MiniMax-Text-01 ist MiniMax' auf Text ausgerichtetes Modell für Gespräche, Sprachaufgaben und Code. Sein Konzept für langen Kontext ist besonders relevant, wenn eine Frage von Informationen abhängt, die über eine große Materialsammlung verteilt sind: eine Spezifikation zusammen mit Korrespondenz, mehrere Versionen eines Dokuments oder umfangreicher Referenztext. Das Ergebnis ist Text, darunter Erklärungen, geschriebene Inhalte, Code und Informationen zu Funktionsaufrufen.
Die Architektur verbindet Lightning Attention, herkömmliche Softmax Attention und Mixture of Experts. MiniMax nennt insgesamt 456 Milliarden Parameter, davon 45,9 Milliarden pro Token aktiviert. Das Modell hat 80 Schichten und 32 Experten mit Routing zu den beiden am höchsten bewerteten Experten; auf jede Gruppe aus sieben Lightning-Attention-Schichten folgt eine Softmax-Attention-Schicht. Dies sind Eigenschaften der Veröffentlichung Text-01 und keine Behauptung, dass jedes Modell mit dem Namen MiniMax dieselbe Architektur verwendet.
MiniMax nennt ein Training mit einer Kontextlänge von einer Million Token und eine Erweiterung bei der Inferenz auf bis zu vier Millionen Token. Diese Unterscheidung ist bei der Vorbereitung einer Aufgabe mit langen Dokumenten wichtig: Trainingslänge und erweiterte Inferenzlänge beschreiben unterschiedliche Phasen. Der Hersteller untersucht Sprachverständnis, das Befolgen von Anweisungen, Schlussfolgern, Mathematik, Programmierung und die Verwendung langen Referenzmaterials. Ermitteln Sie das verfügbare Anfragebudget für die gewählte Ausführungskonfiguration und halten Sie Frage, unterstützende Dokumente und erforderliches Antwortformat ausdrücklich fest.
Der veröffentlichte Schnellstart verwendet ein rollenbasiertes Gespräch mit einer Systemanweisung und einer Nutzernachricht, formatiert über die eigene Chatvorlage des Modells. Eine hilfreiche Anfrage zur Dokumentanalyse könnte klar gekennzeichnete Auszüge bereitstellen und fragen: „Vergleichen Sie die Abnahmekriterien in diesen Dokumenten. Geben Sie für jede Unstimmigkeit die Dokumentkennzeichnung, die relevante Passage, die Folge und die zu klärende Frage zurück.“ Geben Sie für Schreibaufgaben die Quellenfakten und den vorgesehenen Leser vor; fügen Sie für Code die relevante Funktion, das erwartete Verhalten und Beispiele hinzu, die ein korrektes Ergebnis erkennen lassen. Dies sind beispielhafte Einsatzmöglichkeiten seiner Textfähigkeiten und keine Garantien für vorbestimmte Ausgaben.
Funktionsaufrufe sind eine dokumentierte Fähigkeit von Text-01. Die Anwendung beschreibt verfügbare Funktionen, deren Zweck und Parameter; die Parameterdefinition erfolgt mit JSON Schema und kann verschachtelte Objekte und Arrays enthalten. Das Modell kann erkennen, dass eine Anfrage eine externe Funktion benötigt, und deren Namen mit strukturierten Argumenten vorschlagen. Der Herstellerleitfaden erläutert eine Wetterabfragefunktion und zeigt anschließend, wie der vorgeschlagene Aufruf ausgewertet, außerhalb des Modells ausgeführt und ein strukturiertes Ergebnis in das Gespräch zurückgegeben wird.
Daraus ergibt sich eine praktische Aufteilung der Verantwortung. Das Modell wählt anhand der bereitgestellten Beschreibungen einen vorgeschlagenen Vorgang; die Anwendung entscheidet, wie er validiert und ausgeführt wird. Ein Dokumentassistent könnte beispielsweise eine Nachschlagefunktion erhalten und aufgefordert werden, vor dem Verfassen einer Erklärung ein fehlendes Produktfeld abzurufen. Schreiben Sie präzise Parameterbeschreibungen, benennen Sie Pflichtwerte und gestalten Sie die zurückgegebenen Daten für das Modell leicht verständlich. Die Bereitstellung einer Funktion erzwingt keinen Aufruf: MiniMax merkt ausdrücklich an, dass das Modell eine gewöhnliche Antwort für geeigneter halten kann.
