MAI-DS-R1 är en resonemangsmodell som Microsoft AI-teamet eftertränade från DeepSeek-R1. Syftet är att bevara basmodellens styrkor inom resonemang samtidigt som svarsviljan förbättras för ämnen som tidigare fick ohjälpsamma avböjanden och modellens riskprofil förfinas. Microsoft beskriver utgåvan som sin egen eftertränade modell, med en DeepSeek-R1-grund på 671 miljarder parametrar och en mixture-of-experts-arkitektur. Det är en textgenereringsmodell snarare än en av de mindre R1-destillationerna.
Modellkortet presenterar språkförståelse och språkgenerering, allmänkunskapsfrågor, problemlösning i flera steg, kodgenerering och kodförståelse samt vetenskapliga eller akademiska uppgifter som direkta användningar. En användbar begäran kan därför börja med ett matematiskt villkor, en logisk gåta, ett kodfragment eller en teknisk förklaring som behöver undersökas. Resultatet är text: en föreslagen lösning, en kodbit, en förklaring eller ett sammanhängande utkast. Resultatets art bör anges i begäran så att resonemanget tjänar ett definierat mål.
För en matematikassistent tillhandahåller du det fullständiga villkoret, definitioner, kända storheter och den slutsats som ska fastställas. En illustrativ uppgift är: ”Kontrollera denna föreslagna lösning. Identifiera den första övergången som saknar stöd, förklara det saknade antagandet och ge ett korrigerat resultat som uppfyller de ursprungliga villkoren.” För en kodassistent tillhandahåller du den relevanta funktionen, indataexempel och förväntat beteende; be om en förklaring av felet och en ändring som kan kontrolleras med dessa exempel. För forskningsutkast anger du materialet som ska jämföras och skiljer källuttalanden, tolkningar och frågor som fortfarande behöver belägg åt.
Microsoft presenterar även modellen som en grund för ytterligare domänspecifik finjustering, inklusive matematikundervisning, kodassistenter och verktyg för vetenskaplig forskning. Detta är en användning för efterföljande anpassning, separat från den allmänna modell som beskrivs här. Efterträningen använder exempel på säkerhet och bristande efterlevnad tillsammans med flerspråkiga exempel som täcker ämnen där snedvridningar hade rapporterats. Ändringen riktar sig mot svarsbeteende; den gör inte modellen till ett obegränsat system och tar inte bort behovet av att utvärdera dess svar.
Tillverkaren identifierar betydelsefulla användningsgränser. Klinisk diagnos eller behandlingsbeslut, definitiva juridiska beslut, autonom säkerhetskritisk styrning och finansiella eller säkerhetsmässiga beslut med stora konsekvenser ligger utanför modellkortets avsedda tillförlitliga användning. Den dokumenterade rollen beskrivs bättre som förklaring, utkast och strukturerad problemlösning med lämplig granskning. Microsoft påpekar att faktahallucinationer, kulturella eller demografiska snedvridningar och sårbarhet för antagonistiska instruktioner kan finnas kvar efter efterträningen.
Utgåvan delar den ursprungliga DeepSeek-R1:s kunskapsgräns, så ett självsäkert svar kan fortfarande sakna en aktuell händelse eller en specialiserad uppgift. Även om efterträningen använder flerspråkiga data förväntar sig Microsoft att engelska och kinesiska är de starkaste språken. Utvärdera språket och ämnesområdet som applikationen behöver i stället för att anta samma kvalitet för varje språk. Mycket långa eller komplicerade instruktioner kan fortfarande vara utmanande; skilj källmaterialet, uppgiften och kriteriet för ett lyckat svar åt.
Modellkortet rekommenderar tydliga roll- och uppgiftsinstruktioner, mänsklig eller automatiserad verifiering för känsliga användningar och övervakning eller innehållsfiltrering där applikationen behöver det. Håll källfakta och mellanliggande antaganden tillgängliga för granskning och be om ett slutligt svar som kan jämföras med originalproblemet. Det lästa modellkortet publicerar inte ett separat numeriskt kontext- eller utdatatak för denna utgåva, så dessa gränser bör fastställas från en exakt körningsspecifikation snarare än lånas från en annan DeepSeek-utgåva. MAI-DS-R1 förblir en separat eftertränad modell med egna dokumenterade mål och begränsningar.
