MAI-DS-R1 est un modèle de raisonnement que l’équipe Microsoft AI a postentraîné à partir de DeepSeek-R1. Son objectif est de préserver les forces de raisonnement du modèle de base tout en améliorant sa réactivité sur les sujets qui recevaient auparavant des refus peu utiles et en affinant son profil de risque. Microsoft décrit cette version comme son propre modèle postentraîné, avec une base DeepSeek-R1 de 671 milliards de paramètres et une architecture à mélange d’experts. Il s’agit d’un modèle de génération de texte plutôt que d’une des petites distillations de R1.
La fiche présente la compréhension et la génération de langage, les questions de culture générale, la résolution de problèmes à plusieurs étapes, la génération et la compréhension de code ainsi que les tâches scientifiques ou universitaires comme usages directs. Une demande 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 : une solution proposée, du code, une explication ou un brouillon cohérent. La nature du résultat doit être énoncée dans la demande pour que le raisonnement serve un objectif défini.
Pour un assistant de mathématiques, fournissez toutes les conditions, les définitions, les quantités connues et la conclusion à établir. Exemple de tâche : « Vérifiez cette solution proposée. Repérez la première transition non justifiée, expliquez l’hypothèse manquante et donnez un résultat corrigé qui satisfait les conditions d’origine. » Pour un assistant de programmation, fournissez la fonction pertinente, des exemples d’entrées et le comportement attendu; demandez une explication du défaut et une modification vérifiable avec ces exemples. Pour une rédaction de recherche, donnez les documents à comparer et distinguez les énoncés des sources, les interprétations et les questions nécessitant encore des éléments probants.
Microsoft présente aussi le modèle comme une base pour un réglage fin ultérieur propre à un domaine, notamment le tutorat en mathématiques, 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 postentraînement utilise des exemples de sécurité et de non-conformité avec des exemples multilingues couvrant des sujets où des biais avaient été signalés. La modification vise le comportement des réponses; elle ne transforme pas le modèle en système sans restrictions et ne supprime pas le besoin d’évaluer ses réponses.
Le fabricant indique des limites d’utilisation significatives. Les diagnostics cliniques ou les décisions de traitement, les décisions juridiques définitives, le contrôle autonome critique pour la sécurité et les décisions financières ou de sécurité à enjeux élevés se situent hors de l’usage fiable prévu par la fiche. Le rôle documenté se décrit mieux comme l’explication, la rédaction et la résolution structurée de problèmes avec une vérification appropriée. Microsoft indique que les hallucinations factuelles, les biais culturels ou démographiques et la vulnérabilité aux consignes adversariales peuvent persister après le postentraînement.
Cette version partage la date limite des connaissances du DeepSeek-R1 original; une réponse assurée peut donc encore omettre un événement récent ou un fait spécialisé. Bien que le postentraînement utilise des données multilingues, Microsoft prévoit que l’anglais et le chinois seront les langues les plus fortes. Évaluez la langue et le domaine nécessaires à l’application plutôt que de supposer une qualité égale dans toutes les langues. Les consignes très longues ou complexes peuvent rester difficiles; séparez les documents sources, la tâche et le critère d’une réponse réussie.
La fiche recommande des consignes claires de rôle et de tâche, une vérification humaine ou automatisée pour les usages sensibles, ainsi que la surveillance ou le filtrage du contenu lorsque l’application en a besoin. Gardez les faits des sources et les hypothèses intermédiaires disponibles pour la vérification, 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 être établies à partir de spécifications d’exécution exactes plutôt qu’empruntées à une autre édition DeepSeek. MAI-DS-R1 demeure un modèle postentraîné distinct, avec ses propres objectifs et limites documentés.
