MAI-DS-R1 é um modelo de raciocínio que a equipa Microsoft AI submeteu a pós-treino a partir de DeepSeek-R1. A sua finalidade é preservar os pontos fortes de raciocínio do modelo base, melhorando a capacidade de resposta em temas que anteriormente recebiam recusas pouco úteis e aperfeiçoando o perfil de risco do modelo. A Microsoft descreve a versão como o seu próprio modelo com pós-treino, com uma base DeepSeek-R1 de 671 mil milhões de parâmetros e uma arquitetura de mistura de especialistas. É um modelo de geração de texto, em vez de uma das destilações R1 menores.
A ficha do modelo apresenta como usos diretos compreensão e geração de linguagem, perguntas de conhecimento geral, resolução de problemas em vários passos, geração e compreensão de código e tarefas científicas ou académicas. Um pedido útil pode, por isso, começar com uma condição matemática, um problema lógico, um fragmento de código ou uma explicação técnica que precise de ser examinada. O resultado é texto: uma solução proposta, um trecho de código, uma explicação ou um rascunho coerente. A natureza do resultado deve ser indicada no pedido para que o raciocínio sirva um objetivo definido.
Para um assistente de matemática, forneça a condição completa, definições, quantidades conhecidas e a conclusão a estabelecer. Uma tarefa ilustrativa é: «Verifique esta solução proposta. Identifique a primeira transição sem fundamento, explique o pressuposto em falta e forneça um resultado corrigido que satisfaça as condições originais.» Para um assistente de programação, forneça a função relevante, exemplos de entrada e o comportamento esperado; peça uma explicação da falha e uma alteração verificável com esses exemplos. Para redação de investigação, forneça o material a comparar e distinga afirmações das fontes, interpretações e perguntas que ainda precisam de evidências.
A Microsoft apresenta também o modelo como base para ajuste fino posterior específico de domínio, incluindo tutoria de matemática, assistentes de programação e ferramentas de investigação científica. Esse é um uso de adaptação posterior, separado do modelo de uso geral aqui descrito. O pós-treino utiliza exemplos de segurança e incumprimento juntamente com exemplos multilingues que abrangem temas em que tinham sido relatados enviesamentos. A alteração visa o comportamento de resposta; não transforma o modelo num sistema sem restrições nem elimina a necessidade de avaliar as respostas.
O fabricante identifica limites de utilização relevantes. Diagnóstico clínico ou decisões de tratamento, decisões jurídicas definitivas, controlo autónomo crítico para a segurança e decisões financeiras ou de segurança de elevado impacto estão fora da utilização fiável prevista na ficha do modelo. A função documentada enquadra-se melhor como explicação, redação e resolução estruturada de problemas com revisão adequada. A Microsoft assinala que alucinações factuais, enviesamentos culturais ou demográficos e vulnerabilidade a pedidos adversariais podem persistir após o pós-treino.
A versão partilha a data-limite de conhecimento de DeepSeek-R1 original, pelo que uma resposta confiante pode continuar a desconhecer um acontecimento recente ou um facto especializado. Embora o pós-treino utilize dados multilingues, a Microsoft espera que inglês e chinês sejam os idiomas mais fortes. Avalie o idioma e o tema necessários para a aplicação, em vez de presumir qualidade igual em todos os idiomas. Pedidos muito longos ou complicados podem continuar a ser difíceis; separe o material de origem, a tarefa e o critério de uma resposta bem-sucedida.
A ficha do modelo recomenda instruções claras de função e tarefa, verificação humana ou automatizada para usos sensíveis e monitorização ou filtragem de conteúdo onde a aplicação delas necessitar. Mantenha os factos das fontes e os pressupostos intermédios disponíveis para revisão e peça uma resposta final que possa ser comparada com o problema original. A ficha consultada não publica um limite numérico separado de contexto ou saída para esta versão, pelo que esses limites devem ser estabelecidos a partir de uma especificação exata de execução, em vez de serem importados de outra edição DeepSeek. MAI-DS-R1 continua a ser um modelo distinto com pós-treino, com os seus próprios objetivos e limitações documentados.
