MAI-DS-R1 is een redeneermodel dat het Microsoft AI-team verder heeft getraind vanuit DeepSeek-R1. Het doel is de redeneersterktes van het basismodel te behouden, beter te reageren op onderwerpen die eerder onbruikbare weigeringen kregen en het risicoprofiel van het model te verfijnen. Microsoft beschrijft de release als een eigen verder getraind model, met een DeepSeek-R1-basis van 671 miljard parameters en een mixture-of-experts-architectuur. Het is een tekstgeneratiemodel, geen van de kleinere R1-distillaties.
De modelkaart presenteert taalbegrip en -generatie, algemene kennisvragen, probleemoplossing in meerdere stappen, codegeneratie en -begrip en wetenschappelijke of academische taken als directe toepassingen. Een nuttig verzoek kan daarom beginnen met een wiskundige voorwaarde, logische puzzel, codefragment of technische uitleg die onderzocht moet worden. Het resultaat is tekst: een voorgestelde oplossing, een stuk code, uitleg of een samenhangend concept. De aard van het resultaat moet in het verzoek worden vermeld, zodat het redeneren een afgebakend doel dient.
Lever voor een wiskundeassistent de volledige voorwaarde, definities, bekende grootheden en vast te stellen conclusie aan. Een voorbeeldtaak is: “Controleer deze voorgestelde oplossing. Identificeer de eerste niet-onderbouwde overgang, leg de ontbrekende aanname uit en geef een gecorrigeerd resultaat dat aan de oorspronkelijke voorwaarden voldoet.” Lever voor een programmeerassistent de relevante functie, invoervoorbeelden en het verwachte gedrag aan; vraag om uitleg van de fout en een wijziging die met die voorbeelden kan worden gecontroleerd. Geef voor onderzoeksconcepten het te vergelijken materiaal en onderscheid bronuitspraken, interpretaties en vragen waarvoor nog bewijs nodig is.
Microsoft presenteert het model ook als basis voor verdere domeinspecifieke fine-tuning, waaronder wiskundebegeleiding, programmeerassistenten en wetenschappelijke onderzoekshulpmiddelen. Dat is een toepassing voor verdere aanpassing, los van het hier beschreven algemene model. De natraining gebruikt veiligheids- en niet-nalevingsvoorbeelden samen met meertalige voorbeelden over onderwerpen waarbij vooroordelen waren gemeld. De verandering richt zich op antwoordgedrag; ze maakt het model niet tot een onbeperkt systeem en neemt de noodzaak om antwoorden te beoordelen niet weg.
De fabrikant benoemt betekenisvolle gebruiksgrenzen. Klinische diagnose of behandelbesluiten, definitieve juridische beslissingen, autonome veiligheidskritische besturing en financiële of beveiligingsbeslissingen met grote gevolgen vallen buiten het betrouwbaar bedoelde gebruik van de modelkaart. De gedocumenteerde rol kan beter worden omschreven als uitleg, concepten schrijven en gestructureerde probleemoplossing met passende beoordeling. Microsoft merkt op dat feitelijke hallucinaties, culturele of demografische vooroordelen en kwetsbaarheid voor vijandige prompts na natraining kunnen blijven bestaan.
De release deelt de oorspronkelijke kennisgrens van DeepSeek-R1, dus een zelfverzekerd antwoord kan nog steeds een recente gebeurtenis of gespecialiseerd feit missen. Hoewel natraining meertalige gegevens gebruikt, verwacht Microsoft dat Engels en Chinees de sterkste talen zijn. Beoordeel de taal en het vakgebied die de toepassing nodig heeft in plaats van voor elke taal gelijke kwaliteit aan te nemen. Zeer lange of ingewikkelde prompts kunnen lastig blijven; scheid het bronmateriaal, de taak en het criterium voor een geslaagd antwoord.
