MAI-DS-R1 est un modèle de raisonnement que l’équipe Microsoft AI a post-entraîné à partir de DeepSeek-R1. Il vise à préserver les forces de raisonnement du modèle de base tout en améliorant les réponses aux sujets auparavant associés à des refus peu utiles et en affinant son profil de risque. Microsoft présente cette version comme son propre modèle post-entraîné, avec un socle DeepSeek-R1 de 671 milliards de paramètres et une architecture à mélange d’experts. C’est un modèle de génération textuelle, distinct des petites distillations R1.
La fiche présente comme usages directs la compréhension et la génération linguistiques, les questions de connaissances générales, la résolution de problèmes en plusieurs étapes, la génération et la compréhension de code, ainsi que les tâches scientifiques ou universitaires. Une requête utile peut donc partir d’une condition mathématique, d’une énigme logique, d’un fragment de code ou d’une explication technique à examiner. Le résultat est textuel : proposition de solution, code, explication ou brouillon cohérent. Précisez sa nature dans la demande afin de donner au raisonnement un objectif défini.
Pour un assistant de mathématiques, fournissez les conditions complètes, les définitions, les quantités connues et la conclusion à établir. Exemple : « Vérifiez cette solution proposée. Identifiez la première transition non justifiée, expliquez l’hypothèse manquante et donnez un résultat corrigé satisfaisant les conditions originales. » Pour un assistant de programmation, fournissez la fonction pertinente, des exemples d’entrées et le comportement attendu ; demandez l’explication du défaut et une modification vérifiable avec ces exemples. Pour un brouillon de recherche, donnez les documents à comparer et distinguez les affirmations sources, interprétations et questions nécessitant encore des preuves.
Microsoft présente aussi le modèle comme une base d’ajustement ultérieur spécialisé, notamment pour le tutorat mathématique, les assistants de programmation et les outils de recherche scientifique. C’est un usage d’adaptation en aval, distinct du modèle général décrit ici. Le post-entraînement utilise des exemples de sécurité et de non-conformité, avec des exemples multilingues sur des sujets où des biais avaient été signalés. Le changement vise le comportement de réponse ; il ne transforme pas le modèle en système sans restrictions et ne supprime pas l’évaluation des réponses.
Le fabricant identifie des limites d’usage significatives. Diagnostic clinique ou décisions de traitement, décisions juridiques définitives, contrôle autonome critique pour la sécurité et décisions financières ou de sécurité à forts enjeux sortent des usages fiables prévus par la fiche. Le rôle documenté se formule mieux comme explication, rédaction et résolution structurée de problèmes avec vérification adaptée. Microsoft indique que des hallucinations factuelles, des biais culturels ou démographiques et une vulnérabilité aux consignes adversariales peuvent persister après le post-entraînement.
La version partage la limite d’actualité des connaissances du DeepSeek-R1 original ; une réponse assurée peut donc ignorer un événement récent ou un fait spécialisé. Malgré les données multilingues de post-entraînement, Microsoft s’attend aux meilleurs résultats en anglais et en chinois. Évaluez la langue et le domaine nécessaires à l’application plutôt que de supposer une qualité égale partout. Des consignes très longues ou complexes peuvent rester difficiles ; séparez les sources, la tâche et le critère de réussite.
La fiche recommande des consignes claires de rôle et de tâche, une vérification humaine ou automatisée pour les usages sensibles, ainsi qu’une surveillance ou un filtrage de contenu selon les besoins de l’application. Gardez les faits sources et hypothèses intermédiaires accessibles à l’examen et demandez une réponse finale comparable au problème original. La fiche consultée ne publie pas de plafond numérique distinct de contexte ou de sortie pour cette version ; ces limites doivent donc provenir d’une spécification d’exécution exacte, plutôt que d’une autre édition DeepSeek. MAI-DS-R1 reste un modèle post-entraîné distinct, avec ses propres objectifs et limites documentés.
