MiniMax-Text-01 er MiniMax’ tekstorienterede model til samtaler, sprogopgaver og kode. Dens design til lang kontekst er særligt relevant, når et spørgsmål afhænger af oplysninger spredt over en stor materialesamling: en specifikation sammen med korrespondance, flere versioner af et dokument eller en omfattende mængde referencetekst. Resultatet er tekst, herunder forklaringer, skriftligt indhold, kode og oplysninger om funktionskald.
Arkitekturen kombinerer Lightning Attention, konventionel Softmax Attention og en mixture of experts. MiniMax angiver 456 milliarder parametre i alt med 45,9 milliarder aktiveret for hvert token. Modellen har 80 lag og 32 eksperter og ruter til de to højest vurderede eksperter; et Softmax Attention-lag følger hver gruppe på syv Lightning Attention-lag. Dette er egenskaber ved Text-01-udgaven, ikke en påstand om, at enhver model med MiniMax-navnet bruger samme arkitektur.
MiniMax angiver træning med en kontekstlængde på én million tokens og udvidelse ved inferens til helt op til fire millioner tokens. Denne forskel er relevant ved forberedelsen af en opgave med lange dokumenter: træningslængden og den udvidede inferenslængde beskriver forskellige faser. Udvikleren undersøger sprogforståelse, instruktionsfølgning, ræsonnement, matematik, programmering og brugen af langt referencemateriale. Fastslå det tilgængelige anmodningsbudget for den valgte udførelseskonfiguration, mens spørgsmålet, de understøttende dokumenter og det krævede svarformat holdes eksplicit.
Den offentliggjorte hurtigstart bruger en rollebaseret samtale med en systeminstruktion og en brugerbesked, formateret gennem modellens egen chatskabelon. En nyttig dokumentanalyse kan give tydeligt mærkede uddrag og spørge: “Sammenlign acceptkriterierne i disse dokumenter. Returner for hver uoverensstemmelse dokumentmærkningen, den relevante passage, konsekvensen og det spørgsmål, vi skal afklare.” Ved skrivning gives kildefakta og den tilsigtede læser; ved kode medtages den relevante funktion, forventet adfærd og eksempler, der adskiller et korrekt resultat. Dette er eksempler på brug af tekstmulighederne frem for forudbestemte outputgarantier.
Funktionskald er en dokumenteret funktion i Text-01. Applikationen beskriver de tilgængelige funktioner, deres formål og parametre; parameterdefinitionen udtrykkes med JSON Schema og kan indeholde indlejrede objekter og arrays. Modellen kan identificere, at en anmodning kræver en ekstern funktion, og foreslå dens navn med strukturerede argumenter. Udviklerens vejledning gennemgår en funktion til vejrforespørgsler og viser derefter, hvordan det foreslåede kald fortolkes, udføres uden for modellen og returneres som et struktureret resultat til samtalen.
Det giver en praktisk ansvarsfordeling. Modellen vælger en foreslået handling ud fra de givne beskrivelser; applikationen beslutter, hvordan den skal valideres og udføres. En dokumentassistent kan for eksempel få en opslagfunktion og blive bedt om at hente et manglende produktfelt, før den skriver en forklaring. Skriv præcise parameterbeskrivelser, identificer krævede værdier, og gør de returnerede data lette for modellen at fortolke. At stille en funktion til rådighed tvinger ikke et kald: MiniMax bemærker udtrykkeligt, at modellen kan vurdere et almindeligt svar som mere passende.
Text-01 og MiniMax-VL-01 er separate udgaver. Sidstnævnte tilføjer visuelle komponenter; denne beskrivelse af Text-01 vedrører tekstbehandling og dens dokumenterede værktøjer. En lang kontekst kræver også omhyggelig kildeforberedelse: marker dokumentgrænser, skeln mellem citeret materiale og instruktioner, og bed om en måde at forbinde konklusioner med givne passager på. Modelkortet fastslår ikke et separat universelt maksimum for genereret output, så konteksttallet på fire millioner tokens må ikke læses som en outputramme. Vælg en svarlængde, der passer til opgaven, og valider faktuelle udsagn, udtrukne felter og genereret kode mod det materiale eller de kontroller, du har givet.
