MAI-DS-R1 è un modello di ragionamento che il team Microsoft AI ha sottoposto a post-addestramento a partire da DeepSeek-R1. Il suo scopo è conservare i punti di forza del ragionamento del modello base, migliorando la capacità di rispondere su argomenti che in precedenza ricevevano rifiuti poco utili e affinando il profilo di rischio del modello. Microsoft descrive la versione come il proprio modello sottoposto a post-addestramento, con una base DeepSeek-R1 da 671 miliardi di parametri e un’architettura mixture-of-experts. È un modello di generazione testuale, anziché una delle distillazioni R1 più piccole.
La scheda del modello presenta come usi diretti comprensione e generazione del linguaggio, domande di cultura generale, risoluzione di problemi in più passaggi, generazione e comprensione del codice e compiti scientifici o accademici. Una richiesta utile può quindi partire da una condizione matematica, un rompicapo logico, un frammento di codice o una spiegazione tecnica da esaminare. Il risultato è testo: una soluzione proposta, un pezzo di codice, una spiegazione o una bozza coerente. La natura del risultato deve essere dichiarata nella richiesta, così il ragionamento servirà un obiettivo definito.
Per un assistente di matematica, fornisci la condizione completa, le definizioni, le quantità note e la conclusione da stabilire. Un compito esemplificativo è: «Controlla questa soluzione proposta. Identifica il primo passaggio non supportato, spiega l’ipotesi mancante e fornisci un risultato corretto che soddisfi le condizioni originali». Per un assistente di programmazione, fornisci la funzione pertinente, esempi di input e il comportamento atteso; chiedi una spiegazione del difetto e una modifica verificabile con quegli esempi. Per la stesura di ricerca, fornisci il materiale da confrontare e distingui affermazioni delle fonti, interpretazioni e domande che richiedono ancora prove.
Microsoft presenta inoltre il modello come base per ulteriore fine-tuning specifico di dominio, compresi tutor di matematica, assistenti di programmazione e strumenti di ricerca scientifica. Si tratta di un uso di adattamento successivo, separato dal modello generalista qui descritto. Il post-addestramento usa esempi di sicurezza e di non conformità insieme a esempi multilingue su argomenti in cui erano stati segnalati bias. La modifica mira al comportamento delle risposte; non trasforma il modello in un sistema senza restrizioni né elimina la necessità di valutarne le risposte.
Il produttore identifica limiti d’uso significativi. Diagnosi cliniche o decisioni terapeutiche, decisioni legali definitive, controllo autonomo critico per la sicurezza e decisioni finanziarie o di sicurezza ad alto impatto ricadono al di fuori dell’uso affidabile previsto dalla scheda. Il ruolo documentato è meglio inquadrato come spiegazione, stesura e risoluzione strutturata di problemi con verifica appropriata. Microsoft segnala che allucinazioni fattuali, bias culturali o demografici e vulnerabilità a prompt avversariali possono permanere dopo il post-addestramento.
La versione condivide il limite temporale delle conoscenze dell’originale DeepSeek-R1, quindi una risposta sicura di sé può comunque non disporre di un evento recente o di un fatto specialistico. Sebbene il post-addestramento usi dati multilingue, Microsoft si aspetta che inglese e cinese siano le lingue più forti. Valuta la lingua e la materia necessarie all’applicazione, anziché presumere una qualità uguale per ogni lingua. Prompt molto lunghi o complicati possono rimanere difficili; separa il materiale di origine, il compito e il criterio di una risposta riuscita.
La scheda del modello consiglia istruzioni chiare su ruolo e compito, verifica umana o automatizzata per usi sensibili e monitoraggio o filtraggio dei contenuti dove l’applicazione ne ha bisogno. Mantieni disponibili per la verifica i fatti delle fonti e le ipotesi intermedie e chiedi una risposta finale confrontabile con il problema originale. La scheda consultata non pubblica un limite numerico separato di contesto o output per questa versione, quindi tali limiti devono essere stabiliti da una specifica esatta di esecuzione, anziché essere presi in prestito da un’edizione DeepSeek diversa. MAI-DS-R1 rimane un modello distinto sottoposto a post-addestramento, con obiettivi e limitazioni documentati propri.
