MAI-DS-R1 es un modelo de razonamiento que el equipo Microsoft AI entrenó posteriormente a partir de DeepSeek-R1. Su finalidad es conservar las fortalezas de razonamiento del modelo base, mejorando la capacidad de respuesta en temas que antes recibían negativas poco útiles y refinando el perfil de riesgos del modelo. Microsoft describe la versión como su propio modelo con entrenamiento posterior, con una base DeepSeek-R1 de 671 mil millones de parámetros y una arquitectura de mezcla de expertos. Es un modelo de generación de texto, no una de las destilaciones más pequeñas de R1.
La ficha presenta comprensión y generación de lenguaje, preguntas de conocimientos generales, resolución de problemas en varios pasos, generación y comprensión de código y tareas científicas o académicas como usos directos. Por tanto, una petición útil puede partir de una condición matemática, un acertijo lógico, un fragmento de código o una explicación técnica que deba examinarse. El resultado es texto: una solución propuesta, una pieza de código, una explicación o un borrador coherente. La naturaleza del resultado debe indicarse en la petición para que el razonamiento sirva a un objetivo definido.
Para un asistente de matemáticas, proporciona la condición completa, las definiciones, las cantidades conocidas y la conclusión que debe establecerse. Una tarea ilustrativa es: «Comprueba esta solución propuesta. Identifica la primera transición sin respaldo, explica el supuesto que falta y da un resultado corregido que cumpla las condiciones originales». Para un asistente de programación, proporciona la función pertinente, ejemplos de entrada y el comportamiento esperado; pide una explicación del fallo y un cambio que pueda comprobarse con esos ejemplos. Para redacción de investigación, proporciona el material que debe compararse y distingue las afirmaciones de las fuentes, las interpretaciones y las preguntas que aún necesitan pruebas.
Microsoft también presenta el modelo como base para ajuste fino posterior específico de dominio, incluida tutoría de matemáticas, asistentes de programación y herramientas de investigación científica. Ese es un uso de adaptación posterior, independiente del modelo de propósito general descrito aquí. El entrenamiento posterior utiliza ejemplos de seguridad y de no cumplimiento junto a ejemplos multilingües que cubren temas donde se habían señalado sesgos. El cambio se dirige al comportamiento de respuesta; no convierte el modelo en un sistema sin restricciones ni elimina la necesidad de evaluar sus respuestas.
El fabricante identifica límites de uso relevantes. El diagnóstico clínico o las decisiones de tratamiento, las decisiones legales definitivas, el control autónomo crítico para la seguridad y las decisiones financieras o de seguridad de alto impacto quedan fuera del uso fiable previsto en la ficha. La función documentada se encuadra mejor como explicación, redacción y resolución estructurada de problemas con revisión adecuada. Microsoft señala que pueden persistir alucinaciones factuales, sesgos culturales o demográficos y vulnerabilidad a instrucciones adversarias tras el entrenamiento posterior.
La versión comparte la fecha de corte de conocimientos de DeepSeek-R1 original, por lo que una respuesta segura puede seguir careciendo de un evento reciente o un hecho especializado. Aunque el entrenamiento posterior utiliza datos multilingües, Microsoft espera que inglés y chino sean los idiomas más sólidos. Evalúa el idioma y la materia necesarios para la aplicación en lugar de asumir una calidad igual en todos los idiomas. Las instrucciones muy largas o complicadas pueden seguir siendo difíciles; separa el material de origen, la tarea y el criterio de una respuesta satisfactoria.
La ficha recomienda instrucciones claras de rol y tarea, verificación humana o automatizada para usos sensibles y supervisión o filtrado de contenido donde lo necesite la aplicación. Mantén disponibles los hechos de las fuentes y los supuestos intermedios para revisión, y pide una respuesta final que pueda compararse con el problema original. La ficha consultada no publica un límite numérico independiente de contexto o salida para esta versión, por lo que esos límites deben establecerse a partir de una especificación exacta de ejecución en lugar de tomarlos de otra edición de DeepSeek. MAI-DS-R1 sigue siendo un modelo diferenciado con entrenamiento posterior, con sus propios objetivos y limitaciones documentados.