", "aboutText": "MAI-DS-R1 é um modelo de raciocínio que a equipa Microsoft AI submeteu a pós-treino a partir de DeepSeek-R1. A sua finalidade é preservar os pontos fortes de raciocínio do modelo base, melhorando a capacidade de resposta em temas que anteriormente recebiam recusas pouco úteis e aperfeiçoando o perfil de risco do modelo. A Microsoft descreve a versão como o seu próprio modelo com pós-treino, com uma base DeepSeek-R1 de 671 mil milhões de parâmetros e uma arquitetura de mistura de especialistas. É um modelo de geração de texto, em vez de uma das destilações R1 menores.\n\nA ficha do modelo apresenta como usos diretos compreensão e geração de linguagem, perguntas de conhecimento geral, resolução de problemas em vários passos, geração e compreensão de código e tarefas científicas ou académicas. Um pedido útil pode, por isso, começar com uma condição matemática, um problema lógico, um fragmento de código ou uma explicação técnica que precise de ser examinada. O resultado é texto: uma solução proposta, um trecho de código, uma explicação ou um rascunho coerente. A natureza do resultado deve ser indicada no pedido para que o raciocínio sirva um objetivo definido.\n\nPara um assistente de matemática, forneça a condição completa, definições, quantidades conhecidas e a conclusão a estabelecer. Uma tarefa ilustrativa é: «Verifique esta solução proposta. Identifique a primeira transição sem fundamento, explique o pressuposto em falta e forneça um resultado corrigido que satisfaça as condições originais.» Para um assistente de programação, forneça a função relevante, exemplos de entrada e o comportamento esperado; peça uma explicação da falha e uma alteração verificável com esses exemplos. Para redação de investigação, forneça o material a comparar e distinga afirmações das fontes, interpretações e perguntas que ainda precisam de evidências.\n\nA Microsoft apresenta também o modelo como base para ajuste fino posterior específico de domínio, incluindo tutoria de matemática, assistentes de programação e ferramentas de investigação científica. Esse é um uso de adaptação posterior, separado do modelo de uso geral aqui descrito. O pós-treino utiliza exemplos de segurança e incumprimento juntamente com exemplos multilingues que abrangem temas em que tinham sido relatados enviesamentos. A alteração visa o comportamento de resposta; não transforma o modelo num sistema sem restrições nem elimina a necessidade de avaliar as respostas.\n\nO fabricante identifica limites de utilização relevantes. Diagnóstico clínico ou decisões de tratamento, decisões jurídicas definitivas, controlo autónomo crítico para a segurança e decisões financeiras ou de segurança de elevado impacto estão fora da utilização fiável prevista na ficha do modelo. A função documentada enquadra-se melhor como explicação, redação e resolução estruturada de problemas com revisão adequada. A Microsoft assinala que alucinações factuais, enviesamentos culturais ou demográficos e vulnerabilidade a pedidos adversariais podem persistir após o pós-treino.\n\nA versão partilha a data-limite de conhecimento de DeepSeek-R1 original, pelo que uma resposta confiante pode continuar a desconhecer um acontecimento recente ou um facto especializado. Embora o pós-treino utilize dados multilingues, a Microsoft espera que inglês e chinês sejam os idiomas mais fortes. Avalie o idioma e o tema necessários para a aplicação, em vez de presumir qualidade igual em todos os idiomas. Pedidos muito longos ou complicados podem continuar a ser difíceis; separe o material de origem, a tarefa e o critério de uma resposta bem-sucedida.\n\nA ficha do modelo recomenda instruções claras de função e tarefa, verificação humana ou automatizada para usos sensíveis e monitorização ou filtragem de conteúdo onde a aplicação delas necessitar. Mantenha os factos das fontes e os pressupostos intermédios disponíveis para revisão e peça uma resposta final que possa ser comparada com o problema original. A ficha consultada não publica um limite numérico separado de contexto ou saída para esta versão, pelo que esses limites devem ser estabelecidos a partir de uma especificação exata de execução, em vez de serem importados de outra edição DeepSeek. MAI-DS-R1 continua a ser um modelo distinto com pós-treino, com os seus próprios objetivos e limitações documentados.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "4407245d3b08aaaf9afe02630bb5b91a6f8758b70b48ca0312adf699a609386e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "MAI-DS-R1MAI-DS-R1 é o modelo DeepSeek-R1 com pós-treino da Microsoft para raciocínio textual, matemática, código e investigação. Preserva a base de raciocínio R1, procurando colmatar lacunas de resposta e aperfeiçoar a forma como o modelo trata temas sensíveis.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
MAI-DS-R1 é um modelo de raciocínio que a equipa Microsoft AI submeteu a pós-treino a partir de DeepSeek-R1. A sua finalidade é preservar os pontos fortes de raciocínio do modelo base, melhorando a capacidade de resposta em temas que anteriormente recebiam recusas pouco úteis e aperfeiçoando o perfil de risco do modelo. A Microsoft descreve a versão como o seu próprio modelo com pós-treino, com uma base DeepSeek-R1 de 671 mil milhões de parâmetros e uma arquitetura de mistura de especialistas. É um modelo de geração de texto, em vez de uma das destilações R1 menores.
