MiniMax M2-her er MiniMax' dialogfokuserede tekstmodel til rollespil, karaktersamtaler og historiedrevet interaktion. Det er en særskilt profil fra den generelle kode- og agentorienterede MiniMax M2-model. Producenten udvikler den omkring sammenhængende fiktive verdener, aktiv historieudvikling og tilpasning til brugerens samtalepræferencer. Dens input og output er tekst; den særlige vejledning understøtter ikke blandet tekst- og billedinput.
Producentens samtaleformat omfatter mere end de sædvanlige system-, user- og assistant-beskeder. Rollen system definerer modellens identitet, personlighed og adfærd. Rollen user_system definerer brugerens karakter eller persona, mens group identificerer scenariet eller samtalegruppen. Hold disse forskelle klare, når historien omfatter flere personer, forskellig viden eller en bestemt relation.
Giv modellen miljøet, karakterens motiver og de fakta, der skal forblive sande. Beskriv, hvem der bestemmer brugerens handlinger, og hvilke valg der skal stå åbne for et svar. En eksempelbeskrivelse af en scene er: “Fortsæt som arkivaren, bevar det etablerede mysterium, og giv én ny ledetråd uden at bestemme, hvordan min karakter reagerer.” Det forbereder en responsiv udveksling frem for at bede modellen skrive begge sider af interaktionen.
M2-her understøtter sample_message_user- og sample_message_ai-beskeder til at demonstrere det ønskede dialogmønster. Producenten anbefaler ét til tre korte eksempler. Brug dem til at fastlægge stemme, tempo og forholdet mellem fortælling og dialog, og undgå et langt eksempel, der bruger kontekst uden at tydeliggøre stilen. Eksemplerne tæller med i inputbudgettet ligesom andre beskeder.
MiniMax' udviklingsretning lægger vægt på karakteridentitet, verdensregler, varieret handlingsudvikling og brugerens handlefrihed. Angiv det ønskede tempo, når det er vigtigt, såsom en stille udveksling, en gradvis afsløring eller en ny komplikation. Ved revision skal du identificere den præcise linje eller hændelse, der bryder med karakteren eller kronologien, og bede om en rettelse, som bevarer resten af scenen.
Den dokumenterede arbejdsgang omfatter hele bruger- og assistenthistorikken i kronologisk rækkefølge til dialog over flere ture. Historikken giver næste svar grundlag om tidligere begivenheder og etablerede relationer. Hold vigtige navne og nyere udviklinger eksplicitte, når du forbereder en fortsat historie. Konteksthistorik leveres til modellen; den bør ikke forveksles med ubegrænset hukommelse uden for samtalen.
Producentens rollespilsforskning bruger dialogsyntese og online præferencelæring til at forbedre mangfoldighed, kontinuitet og responsivitet. Disse træningsmetoder beskriver producentmodellen og garanterer ikke, at hver enkelt historie forbliver fejlfri. Kontroller, om et svar tilskriver dialog til den rigtige karakter og respekterer miljøets fysiske eller fiktive regler.
Den særlige M2-her-vejledning angiver en kontekst på 64K og et maksimalt svar på 2.048 tokens. Den dokumenterer også streamet output og standardindstillinger for sampling på temperature 1.0 og top-p 0.95. Vælg en svarlængde, der passer til en tur i samtalen; en for lang passage kan fortrænge brugerens næste beslutning eller blive afbrudt af svarbudgettet.
Det nyttige resultat er et karaktersvar, en fortællende passage eller en fortsat scene, som passer til det leverede miljø og inviterer til næste interaktion. Kontroller synsvinkel, karakterernes handlefrihed, konsistens i henvisninger og den ønskede afslutning. Det navngivne rollespilsformat og grænserne for M2-her er adskilt fra andre sprog-, visions- og mediemodeller fra MiniMax.