", "aboutText": "MAI-DS-R1 est un modèle de raisonnement que l’équipe Microsoft AI a post-entraîné à partir de DeepSeek-R1. Il vise à préserver les forces de raisonnement du modèle de base tout en améliorant les réponses aux sujets auparavant associés à des refus peu utiles et en affinant son profil de risque. Microsoft présente cette version comme son propre modèle post-entraîné, avec un socle DeepSeek-R1 de 671 milliards de paramètres et une architecture à mélange d’experts. C’est un modèle de génération textuelle, distinct des petites distillations R1.\n\nLa fiche présente comme usages directs la compréhension et la génération linguistiques, les questions de connaissances générales, la résolution de problèmes en plusieurs étapes, la génération et la compréhension de code, ainsi que les tâches scientifiques ou universitaires. Une requête utile peut donc partir d’une condition mathématique, d’une énigme logique, d’un fragment de code ou d’une explication technique à examiner. Le résultat est textuel : proposition de solution, code, explication ou brouillon cohérent. Précisez sa nature dans la demande afin de donner au raisonnement un objectif défini.\n\nPour un assistant de mathématiques, fournissez les conditions complètes, les définitions, les quantités connues et la conclusion à établir. Exemple : « Vérifiez cette solution proposée. Identifiez la première transition non justifiée, expliquez l’hypothèse manquante et donnez un résultat corrigé satisfaisant les conditions originales. » Pour un assistant de programmation, fournissez la fonction pertinente, des exemples d’entrées et le comportement attendu ; demandez l’explication du défaut et une modification vérifiable avec ces exemples. Pour un brouillon de recherche, donnez les documents à comparer et distinguez les affirmations sources, interprétations et questions nécessitant encore des preuves.\n\nMicrosoft présente aussi le modèle comme une base d’ajustement ultérieur spécialisé, notamment pour le tutorat mathématique, les assistants de programmation et les outils de recherche scientifique. C’est un usage d’adaptation en aval, distinct du modèle général décrit ici. Le post-entraînement utilise des exemples de sécurité et de non-conformité, avec des exemples multilingues sur des sujets où des biais avaient été signalés. Le changement vise le comportement de réponse ; il ne transforme pas le modèle en système sans restrictions et ne supprime pas l’évaluation des réponses.\n\nLe fabricant identifie des limites d’usage significatives. Diagnostic clinique ou décisions de traitement, décisions juridiques définitives, contrôle autonome critique pour la sécurité et décisions financières ou de sécurité à forts enjeux sortent des usages fiables prévus par la fiche. Le rôle documenté se formule mieux comme explication, rédaction et résolution structurée de problèmes avec vérification adaptée. Microsoft indique que des hallucinations factuelles, des biais culturels ou démographiques et une vulnérabilité aux consignes adversariales peuvent persister après le post-entraînement.\n\nLa version partage la limite d’actualité des connaissances du DeepSeek-R1 original ; une réponse assurée peut donc ignorer un événement récent ou un fait spécialisé. Malgré les données multilingues de post-entraînement, Microsoft s’attend aux meilleurs résultats en anglais et en chinois. Évaluez la langue et le domaine nécessaires à l’application plutôt que de supposer une qualité égale partout. Des consignes très longues ou complexes peuvent rester difficiles ; séparez les sources, la tâche et le critère de réussite.\n\nLa fiche recommande des consignes claires de rôle et de tâche, une vérification humaine ou automatisée pour les usages sensibles, ainsi qu’une surveillance ou un filtrage de contenu selon les besoins de l’application. Gardez les faits sources et hypothèses intermédiaires accessibles à l’examen et demandez une réponse finale comparable au problème original. La fiche consultée ne publie pas de plafond numérique distinct de contexte ou de sortie pour cette version ; ces limites doivent donc provenir d’une spécification d’exécution exacte, plutôt que d’une autre édition DeepSeek. MAI-DS-R1 reste un modèle post-entraîné distinct, avec ses propres objectifs et limites documentés.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "913c51faa23133b6a3f83e787461c59870cd52ea87ca7ddfbb393fe01bf40d78", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "MAI-DS-R1MAI-DS-R1 est le modèle DeepSeek-R1 post-entraîné de Microsoft pour le raisonnement textuel, les mathématiques, le code et la recherche. Il préserve le socle de raisonnement R1 tout en corrigeant les lacunes de réponse et en affinant le traitement des sujets sensibles.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
MAI-DS-R1 est un modèle de raisonnement que l’équipe Microsoft AI a post-entraîné à partir de DeepSeek-R1. Il vise à préserver les forces de raisonnement du modèle de base tout en améliorant les réponses aux sujets auparavant associés à des refus peu utiles et en affinant son profil de risque. Microsoft présente cette version comme son propre modèle post-entraîné, avec un socle DeepSeek-R1 de 671 milliards de paramètres et une architecture à mélange d’experts. C’est un modèle de génération textuelle, distinct des petites distillations R1.