De modelkaart beveelt duidelijke rol- en taakinstructies, menselijke of geautomatiseerde verificatie voor gevoelige toepassingen en monitoring of inhoudsfiltering aan waar de toepassing die nodig heeft. Houd bronfeiten en tussentijdse aannames beschikbaar voor beoordeling en vraag om een eindantwoord dat met het oorspronkelijke probleem kan worden vergeleken. De geraadpleegde modelkaart publiceert geen afzonderlijk numeriek context- of uitvoerplafond voor deze release, dus die grenzen moeten uit een exacte uitvoeringsspecificatie worden vastgesteld in plaats van overgenomen uit een andere DeepSeek-editie. MAI-DS-R1 blijft een afzonderlijk verder getraind model met eigen gedocumenteerde doelen en beperkingen.
", "aboutText": "MAI-DS-R1 is een redeneermodel dat het Microsoft AI-team verder heeft getraind vanuit DeepSeek-R1. Het doel is de redeneersterktes van het basismodel te behouden, beter te reageren op onderwerpen die eerder onbruikbare weigeringen kregen en het risicoprofiel van het model te verfijnen. Microsoft beschrijft de release als een eigen verder getraind model, met een DeepSeek-R1-basis van 671 miljard parameters en een mixture-of-experts-architectuur. Het is een tekstgeneratiemodel, geen van de kleinere R1-distillaties.\n\nDe modelkaart presenteert taalbegrip en -generatie, algemene kennisvragen, probleemoplossing in meerdere stappen, codegeneratie en -begrip en wetenschappelijke of academische taken als directe toepassingen. Een nuttig verzoek kan daarom beginnen met een wiskundige voorwaarde, logische puzzel, codefragment of technische uitleg die onderzocht moet worden. Het resultaat is tekst: een voorgestelde oplossing, een stuk code, uitleg of een samenhangend concept. De aard van het resultaat moet in het verzoek worden vermeld, zodat het redeneren een afgebakend doel dient.\n\nLever voor een wiskundeassistent de volledige voorwaarde, definities, bekende grootheden en vast te stellen conclusie aan. Een voorbeeldtaak is: “Controleer deze voorgestelde oplossing. Identificeer de eerste niet-onderbouwde overgang, leg de ontbrekende aanname uit en geef een gecorrigeerd resultaat dat aan de oorspronkelijke voorwaarden voldoet.” Lever voor een programmeerassistent de relevante functie, invoervoorbeelden en het verwachte gedrag aan; vraag om uitleg van de fout en een wijziging die met die voorbeelden kan worden gecontroleerd. Geef voor onderzoeksconcepten het te vergelijken materiaal en onderscheid bronuitspraken, interpretaties en vragen waarvoor nog bewijs nodig is.\n\nMicrosoft presenteert het model ook als basis voor verdere domeinspecifieke fine-tuning, waaronder wiskundebegeleiding, programmeerassistenten en wetenschappelijke onderzoekshulpmiddelen. Dat is een toepassing voor verdere aanpassing, los van het hier beschreven algemene model. De natraining gebruikt veiligheids- en niet-nalevingsvoorbeelden samen met meertalige voorbeelden over onderwerpen waarbij vooroordelen waren gemeld. De verandering richt zich op antwoordgedrag; ze maakt het model niet tot een onbeperkt systeem en neemt de noodzaak om antwoorden te beoordelen niet weg.\n\nDe fabrikant benoemt betekenisvolle gebruiksgrenzen. Klinische diagnose of behandelbesluiten, definitieve juridische beslissingen, autonome veiligheidskritische besturing en financiële of beveiligingsbeslissingen met grote gevolgen vallen buiten het betrouwbaar bedoelde gebruik van de modelkaart. De gedocumenteerde rol kan beter worden omschreven als uitleg, concepten schrijven en gestructureerde probleemoplossing met passende beoordeling. Microsoft merkt op dat feitelijke hallucinaties, culturele of demografische vooroordelen en kwetsbaarheid voor vijandige prompts na natraining kunnen blijven bestaan.