", "aboutText": "MAI-DS-R1 es un modelo de razonamiento que el equipo Microsoft AI entrenó posteriormente a partir de DeepSeek-R1. Su finalidad es conservar las fortalezas de razonamiento del modelo base, mejorando la capacidad de respuesta en temas que antes recibían negativas poco útiles y refinando el perfil de riesgos del modelo. Microsoft describe la versión como su propio modelo con entrenamiento posterior, con una base DeepSeek-R1 de 671 mil millones de parámetros y una arquitectura de mezcla de expertos. Es un modelo de generación de texto, no una de las destilaciones más pequeñas de R1.\n\nLa ficha presenta comprensión y generación de lenguaje, preguntas de conocimientos generales, resolución de problemas en varios pasos, generación y comprensión de código y tareas científicas o académicas como usos directos. Por tanto, una petición útil puede partir de una condición matemática, un acertijo lógico, un fragmento de código o una explicación técnica que deba examinarse. El resultado es texto: una solución propuesta, una pieza de código, una explicación o un borrador coherente. La naturaleza del resultado debe indicarse en la petición para que el razonamiento sirva a un objetivo definido.\n\nPara un asistente de matemáticas, proporciona la condición completa, las definiciones, las cantidades conocidas y la conclusión que debe establecerse. Una tarea ilustrativa es: «Comprueba esta solución propuesta. Identifica la primera transición sin respaldo, explica el supuesto que falta y da un resultado corregido que cumpla las condiciones originales». Para un asistente de programación, proporciona la función pertinente, ejemplos de entrada y el comportamiento esperado; pide una explicación del fallo y un cambio que pueda comprobarse con esos ejemplos. Para redacción de investigación, proporciona el material que debe compararse y distingue las afirmaciones de las fuentes, las interpretaciones y las preguntas que aún necesitan pruebas.\n\nMicrosoft también presenta el modelo como base para ajuste fino posterior específico de dominio, incluida tutoría de matemáticas, asistentes de programación y herramientas de investigación científica. Ese es un uso de adaptación posterior, independiente del modelo de propósito general descrito aquí. El entrenamiento posterior utiliza ejemplos de seguridad y de no cumplimiento junto a ejemplos multilingües que cubren temas donde se habían señalado sesgos. El cambio se dirige al comportamiento de respuesta; no convierte el modelo en un sistema sin restricciones ni elimina la necesidad de evaluar sus respuestas.\n\nEl fabricante identifica límites de uso relevantes. El diagnóstico clínico o las decisiones de tratamiento, las decisiones legales definitivas, el control autónomo crítico para la seguridad y las decisiones financieras o de seguridad de alto impacto quedan fuera del uso fiable previsto en la ficha. La función documentada se encuadra mejor como explicación, redacción y resolución estructurada de problemas con revisión adecuada. Microsoft señala que pueden persistir alucinaciones factuales, sesgos culturales o demográficos y vulnerabilidad a instrucciones adversarias tras el entrenamiento posterior.\n\nLa versión comparte la fecha de corte de conocimientos de DeepSeek-R1 original, por lo que una respuesta segura puede seguir careciendo de un evento reciente o un hecho especializado. Aunque el entrenamiento posterior utiliza datos multilingües, Microsoft espera que inglés y chino sean los idiomas más sólidos. Evalúa el idioma y la materia necesarios para la aplicación en lugar de asumir una calidad igual en todos los idiomas. Las instrucciones muy largas o complicadas pueden seguir siendo difíciles; separa el material de origen, la tarea y el criterio de una respuesta satisfactoria.\n\nLa ficha recomienda instrucciones claras de rol y tarea, verificación humana o automatizada para usos sensibles y supervisión o filtrado de contenido donde lo necesite la aplicación. Mantén disponibles los hechos de las fuentes y los supuestos intermedios para revisión, y pide una respuesta final que pueda compararse con el problema original. La ficha consultada no publica un límite numérico independiente de contexto o salida para esta versión, por lo que esos límites deben establecerse a partir de una especificación exacta de ejecución en lugar de tomarlos de otra edición de DeepSeek. MAI-DS-R1 sigue siendo un modelo diferenciado con entrenamiento posterior, con sus propios objetivos y limitaciones documentados.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e33705d2d882cb0fc02bfa1b90c10f18ed9daf44a8a44a5c5383b7174dd8db27", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "MAI-DS-R1MAI-DS-R1 es el modelo de Microsoft con entrenamiento posterior a partir de DeepSeek-R1 para razonamiento con texto, matemáticas, código e investigación. Conserva la base de razonamiento R1, a la vez que aborda carencias de respuesta y refina la forma de tratar temas sensibles.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
MAI-DS-R1 es un modelo de razonamiento que el equipo Microsoft AI entrenó posteriormente a partir de DeepSeek-R1. Su finalidad es conservar las fortalezas de razonamiento del modelo base, mejorando la capacidad de respuesta en temas que antes recibían negativas poco útiles y refinando el perfil de riesgos del modelo. Microsoft describe la versión como su propio modelo con entrenamiento posterior, con una base DeepSeek-R1 de 671 mil millones de parámetros y una arquitectura de mezcla de expertos. Es un modelo de generación de texto, no una de las destilaciones más pequeñas de R1.
