MAI-DS-R1 je model za sklepanje, ki ga je ekipa Microsoft AI naknadno učila iz DeepSeek-R1. Njegov namen je ohraniti prednosti sklepanja osnovnega modela ter izboljšati odzivnost pri temah, ki so prej prejele nekoristne zavrnitve, in izpopolniti profil tveganja modela. Microsoft izdajo opisuje kot lasten naknadno učeni model z osnovo DeepSeek-R1 s 671 milijardami parametrov in arhitekturo mešanice strokovnjakov. Je model za generiranje besedila in ne ena manjših destiliranih različic R1.
Kartica modela kot neposredne uporabe predstavlja razumevanje in generiranje jezika, vprašanja splošnega znanja, večstopenjsko reševanje problemov, generiranje in razumevanje kode ter znanstvene ali akademske naloge. Uporabna zahteva se zato lahko začne z matematičnim pogojem, logično uganko, izsekom kode ali tehnično razlago, ki jo je treba preučiti. Rezultat je besedilo: predlagana rešitev, del kode, razlaga ali skladen osnutek. Vrsto rezultata navedite v zahtevi, da bo sklepanje služilo določenemu cilju.
Pri matematičnem pomočniku predložite celoten pogoj, definicije, znane količine in sklep, ki ga je treba ugotoviti. Ponazoritvena naloga je: »Preveri to predlagano rešitev. Določi prvi nepodprti prehod, razloži manjkajočo predpostavko in podaj popravljeni rezultat, ki izpolnjuje izvirne pogoje.« Pri programerskem pomočniku predložite ustrezno funkcijo, primere vhodov in pričakovano vedenje; zahtevajte razlago napake in spremembo, ki jo je mogoče preveriti s temi primeri. Pri raziskovalnem pisanju podajte gradivo za primerjavo ter ločite trditve virov, interpretacije in vprašanja, ki še potrebujejo dokaze.
Microsoft model predstavlja tudi kot osnovo za nadaljnje področno dodatno učenje, vključno z matematičnim poučevanjem, programerskimi pomočniki in orodji za znanstveno raziskovanje. To je uporaba za nadaljnje prilagajanje, ločena od tukaj opisanega splošnonamenskega modela. Naknadno učenje uporablja primere varnosti in neizpolnjevanja zahtev skupaj z večjezičnimi primeri tem, pri katerih so poročali o pristranskosti. Sprememba cilja na odzivno vedenje; modela ne spremeni v neomejen sistem in ne odstrani potrebe po vrednotenju odgovorov.
Proizvajalec določa pomembne omejitve uporabe. Klinične diagnoze ali odločitve o zdravljenju, dokončne pravne odločitve, samostojno upravljanje sistemov, kritičnih za varnost, ter pomembne finančne ali varnostne odločitve so zunaj predvidene zanesljive uporabe na kartici modela. Dokumentirano vlogo je primerneje opredeliti kot razlago, pripravo osnutkov in strukturirano reševanje problemov z ustreznim pregledom. Microsoft opozarja, da lahko stvarne halucinacije, kulturne ali demografske pristranskosti in ranljivost za napadalne pozive ostanejo tudi po naknadnem učenju.
Izdaja si deli izvirno časovno mejo znanja DeepSeek-R1, zato lahko tudi samozavesten odgovor ne pozna nedavnega dogodka ali specializiranega dejstva. Čeprav naknadno učenje uporablja večjezične podatke, Microsoft pričakuje, da bosta angleščina in kitajščina najmočnejša jezika. Ovrednotite jezik in vsebinsko področje, ki ju aplikacija potrebuje, namesto da predpostavljate enako kakovost za vsak jezik. Zelo dolgi ali zapleteni pozivi lahko ostanejo zahtevni; ločite izvorno gradivo, nalogo in merilo uspešnega odgovora.