", "aboutText": "MAI-DS-R1 är en resonemangsmodell som Microsoft AI-teamet eftertränade från DeepSeek-R1. Syftet är att bevara basmodellens styrkor inom resonemang samtidigt som svarsviljan förbättras för ämnen som tidigare fick ohjälpsamma avböjanden och modellens riskprofil förfinas. Microsoft beskriver utgåvan som sin egen eftertränade modell, med en DeepSeek-R1-grund på 671 miljarder parametrar och en mixture-of-experts-arkitektur. Det är en textgenereringsmodell snarare än en av de mindre R1-destillationerna.\n\nModellkortet presenterar språkförståelse och språkgenerering, allmänkunskapsfrågor, problemlösning i flera steg, kodgenerering och kodförståelse samt vetenskapliga eller akademiska uppgifter som direkta användningar. En användbar begäran kan därför börja med ett matematiskt villkor, en logisk gåta, ett kodfragment eller en teknisk förklaring som behöver undersökas. Resultatet är text: en föreslagen lösning, en kodbit, en förklaring eller ett sammanhängande utkast. Resultatets art bör anges i begäran så att resonemanget tjänar ett definierat mål.\n\nFör en matematikassistent tillhandahåller du det fullständiga villkoret, definitioner, kända storheter och den slutsats som ska fastställas. En illustrativ uppgift är: ”Kontrollera denna föreslagna lösning. Identifiera den första övergången som saknar stöd, förklara det saknade antagandet och ge ett korrigerat resultat som uppfyller de ursprungliga villkoren.” För en kodassistent tillhandahåller du den relevanta funktionen, indataexempel och förväntat beteende; be om en förklaring av felet och en ändring som kan kontrolleras med dessa exempel. För forskningsutkast anger du materialet som ska jämföras och skiljer källuttalanden, tolkningar och frågor som fortfarande behöver belägg åt.\n\nMicrosoft presenterar även modellen som en grund för ytterligare domänspecifik finjustering, inklusive matematikundervisning, kodassistenter och verktyg för vetenskaplig forskning. Detta är en användning för efterföljande anpassning, separat från den allmänna modell som beskrivs här. Efterträningen använder exempel på säkerhet och bristande efterlevnad tillsammans med flerspråkiga exempel som täcker ämnen där snedvridningar hade rapporterats. Ändringen riktar sig mot svarsbeteende; den gör inte modellen till ett obegränsat system och tar inte bort behovet av att utvärdera dess svar.\n\nTillverkaren identifierar betydelsefulla användningsgränser. Klinisk diagnos eller behandlingsbeslut, definitiva juridiska beslut, autonom säkerhetskritisk styrning och finansiella eller säkerhetsmässiga beslut med stora konsekvenser ligger utanför modellkortets avsedda tillförlitliga användning. Den dokumenterade rollen beskrivs bättre som förklaring, utkast och strukturerad problemlösning med lämplig granskning. Microsoft påpekar att faktahallucinationer, kulturella eller demografiska snedvridningar och sårbarhet för antagonistiska instruktioner kan finnas kvar efter efterträningen.\n\nUtgåvan delar den ursprungliga DeepSeek-R1:s kunskapsgräns, så ett självsäkert svar kan fortfarande sakna en aktuell händelse eller en specialiserad uppgift. Även om efterträningen använder flerspråkiga data förväntar sig Microsoft att engelska och kinesiska är de starkaste språken. Utvärdera språket och ämnesområdet som applikationen behöver i stället för att anta samma kvalitet för varje språk. Mycket långa eller komplicerade instruktioner kan fortfarande vara utmanande; skilj källmaterialet, uppgiften och kriteriet för ett lyckat svar åt.\n\nModellkortet rekommenderar tydliga roll- och uppgiftsinstruktioner, mänsklig eller automatiserad verifiering för känsliga användningar och övervakning eller innehållsfiltrering där applikationen behöver det. Håll källfakta och mellanliggande antaganden tillgängliga för granskning och be om ett slutligt svar som kan jämföras med originalproblemet. Det lästa modellkortet publicerar inte ett separat numeriskt kontext- eller utdatatak för denna utgåva, så dessa gränser bör fastställas från en exakt körningsspecifikation snarare än lånas från en annan DeepSeek-utgåva. MAI-DS-R1 förblir en separat eftertränad modell med egna dokumenterade mål och begränsningar.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "94f4d162727161ec5b5e936087602abb4bee7b40a068492afdaf2a803cff71dc", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "MAI-DS-R1MAI-DS-R1 är Microsofts eftertränade DeepSeek-R1-modell för textresonemang, matematik, kod och forskning. Den behåller R1:s resonemangsgrund samtidigt som den åtgärdar luckor i svarsbeteendet och förfinar hur modellen hanterar känsliga ämnen.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
MAI-DS-R1 är en resonemangsmodell som Microsoft AI-teamet eftertränade från DeepSeek-R1. Syftet är att bevara basmodellens styrkor inom resonemang samtidigt som svarsviljan förbättras för ämnen som tidigare fick ohjälpsamma avböjanden och modellens riskprofil förfinas. Microsoft beskriver utgåvan som sin egen eftertränade modell, med en DeepSeek-R1-grund på 671 miljarder parametrar och en mixture-of-experts-arkitektur. Det är en textgenereringsmodell snarare än en av de mindre R1-destillationerna.