", "aboutText": "MiniMax M2-her er MiniMax' dialogfokuserede tekstmodel til rollespil, karaktersamtaler og historiedrevet interaktion. Det er en særskilt profil fra den generelle kode- og agentorienterede MiniMax M2-model. Producenten udvikler den omkring sammenhængende fiktive verdener, aktiv historieudvikling og tilpasning til brugerens samtalepræferencer. Dens input og output er tekst; den særlige vejledning understøtter ikke blandet tekst- og billedinput.\n\n### Definer verdenen og begge roller\n\nProducentens samtaleformat omfatter mere end de sædvanlige system-, user- og assistant-beskeder. Rollen system definerer modellens identitet, personlighed og adfærd. Rollen user_system definerer brugerens karakter eller persona, mens group identificerer scenariet eller samtalegruppen. Hold disse forskelle klare, når historien omfatter flere personer, forskellig viden eller en bestemt relation.\n\nGiv modellen miljøet, karakterens motiver og de fakta, der skal forblive sande. Beskriv, hvem der bestemmer brugerens handlinger, og hvilke valg der skal stå åbne for et svar. En eksempelbeskrivelse af en scene er: “Fortsæt som arkivaren, bevar det etablerede mysterium, og giv én ny ledetråd uden at bestemme, hvordan min karakter reagerer.” Det forbereder en responsiv udveksling frem for at bede modellen skrive begge sider af interaktionen.\n\n### Eksempler og stil\n\nM2-her understøtter sample_message_user- og sample_message_ai-beskeder til at demonstrere det ønskede dialogmønster. Producenten anbefaler ét til tre korte eksempler. Brug dem til at fastlægge stemme, tempo og forholdet mellem fortælling og dialog, og undgå et langt eksempel, der bruger kontekst uden at tydeliggøre stilen. Eksemplerne tæller med i inputbudgettet ligesom andre beskeder.\n\nMiniMax' udviklingsretning lægger vægt på karakteridentitet, verdensregler, varieret handlingsudvikling og brugerens handlefrihed. Angiv det ønskede tempo, når det er vigtigt, såsom en stille udveksling, en gradvis afsløring eller en ny komplikation. Ved revision skal du identificere den præcise linje eller hændelse, der bryder med karakteren eller kronologien, og bede om en rettelse, som bevarer resten af scenen.\n\n### Bevar samtalekonteksten\n\nDen dokumenterede arbejdsgang omfatter hele bruger- og assistenthistorikken i kronologisk rækkefølge til dialog over flere ture. Historikken giver næste svar grundlag om tidligere begivenheder og etablerede relationer. Hold vigtige navne og nyere udviklinger eksplicitte, når du forbereder en fortsat historie. Konteksthistorik leveres til modellen; den bør ikke forveksles med ubegrænset hukommelse uden for samtalen.\n\nProducentens rollespilsforskning bruger dialogsyntese og online præferencelæring til at forbedre mangfoldighed, kontinuitet og responsivitet. Disse træningsmetoder beskriver producentmodellen og garanterer ikke, at hver enkelt historie forbliver fejlfri. Kontroller, om et svar tilskriver dialog til den rigtige karakter og respekterer miljøets fysiske eller fiktive regler.\n\n### Grænser og den resulterende passage\n\nDen særlige M2-her-vejledning angiver en kontekst på 64K og et maksimalt svar på 2.048 tokens. Den dokumenterer også streamet output og standardindstillinger for sampling på temperature 1.0 og top-p 0.95. Vælg en svarlængde, der passer til en tur i samtalen; en for lang passage kan fortrænge brugerens næste beslutning eller blive afbrudt af svarbudgettet.\n\nDet nyttige resultat er et karaktersvar, en fortællende passage eller en fortsat scene, som passer til det leverede miljø og inviterer til næste interaktion. Kontroller synsvinkel, karakterernes handlefrihed, konsistens i henvisninger og den ønskede afslutning. Det navngivne rollespilsformat og grænserne for M2-her er adskilt fra andre sprog-, visions- og mediemodeller fra MiniMax.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
A clue within a consistent fictional world\n\nContinue as caretaker Sol for two or three short replies. In this world, the lighthouse lamp can glow only when its bell is silent. I play a visitor who asks why the dark lamp still feels warm. Offer one clue while preserving the world rule, and end before deciding my character's response or movement.Two or three character replies with a clue, a consistent lamp/bell relationship and room for the player to act.The passage never has the lamp glowing while the bell rings and does not control the visitor.minimax/minimax-m2-herMiniMax M2-her er en ren tekstmodel til karakterrollespil, historiedrevet dialog og samtaler over flere ture. Dens særlige rolle- og eksempelbeskedformater former begge sider af interaktionen, med 64K producentkontekst og et maksimalt svar på 2.048 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
MiniMax M2-her er MiniMax' dialogfokuserede tekstmodel til rollespil, karaktersamtaler og historiedrevet interaktion. Det er en særskilt profil fra den generelle kode- og agentorienterede MiniMax M2-model. Producenten udvikler den omkring sammenhængende fiktive verdener, aktiv historieudvikling og tilpasning til brugerens samtalepræferencer. Dens input og output er tekst; den særlige vejledning understøtter ikke blandet tekst- og billedinput.
