verwendet, erwartet Microsoft die stärksten Sprachen bei Englisch und Chinesisch. Bewerten Sie benötigte Anwendungssprache und Sachgebiet, statt gleiche Qualität in jeder Sprache vorauszusetzen. Sehr lange oder komplizierte Prompts können schwierig bleiben. Trennen Sie Quellmaterial, Aufgabe und Kriterium einer erfolgreichen Antwort.
Die Modellkarte empfiehlt klare Rollen- und Aufgabenanweisungen, menschliche oder automatische Prüfung sensibler Nutzungen sowie Überwachung oder Inhaltsfilterung, wo die Anwendung sie benötigt. Halten Sie Quellenfakten und Zwischenannahmen zur Prüfung verfügbar und verlangen Sie eine mit der ursprünglichen Aufgabe vergleichbare Endantwort. Die gelesene Karte veröffentlicht keine gesonderte numerische Kontext- oder Ausgabeobergrenze für diese Veröffentlichung. Diese Grenzen sollten daher aus einer genauen Ausführungsspezifikation bestimmt statt von einer anderen DeepSeek-Edition 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 Token Ausgabe · Ausgabetoken $0.00506 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00132 / 1K Token Ausgabe · Ausgabetoken $0.00506 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "MAI-DS-R1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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