Kartica modela priporoča jasna navodila za vlogo in nalogo, človeško ali samodejno preverjanje pri občutljivih uporabah ter spremljanje ali filtriranje vsebine, kadar ju aplikacija potrebuje. Dejstva iz virov in vmesne predpostavke ohranite na voljo za pregled ter zahtevajte končni odgovor, primerljiv z izvirnim problemom. Prebrana kartica za to izdajo ne objavlja ločene številčne zgornje meje konteksta ali izhoda, zato je treba te omejitve ugotoviti iz natančne specifikacije izvajanja in jih ne prevzeti iz druge izdaje DeepSeek. MAI-DS-R1 ostaja ločen naknadno učeni model z lastnimi dokumentiranimi cilji in omejitvami.
", "aboutText": "MAI-DS-R1 je model za sklepanje, ki ga je ekipa Microsoft AI naknadno učila iz DeepSeek-R1. Njegov namen je ohraniti prednosti sklepanja osnovnega modela ter izboljšati odzivnost pri temah, ki so prej prejele nekoristne zavrnitve, in izpopolniti profil tveganja modela. Microsoft izdajo opisuje kot lasten naknadno učeni model z osnovo DeepSeek-R1 s 671 milijardami parametrov in arhitekturo mešanice strokovnjakov. Je model za generiranje besedila in ne ena manjših destiliranih različic R1.\n\nKartica modela kot neposredne uporabe predstavlja razumevanje in generiranje jezika, vprašanja splošnega znanja, večstopenjsko reševanje problemov, generiranje in razumevanje kode ter znanstvene ali akademske naloge. Uporabna zahteva se zato lahko začne z matematičnim pogojem, logično uganko, izsekom kode ali tehnično razlago, ki jo je treba preučiti. Rezultat je besedilo: predlagana rešitev, del kode, razlaga ali skladen osnutek. Vrsto rezultata navedite v zahtevi, da bo sklepanje služilo določenemu cilju.\n\nPri matematičnem pomočniku predložite celoten pogoj, definicije, znane količine in sklep, ki ga je treba ugotoviti. Ponazoritvena naloga je: »Preveri to predlagano rešitev. Določi prvi nepodprti prehod, razloži manjkajočo predpostavko in podaj popravljeni rezultat, ki izpolnjuje izvirne pogoje.« Pri programerskem pomočniku predložite ustrezno funkcijo, primere vhodov in pričakovano vedenje; zahtevajte razlago napake in spremembo, ki jo je mogoče preveriti s temi primeri. Pri raziskovalnem pisanju podajte gradivo za primerjavo ter ločite trditve virov, interpretacije in vprašanja, ki še potrebujejo dokaze.\n\nMicrosoft model predstavlja tudi kot osnovo za nadaljnje področno dodatno učenje, vključno z matematičnim poučevanjem, programerskimi pomočniki in orodji za znanstveno raziskovanje. To je uporaba za nadaljnje prilagajanje, ločena od tukaj opisanega splošnonamenskega modela. Naknadno učenje uporablja primere varnosti in neizpolnjevanja zahtev skupaj z večjezičnimi primeri tem, pri katerih so poročali o pristranskosti. Sprememba cilja na odzivno vedenje; modela ne spremeni v neomejen sistem in ne odstrani potrebe po vrednotenju odgovorov.\n\nProizvajalec določa pomembne omejitve uporabe. Klinične diagnoze ali odločitve o zdravljenju, dokončne pravne odločitve, samostojno upravljanje sistemov, kritičnih za varnost, ter pomembne finančne ali varnostne odločitve so zunaj predvidene zanesljive uporabe na kartici modela. Dokumentirano vlogo je primerneje opredeliti kot razlago, pripravo osnutkov in strukturirano reševanje problemov z ustreznim pregledom. Microsoft opozarja, da lahko stvarne halucinacije, kulturne ali demografske pristranskosti in ranljivost za napadalne pozive ostanejo tudi po naknadnem učenju.