", "aboutText": "MAI-DS-R1 è un modello di ragionamento che il team Microsoft AI ha sottoposto a post-addestramento a partire da DeepSeek-R1. Il suo scopo è conservare i punti di forza del ragionamento del modello base, migliorando la capacità di rispondere su argomenti che in precedenza ricevevano rifiuti poco utili e affinando il profilo di rischio del modello. Microsoft descrive la versione come il proprio modello sottoposto a post-addestramento, con una base DeepSeek-R1 da 671 miliardi di parametri e un’architettura mixture-of-experts. È un modello di generazione testuale, anziché una delle distillazioni R1 più piccole.\n\nLa scheda del modello presenta come usi diretti comprensione e generazione del linguaggio, domande di cultura generale, risoluzione di problemi in più passaggi, generazione e comprensione del codice e compiti scientifici o accademici. Una richiesta utile può quindi partire da una condizione matematica, un rompicapo logico, un frammento di codice o una spiegazione tecnica da esaminare. Il risultato è testo: una soluzione proposta, un pezzo di codice, una spiegazione o una bozza coerente. La natura del risultato deve essere dichiarata nella richiesta, così il ragionamento servirà un obiettivo definito.\n\nPer un assistente di matematica, fornisci la condizione completa, le definizioni, le quantità note e la conclusione da stabilire. Un compito esemplificativo è: «Controlla questa soluzione proposta. Identifica il primo passaggio non supportato, spiega l’ipotesi mancante e fornisci un risultato corretto che soddisfi le condizioni originali». Per un assistente di programmazione, fornisci la funzione pertinente, esempi di input e il comportamento atteso; chiedi una spiegazione del difetto e una modifica verificabile con quegli esempi. Per la stesura di ricerca, fornisci il materiale da confrontare e distingui affermazioni delle fonti, interpretazioni e domande che richiedono ancora prove.\n\nMicrosoft presenta inoltre il modello come base per ulteriore fine-tuning specifico di dominio, compresi tutor di matematica, assistenti di programmazione e strumenti di ricerca scientifica. Si tratta di un uso di adattamento successivo, separato dal modello generalista qui descritto. Il post-addestramento usa esempi di sicurezza e di non conformità insieme a esempi multilingue su argomenti in cui erano stati segnalati bias. La modifica mira al comportamento delle risposte; non trasforma il modello in un sistema senza restrizioni né elimina la necessità di valutarne le risposte.\n\nIl produttore identifica limiti d’uso significativi. Diagnosi cliniche o decisioni terapeutiche, decisioni legali definitive, controllo autonomo critico per la sicurezza e decisioni finanziarie o di sicurezza ad alto impatto ricadono al di fuori dell’uso affidabile previsto dalla scheda. Il ruolo documentato è meglio inquadrato come spiegazione, stesura e risoluzione strutturata di problemi con verifica appropriata. Microsoft segnala che allucinazioni fattuali, bias culturali o demografici e vulnerabilità a prompt avversariali possono permanere dopo il post-addestramento.\n\nLa versione condivide il limite temporale delle conoscenze dell’originale DeepSeek-R1, quindi una risposta sicura di sé può comunque non disporre di un evento recente o di un fatto specialistico. Sebbene il post-addestramento usi dati multilingue, Microsoft si aspetta che inglese e cinese siano le lingue più forti. Valuta la lingua e la materia necessarie all’applicazione, anziché presumere una qualità uguale per ogni lingua. Prompt molto lunghi o complicati possono rimanere difficili; separa il materiale di origine, il compito e il criterio di una risposta riuscita.\n\nLa scheda del modello consiglia istruzioni chiare su ruolo e compito, verifica umana o automatizzata per usi sensibili e monitoraggio o filtraggio dei contenuti dove l’applicazione ne ha bisogno. Mantieni disponibili per la verifica i fatti delle fonti e le ipotesi intermedie e chiedi una risposta finale confrontabile con il problema originale. La scheda consultata non pubblica un limite numerico separato di contesto o output per questa versione, quindi tali limiti devono essere stabiliti da una specifica esatta di esecuzione, anziché essere presi in prestito da un’edizione DeepSeek diversa. MAI-DS-R1 rimane un modello distinto sottoposto a post-addestramento, con obiettivi e limitazioni documentati propri.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a8b3a7e4d1eb4742216d5b6e469de62bf1706fb7f9abaff415f36d011fb07487", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "MAI-DS-R1MAI-DS-R1 è il modello DeepSeek-R1 sottoposto a post-addestramento da Microsoft per ragionamento testuale, matematica, codice e ricerca. Conserva la base di ragionamento R1 affrontando lacune nelle risposte e affinando il modo in cui il modello gestisce gli argomenti sensibili.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
MAI-DS-R1 è un modello di ragionamento che il team Microsoft AI ha sottoposto a post-addestramento a partire da DeepSeek-R1. Il suo scopo è conservare i punti di forza del ragionamento del modello base, migliorando la capacità di rispondere su argomenti che in precedenza ricevevano rifiuti poco utili e affinando il profilo di rischio del modello. Microsoft descrive la versione come il proprio modello sottoposto a post-addestramento, con una base DeepSeek-R1 da 671 miliardi di parametri e un’architettura mixture-of-experts. È un modello di generazione testuale, anziché una delle distillazioni R1 più piccole.