", "aboutText": "MAI-DS-R1 est un modèle de raisonnement que l’équipe Microsoft AI a postentraîné à partir de DeepSeek-R1. Son objectif est de préserver les forces de raisonnement du modèle de base tout en améliorant sa réactivité sur les sujets qui recevaient auparavant des refus peu utiles et en affinant son profil de risque. Microsoft décrit cette version comme son propre modèle postentraîné, avec une base DeepSeek-R1 de 671 milliards de paramètres et une architecture à mélange d’experts. Il s’agit d’un modèle de génération de texte plutôt que d’une des petites distillations de R1.\n\nLa fiche présente la compréhension et la génération de langage, les questions de culture générale, la résolution de problèmes à plusieurs étapes, la génération et la compréhension de code ainsi que les tâches scientifiques ou universitaires comme usages directs. Une demande 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 : une solution proposée, du code, une explication ou un brouillon cohérent. La nature du résultat doit être énoncée dans la demande pour que le raisonnement serve un objectif défini.\n\nPour un assistant de mathématiques, fournissez toutes les conditions, les définitions, les quantités connues et la conclusion à établir. Exemple de tâche : « Vérifiez cette solution proposée. Repérez la première transition non justifiée, expliquez l’hypothèse manquante et donnez un résultat corrigé qui satisfait les conditions d’origine. » Pour un assistant de programmation, fournissez la fonction pertinente, des exemples d’entrées et le comportement attendu; demandez une explication du défaut et une modification vérifiable avec ces exemples. Pour une rédaction de recherche, donnez les documents à comparer et distinguez les énoncés des sources, les interprétations et les questions nécessitant encore des éléments probants.\n\nMicrosoft présente aussi le modèle comme une base pour un réglage fin ultérieur propre à un domaine, notamment le tutorat en mathématiques, 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 postentraînement utilise des exemples de sécurité et de non-conformité avec des exemples multilingues couvrant des sujets où des biais avaient été signalés. La modification vise le comportement des réponses; elle ne transforme pas le modèle en système sans restrictions et ne supprime pas le besoin d’évaluer ses réponses.\n\nLe fabricant indique des limites d’utilisation significatives. Les diagnostics cliniques ou les décisions de traitement, les décisions juridiques définitives, le contrôle autonome critique pour la sécurité et les décisions financières ou de sécurité à enjeux élevés se situent hors de l’usage fiable prévu par la fiche. Le rôle documenté se décrit mieux comme l’explication, la rédaction et la résolution structurée de problèmes avec une vérification appropriée. Microsoft indique que les hallucinations factuelles, les biais culturels ou démographiques et la vulnérabilité aux consignes adversariales peuvent persister après le postentraînement.\n\nCette version partage la date limite des connaissances du DeepSeek-R1 original; une réponse assurée peut donc encore omettre un événement récent ou un fait spécialisé. Bien que le postentraînement utilise des données multilingues, Microsoft prévoit que l’anglais et le chinois seront les langues les plus fortes. Évaluez la langue et le domaine nécessaires à l’application plutôt que de supposer une qualité égale dans toutes les langues. Les consignes très longues ou complexes peuvent rester difficiles; séparez les documents sources, la tâche et le critère d’une réponse réussie.\n\nLa fiche recommande des consignes claires de rôle et de tâche, une vérification humaine ou automatisée pour les usages sensibles, ainsi que la surveillance ou le filtrage du contenu lorsque l’application en a besoin. Gardez les faits des sources et les hypothèses intermédiaires disponibles pour la vérification, 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 être établies à partir de spécifications d’exécution exactes plutôt qu’empruntées à une autre édition DeepSeek. MAI-DS-R1 demeure un modèle postentraîné distinct, avec ses propres objectifs et limites documentés.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "19ad4e74abacf61adb331d05f75042e01989bd2f405ff7556146468c81c3403b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "MAI-DS-R1MAI-DS-R1 est le modèle DeepSeek-R1 postentraîné de Microsoft pour le raisonnement textuel, les mathématiques, le code et la recherche. Il conserve la base de raisonnement R1 tout en corrigeant des lacunes de réponse et en affinant la manière dont le modèle traite les 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 postentraîné à partir de DeepSeek-R1. Son objectif est de préserver les forces de raisonnement du modèle de base tout en améliorant sa réactivité sur les sujets qui recevaient auparavant des refus peu utiles et en affinant son profil de risque. Microsoft décrit cette version comme son propre modèle postentraîné, avec une base DeepSeek-R1 de 671 milliards de paramètres et une architecture à mélange d’experts. Il s’agit d’un modèle de génération de texte plutôt que d’une des petites distillations de R1.