La fiche présente comme usages directs la compréhension et la génération linguistiques, les questions de connaissances générales, la résolution de problèmes en plusieurs étapes, la génération et la compréhension de code, ainsi que les tâches scientifiques ou universitaires. Une requête utile peut donc partir d’une condition mathématique, d’une énigme logique, d’un fragment de code ou d’une explication technique à examiner. Le résultat est textuel : proposition de solution, code, explication ou brouillon cohérent. Précisez sa nature dans la demande afin de donner au raisonnement un objectif défini.
Pour un assistant de mathématiques, fournissez les conditions complètes, les définitions, les quantités connues et la conclusion à établir. Exemple : « Vérifiez cette solution proposée. Identifiez la première transition non justifiée, expliquez l’hypothèse manquante et donnez un résultat corrigé satisfaisant les conditions originales. » Pour un assistant de programmation, fournissez la fonction pertinente, des exemples d’entrées et le comportement attendu ; demandez l’explication du défaut et une modification vérifiable avec ces exemples. Pour un brouillon de recherche, donnez les documents à comparer et distinguez les affirmations sources, interprétations et questions nécessitant encore des preuves.
Microsoft présente aussi le modèle comme une base d’ajustement ultérieur spécialisé, notamment pour le tutorat mathématique, les assistants de programmation et les outils de recherche scientifique. C’est un usage d’adaptation en aval, distinct du modèle général décrit ici. Le post-entraînement utilise des exemples de sécurité et de non-conformité, avec des exemples multilingues sur des sujets où des biais avaient été signalés. Le changement vise le comportement de réponse ; il ne transforme pas le modèle en système sans restrictions et ne supprime pas l’évaluation des réponses.
Le fabricant identifie des limites d’usage significatives. Diagnostic clinique ou décisions de traitement, décisions juridiques définitives, contrôle autonome critique pour la sécurité et décisions financières ou de sécurité à forts enjeux sortent des usages fiables prévus par la fiche. Le rôle documenté se formule mieux comme explication, rédaction et résolution structurée de problèmes avec vérification adaptée. Microsoft indique que des hallucinations factuelles, des biais culturels ou démographiques et une vulnérabilité aux consignes adversariales peuvent persister après le post-entraînement.
La version partage la limite d’actualité des connaissances du DeepSeek-R1 original ; une réponse assurée peut donc ignorer un événement récent ou un fait spécialisé. Malgré les données multilingues de post-entraînement, Microsoft s’attend aux meilleurs résultats en anglais et en chinois. Évaluez la langue et le domaine nécessaires à l’application plutôt que de supposer une qualité égale partout. Des consignes très longues ou complexes peuvent rester difficiles ; séparez les sources, la tâche et le critère de réussite.
La fiche recommande des consignes claires de rôle et de tâche, une vérification humaine ou automatisée pour les usages sensibles, ainsi qu’une surveillance ou un filtrage de contenu selon les besoins de l’application. Gardez les faits sources et hypothèses intermédiaires accessibles à l’examen et demandez une réponse finale comparable au problème original. La fiche consultée ne publie pas de plafond numérique distinct de contexte ou de sortie pour cette version ; ces limites doivent donc provenir d’une spécification d’exécution exacte, plutôt que d’une autre édition DeepSeek. MAI-DS-R1 reste un modèle post-entraîné distinct, avec ses propres objectifs et limites documentés.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites MAI-DS-R1 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream |
Paramètrecontrol_scope | ContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false. |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Alias de méthode : /chat/completions
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00132 / 1K tokens Sortie · Tokens en sortie $0.00506 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00132 / 1K tokens Sortie · Tokens en sortie $0.00506 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra MAI-DS-R1
/chat/completions
MAI-DS-R1MAI-DS-R1 est le modèle DeepSeek-R1 post-entraîné de Microsoft pour le raisonnement textuel, les mathématiques, le code et la recherche. Il préserve le socle de raisonnement R1 tout en corrigeant les lacunes de réponse et en affinant le traitement des sujets sensibles.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
MAI-DS-R1 est un modèle de raisonnement que l’équipe Microsoft AI a post-entraîné à partir de DeepSeek-R1. Il vise à préserver les forces de raisonnement du modèle de base tout en améliorant les réponses aux sujets auparavant associés à des refus peu utiles et en affinant son profil de risque. Microsoft présente cette version comme son propre modèle post-entraîné, avec un socle DeepSeek-R1 de 671 milliards de paramètres et une architecture à mélange d’experts. C’est un modèle de génération textuelle, distinct des petites distillations R1.