", "aboutText": "MiniMax-Text-01 er MiniMax’ tekstorienterede model til samtaler, sprogopgaver og kode. Dens design til lang kontekst er særligt relevant, når et spørgsmål afhænger af oplysninger spredt over en stor materialesamling: en specifikation sammen med korrespondance, flere versioner af et dokument eller en omfattende mængde referencetekst. Resultatet er tekst, herunder forklaringer, skriftligt indhold, kode og oplysninger om funktionskald.\n\nArkitekturen kombinerer Lightning Attention, konventionel Softmax Attention og en mixture of experts. MiniMax angiver 456 milliarder parametre i alt med 45,9 milliarder aktiveret for hvert token. Modellen har 80 lag og 32 eksperter og ruter til de to højest vurderede eksperter; et Softmax Attention-lag følger hver gruppe på syv Lightning Attention-lag. Dette er egenskaber ved Text-01-udgaven, ikke en påstand om, at enhver model med MiniMax-navnet bruger samme arkitektur.\n\nMiniMax angiver træning med en kontekstlængde på én million tokens og udvidelse ved inferens til helt op til fire millioner tokens. Denne forskel er relevant ved forberedelsen af en opgave med lange dokumenter: træningslængden og den udvidede inferenslængde beskriver forskellige faser. Udvikleren undersøger sprogforståelse, instruktionsfølgning, ræsonnement, matematik, programmering og brugen af langt referencemateriale. Fastslå det tilgængelige anmodningsbudget for den valgte udførelseskonfiguration, mens spørgsmålet, de understøttende dokumenter og det krævede svarformat holdes eksplicit.\n\nDen offentliggjorte hurtigstart bruger en rollebaseret samtale med en systeminstruktion og en brugerbesked, formateret gennem modellens egen chatskabelon. En nyttig dokumentanalyse kan give tydeligt mærkede uddrag og spørge: “Sammenlign acceptkriterierne i disse dokumenter. Returner for hver uoverensstemmelse dokumentmærkningen, den relevante passage, konsekvensen og det spørgsmål, vi skal afklare.” Ved skrivning gives kildefakta og den tilsigtede læser; ved kode medtages den relevante funktion, forventet adfærd og eksempler, der adskiller et korrekt resultat. Dette er eksempler på brug af tekstmulighederne frem for forudbestemte outputgarantier.\n\nFunktionskald er en dokumenteret funktion i Text-01. Applikationen beskriver de tilgængelige funktioner, deres formål og parametre; parameterdefinitionen udtrykkes med JSON Schema og kan indeholde indlejrede objekter og arrays. Modellen kan identificere, at en anmodning kræver en ekstern funktion, og foreslå dens navn med strukturerede argumenter. Udviklerens vejledning gennemgår en funktion til vejrforespørgsler og viser derefter, hvordan det foreslåede kald fortolkes, udføres uden for modellen og returneres som et struktureret resultat til samtalen.\n\nDet giver en praktisk ansvarsfordeling. Modellen vælger en foreslået handling ud fra de givne beskrivelser; applikationen beslutter, hvordan den skal valideres og udføres. En dokumentassistent kan for eksempel få en opslagfunktion og blive bedt om at hente et manglende produktfelt, før den skriver en forklaring. Skriv præcise parameterbeskrivelser, identificer krævede værdier, og gør de returnerede data lette for modellen at fortolke. At stille en funktion til rådighed tvinger ikke et kald: MiniMax bemærker udtrykkeligt, at modellen kan vurdere et almindeligt svar som mere passende.\n\nText-01 og MiniMax-VL-01 er separate udgaver. Sidstnævnte tilføjer visuelle komponenter; denne beskrivelse af Text-01 vedrører tekstbehandling og dens dokumenterede værktøjer. En lang kontekst kræver også omhyggelig kildeforberedelse: marker dokumentgrænser, skeln mellem citeret materiale og instruktioner, og bed om en måde at forbinde konklusioner med givne passager på. Modelkortet fastslår ikke et separat universelt maksimum for genereret output, så konteksttallet på fire millioner tokens må ikke læses som en outputramme. Vælg en svarlængde, der passer til opgaven, og valider faktuelle udsagn, udtrukne felter og genereret kode mod det materiale eller de kontroller, du har givet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Reconcile acceptance documents\n\nSpecification S1 says: 'An export is accepted when it contains all active accounts.' Email E1 says: 'Include suspended accounts in the acceptance sample.' Test note T1 says: 'The sample contains only active accounts.' Produce a mismatch record with source labels, practical consequence and one question for the owner. Do not silently choose a new acceptance rule.A source-labeled mismatch record, consequence and clarification question.The record must distinguish the coverage rule from the actual sample rather than declare acceptance achieved.MiniMax-Text-01MiniMax-Text-01 er en tekstmodel med lang kontekst til dokumentanalyse, skrivning, kodning og værktøjsunderstøttede arbejdsgange. Den kombinerer hybrid attention med en mixture of experts og kan foreslå funktionskald med strukturerede argumenter.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
MiniMax-Text-01 er MiniMax’ tekstorienterede model til samtaler, sprogopgaver og kode. Dens design til lang kontekst er særligt relevant, når et spørgsmål afhænger af oplysninger spredt over en stor materialesamling: en specifikation sammen med korrespondance, flere versioner af et dokument eller en omfattende mængde referencetekst. Resultatet er tekst, herunder forklaringer, skriftligt indhold, kode og oplysninger om funktionskald.