Modellkortet presenterar språkförståelse och språkgenerering, allmänkunskapsfrågor, problemlösning i flera steg, kodgenerering och kodförståelse samt vetenskapliga eller akademiska uppgifter som direkta användningar. En användbar begäran kan därför börja med ett matematiskt villkor, en logisk gåta, ett kodfragment eller en teknisk förklaring som behöver undersökas. Resultatet är text: en föreslagen lösning, en kodbit, en förklaring eller ett sammanhängande utkast. Resultatets art bör anges i begäran så att resonemanget tjänar ett definierat mål.
För en matematikassistent tillhandahåller du det fullständiga villkoret, definitioner, kända storheter och den slutsats som ska fastställas. En illustrativ uppgift är: ”Kontrollera denna föreslagna lösning. Identifiera den första övergången som saknar stöd, förklara det saknade antagandet och ge ett korrigerat resultat som uppfyller de ursprungliga villkoren.” För en kodassistent tillhandahåller du den relevanta funktionen, indataexempel och förväntat beteende; be om en förklaring av felet och en ändring som kan kontrolleras med dessa exempel. För forskningsutkast anger du materialet som ska jämföras och skiljer källuttalanden, tolkningar och frågor som fortfarande behöver belägg åt.
Microsoft presenterar även modellen som en grund för ytterligare domänspecifik finjustering, inklusive matematikundervisning, kodassistenter och verktyg för vetenskaplig forskning. Detta är en användning för efterföljande anpassning, separat från den allmänna modell som beskrivs här. Efterträningen använder exempel på säkerhet och bristande efterlevnad tillsammans med flerspråkiga exempel som täcker ämnen där snedvridningar hade rapporterats. Ändringen riktar sig mot svarsbeteende; den gör inte modellen till ett obegränsat system och tar inte bort behovet av att utvärdera dess svar.
Tillverkaren identifierar betydelsefulla användningsgränser. Klinisk diagnos eller behandlingsbeslut, definitiva juridiska beslut, autonom säkerhetskritisk styrning och finansiella eller säkerhetsmässiga beslut med stora konsekvenser ligger utanför modellkortets avsedda tillförlitliga användning. Den dokumenterade rollen beskrivs bättre som förklaring, utkast och strukturerad problemlösning med lämplig granskning. Microsoft påpekar att faktahallucinationer, kulturella eller demografiska snedvridningar och sårbarhet för antagonistiska instruktioner kan finnas kvar efter efterträningen.
Utgåvan delar den ursprungliga DeepSeek-R1:s kunskapsgräns, så ett självsäkert svar kan fortfarande sakna en aktuell händelse eller en specialiserad uppgift. Även om efterträningen använder flerspråkiga data förväntar sig Microsoft att engelska och kinesiska är de starkaste språken. Utvärdera språket och ämnesområdet som applikationen behöver i stället för att anta samma kvalitet för varje språk. Mycket långa eller komplicerade instruktioner kan fortfarande vara utmanande; skilj källmaterialet, uppgiften och kriteriet för ett lyckat svar åt.
Modellkortet rekommenderar tydliga roll- och uppgiftsinstruktioner, mänsklig eller automatiserad verifiering för känsliga användningar och övervakning eller innehållsfiltrering där applikationen behöver det. Håll källfakta och mellanliggande antaganden tillgängliga för granskning och be om ett slutligt svar som kan jämföras med originalproblemet. Det lästa modellkortet publicerar inte ett separat numeriskt kontext- eller utdatatak för denna utgåva, så dessa gränser bör fastställas från en exakt körningsspecifikation snarare än lånas från en annan DeepSeek-utgåva. MAI-DS-R1 förblir en separat eftertränad modell med egna dokumenterade mål och begränsningar.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser MAI-DS-R1 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Beror på modellen | Standard— |
Fältmessages[].content | Typstring | KravValfritt | Värden & gränser Gäller när: Textsamtal | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream |
Parametercontrol_scope | AvtalTextsamtal; stream är ett booleskt värde och har false som standard. |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Metodalias: /chat/completions
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00132 / 1K token Utdata · Utdatatoken $0.00506 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00132 / 1K token Utdata · Utdatatoken $0.00506 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra MAI-DS-R1
/chat/completions
MAI-DS-R1MAI-DS-R1 är Microsofts eftertränade DeepSeek-R1-modell för textresonemang, matematik, kod och forskning. Den behåller R1:s resonemangsgrund samtidigt som den åtgärdar luckor i svarsbeteendet och förfinar hur modellen hanterar känsliga ämnen.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
MAI-DS-R1 är en resonemangsmodell som Microsoft AI-teamet eftertränade från DeepSeek-R1. Syftet är att bevara basmodellens styrkor inom resonemang samtidigt som svarsviljan förbättras för ämnen som tidigare fick ohjälpsamma avböjanden och modellens riskprofil förfinas. Microsoft beskriver utgåvan som sin egen eftertränade modell, med en DeepSeek-R1-grund på 671 miljarder parametrar och en mixture-of-experts-arkitektur. Det är en textgenereringsmodell snarare än en av de mindre R1-destillationerna.