\n\nDe release deelt de oorspronkelijke kennisgrens van DeepSeek-R1, dus een zelfverzekerd antwoord kan nog steeds een recente gebeurtenis of gespecialiseerd feit missen. Hoewel natraining meertalige gegevens gebruikt, verwacht Microsoft dat Engels en Chinees de sterkste talen zijn. Beoordeel de taal en het vakgebied die de toepassing nodig heeft in plaats van voor elke taal gelijke kwaliteit aan te nemen. Zeer lange of ingewikkelde prompts kunnen lastig blijven; scheid het bronmateriaal, de taak en het criterium voor een geslaagd antwoord.\n\nDe modelkaart beveelt duidelijke rol- en taakinstructies, menselijke of geautomatiseerde verificatie voor gevoelige toepassingen en monitoring of inhoudsfiltering aan waar de toepassing die nodig heeft. Houd bronfeiten en tussentijdse aannames beschikbaar voor beoordeling en vraag om een eindantwoord dat met het oorspronkelijke probleem kan worden vergeleken. De geraadpleegde modelkaart publiceert geen afzonderlijk numeriek context- of uitvoerplafond voor deze release, dus die grenzen moeten uit een exacte uitvoeringsspecificatie worden vastgesteld in plaats van overgenomen uit een andere DeepSeek-editie. MAI-DS-R1 blijft een afzonderlijk verder getraind model met eigen gedocumenteerde doelen en beperkingen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0c63702f1fbdbbd6aa92faf0d8cce649593f1a0c9f62986446e7a17610d5eb4b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl", "methods": [ { "html": "MAI-DS-R1MAI-DS-R1 is het door Microsoft verder getrainde DeepSeek-R1-model voor tekstredeneren, wiskunde, code en onderzoek. Het behoudt de redeneerbasis van R1 en pakt tegelijk hiaten in antwoorden aan en verfijnt hoe het model gevoelige onderwerpen behandelt.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
MAI-DS-R1 is een redeneermodel dat het Microsoft AI-team verder heeft getraind vanuit DeepSeek-R1. Het doel is de redeneersterktes van het basismodel te behouden, beter te reageren op onderwerpen die eerder onbruikbare weigeringen kregen en het risicoprofiel van het model te verfijnen. Microsoft beschrijft de release als een eigen verder getraind model, met een DeepSeek-R1-basis van 671 miljard parameters en een mixture-of-experts-architectuur. Het is een tekstgeneratiemodel, geen van de kleinere R1-distillaties.
De modelkaart presenteert taalbegrip en -generatie, algemene kennisvragen, probleemoplossing in meerdere stappen, codegeneratie en -begrip en wetenschappelijke of academische taken als directe toepassingen. Een nuttig verzoek kan daarom beginnen met een wiskundige voorwaarde, logische puzzel, codefragment of technische uitleg die onderzocht moet worden. Het resultaat is tekst: een voorgestelde oplossing, een stuk code, uitleg of een samenhangend concept. De aard van het resultaat moet in het verzoek worden vermeld, zodat het redeneren een afgebakend doel dient.
Lever voor een wiskundeassistent de volledige voorwaarde, definities, bekende grootheden en vast te stellen conclusie aan. Een voorbeeldtaak is: “Controleer deze voorgestelde oplossing. Identificeer de eerste niet-onderbouwde overgang, leg de ontbrekende aanname uit en geef een gecorrigeerd resultaat dat aan de oorspronkelijke voorwaarden voldoet.” Lever voor een programmeerassistent de relevante functie, invoervoorbeelden en het verwachte gedrag aan; vraag om uitleg van de fout en een wijziging die met die voorbeelden kan worden gecontroleerd. Geef voor onderzoeksconcepten het te vergelijken materiaal en onderscheid bronuitspraken, interpretaties en vragen waarvoor nog bewijs nodig is.
Microsoft presenteert het model ook als basis voor verdere domeinspecifieke fine-tuning, waaronder wiskundebegeleiding, programmeerassistenten en wetenschappelijke onderzoekshulpmiddelen. Dat is een toepassing voor verdere aanpassing, los van het hier beschreven algemene model. De natraining gebruikt veiligheids- en niet-nalevingsvoorbeelden samen met meertalige voorbeelden over onderwerpen waarbij vooroordelen waren gemeld. De verandering richt zich op antwoordgedrag; ze maakt het model niet tot een onbeperkt systeem en neemt de noodzaak om antwoorden te beoordelen niet weg.