Arkitekturen kombinerer Lightning Attention, konventionel Softmax Attention og en mixture of experts. MiniMax angiver 456 milliarder parametre i alt med 45,9 milliarder aktiveret for hvert token. Modellen har 80 lag og 32 eksperter og ruter til de to højest vurderede eksperter; et Softmax Attention-lag følger hver gruppe på syv Lightning Attention-lag. Dette er egenskaber ved Text-01-udgaven, ikke en påstand om, at enhver model med MiniMax-navnet bruger samme arkitektur.
MiniMax angiver træning med en kontekstlængde på én million tokens og udvidelse ved inferens til helt op til fire millioner tokens. Denne forskel er relevant ved forberedelsen af en opgave med lange dokumenter: træningslængden og den udvidede inferenslængde beskriver forskellige faser. Udvikleren undersøger sprogforståelse, instruktionsfølgning, ræsonnement, matematik, programmering og brugen af langt referencemateriale. Fastslå det tilgængelige anmodningsbudget for den valgte udførelseskonfiguration, mens spørgsmålet, de understøttende dokumenter og det krævede svarformat holdes eksplicit.
Den offentliggjorte hurtigstart bruger en rollebaseret samtale med en systeminstruktion og en brugerbesked, formateret gennem modellens egen chatskabelon. En nyttig dokumentanalyse kan give tydeligt mærkede uddrag og spørge: “Sammenlign acceptkriterierne i disse dokumenter. Returner for hver uoverensstemmelse dokumentmærkningen, den relevante passage, konsekvensen og det spørgsmål, vi skal afklare.” Ved skrivning gives kildefakta og den tilsigtede læser; ved kode medtages den relevante funktion, forventet adfærd og eksempler, der adskiller et korrekt resultat. Dette er eksempler på brug af tekstmulighederne frem for forudbestemte outputgarantier.
Funktionskald er en dokumenteret funktion i Text-01. Applikationen beskriver de tilgængelige funktioner, deres formål og parametre; parameterdefinitionen udtrykkes med JSON Schema og kan indeholde indlejrede objekter og arrays. Modellen kan identificere, at en anmodning kræver en ekstern funktion, og foreslå dens navn med strukturerede argumenter. Udviklerens vejledning gennemgår en funktion til vejrforespørgsler og viser derefter, hvordan det foreslåede kald fortolkes, udføres uden for modellen og returneres som et struktureret resultat til samtalen.
Det giver en praktisk ansvarsfordeling. Modellen vælger en foreslået handling ud fra de givne beskrivelser; applikationen beslutter, hvordan den skal valideres og udføres. En dokumentassistent kan for eksempel få en opslagfunktion og blive bedt om at hente et manglende produktfelt, før den skriver en forklaring. Skriv præcise parameterbeskrivelser, identificer krævede værdier, og gør de returnerede data lette for modellen at fortolke. At stille en funktion til rådighed tvinger ikke et kald: MiniMax bemærker udtrykkeligt, at modellen kan vurdere et almindeligt svar som mere passende.
Text-01 og MiniMax-VL-01 er separate udgaver. Sidstnævnte tilføjer visuelle komponenter; denne beskrivelse af Text-01 vedrører tekstbehandling og dens dokumenterede værktøjer. En lang kontekst kræver også omhyggelig kildeforberedelse: marker dokumentgrænser, skeln mellem citeret materiale og instruktioner, og bed om en måde at forbinde konklusioner med givne passager på. Modelkortet fastslår ikke et separat universelt maksimum for genereret output, så konteksttallet på fire millioner tokens må ikke læses som en outputramme. Vælg en svarlængde, der passer til opgaven, og valider faktuelle udsagn, udtrukne felter og genereret kode mod det materiale eller de kontroller, du har givet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser MiniMax-Text-01 | 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.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.000308 / 1K tokens Output · Outputtokens $0.002464 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "MiniMax-Text-01", "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-Text-01',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-Text-01',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-Text-01
Brug metodestierne vist ovenfor.
MiniMax-Text-01MiniMax-Text-01 er en tekstmodel med lang kontekst til dokumentanalyse, skrivning, kodning og værktøjsunderstøttede arbejdsgange. Den kombinerer hybrid attention med en mixture of experts og kan foreslå funktionskald med strukturerede argumenter.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
MiniMax-Text-01 er MiniMax’ tekstorienterede model til samtaler, sprogopgaver og kode. Dens design til lang kontekst er særligt relevant, når et spørgsmål afhænger af oplysninger spredt over en stor materialesamling: en specifikation sammen med korrespondance, flere versioner af et dokument eller en omfattende mængde referencetekst. Resultatet er tekst, herunder forklaringer, skriftligt indhold, kode og oplysninger om funktionskald.