La scheda del modello presenta come usi diretti comprensione e generazione del linguaggio, domande di cultura generale, risoluzione di problemi in più passaggi, generazione e comprensione del codice e compiti scientifici o accademici. Una richiesta utile può quindi partire da una condizione matematica, un rompicapo logico, un frammento di codice o una spiegazione tecnica da esaminare. Il risultato è testo: una soluzione proposta, un pezzo di codice, una spiegazione o una bozza coerente. La natura del risultato deve essere dichiarata nella richiesta, così il ragionamento servirà un obiettivo definito.
Per un assistente di matematica, fornisci la condizione completa, le definizioni, le quantità note e la conclusione da stabilire. Un compito esemplificativo è: «Controlla questa soluzione proposta. Identifica il primo passaggio non supportato, spiega l’ipotesi mancante e fornisci un risultato corretto che soddisfi le condizioni originali». Per un assistente di programmazione, fornisci la funzione pertinente, esempi di input e il comportamento atteso; chiedi una spiegazione del difetto e una modifica verificabile con quegli esempi. Per la stesura di ricerca, fornisci il materiale da confrontare e distingui affermazioni delle fonti, interpretazioni e domande che richiedono ancora prove.
Microsoft presenta inoltre il modello come base per ulteriore fine-tuning specifico di dominio, compresi tutor di matematica, assistenti di programmazione e strumenti di ricerca scientifica. Si tratta di un uso di adattamento successivo, separato dal modello generalista qui descritto. Il post-addestramento usa esempi di sicurezza e di non conformità insieme a esempi multilingue su argomenti in cui erano stati segnalati bias. La modifica mira al comportamento delle risposte; non trasforma il modello in un sistema senza restrizioni né elimina la necessità di valutarne le risposte.
Il produttore identifica limiti d’uso significativi. Diagnosi cliniche o decisioni terapeutiche, decisioni legali definitive, controllo autonomo critico per la sicurezza e decisioni finanziarie o di sicurezza ad alto impatto ricadono al di fuori dell’uso affidabile previsto dalla scheda. Il ruolo documentato è meglio inquadrato come spiegazione, stesura e risoluzione strutturata di problemi con verifica appropriata. Microsoft segnala che allucinazioni fattuali, bias culturali o demografici e vulnerabilità a prompt avversariali possono permanere dopo il post-addestramento.
La versione condivide il limite temporale delle conoscenze dell’originale DeepSeek-R1, quindi una risposta sicura di sé può comunque non disporre di un evento recente o di un fatto specialistico. Sebbene il post-addestramento usi dati multilingue, Microsoft si aspetta che inglese e cinese siano le lingue più forti. Valuta la lingua e la materia necessarie all’applicazione, anziché presumere una qualità uguale per ogni lingua. Prompt molto lunghi o complicati possono rimanere difficili; separa il materiale di origine, il compito e il criterio di una risposta riuscita.
La scheda del modello consiglia istruzioni chiare su ruolo e compito, verifica umana o automatizzata per usi sensibili e monitoraggio o filtraggio dei contenuti dove l’applicazione ne ha bisogno. Mantieni disponibili per la verifica i fatti delle fonti e le ipotesi intermedie e chiedi una risposta finale confrontabile con il problema originale. La scheda consultata non pubblica un limite numerico separato di contesto o output per questa versione, quindi tali limiti devono essere stabiliti da una specifica esatta di esecuzione, anziché essere presi in prestito da un’edizione DeepSeek diversa. MAI-DS-R1 rimane un modello distinto sottoposto a post-addestramento, con obiettivi e limitazioni documentati propri.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti MAI-DS-R1 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Conversazione testuale | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream |
Parametrocontrol_scope | ContrattoConversazione testuale; stream è un booleano e per impostazione predefinita vale false. |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Alias del metodo: /chat/completions
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.00132 / 1K token Output · Token in output $0.00506 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.00132 / 1K token Output · Token in output $0.00506 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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 ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| 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 |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra MAI-DS-R1
/chat/completions
MAI-DS-R1MAI-DS-R1 è il modello DeepSeek-R1 sottoposto a post-addestramento da Microsoft per ragionamento testuale, matematica, codice e ricerca. Conserva la base di ragionamento R1 affrontando lacune nelle risposte e affinando il modo in cui il modello gestisce gli argomenti sensibili.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
MAI-DS-R1 è un modello di ragionamento che il team Microsoft AI ha sottoposto a post-addestramento a partire da DeepSeek-R1. Il suo scopo è conservare i punti di forza del ragionamento del modello base, migliorando la capacità di rispondere su argomenti che in precedenza ricevevano rifiuti poco utili e affinando il profilo di rischio del modello. Microsoft descrive la versione come il proprio modello sottoposto a post-addestramento, con una base DeepSeek-R1 da 671 miliardi di parametri e un’architettura mixture-of-experts. È un modello di generazione testuale, anziché una delle distillazioni R1 più piccole.