La ficha presenta comprensión y generación de lenguaje, preguntas de conocimientos generales, resolución de problemas en varios pasos, generación y comprensión de código y tareas científicas o académicas como usos directos. Por tanto, una petición útil puede partir de una condición matemática, un acertijo lógico, un fragmento de código o una explicación técnica que deba examinarse. El resultado es texto: una solución propuesta, una pieza de código, una explicación o un borrador coherente. La naturaleza del resultado debe indicarse en la petición para que el razonamiento sirva a un objetivo definido.
Para un asistente de matemáticas, proporciona la condición completa, las definiciones, las cantidades conocidas y la conclusión que debe establecerse. Una tarea ilustrativa es: «Comprueba esta solución propuesta. Identifica la primera transición sin respaldo, explica el supuesto que falta y da un resultado corregido que cumpla las condiciones originales». Para un asistente de programación, proporciona la función pertinente, ejemplos de entrada y el comportamiento esperado; pide una explicación del fallo y un cambio que pueda comprobarse con esos ejemplos. Para redacción de investigación, proporciona el material que debe compararse y distingue las afirmaciones de las fuentes, las interpretaciones y las preguntas que aún necesitan pruebas.
Microsoft también presenta el modelo como base para ajuste fino posterior específico de dominio, incluida tutoría de matemáticas, asistentes de programación y herramientas de investigación científica. Ese es un uso de adaptación posterior, independiente del modelo de propósito general descrito aquí. El entrenamiento posterior utiliza ejemplos de seguridad y de no cumplimiento junto a ejemplos multilingües que cubren temas donde se habían señalado sesgos. El cambio se dirige al comportamiento de respuesta; no convierte el modelo en un sistema sin restricciones ni elimina la necesidad de evaluar sus respuestas.
El fabricante identifica límites de uso relevantes. El diagnóstico clínico o las decisiones de tratamiento, las decisiones legales definitivas, el control autónomo crítico para la seguridad y las decisiones financieras o de seguridad de alto impacto quedan fuera del uso fiable previsto en la ficha. La función documentada se encuadra mejor como explicación, redacción y resolución estructurada de problemas con revisión adecuada. Microsoft señala que pueden persistir alucinaciones factuales, sesgos culturales o demográficos y vulnerabilidad a instrucciones adversarias tras el entrenamiento posterior.
La versión comparte la fecha de corte de conocimientos de DeepSeek-R1 original, por lo que una respuesta segura puede seguir careciendo de un evento reciente o un hecho especializado. Aunque el entrenamiento posterior utiliza datos multilingües, Microsoft espera que inglés y chino sean los idiomas más sólidos. Evalúa el idioma y la materia necesarios para la aplicación en lugar de asumir una calidad igual en todos los idiomas. Las instrucciones muy largas o complicadas pueden seguir siendo difíciles; separa el material de origen, la tarea y el criterio de una respuesta satisfactoria.
La ficha recomienda instrucciones claras de rol y tarea, verificación humana o automatizada para usos sensibles y supervisión o filtrado de contenido donde lo necesite la aplicación. Mantén disponibles los hechos de las fuentes y los supuestos intermedios para revisión, y pide una respuesta final que pueda compararse con el problema original. La ficha consultada no publica un límite numérico independiente de contexto o salida para esta versión, por lo que esos límites deben establecerse a partir de una especificación exacta de ejecución en lugar de tomarlos de otra edición de DeepSeek. MAI-DS-R1 sigue siendo un modelo diferenciado con entrenamiento posterior, con sus propios objetivos y limitaciones documentados.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites MAI-DS-R1 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Conversación textual | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream |
Parámetrocontrol_scope | ContratoConversación textual; stream es un booleano y su valor predeterminado es false. |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Alias de método: /chat/completions
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00132 / 1K tokens Salida · Tokens de salida $0.00506 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00132 / 1K tokens Salida · Tokens de salida $0.00506 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra MAI-DS-R1
/chat/completions
MAI-DS-R1MAI-DS-R1 es el modelo de Microsoft con entrenamiento posterior a partir de DeepSeek-R1 para razonamiento con texto, matemáticas, código e investigación. Conserva la base de razonamiento R1, a la vez que aborda carencias de respuesta y refina la forma de tratar temas sensibles.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
MAI-DS-R1 es un modelo de razonamiento que el equipo Microsoft AI entrenó posteriormente a partir de DeepSeek-R1. Su finalidad es conservar las fortalezas de razonamiento del modelo base, mejorando la capacidad de respuesta en temas que antes recibían negativas poco útiles y refinando el perfil de riesgos del modelo. Microsoft describe la versión como su propio modelo con entrenamiento posterior, con una base DeepSeek-R1 de 671 mil millones de parámetros y una arquitectura de mezcla de expertos. Es un modelo de generación de texto, no una de las destilaciones más pequeñas de R1.