Arkitekturen kombinerer Lightning Attention, konventionel Softmax Attention og en mixture of experts. MiniMax angiver 456 milliarder parametre i alt med 45,9 milliarder aktiveret for hvert token. Modellen har 80 lag og 32 eksperter og ruter til de to højest vurderede eksperter; et Softmax Attention-lag følger hver gruppe på syv Lightning Attention-lag. Dette er egenskaber ved Text-01-udgaven, ikke en påstand om, at enhver model med MiniMax-navnet bruger samme arkitektur.
MiniMax angiver træning med en kontekstlængde på én million tokens og udvidelse ved inferens til helt op til fire millioner tokens. Denne forskel er relevant ved forberedelsen af en opgave med lange dokumenter: træningslængden og den udvidede inferenslængde beskriver forskellige faser. Udvikleren undersøger sprogforståelse, instruktionsfølgning, ræsonnement, matematik, programmering og brugen af langt referencemateriale. Fastslå det tilgængelige anmodningsbudget for den valgte udførelseskonfiguration, mens spørgsmålet, de understøttende dokumenter og det krævede svarformat holdes eksplicit.
Den offentliggjorte hurtigstart bruger en rollebaseret samtale med en systeminstruktion og en brugerbesked, formateret gennem modellens egen chatskabelon. En nyttig dokumentanalyse kan give tydeligt mærkede uddrag og spørge: “Sammenlign acceptkriterierne i disse dokumenter. Returner for hver uoverensstemmelse dokumentmærkningen, den relevante passage, konsekvensen og det spørgsmål, vi skal afklare.” Ved skrivning gives kildefakta og den tilsigtede læser; ved kode medtages den relevante funktion, forventet adfærd og eksempler, der adskiller et korrekt resultat. Dette er eksempler på brug af tekstmulighederne frem for forudbestemte outputgarantier.
Funktionskald er en dokumenteret funktion i Text-01. Applikationen beskriver de tilgængelige funktioner, deres formål og parametre; parameterdefinitionen udtrykkes med JSON Schema og kan indeholde indlejrede objekter og arrays. Modellen kan identificere, at en anmodning kræver en ekstern funktion, og foreslå dens navn med strukturerede argumenter. Udviklerens vejledning gennemgår en funktion til vejrforespørgsler og viser derefter, hvordan det foreslåede kald fortolkes, udføres uden for modellen og returneres som et struktureret resultat til samtalen.
Det giver en praktisk ansvarsfordeling. Modellen vælger en foreslået handling ud fra de givne beskrivelser; applikationen beslutter, hvordan den skal valideres og udføres. En dokumentassistent kan for eksempel få en opslagfunktion og blive bedt om at hente et manglende produktfelt, før den skriver en forklaring. Skriv præcise parameterbeskrivelser, identificer krævede værdier, og gør de returnerede data lette for modellen at fortolke. At stille en funktion til rådighed tvinger ikke et kald: MiniMax bemærker udtrykkeligt, at modellen kan vurdere et almindeligt svar som mere passende.
Text-01 og MiniMax-VL-01 er separate udgaver. Sidstnævnte tilføjer visuelle komponenter; denne beskrivelse af Text-01 vedrører tekstbehandling og dens dokumenterede værktøjer. En lang kontekst kræver også omhyggelig kildeforberedelse: marker dokumentgrænser, skeln mellem citeret materiale og instruktioner, og bed om en måde at forbinde konklusioner med givne passager på. Modelkortet fastslår ikke et separat universelt maksimum for genereret output, så konteksttallet på fire millioner tokens må ikke læses som en outputramme. Vælg en svarlængde, der passer til opgaven, og valider faktuelle udsagn, udtrukne felter og genereret kode mod det materiale eller de kontroller, du har givet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser MiniMax-Text-01 | 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.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.000308 / 1K tokens Output · Outputtokens $0.002464 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "MiniMax-Text-01",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Text-01', '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-Text-01', '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-Text-01
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Reconcile acceptance documents\n\nSpecification S1 says: 'An export is accepted when it contains all active accounts.' Email E1 says: 'Include suspended accounts in the acceptance sample.' Test note T1 says: 'The sample contains only active accounts.' Produce a mismatch record with source labels, practical consequence and one question for the owner. Do not silently choose a new acceptance rule.A source-labeled mismatch record, consequence and clarification question.The record must distinguish the coverage rule from the actual sample rather than declare acceptance achieved.