La fiche présente la compréhension et la génération de langage, les questions de culture générale, la résolution de problèmes à plusieurs étapes, la génération et la compréhension de code ainsi que les tâches scientifiques ou universitaires comme usages directs. Une demande 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 : une solution proposée, du code, une explication ou un brouillon cohérent. La nature du résultat doit être énoncée dans la demande pour que le raisonnement serve un objectif défini.
Pour un assistant de mathématiques, fournissez toutes les conditions, les définitions, les quantités connues et la conclusion à établir. Exemple de tâche : « Vérifiez cette solution proposée. Repérez la première transition non justifiée, expliquez l’hypothèse manquante et donnez un résultat corrigé qui satisfait les conditions d’origine. » Pour un assistant de programmation, fournissez la fonction pertinente, des exemples d’entrées et le comportement attendu; demandez une explication du défaut et une modification vérifiable avec ces exemples. Pour une rédaction de recherche, donnez les documents à comparer et distinguez les énoncés des sources, les interprétations et les questions nécessitant encore des éléments probants.
Microsoft présente aussi le modèle comme une base pour un réglage fin ultérieur propre à un domaine, notamment le tutorat en mathématiques, 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 postentraînement utilise des exemples de sécurité et de non-conformité avec des exemples multilingues couvrant des sujets où des biais avaient été signalés. La modification vise le comportement des réponses; elle ne transforme pas le modèle en système sans restrictions et ne supprime pas le besoin d’évaluer ses réponses.
Le fabricant indique des limites d’utilisation significatives. Les diagnostics cliniques ou les décisions de traitement, les décisions juridiques définitives, le contrôle autonome critique pour la sécurité et les décisions financières ou de sécurité à enjeux élevés se situent hors de l’usage fiable prévu par la fiche. Le rôle documenté se décrit mieux comme l’explication, la rédaction et la résolution structurée de problèmes avec une vérification appropriée. Microsoft indique que les hallucinations factuelles, les biais culturels ou démographiques et la vulnérabilité aux consignes adversariales peuvent persister après le postentraînement.
Cette version partage la date limite des connaissances du DeepSeek-R1 original; une réponse assurée peut donc encore omettre un événement récent ou un fait spécialisé. Bien que le postentraînement utilise des données multilingues, Microsoft prévoit que l’anglais et le chinois seront les langues les plus fortes. Évaluez la langue et le domaine nécessaires à l’application plutôt que de supposer une qualité égale dans toutes les langues. Les consignes très longues ou complexes peuvent rester difficiles; séparez les documents sources, la tâche et le critère d’une réponse réussie.
La fiche recommande des consignes claires de rôle et de tâche, une vérification humaine ou automatisée pour les usages sensibles, ainsi que la surveillance ou le filtrage du contenu lorsque l’application en a besoin. Gardez les faits des sources et les hypothèses intermédiaires disponibles pour la vérification, 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 être établies à partir de spécifications d’exécution exactes plutôt qu’empruntées à une autre édition DeepSeek. MAI-DS-R1 demeure un modèle postentraîné 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 comme texte littéral ; aucun ID 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’ID 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/objet 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 | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.00132 / 1K jetons Sortie · Jetons en sortie $0.00506 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.00132 / 1K jetons Sortie · Jetons en sortie $0.00506 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | 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 postentraîné de Microsoft pour le raisonnement textuel, les mathématiques, le code et la recherche. Il conserve la base de raisonnement R1 tout en corrigeant des lacunes de réponse et en affinant la manière dont le modèle traite les 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 postentraîné à partir de DeepSeek-R1. Son objectif est de préserver les forces de raisonnement du modèle de base tout en améliorant sa réactivité sur les sujets qui recevaient auparavant des refus peu utiles et en affinant son profil de risque. Microsoft décrit cette version comme son propre modèle postentraîné, avec une base DeepSeek-R1 de 671 milliards de paramètres et une architecture à mélange d’experts. Il s’agit d’un modèle de génération de texte plutôt que d’une des petites distillations de R1.