La fiche présente comme usages directs la compréhension et la génération linguistiques, les questions de connaissances générales, la résolution de problèmes en plusieurs étapes, la génération et la compréhension de code, ainsi que les tâches scientifiques ou universitaires. Une requête utile peut donc partir d’une condition mathématique, d’une énigme logique, d’un fragment de code ou d’une explication technique à examiner. Le résultat est textuel : proposition de solution, code, explication ou brouillon cohérent. Précisez sa nature dans la demande afin de donner au raisonnement un objectif défini.
Pour un assistant de mathématiques, fournissez les conditions complètes, les définitions, les quantités connues et la conclusion à établir. Exemple : « Vérifiez cette solution proposée. Identifiez la première transition non justifiée, expliquez l’hypothèse manquante et donnez un résultat corrigé satisfaisant les conditions originales. » Pour un assistant de programmation, fournissez la fonction pertinente, des exemples d’entrées et le comportement attendu ; demandez l’explication du défaut et une modification vérifiable avec ces exemples. Pour un brouillon de recherche, donnez les documents à comparer et distinguez les affirmations sources, interprétations et questions nécessitant encore des preuves.
Microsoft présente aussi le modèle comme une base d’ajustement ultérieur spécialisé, notamment pour le tutorat mathématique, les assistants de programmation et les outils de recherche scientifique. C’est un usage d’adaptation en aval, distinct du modèle général décrit ici. Le post-entraînement utilise des exemples de sécurité et de non-conformité, avec des exemples multilingues sur des sujets où des biais avaient été signalés. Le changement vise le comportement de réponse ; il ne transforme pas le modèle en système sans restrictions et ne supprime pas l’évaluation des réponses.
Le fabricant identifie des limites d’usage significatives. Diagnostic clinique ou décisions de traitement, décisions juridiques définitives, contrôle autonome critique pour la sécurité et décisions financières ou de sécurité à forts enjeux sortent des usages fiables prévus par la fiche. Le rôle documenté se formule mieux comme explication, rédaction et résolution structurée de problèmes avec vérification adaptée. Microsoft indique que des hallucinations factuelles, des biais culturels ou démographiques et une vulnérabilité aux consignes adversariales peuvent persister après le post-entraînement.
La version partage la limite d’actualité des connaissances du DeepSeek-R1 original ; une réponse assurée peut donc ignorer un événement récent ou un fait spécialisé. Malgré les données multilingues de post-entraînement, Microsoft s’attend aux meilleurs résultats en anglais et en chinois. Évaluez la langue et le domaine nécessaires à l’application plutôt que de supposer une qualité égale partout. Des consignes très longues ou complexes peuvent rester difficiles ; séparez les sources, la tâche et le critère de réussite.
La fiche recommande des consignes claires de rôle et de tâche, une vérification humaine ou automatisée pour les usages sensibles, ainsi qu’une surveillance ou un filtrage de contenu selon les besoins de l’application. Gardez les faits sources et hypothèses intermédiaires accessibles à l’examen et demandez une réponse finale comparable au problème original. La fiche consultée ne publie pas de plafond numérique distinct de contexte ou de sortie pour cette version ; ces limites doivent donc provenir d’une spécification d’exécution exacte, plutôt que d’une autre édition DeepSeek. MAI-DS-R1 reste un modèle post-entraîné distinct, avec ses propres objectifs et limites documentés.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites MAI-DS-R1 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00132 / 1K tokens Sortie · Tokens en sortie $0.00506 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00132 / 1K tokens Sortie · Tokens en sortie $0.00506 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "MAI-DS-R1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra MAI-DS-R1
/chat/completions