La ficha presenta comprensión y generación de lenguaje, preguntas de conocimientos generales, resolución de problemas en varios pasos, generación y comprensión de código y tareas científicas o académicas como usos directos. Por tanto, una petición útil puede partir de una condición matemática, un acertijo lógico, un fragmento de código o una explicación técnica que deba examinarse. El resultado es texto: una solución propuesta, una pieza de código, una explicación o un borrador coherente. La naturaleza del resultado debe indicarse en la petición para que el razonamiento sirva a un objetivo definido.
Para un asistente de matemáticas, proporciona la condición completa, las definiciones, las cantidades conocidas y la conclusión que debe establecerse. Una tarea ilustrativa es: «Comprueba esta solución propuesta. Identifica la primera transición sin respaldo, explica el supuesto que falta y da un resultado corregido que cumpla las condiciones originales». Para un asistente de programación, proporciona la función pertinente, ejemplos de entrada y el comportamiento esperado; pide una explicación del fallo y un cambio que pueda comprobarse con esos ejemplos. Para redacción de investigación, proporciona el material que debe compararse y distingue las afirmaciones de las fuentes, las interpretaciones y las preguntas que aún necesitan pruebas.
Microsoft también presenta el modelo como base para ajuste fino posterior específico de dominio, incluida tutoría de matemáticas, asistentes de programación y herramientas de investigación científica. Ese es un uso de adaptación posterior, independiente del modelo de propósito general descrito aquí. El entrenamiento posterior utiliza ejemplos de seguridad y de no cumplimiento junto a ejemplos multilingües que cubren temas donde se habían señalado sesgos. El cambio se dirige al comportamiento de respuesta; no convierte el modelo en un sistema sin restricciones ni elimina la necesidad de evaluar sus respuestas.
El fabricante identifica límites de uso relevantes. El diagnóstico clínico o las decisiones de tratamiento, las decisiones legales definitivas, el control autónomo crítico para la seguridad y las decisiones financieras o de seguridad de alto impacto quedan fuera del uso fiable previsto en la ficha. La función documentada se encuadra mejor como explicación, redacción y resolución estructurada de problemas con revisión adecuada. Microsoft señala que pueden persistir alucinaciones factuales, sesgos culturales o demográficos y vulnerabilidad a instrucciones adversarias tras el entrenamiento posterior.
La versión comparte la fecha de corte de conocimientos de DeepSeek-R1 original, por lo que una respuesta segura puede seguir careciendo de un evento reciente o un hecho especializado. Aunque el entrenamiento posterior utiliza datos multilingües, Microsoft espera que inglés y chino sean los idiomas más sólidos. Evalúa el idioma y la materia necesarios para la aplicación en lugar de asumir una calidad igual en todos los idiomas. Las instrucciones muy largas o complicadas pueden seguir siendo difíciles; separa el material de origen, la tarea y el criterio de una respuesta satisfactoria.
La ficha recomienda instrucciones claras de rol y tarea, verificación humana o automatizada para usos sensibles y supervisión o filtrado de contenido donde lo necesite la aplicación. Mantén disponibles los hechos de las fuentes y los supuestos intermedios para revisión, y pide una respuesta final que pueda compararse con el problema original. La ficha consultada no publica un límite numérico independiente de contexto o salida para esta versión, por lo que esos límites deben establecerse a partir de una especificación exacta de ejecución en lugar de tomarlos de otra edición de DeepSeek. MAI-DS-R1 sigue siendo un modelo diferenciado con entrenamiento posterior, con sus propios objetivos y limitaciones documentados.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites MAI-DS-R1 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00132 / 1K tokens Salida · Tokens de salida $0.00506 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00132 / 1K tokens Salida · Tokens de salida $0.00506 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "MAI-DS-R1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra MAI-DS-R1
/chat/completions