La scheda del modello presenta come usi diretti comprensione e generazione del linguaggio, domande di cultura generale, risoluzione di problemi in più passaggi, generazione e comprensione del codice e compiti scientifici o accademici. Una richiesta utile può quindi partire da una condizione matematica, un rompicapo logico, un frammento di codice o una spiegazione tecnica da esaminare. Il risultato è testo: una soluzione proposta, un pezzo di codice, una spiegazione o una bozza coerente. La natura del risultato deve essere dichiarata nella richiesta, così il ragionamento servirà un obiettivo definito.
Per un assistente di matematica, fornisci la condizione completa, le definizioni, le quantità note e la conclusione da stabilire. Un compito esemplificativo è: «Controlla questa soluzione proposta. Identifica il primo passaggio non supportato, spiega l’ipotesi mancante e fornisci un risultato corretto che soddisfi le condizioni originali». Per un assistente di programmazione, fornisci la funzione pertinente, esempi di input e il comportamento atteso; chiedi una spiegazione del difetto e una modifica verificabile con quegli esempi. Per la stesura di ricerca, fornisci il materiale da confrontare e distingui affermazioni delle fonti, interpretazioni e domande che richiedono ancora prove.
Microsoft presenta inoltre il modello come base per ulteriore fine-tuning specifico di dominio, compresi tutor di matematica, assistenti di programmazione e strumenti di ricerca scientifica. Si tratta di un uso di adattamento successivo, separato dal modello generalista qui descritto. Il post-addestramento usa esempi di sicurezza e di non conformità insieme a esempi multilingue su argomenti in cui erano stati segnalati bias. La modifica mira al comportamento delle risposte; non trasforma il modello in un sistema senza restrizioni né elimina la necessità di valutarne le risposte.
Il produttore identifica limiti d’uso significativi. Diagnosi cliniche o decisioni terapeutiche, decisioni legali definitive, controllo autonomo critico per la sicurezza e decisioni finanziarie o di sicurezza ad alto impatto ricadono al di fuori dell’uso affidabile previsto dalla scheda. Il ruolo documentato è meglio inquadrato come spiegazione, stesura e risoluzione strutturata di problemi con verifica appropriata. Microsoft segnala che allucinazioni fattuali, bias culturali o demografici e vulnerabilità a prompt avversariali possono permanere dopo il post-addestramento.
La versione condivide il limite temporale delle conoscenze dell’originale DeepSeek-R1, quindi una risposta sicura di sé può comunque non disporre di un evento recente o di un fatto specialistico. Sebbene il post-addestramento usi dati multilingue, Microsoft si aspetta che inglese e cinese siano le lingue più forti. Valuta la lingua e la materia necessarie all’applicazione, anziché presumere una qualità uguale per ogni lingua. Prompt molto lunghi o complicati possono rimanere difficili; separa il materiale di origine, il compito e il criterio di una risposta riuscita.
La scheda del modello consiglia istruzioni chiare su ruolo e compito, verifica umana o automatizzata per usi sensibili e monitoraggio o filtraggio dei contenuti dove l’applicazione ne ha bisogno. Mantieni disponibili per la verifica i fatti delle fonti e le ipotesi intermedie e chiedi una risposta finale confrontabile con il problema originale. La scheda consultata non pubblica un limite numerico separato di contesto o output per questa versione, quindi tali limiti devono essere stabiliti da una specifica esatta di esecuzione, anziché essere presi in prestito da un’edizione DeepSeek diversa. MAI-DS-R1 rimane un modello distinto sottoposto a post-addestramento, con obiettivi e limitazioni documentati propri.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti MAI-DS-R1 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.00132 / 1K token Output · Token in output $0.00506 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.00132 / 1K token Output · Token in output $0.00506 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "MAI-DS-R1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra MAI-DS-R1
/chat/completions