A ficha do modelo apresenta como usos diretos compreensão e geração de linguagem, perguntas de conhecimento geral, resolução de problemas em vários passos, geração e compreensão de código e tarefas científicas ou académicas. Um pedido útil pode, por isso, começar com uma condição matemática, um problema lógico, um fragmento de código ou uma explicação técnica que precise de ser examinada. O resultado é texto: uma solução proposta, um trecho de código, uma explicação ou um rascunho coerente. A natureza do resultado deve ser indicada no pedido para que o raciocínio sirva um objetivo definido.
Para um assistente de matemática, forneça a condição completa, definições, quantidades conhecidas e a conclusão a estabelecer. Uma tarefa ilustrativa é: «Verifique esta solução proposta. Identifique a primeira transição sem fundamento, explique o pressuposto em falta e forneça um resultado corrigido que satisfaça as condições originais.» Para um assistente de programação, forneça a função relevante, exemplos de entrada e o comportamento esperado; peça uma explicação da falha e uma alteração verificável com esses exemplos. Para redação de investigação, forneça o material a comparar e distinga afirmações das fontes, interpretações e perguntas que ainda precisam de evidências.
A Microsoft apresenta também o modelo como base para ajuste fino posterior específico de domínio, incluindo tutoria de matemática, assistentes de programação e ferramentas de investigação científica. Esse é um uso de adaptação posterior, separado do modelo de uso geral aqui descrito. O pós-treino utiliza exemplos de segurança e incumprimento juntamente com exemplos multilingues que abrangem temas em que tinham sido relatados enviesamentos. A alteração visa o comportamento de resposta; não transforma o modelo num sistema sem restrições nem elimina a necessidade de avaliar as respostas.
O fabricante identifica limites de utilização relevantes. Diagnóstico clínico ou decisões de tratamento, decisões jurídicas definitivas, controlo autónomo crítico para a segurança e decisões financeiras ou de segurança de elevado impacto estão fora da utilização fiável prevista na ficha do modelo. A função documentada enquadra-se melhor como explicação, redação e resolução estruturada de problemas com revisão adequada. A Microsoft assinala que alucinações factuais, enviesamentos culturais ou demográficos e vulnerabilidade a pedidos adversariais podem persistir após o pós-treino.
A versão partilha a data-limite de conhecimento de DeepSeek-R1 original, pelo que uma resposta confiante pode continuar a desconhecer um acontecimento recente ou um facto especializado. Embora o pós-treino utilize dados multilingues, a Microsoft espera que inglês e chinês sejam os idiomas mais fortes. Avalie o idioma e o tema necessários para a aplicação, em vez de presumir qualidade igual em todos os idiomas. Pedidos muito longos ou complicados podem continuar a ser difíceis; separe o material de origem, a tarefa e o critério de uma resposta bem-sucedida.
A ficha do modelo recomenda instruções claras de função e tarefa, verificação humana ou automatizada para usos sensíveis e monitorização ou filtragem de conteúdo onde a aplicação delas necessitar. Mantenha os factos das fontes e os pressupostos intermédios disponíveis para revisão e peça uma resposta final que possa ser comparada com o problema original. A ficha consultada não publica um limite numérico separado de contexto ou saída para esta versão, pelo que esses limites devem ser estabelecidos a partir de uma especificação exata de execução, em vez de serem importados de outra edição DeepSeek. MAI-DS-R1 continua a ser um modelo distinto com pós-treino, com os seus próprios objetivos e limitações documentados.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites MAI-DS-R1 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Conversação textual | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream |
Parâmetrocontrol_scope | ContratoConversação textual; stream é um booleano e tem false como predefinição. |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Aliases do método: /chat/completions
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.00132 / 1K tokens Saída · Tokens de saída $0.00506 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.00132 / 1K tokens Saída · Tokens de saída $0.00506 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| 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 |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra MAI-DS-R1
/chat/completions
MAI-DS-R1MAI-DS-R1 é o modelo DeepSeek-R1 com pós-treino da Microsoft para raciocínio textual, matemática, código e investigação. Preserva a base de raciocínio R1, procurando colmatar lacunas de resposta e aperfeiçoar a forma como o modelo trata temas sensíveis.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
MAI-DS-R1 é um modelo de raciocínio que a equipa Microsoft AI submeteu a pós-treino a partir de DeepSeek-R1. A sua finalidade é preservar os pontos fortes de raciocínio do modelo base, melhorando a capacidade de resposta em temas que anteriormente recebiam recusas pouco úteis e aperfeiçoando o perfil de risco do modelo. A Microsoft descreve a versão como o seu próprio modelo com pós-treino, com uma base DeepSeek-R1 de 671 mil milhões de parâmetros e uma arquitetura de mistura de especialistas. É um modelo de geração de texto, em vez de uma das destilações R1 menores.