\n\nIzdaja si deli izvirno časovno mejo znanja DeepSeek-R1, zato lahko tudi samozavesten odgovor ne pozna nedavnega dogodka ali specializiranega dejstva. Čeprav naknadno učenje uporablja večjezične podatke, Microsoft pričakuje, da bosta angleščina in kitajščina najmočnejša jezika. Ovrednotite jezik in vsebinsko področje, ki ju aplikacija potrebuje, namesto da predpostavljate enako kakovost za vsak jezik. Zelo dolgi ali zapleteni pozivi lahko ostanejo zahtevni; ločite izvorno gradivo, nalogo in merilo uspešnega odgovora.\n\nKartica modela priporoča jasna navodila za vlogo in nalogo, človeško ali samodejno preverjanje pri občutljivih uporabah ter spremljanje ali filtriranje vsebine, kadar ju aplikacija potrebuje. Dejstva iz virov in vmesne predpostavke ohranite na voljo za pregled ter zahtevajte končni odgovor, primerljiv z izvirnim problemom. Prebrana kartica za to izdajo ne objavlja ločene številčne zgornje meje konteksta ali izhoda, zato je treba te omejitve ugotoviti iz natančne specifikacije izvajanja in jih ne prevzeti iz druge izdaje DeepSeek. MAI-DS-R1 ostaja ločen naknadno učeni model z lastnimi dokumentiranimi cilji in omejitvami.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "384560deb00b0cad2ed208ccca0a156af7f2b3773083b9e08fa99d2b744ea903", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sl", "methods": [ { "html": "MAI-DS-R1MAI-DS-R1 je Microsoftov naknadno učeni model DeepSeek-R1 za besedilno sklepanje, matematiko, kodo in raziskovanje. Ohranja osnovo sklepanja R1, hkrati pa odpravlja vrzeli v odgovorih in izpopolnjuje obravnavo občutljivih tem.
Ta opis zajema zmožnosti modela. Vhodi, izhodi in možnosti, ki so na voljo v Ailoot, so spodaj navedeni za izbrano metodo.
MAI-DS-R1 je model za sklepanje, ki ga je ekipa Microsoft AI naknadno učila iz DeepSeek-R1. Njegov namen je ohraniti prednosti sklepanja osnovnega modela ter izboljšati odzivnost pri temah, ki so prej prejele nekoristne zavrnitve, in izpopolniti profil tveganja modela. Microsoft izdajo opisuje kot lasten naknadno učeni model z osnovo DeepSeek-R1 s 671 milijardami parametrov in arhitekturo mešanice strokovnjakov. Je model za generiranje besedila in ne ena manjših destiliranih različic R1.
Kartica modela kot neposredne uporabe predstavlja razumevanje in generiranje jezika, vprašanja splošnega znanja, večstopenjsko reševanje problemov, generiranje in razumevanje kode ter znanstvene ali akademske naloge. Uporabna zahteva se zato lahko začne z matematičnim pogojem, logično uganko, izsekom kode ali tehnično razlago, ki jo je treba preučiti. Rezultat je besedilo: predlagana rešitev, del kode, razlaga ali skladen osnutek. Vrsto rezultata navedite v zahtevi, da bo sklepanje služilo določenemu cilju.
Pri matematičnem pomočniku predložite celoten pogoj, definicije, znane količine in sklep, ki ga je treba ugotoviti. Ponazoritvena naloga je: »Preveri to predlagano rešitev. Določi prvi nepodprti prehod, razloži manjkajočo predpostavko in podaj popravljeni rezultat, ki izpolnjuje izvirne pogoje.« Pri programerskem pomočniku predložite ustrezno funkcijo, primere vhodov in pričakovano vedenje; zahtevajte razlago napake in spremembo, ki jo je mogoče preveriti s temi primeri. Pri raziskovalnem pisanju podajte gradivo za primerjavo ter ločite trditve virov, interpretacije in vprašanja, ki še potrebujejo dokaze.
Microsoft model predstavlja tudi kot osnovo za nadaljnje področno dodatno učenje, vključno z matematičnim poučevanjem, programerskimi pomočniki in orodji za znanstveno raziskovanje. To je uporaba za nadaljnje prilagajanje, ločena od tukaj opisanega splošnonamenskega modela. Naknadno učenje uporablja primere varnosti in neizpolnjevanja zahtev skupaj z večjezičnimi primeri tem, pri katerih so poročali o pristranskosti. Sprememba cilja na odzivno vedenje; modela ne spremeni v neomejen sistem in ne odstrani potrebe po vrednotenju odgovorov.