Producentens samtaleformat omfatter mere end de sædvanlige system-, user- og assistant-beskeder. Rollen system definerer modellens identitet, personlighed og adfærd. Rollen user_system definerer brugerens karakter eller persona, mens group identificerer scenariet eller samtalegruppen. Hold disse forskelle klare, når historien omfatter flere personer, forskellig viden eller en bestemt relation.
Giv modellen miljøet, karakterens motiver og de fakta, der skal forblive sande. Beskriv, hvem der bestemmer brugerens handlinger, og hvilke valg der skal stå åbne for et svar. En eksempelbeskrivelse af en scene er: “Fortsæt som arkivaren, bevar det etablerede mysterium, og giv én ny ledetråd uden at bestemme, hvordan min karakter reagerer.” Det forbereder en responsiv udveksling frem for at bede modellen skrive begge sider af interaktionen.
M2-her understøtter sample_message_user- og sample_message_ai-beskeder til at demonstrere det ønskede dialogmønster. Producenten anbefaler ét til tre korte eksempler. Brug dem til at fastlægge stemme, tempo og forholdet mellem fortælling og dialog, og undgå et langt eksempel, der bruger kontekst uden at tydeliggøre stilen. Eksemplerne tæller med i inputbudgettet ligesom andre beskeder.
MiniMax' udviklingsretning lægger vægt på karakteridentitet, verdensregler, varieret handlingsudvikling og brugerens handlefrihed. Angiv det ønskede tempo, når det er vigtigt, såsom en stille udveksling, en gradvis afsløring eller en ny komplikation. Ved revision skal du identificere den præcise linje eller hændelse, der bryder med karakteren eller kronologien, og bede om en rettelse, som bevarer resten af scenen.
Den dokumenterede arbejdsgang omfatter hele bruger- og assistenthistorikken i kronologisk rækkefølge til dialog over flere ture. Historikken giver næste svar grundlag om tidligere begivenheder og etablerede relationer. Hold vigtige navne og nyere udviklinger eksplicitte, når du forbereder en fortsat historie. Konteksthistorik leveres til modellen; den bør ikke forveksles med ubegrænset hukommelse uden for samtalen.
Producentens rollespilsforskning bruger dialogsyntese og online præferencelæring til at forbedre mangfoldighed, kontinuitet og responsivitet. Disse træningsmetoder beskriver producentmodellen og garanterer ikke, at hver enkelt historie forbliver fejlfri. Kontroller, om et svar tilskriver dialog til den rigtige karakter og respekterer miljøets fysiske eller fiktive regler.
Den særlige M2-her-vejledning angiver en kontekst på 64K og et maksimalt svar på 2.048 tokens. Den dokumenterer også streamet output og standardindstillinger for sampling på temperature 1.0 og top-p 0.95. Vælg en svarlængde, der passer til en tur i samtalen; en for lang passage kan fortrænge brugerens næste beslutning eller blive afbrudt af svarbudgettet.
Det nyttige resultat er et karaktersvar, en fortællende passage eller en fortsat scene, som passer til det leverede miljø og inviterer til næste interaktion. Kontroller synsvinkel, karakterernes handlefrihed, konsistens i henvisninger og den ønskede afslutning. Det navngivne rollespilsformat og grænserne for M2-her er adskilt fra andre sprog-, visions- og mediemodeller fra MiniMax.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser minimax/minimax-m2-her | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.0024 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.0024 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax/minimax-m2-her", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\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='minimax/minimax-m2-her',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\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"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\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)\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\nwith client.chat.completions.stream(model='minimax/minimax-m2-her',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra minimax/minimax-m2-her
Brug metodestierne vist ovenfor.
minimax/minimax-m2-herMiniMax M2-her er en ren tekstmodel til karakterrollespil, historiedrevet dialog og samtaler over flere ture. Dens særlige rolle- og eksempelbeskedformater former begge sider af interaktionen, med 64K producentkontekst og et maksimalt svar på 2.048 tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
MiniMax M2-her er MiniMax' dialogfokuserede tekstmodel til rollespil, karaktersamtaler og historiedrevet interaktion. Det er en særskilt profil fra den generelle kode- og agentorienterede MiniMax M2-model. Producenten udvikler den omkring sammenhængende fiktive verdener, aktiv historieudvikling og tilpasning til brugerens samtalepræferencer. Dens input og output er tekst; den særlige vejledning understøtter ikke blandet tekst- og billedinput.