De fabrikant benoemt betekenisvolle gebruiksgrenzen. Klinische diagnose of behandelbesluiten, definitieve juridische beslissingen, autonome veiligheidskritische besturing en financiële of beveiligingsbeslissingen met grote gevolgen vallen buiten het betrouwbaar bedoelde gebruik van de modelkaart. De gedocumenteerde rol kan beter worden omschreven als uitleg, concepten schrijven en gestructureerde probleemoplossing met passende beoordeling. Microsoft merkt op dat feitelijke hallucinaties, culturele of demografische vooroordelen en kwetsbaarheid voor vijandige prompts na natraining kunnen blijven bestaan.
De release deelt de oorspronkelijke kennisgrens van DeepSeek-R1, dus een zelfverzekerd antwoord kan nog steeds een recente gebeurtenis of gespecialiseerd feit missen. Hoewel natraining meertalige gegevens gebruikt, verwacht Microsoft dat Engels en Chinees de sterkste talen zijn. Beoordeel de taal en het vakgebied die de toepassing nodig heeft in plaats van voor elke taal gelijke kwaliteit aan te nemen. Zeer lange of ingewikkelde prompts kunnen lastig blijven; scheid het bronmateriaal, de taak en het criterium voor een geslaagd antwoord.
De modelkaart beveelt duidelijke rol- en taakinstructies, menselijke of geautomatiseerde verificatie voor gevoelige toepassingen en monitoring of inhoudsfiltering aan waar de toepassing die nodig heeft. Houd bronfeiten en tussentijdse aannames beschikbaar voor beoordeling en vraag om een eindantwoord dat met het oorspronkelijke probleem kan worden vergeleken. De geraadpleegde modelkaart publiceert geen afzonderlijk numeriek context- of uitvoerplafond voor deze release, dus die grenzen moeten uit een exacte uitvoeringsspecificatie worden vastgesteld in plaats van overgenomen uit een andere DeepSeek-editie. MAI-DS-R1 blijft een afzonderlijk verder getraind model met eigen gedocumenteerde doelen en beperkingen.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten MAI-DS-R1 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Tekstgesprek | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream |
Parametercontrol_scope | ContractTekstgesprek; stream is een booleaanse waarde en is standaard false. |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Methodealiasnamen: /chat/completions
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00132 / 1K tokens Uitvoer · Uitvoertokens $0.00506 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00132 / 1K tokens Uitvoer · Uitvoertokens $0.00506 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra MAI-DS-R1
/chat/completions
MAI-DS-R1MAI-DS-R1 is het door Microsoft verder getrainde DeepSeek-R1-model voor tekstredeneren, wiskunde, code en onderzoek. Het behoudt de redeneerbasis van R1 en pakt tegelijk hiaten in antwoorden aan en verfijnt hoe het model gevoelige onderwerpen behandelt.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
MAI-DS-R1 is een redeneermodel dat het Microsoft AI-team verder heeft getraind vanuit DeepSeek-R1. Het doel is de redeneersterktes van het basismodel te behouden, beter te reageren op onderwerpen die eerder onbruikbare weigeringen kregen en het risicoprofiel van het model te verfijnen. Microsoft beschrijft de release als een eigen verder getraind model, met een DeepSeek-R1-basis van 671 miljard parameters en een mixture-of-experts-architectuur. Het is een tekstgeneratiemodel, geen van de kleinere R1-distillaties.
De modelkaart presenteert taalbegrip en -generatie, algemene kennisvragen, probleemoplossing in meerdere stappen, codegeneratie en -begrip en wetenschappelijke of academische taken als directe toepassingen. Een nuttig verzoek kan daarom beginnen met een wiskundige voorwaarde, logische puzzel, codefragment of technische uitleg die onderzocht moet worden. Het resultaat is tekst: een voorgestelde oplossing, een stuk code, uitleg of een samenhangend concept. De aard van het resultaat moet in het verzoek worden vermeld, zodat het redeneren een afgebakend doel dient.