Proizvajalec določa pomembne omejitve uporabe. Klinične diagnoze ali odločitve o zdravljenju, dokončne pravne odločitve, samostojno upravljanje sistemov, kritičnih za varnost, ter pomembne finančne ali varnostne odločitve so zunaj predvidene zanesljive uporabe na kartici modela. Dokumentirano vlogo je primerneje opredeliti kot razlago, pripravo osnutkov in strukturirano reševanje problemov z ustreznim pregledom. Microsoft opozarja, da lahko stvarne halucinacije, kulturne ali demografske pristranskosti in ranljivost za napadalne pozive ostanejo tudi po naknadnem učenju.
Izdaja si deli izvirno časovno mejo znanja DeepSeek-R1, zato lahko tudi samozavesten odgovor ne pozna nedavnega dogodka ali specializiranega dejstva. Čeprav naknadno učenje uporablja večjezične podatke, Microsoft pričakuje, da bosta angleščina in kitajščina najmočnejša jezika. Ovrednotite jezik in vsebinsko področje, ki ju aplikacija potrebuje, namesto da predpostavljate enako kakovost za vsak jezik. Zelo dolgi ali zapleteni pozivi lahko ostanejo zahtevni; ločite izvorno gradivo, nalogo in merilo uspešnega odgovora.
Kartica modela priporoča jasna navodila za vlogo in nalogo, človeško ali samodejno preverjanje pri občutljivih uporabah ter spremljanje ali filtriranje vsebine, kadar ju aplikacija potrebuje. Dejstva iz virov in vmesne predpostavke ohranite na voljo za pregled ter zahtevajte končni odgovor, primerljiv z izvirnim problemom. Prebrana kartica za to izdajo ne objavlja ločene številčne zgornje meje konteksta ali izhoda, zato je treba te omejitve ugotoviti iz natančne specifikacije izvajanja in jih ne prevzeti iz druge izdaje DeepSeek. MAI-DS-R1 ostaja ločen naknadno učeni model z lastnimi dokumentiranimi cilji in omejitvami.
POST /v1/chat/completionstexttext| Polje | Vrsta | Zahteva | Vrednosti in omejitve | Privzeto |
|---|---|---|---|---|
Poljemodel | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve MAI-DS-R1 | Privzeto— |
Poljemessages | Vrstamessage[] | ZahtevaObvezno | Vrednosti in omejitve Najmanjše število elementov: 1 | Privzeto— |
Poljemessages[].role | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve Odvisno od modela | Privzeto— |
Poljemessages[].content | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve Velja, ko: Besedilni pogovor | Privzeto— |
Poljestream | Vrstaboolean | ZahtevaIzbirno | Vrednosti in omejitve | Privzetofalse |
Besedilo · Besedilo UTF8
messages[].content
| Parameter | Specifikacija |
|---|---|
Parametercontent_type | Specifikacijaapplication/json |
Parameterrequired | Specifikacijamodel, messages |
Parametermaterial_types | Specifikacijatext |
Parametermessages | Specifikacijapolje sporočil s strukturo role/content |
Parameterfile_material | Specifikacijadejanski dokument UTF-8 je vstavljen kot dobesedno besedilo; ID datoteke se ne izpeljuje |
Parameteroptional_controls | Specifikacijastream |
Parametercontrol_scope | SpecifikacijaBesedilni pogovor; stream je logična vrednost in je privzeto false. |
Parameteroutput_modalities | Specifikacijatext |
Parameterhosted_operations | Specifikacijafalse |
Parametermultimodal_input_binding | Specifikacijanull |
Druga imena metode: /chat/completions
Življenjski cikel: synchronous_or_streamed
Pošljite natančen ID modela skupaj z messages.
Dolžina konteksta ni zgornja meja izhoda.
Besedilna datoteka lahko poda dobesedno besedilo; slikovni, zvočni vhodi in vhodi z datotečnimi objekti potrebujejo natančno vezavo.