La fiche présente la compréhension et la génération de langage, les questions de culture générale, la résolution de problèmes à plusieurs étapes, la génération et la compréhension de code ainsi que les tâches scientifiques ou universitaires comme usages directs. Une demande 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 : une solution proposée, du code, une explication ou un brouillon cohérent. La nature du résultat doit être énoncée dans la demande pour que le raisonnement serve un objectif défini.
Pour un assistant de mathématiques, fournissez toutes les conditions, les définitions, les quantités connues et la conclusion à établir. Exemple de tâche : « Vérifiez cette solution proposée. Repérez la première transition non justifiée, expliquez l’hypothèse manquante et donnez un résultat corrigé qui satisfait les conditions d’origine. » Pour un assistant de programmation, fournissez la fonction pertinente, des exemples d’entrées et le comportement attendu; demandez une explication du défaut et une modification vérifiable avec ces exemples. Pour une rédaction de recherche, donnez les documents à comparer et distinguez les énoncés des sources, les interprétations et les questions nécessitant encore des éléments probants.
Microsoft présente aussi le modèle comme une base pour un réglage fin ultérieur propre à un domaine, notamment le tutorat en mathématiques, 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 postentraînement utilise des exemples de sécurité et de non-conformité avec des exemples multilingues couvrant des sujets où des biais avaient été signalés. La modification vise le comportement des réponses; elle ne transforme pas le modèle en système sans restrictions et ne supprime pas le besoin d’évaluer ses réponses.
Le fabricant indique des limites d’utilisation significatives. Les diagnostics cliniques ou les décisions de traitement, les décisions juridiques définitives, le contrôle autonome critique pour la sécurité et les décisions financières ou de sécurité à enjeux élevés se situent hors de l’usage fiable prévu par la fiche. Le rôle documenté se décrit mieux comme l’explication, la rédaction et la résolution structurée de problèmes avec une vérification appropriée. Microsoft indique que les hallucinations factuelles, les biais culturels ou démographiques et la vulnérabilité aux consignes adversariales peuvent persister après le postentraînement.
Cette version partage la date limite des connaissances du DeepSeek-R1 original; une réponse assurée peut donc encore omettre un événement récent ou un fait spécialisé. Bien que le postentraînement utilise des données multilingues, Microsoft prévoit que l’anglais et le chinois seront les langues les plus fortes. Évaluez la langue et le domaine nécessaires à l’application plutôt que de supposer une qualité égale dans toutes les langues. Les consignes très longues ou complexes peuvent rester difficiles; séparez les documents sources, la tâche et le critère d’une réponse réussie.
La fiche recommande des consignes claires de rôle et de tâche, une vérification humaine ou automatisée pour les usages sensibles, ainsi que la surveillance ou le filtrage du contenu lorsque l’application en a besoin. Gardez les faits des sources et les hypothèses intermédiaires disponibles pour la vérification, 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 être établies à partir de spécifications d’exécution exactes plutôt qu’empruntées à une autre édition DeepSeek. MAI-DS-R1 demeure un modèle postentraîné 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 | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.00132 / 1K jetons Sortie · Jetons en sortie $0.00506 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.00132 / 1K jetons Sortie · Jetons en sortie $0.00506 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "MAI-DS-R1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ID 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra MAI-DS-R1
/chat/completions