Lever voor een wiskundeassistent de volledige voorwaarde, definities, bekende grootheden en vast te stellen conclusie aan. Een voorbeeldtaak is: “Controleer deze voorgestelde oplossing. Identificeer de eerste niet-onderbouwde overgang, leg de ontbrekende aanname uit en geef een gecorrigeerd resultaat dat aan de oorspronkelijke voorwaarden voldoet.” Lever voor een programmeerassistent de relevante functie, invoervoorbeelden en het verwachte gedrag aan; vraag om uitleg van de fout en een wijziging die met die voorbeelden kan worden gecontroleerd. Geef voor onderzoeksconcepten het te vergelijken materiaal en onderscheid bronuitspraken, interpretaties en vragen waarvoor nog bewijs nodig is.
Microsoft presenteert het model ook als basis voor verdere domeinspecifieke fine-tuning, waaronder wiskundebegeleiding, programmeerassistenten en wetenschappelijke onderzoekshulpmiddelen. Dat is een toepassing voor verdere aanpassing, los van het hier beschreven algemene model. De natraining gebruikt veiligheids- en niet-nalevingsvoorbeelden samen met meertalige voorbeelden over onderwerpen waarbij vooroordelen waren gemeld. De verandering richt zich op antwoordgedrag; ze maakt het model niet tot een onbeperkt systeem en neemt de noodzaak om antwoorden te beoordelen niet weg.
De fabrikant benoemt betekenisvolle gebruiksgrenzen. Klinische diagnose of behandelbesluiten, definitieve juridische beslissingen, autonome veiligheidskritische besturing en financiële of beveiligingsbeslissingen met grote gevolgen vallen buiten het betrouwbaar bedoelde gebruik van de modelkaart. De gedocumenteerde rol kan beter worden omschreven als uitleg, concepten schrijven en gestructureerde probleemoplossing met passende beoordeling. Microsoft merkt op dat feitelijke hallucinaties, culturele of demografische vooroordelen en kwetsbaarheid voor vijandige prompts na natraining kunnen blijven bestaan.
De release deelt de oorspronkelijke kennisgrens van DeepSeek-R1, dus een zelfverzekerd antwoord kan nog steeds een recente gebeurtenis of gespecialiseerd feit missen. Hoewel natraining meertalige gegevens gebruikt, verwacht Microsoft dat Engels en Chinees de sterkste talen zijn. Beoordeel de taal en het vakgebied die de toepassing nodig heeft in plaats van voor elke taal gelijke kwaliteit aan te nemen. Zeer lange of ingewikkelde prompts kunnen lastig blijven; scheid het bronmateriaal, de taak en het criterium voor een geslaagd antwoord.
De modelkaart beveelt duidelijke rol- en taakinstructies, menselijke of geautomatiseerde verificatie voor gevoelige toepassingen en monitoring of inhoudsfiltering aan waar de toepassing die nodig heeft. Houd bronfeiten en tussentijdse aannames beschikbaar voor beoordeling en vraag om een eindantwoord dat met het oorspronkelijke probleem kan worden vergeleken. De geraadpleegde modelkaart publiceert geen afzonderlijk numeriek context- of uitvoerplafond voor deze release, dus die grenzen moeten uit een exacte uitvoeringsspecificatie worden vastgesteld in plaats van overgenomen uit een andere DeepSeek-editie. MAI-DS-R1 blijft een afzonderlijk verder getraind model met eigen gedocumenteerde doelen en beperkingen.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten MAI-DS-R1 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00132 / 1K tokens Uitvoer · Uitvoertokens $0.00506 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00132 / 1K tokens Uitvoer · Uitvoertokens $0.00506 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "MAI-DS-R1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra MAI-DS-R1
/chat/completions