Tarifni podatki ne dodajajo možnosti zahteve. Podprti parametri so navedeni pri izbrani metodi.
Vsak strošek povežite s prikazanimi pogoji. Za vsak nabor alternativnih nastavitev uporabite eno ceno.
| Nastavitev | Cenovna lestvica | Žetonov konteksta več kot | Žetonov konteksta do vključno | Strošek |
|---|---|---|---|---|
| NastavitevOsnovne cene za žetone | Cenovna lestvicaOsnovna cena | Žetonov konteksta več kot— | Žetonov konteksta do vključnoBrez zgornje meje | Strošek Vhod · Vhodni žetoni $0.00132 / 1K žetonov Izhod · Izhodni žetoni $0.00506 / 1K žetonov Vhod · Branje predpomnilnika — / 1K žetonov Vhod · Zapis v predpomnilnik — / 1K žetonov Vhod · Zapis v predpomnilnik, 1 ura — / 1K žetonov |
| NastavitevRazred 1 glede na dolžino zahteve | Cenovna lestvica— | Žetonov konteksta več kot0 | Žetonov konteksta do vključnoBrez zgornje meje | Strošek Vhod · Vhodni žetoni $0.00132 / 1K žetonov Izhod · Izhodni žetoni $0.00506 / 1K žetonov Vhod · Branje predpomnilnika — / 1K žetonov Vhod · Zapis v predpomnilnik — / 1K žetonov Vhod · Zapis v predpomnilnik, 1 ura — / 1K žetonov |
Ailoot pred zahtevo rezervira ocenjeni znesek. Po rezultatu obračuna končni strošek na podlagi izmerjene porabe. Obračun pretakanja uporablja končni zapis porabe. Kako delujeta rezervacija in obračun →
set -eu\n: "${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 ali SSE
Shranite vsak v celoti vrnjen odgovor, datoteko in del vsebine.
Ohranite vsako možnost odgovora ter njeno vsebino, klice orodij in sklepanje. V SSE sestavite delne spremembe po indeksu možnosti/orodja ter ohranite končni razlog zaključka in podatke o porabi.
Ohranite ID zahtev/odgovorov in glave. Splošni URL za pridobivanje besedilne naloge ni podan.
| Polje | Vrsta |
|---|---|
Poljechoices[].index | Vrstainteger |
Poljechoices[].message.content | Vrstastring|null |
Poljechoices[].message.tool_calls | Vrstatool_call[] |
Poljechoices[].message.reasoning_content | Vrstastring |
Poljechoices[].message.reasoning_details | Vrstaobject|array |
Poljechoices[].finish_reason | Vrstastring|null |
Poljeusage | Vrstaobject |
| Odgovor | Pogoj | Naslednji korak |
|---|---|---|
Odgovor400 · invalid_request_error | PogojNeveljavna obvezna polja, predstavitev gradiva ali vrednost parametra | Naslednji korakPred novo zahtevo za ustvarjanje popravite navedena polja. |
Ailoot Ultra MAI-DS-R1
/chat/completions
MAI-DS-R1MAI-DS-R1 je Microsoftov naknadno učeni model DeepSeek-R1 za besedilno sklepanje, matematiko, kodo in raziskovanje. Ohranja osnovo sklepanja R1, hkrati pa odpravlja vrzeli v odgovorih in izpopolnjuje obravnavo občutljivih tem.
Ta opis zajema zmožnosti modela. Vhodi, izhodi in možnosti, ki so na voljo v Ailoot, so spodaj navedeni za izbrano metodo.
MAI-DS-R1 je model za sklepanje, ki ga je ekipa Microsoft AI naknadno učila iz DeepSeek-R1. Njegov namen je ohraniti prednosti sklepanja osnovnega modela ter izboljšati odzivnost pri temah, ki so prej prejele nekoristne zavrnitve, in izpopolniti profil tveganja modela. Microsoft izdajo opisuje kot lasten naknadno učeni model z osnovo DeepSeek-R1 s 671 milijardami parametrov in arhitekturo mešanice strokovnjakov. Je model za generiranje besedila in ne ena manjših destiliranih različic R1.