Producentens samtaleformat omfatter mere end de sædvanlige system-, user- og assistant-beskeder. Rollen system definerer modellens identitet, personlighed og adfærd. Rollen user_system definerer brugerens karakter eller persona, mens group identificerer scenariet eller samtalegruppen. Hold disse forskelle klare, når historien omfatter flere personer, forskellig viden eller en bestemt relation.
Giv modellen miljøet, karakterens motiver og de fakta, der skal forblive sande. Beskriv, hvem der bestemmer brugerens handlinger, og hvilke valg der skal stå åbne for et svar. En eksempelbeskrivelse af en scene er: “Fortsæt som arkivaren, bevar det etablerede mysterium, og giv én ny ledetråd uden at bestemme, hvordan min karakter reagerer.” Det forbereder en responsiv udveksling frem for at bede modellen skrive begge sider af interaktionen.
M2-her understøtter sample_message_user- og sample_message_ai-beskeder til at demonstrere det ønskede dialogmønster. Producenten anbefaler ét til tre korte eksempler. Brug dem til at fastlægge stemme, tempo og forholdet mellem fortælling og dialog, og undgå et langt eksempel, der bruger kontekst uden at tydeliggøre stilen. Eksemplerne tæller med i inputbudgettet ligesom andre beskeder.
MiniMax' udviklingsretning lægger vægt på karakteridentitet, verdensregler, varieret handlingsudvikling og brugerens handlefrihed. Angiv det ønskede tempo, når det er vigtigt, såsom en stille udveksling, en gradvis afsløring eller en ny komplikation. Ved revision skal du identificere den præcise linje eller hændelse, der bryder med karakteren eller kronologien, og bede om en rettelse, som bevarer resten af scenen.
Den dokumenterede arbejdsgang omfatter hele bruger- og assistenthistorikken i kronologisk rækkefølge til dialog over flere ture. Historikken giver næste svar grundlag om tidligere begivenheder og etablerede relationer. Hold vigtige navne og nyere udviklinger eksplicitte, når du forbereder en fortsat historie. Konteksthistorik leveres til modellen; den bør ikke forveksles med ubegrænset hukommelse uden for samtalen.
Producentens rollespilsforskning bruger dialogsyntese og online præferencelæring til at forbedre mangfoldighed, kontinuitet og responsivitet. Disse træningsmetoder beskriver producentmodellen og garanterer ikke, at hver enkelt historie forbliver fejlfri. Kontroller, om et svar tilskriver dialog til den rigtige karakter og respekterer miljøets fysiske eller fiktive regler.
Den særlige M2-her-vejledning angiver en kontekst på 64K og et maksimalt svar på 2.048 tokens. Den dokumenterer også streamet output og standardindstillinger for sampling på temperature 1.0 og top-p 0.95. Vælg en svarlængde, der passer til en tur i samtalen; en for lang passage kan fortrænge brugerens næste beslutning eller blive afbrudt af svarbudgettet.
Det nyttige resultat er et karaktersvar, en fortællende passage eller en fortsat scene, som passer til det leverede miljø og inviterer til næste interaktion. Kontroller synsvinkel, karakterernes handlefrihed, konsistens i henvisninger og den ønskede afslutning. Det navngivne rollespilsformat og grænserne for M2-her er adskilt fra andre sprog-, visions- og mediemodeller fra MiniMax.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser minimax/minimax-m2-her | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.0024 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0006 / 1K tokens Output · Outputtokens $0.0024 / 1K tokens Input · Cachelæsning $0.00006 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "minimax/minimax-m2-her",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'minimax/minimax-m2-her', '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': 'minimax/minimax-m2-her', '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
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra minimax/minimax-m2-her
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
A clue within a consistent fictional world\n\nContinue as caretaker Sol for two or three short replies. In this world, the lighthouse lamp can glow only when its bell is silent. I play a visitor who asks why the dark lamp still feels warm. Offer one clue while preserving the world rule, and end before deciding my character's response or movement.Two or three character replies with a clue, a consistent lamp/bell relationship and room for the player to act.The passage never has the lamp glowing while the bell rings and does not control the visitor.