A ficha do modelo apresenta como usos diretos compreensão e geração de linguagem, perguntas de conhecimento geral, resolução de problemas em vários passos, geração e compreensão de código e tarefas científicas ou académicas. Um pedido útil pode, por isso, começar com uma condição matemática, um problema lógico, um fragmento de código ou uma explicação técnica que precise de ser examinada. O resultado é texto: uma solução proposta, um trecho de código, uma explicação ou um rascunho coerente. A natureza do resultado deve ser indicada no pedido para que o raciocínio sirva um objetivo definido.
Para um assistente de matemática, forneça a condição completa, definições, quantidades conhecidas e a conclusão a estabelecer. Uma tarefa ilustrativa é: «Verifique esta solução proposta. Identifique a primeira transição sem fundamento, explique o pressuposto em falta e forneça um resultado corrigido que satisfaça as condições originais.» Para um assistente de programação, forneça a função relevante, exemplos de entrada e o comportamento esperado; peça uma explicação da falha e uma alteração verificável com esses exemplos. Para redação de investigação, forneça o material a comparar e distinga afirmações das fontes, interpretações e perguntas que ainda precisam de evidências.
A Microsoft apresenta também o modelo como base para ajuste fino posterior específico de domínio, incluindo tutoria de matemática, assistentes de programação e ferramentas de investigação científica. Esse é um uso de adaptação posterior, separado do modelo de uso geral aqui descrito. O pós-treino utiliza exemplos de segurança e incumprimento juntamente com exemplos multilingues que abrangem temas em que tinham sido relatados enviesamentos. A alteração visa o comportamento de resposta; não transforma o modelo num sistema sem restrições nem elimina a necessidade de avaliar as respostas.
O fabricante identifica limites de utilização relevantes. Diagnóstico clínico ou decisões de tratamento, decisões jurídicas definitivas, controlo autónomo crítico para a segurança e decisões financeiras ou de segurança de elevado impacto estão fora da utilização fiável prevista na ficha do modelo. A função documentada enquadra-se melhor como explicação, redação e resolução estruturada de problemas com revisão adequada. A Microsoft assinala que alucinações factuais, enviesamentos culturais ou demográficos e vulnerabilidade a pedidos adversariais podem persistir após o pós-treino.
A versão partilha a data-limite de conhecimento de DeepSeek-R1 original, pelo que uma resposta confiante pode continuar a desconhecer um acontecimento recente ou um facto especializado. Embora o pós-treino utilize dados multilingues, a Microsoft espera que inglês e chinês sejam os idiomas mais fortes. Avalie o idioma e o tema necessários para a aplicação, em vez de presumir qualidade igual em todos os idiomas. Pedidos muito longos ou complicados podem continuar a ser difíceis; separe o material de origem, a tarefa e o critério de uma resposta bem-sucedida.
A ficha do modelo recomenda instruções claras de função e tarefa, verificação humana ou automatizada para usos sensíveis e monitorização ou filtragem de conteúdo onde a aplicação delas necessitar. Mantenha os factos das fontes e os pressupostos intermédios disponíveis para revisão e peça uma resposta final que possa ser comparada com o problema original. A ficha consultada não publica um limite numérico separado de contexto ou saída para esta versão, pelo que esses limites devem ser estabelecidos a partir de uma especificação exata de execução, em vez de serem importados de outra edição DeepSeek. MAI-DS-R1 continua a ser um modelo distinto com pós-treino, com os seus próprios objetivos e limitações documentados.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites MAI-DS-R1 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.00132 / 1K tokens Saída · Tokens de saída $0.00506 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.00132 / 1K tokens Saída · Tokens de saída $0.00506 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "MAI-DS-R1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra MAI-DS-R1
/chat/completions