Kartica modela kot neposredne uporabe predstavlja razumevanje in generiranje jezika, vprašanja splošnega znanja, večstopenjsko reševanje problemov, generiranje in razumevanje kode ter znanstvene ali akademske naloge. Uporabna zahteva se zato lahko začne z matematičnim pogojem, logično uganko, izsekom kode ali tehnično razlago, ki jo je treba preučiti. Rezultat je besedilo: predlagana rešitev, del kode, razlaga ali skladen osnutek. Vrsto rezultata navedite v zahtevi, da bo sklepanje služilo določenemu cilju.
Pri matematičnem pomočniku predložite celoten pogoj, definicije, znane količine in sklep, ki ga je treba ugotoviti. Ponazoritvena naloga je: »Preveri to predlagano rešitev. Določi prvi nepodprti prehod, razloži manjkajočo predpostavko in podaj popravljeni rezultat, ki izpolnjuje izvirne pogoje.« Pri programerskem pomočniku predložite ustrezno funkcijo, primere vhodov in pričakovano vedenje; zahtevajte razlago napake in spremembo, ki jo je mogoče preveriti s temi primeri. Pri raziskovalnem pisanju podajte gradivo za primerjavo ter ločite trditve virov, interpretacije in vprašanja, ki še potrebujejo dokaze.
Microsoft model predstavlja tudi kot osnovo za nadaljnje področno dodatno učenje, vključno z matematičnim poučevanjem, programerskimi pomočniki in orodji za znanstveno raziskovanje. To je uporaba za nadaljnje prilagajanje, ločena od tukaj opisanega splošnonamenskega modela. Naknadno učenje uporablja primere varnosti in neizpolnjevanja zahtev skupaj z večjezičnimi primeri tem, pri katerih so poročali o pristranskosti. Sprememba cilja na odzivno vedenje; modela ne spremeni v neomejen sistem in ne odstrani potrebe po vrednotenju odgovorov.
Proizvajalec določa pomembne omejitve uporabe. Klinične diagnoze ali odločitve o zdravljenju, dokončne pravne odločitve, samostojno upravljanje sistemov, kritičnih za varnost, ter pomembne finančne ali varnostne odločitve so zunaj predvidene zanesljive uporabe na kartici modela. Dokumentirano vlogo je primerneje opredeliti kot razlago, pripravo osnutkov in strukturirano reševanje problemov z ustreznim pregledom. Microsoft opozarja, da lahko stvarne halucinacije, kulturne ali demografske pristranskosti in ranljivost za napadalne pozive ostanejo tudi po naknadnem učenju.
Izdaja si deli izvirno časovno mejo znanja DeepSeek-R1, zato lahko tudi samozavesten odgovor ne pozna nedavnega dogodka ali specializiranega dejstva. Čeprav naknadno učenje uporablja večjezične podatke, Microsoft pričakuje, da bosta angleščina in kitajščina najmočnejša jezika. Ovrednotite jezik in vsebinsko področje, ki ju aplikacija potrebuje, namesto da predpostavljate enako kakovost za vsak jezik. Zelo dolgi ali zapleteni pozivi lahko ostanejo zahtevni; ločite izvorno gradivo, nalogo in merilo uspešnega odgovora.
Kartica modela priporoča jasna navodila za vlogo in nalogo, človeško ali samodejno preverjanje pri občutljivih uporabah ter spremljanje ali filtriranje vsebine, kadar ju aplikacija potrebuje. Dejstva iz virov in vmesne predpostavke ohranite na voljo za pregled ter zahtevajte končni odgovor, primerljiv z izvirnim problemom. Prebrana kartica za to izdajo ne objavlja ločene številčne zgornje meje konteksta ali izhoda, zato je treba te omejitve ugotoviti iz natančne specifikacije izvajanja in jih ne prevzeti iz druge izdaje DeepSeek. MAI-DS-R1 ostaja ločen naknadno učeni model z lastnimi dokumentiranimi cilji in omejitvami.