Modellkortet presenterar språkförståelse och språkgenerering, allmänkunskapsfrågor, problemlösning i flera steg, kodgenerering och kodförståelse samt vetenskapliga eller akademiska uppgifter som direkta användningar. En användbar begäran kan därför börja med ett matematiskt villkor, en logisk gåta, ett kodfragment eller en teknisk förklaring som behöver undersökas. Resultatet är text: en föreslagen lösning, en kodbit, en förklaring eller ett sammanhängande utkast. Resultatets art bör anges i begäran så att resonemanget tjänar ett definierat mål.
För en matematikassistent tillhandahåller du det fullständiga villkoret, definitioner, kända storheter och den slutsats som ska fastställas. En illustrativ uppgift är: ”Kontrollera denna föreslagna lösning. Identifiera den första övergången som saknar stöd, förklara det saknade antagandet och ge ett korrigerat resultat som uppfyller de ursprungliga villkoren.” För en kodassistent tillhandahåller du den relevanta funktionen, indataexempel och förväntat beteende; be om en förklaring av felet och en ändring som kan kontrolleras med dessa exempel. För forskningsutkast anger du materialet som ska jämföras och skiljer källuttalanden, tolkningar och frågor som fortfarande behöver belägg åt.
Microsoft presenterar även modellen som en grund för ytterligare domänspecifik finjustering, inklusive matematikundervisning, kodassistenter och verktyg för vetenskaplig forskning. Detta är en användning för efterföljande anpassning, separat från den allmänna modell som beskrivs här. Efterträningen använder exempel på säkerhet och bristande efterlevnad tillsammans med flerspråkiga exempel som täcker ämnen där snedvridningar hade rapporterats. Ändringen riktar sig mot svarsbeteende; den gör inte modellen till ett obegränsat system och tar inte bort behovet av att utvärdera dess svar.
Tillverkaren identifierar betydelsefulla användningsgränser. Klinisk diagnos eller behandlingsbeslut, definitiva juridiska beslut, autonom säkerhetskritisk styrning och finansiella eller säkerhetsmässiga beslut med stora konsekvenser ligger utanför modellkortets avsedda tillförlitliga användning. Den dokumenterade rollen beskrivs bättre som förklaring, utkast och strukturerad problemlösning med lämplig granskning. Microsoft påpekar att faktahallucinationer, kulturella eller demografiska snedvridningar och sårbarhet för antagonistiska instruktioner kan finnas kvar efter efterträningen.
Utgåvan delar den ursprungliga DeepSeek-R1:s kunskapsgräns, så ett självsäkert svar kan fortfarande sakna en aktuell händelse eller en specialiserad uppgift. Även om efterträningen använder flerspråkiga data förväntar sig Microsoft att engelska och kinesiska är de starkaste språken. Utvärdera språket och ämnesområdet som applikationen behöver i stället för att anta samma kvalitet för varje språk. Mycket långa eller komplicerade instruktioner kan fortfarande vara utmanande; skilj källmaterialet, uppgiften och kriteriet för ett lyckat svar åt.
Modellkortet rekommenderar tydliga roll- och uppgiftsinstruktioner, mänsklig eller automatiserad verifiering för känsliga användningar och övervakning eller innehållsfiltrering där applikationen behöver det. Håll källfakta och mellanliggande antaganden tillgängliga för granskning och be om ett slutligt svar som kan jämföras med originalproblemet. Det lästa modellkortet publicerar inte ett separat numeriskt kontext- eller utdatatak för denna utgåva, så dessa gränser bör fastställas från en exakt körningsspecifikation snarare än lånas från en annan DeepSeek-utgåva. MAI-DS-R1 förblir en separat eftertränad modell med egna dokumenterade mål och begränsningar.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser MAI-DS-R1 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00132 / 1K token Utdata · Utdatatoken $0.00506 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00132 / 1K token Utdata · Utdatatoken $0.00506 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "MAI-DS-R1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra MAI-DS-R1
/chat/completions