POST /v1/messagestextjson, sse| Polje | Vrsta | Zahteva | Vrednosti in omejitve | Privzeto |
|---|---|---|---|---|
Poljemodel | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve MAI-DS-R1 | Privzeto— |
Poljemessages | Vrstamessage[] | ZahtevaObvezno | Vrednosti in omejitve | Privzeto— |
Poljemessages[].role | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve user, assistant | Privzeto— |
Poljemessages[].content | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve | Privzeto— |
Poljemax_tokens | Vrstainteger | ZahtevaObvezno | Vrednosti in omejitve | Privzeto— |
Poljestream | Vrstaboolean | ZahtevaIzbirno | Vrednosti in omejitve | Privzetofalse |
Besedilo · Besedilo UTF-8
niz messages[].content
| Parameter | Specifikacija |
|---|---|
Parametercontent_type | Specifikacijaapplication/json |
Parameterrequired | Specifikacijamodel, messages, max_tokens |
Parameteroptional_controls | Specifikacijastream |
Parametermaterial_types | Specifikacijatext |
Parametertext_file_material | SpecifikacijaPreberite dejanski dokument UTF-8 in njegovo besedilo vstavite v navedeni vhodni niz ali niz vsebine sporočila. |
Življenjski cikel: synchronous_or_streamed
Tarifni podatki ne dodajajo možnosti zahteve. Podprti parametri so navedeni pri izbrani metodi.
Vsak strošek povežite s prikazanimi pogoji. Za vsak nabor alternativnih nastavitev uporabite eno ceno.
| Nastavitev | Cenovna lestvica | Žetonov konteksta več kot | Žetonov konteksta do vključno | Strošek |
|---|---|---|---|---|
| NastavitevOsnovne cene za žetone | Cenovna lestvicaOsnovna cena | Žetonov konteksta več kot— | Žetonov konteksta do vključnoBrez zgornje meje | Strošek Vhod · Vhodni žetoni $0.00132 / 1K žetonov Izhod · Izhodni žetoni $0.00506 / 1K žetonov Vhod · Branje predpomnilnika — / 1K žetonov Vhod · Zapis v predpomnilnik — / 1K žetonov Vhod · Zapis v predpomnilnik, 1 ura — / 1K žetonov |
| NastavitevRazred 1 glede na dolžino zahteve | Cenovna lestvica— | Žetonov konteksta več kot0 | Žetonov konteksta do vključnoBrez zgornje meje | Strošek Vhod · Vhodni žetoni $0.00132 / 1K žetonov Izhod · Izhodni žetoni $0.00506 / 1K žetonov Vhod · Branje predpomnilnika — / 1K žetonov Vhod · Zapis v predpomnilnik — / 1K žetonov Vhod · Zapis v predpomnilnik, 1 ura — / 1K žetonov |
Ailoot pred zahtevo rezervira ocenjeni znesek. Po rezultatu obračuna končni strošek na podlagi izmerjene porabe. Obračun pretakanja uporablja končni zapis porabe. Kako delujeta rezervacija in obračun →
{\n "model": "MAI-DS-R1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ali SSE
Shranite vsak v celoti vrnjen odgovor, datoteko in del vsebine.
Ohranite vse vsebinske bloke, podpise sklepanja in dejanske ID uporabe orodij. Sestavite vse delne spremembe blokov SSE; prvi besedilni blok ni celoten izhod.
Ohranite ID zahtev/odgovorov in glave. Splošni URL za pridobivanje besedilne naloge ni podan.
| Polje | Vrsta |
|---|---|
Poljeid | Vrstastring |
Poljemodel | Vrstastring |
Poljecontent[] | Vrstatext|thinking|tool_use|other content block |
Poljestop_reason | Vrstastring|null |
Poljeusage | Vrstaobject |
| Odgovor | Pogoj | Naslednji korak |
|---|---|---|
Odgovor400 · invalid_request_error | PogojNeveljavna obvezna polja, predstavitev gradiva ali vrednost parametra | Naslednji korakPred novo zahtevo za ustvarjanje popravite navedena polja. |
Ailoot Ultra MAI-DS-R1
/chat/completions