Text-01 und MiniMax-VL-01 sind getrennte Veröffentlichungen. Letztere ergänzt visuelle Komponenten; diese Beschreibung von Text-01 betrifft Textverarbeitung und die dokumentierten Werkzeuge. Ein langer Kontext erfordert außerdem sorgfältige Quellenaufbereitung: Markieren Sie Dokumentgrenzen, unterscheiden Sie zitierte Inhalte von Anweisungen und verlangen Sie eine Möglichkeit, Schlussfolgerungen den bereitgestellten Passagen zuzuordnen. Die Modellkarte legt kein separates universelles Maximum für die erzeugte Ausgabe fest; die Kontextangabe von vier Millionen Token darf deshalb nicht als Ausgabeumfang verstanden werden. Wählen Sie eine für die Aufgabe passende Antwortlänge und validieren Sie Tatsachenaussagen, extrahierte Felder und erzeugten Code anhand des von Ihnen bereitgestellten Materials oder der vorgegebenen Prüfungen.
", "aboutText": "MiniMax-Text-01 ist MiniMax' auf Text ausgerichtetes Modell für Gespräche, Sprachaufgaben und Code. Sein Konzept für langen Kontext ist besonders relevant, wenn eine Frage von Informationen abhängt, die über eine große Materialsammlung verteilt sind: eine Spezifikation zusammen mit Korrespondenz, mehrere Versionen eines Dokuments oder umfangreicher Referenztext. Das Ergebnis ist Text, darunter Erklärungen, geschriebene Inhalte, Code und Informationen zu Funktionsaufrufen.\n\nDie Architektur verbindet Lightning Attention, herkömmliche Softmax Attention und Mixture of Experts. MiniMax nennt insgesamt 456 Milliarden Parameter, davon 45,9 Milliarden pro Token aktiviert. Das Modell hat 80 Schichten und 32 Experten mit Routing zu den beiden am höchsten bewerteten Experten; auf jede Gruppe aus sieben Lightning-Attention-Schichten folgt eine Softmax-Attention-Schicht. Dies sind Eigenschaften der Veröffentlichung Text-01 und keine Behauptung, dass jedes Modell mit dem Namen MiniMax dieselbe Architektur verwendet.\n\nMiniMax nennt ein Training mit einer Kontextlänge von einer Million Token und eine Erweiterung bei der Inferenz auf bis zu vier Millionen Token. Diese Unterscheidung ist bei der Vorbereitung einer Aufgabe mit langen Dokumenten wichtig: Trainingslänge und erweiterte Inferenzlänge beschreiben unterschiedliche Phasen. Der Hersteller untersucht Sprachverständnis, das Befolgen von Anweisungen, Schlussfolgern, Mathematik, Programmierung und die Verwendung langen Referenzmaterials. Ermitteln Sie das verfügbare Anfragebudget für die gewählte Ausführungskonfiguration und halten Sie Frage, unterstützende Dokumente und erforderliches Antwortformat ausdrücklich fest.\n\nDer veröffentlichte Schnellstart verwendet ein rollenbasiertes Gespräch mit einer Systemanweisung und einer Nutzernachricht, formatiert über die eigene Chatvorlage des Modells. Eine hilfreiche Anfrage zur Dokumentanalyse könnte klar gekennzeichnete Auszüge bereitstellen und fragen: „Vergleichen Sie die Abnahmekriterien in diesen Dokumenten. Geben Sie für jede Unstimmigkeit die Dokumentkennzeichnung, die relevante Passage, die Folge und die zu klärende Frage zurück.“ Geben Sie für Schreibaufgaben die Quellenfakten und den vorgesehenen Leser vor; fügen Sie für Code die relevante Funktion, das erwartete Verhalten und Beispiele hinzu, die ein korrektes Ergebnis erkennen lassen. Dies sind beispielhafte Einsatzmöglichkeiten seiner Textfähigkeiten und keine Garantien für vorbestimmte Ausgaben.\n\nFunktionsaufrufe sind eine dokumentierte Fähigkeit von Text-01. Die Anwendung beschreibt verfügbare Funktionen, deren Zweck und Parameter; die Parameterdefinition erfolgt mit JSON Schema und kann verschachtelte Objekte und Arrays enthalten. Das Modell kann erkennen, dass eine Anfrage eine externe Funktion benötigt, und deren Namen mit strukturierten Argumenten vorschlagen. Der Herstellerleitfaden erläutert eine Wetterabfragefunktion und zeigt anschließend, wie der vorgeschlagene Aufruf ausgewertet, außerhalb des Modells ausgeführt und ein strukturiertes Ergebnis in das Gespräch zurückgegeben wird.\n\nDaraus ergibt sich eine praktische Aufteilung der Verantwortung. Das Modell wählt anhand der bereitgestellten Beschreibungen einen vorgeschlagenen Vorgang; die Anwendung entscheidet, wie er validiert und ausgeführt wird. Ein Dokumentassistent könnte beispielsweise eine Nachschlagefunktion erhalten und aufgefordert werden, vor dem Verfassen einer Erklärung ein fehlendes Produktfeld abzurufen. Schreiben Sie präzise Parameterbeschreibungen, benennen Sie Pflichtwerte und gestalten Sie die zurückgegebenen Daten für das Modell leicht verständlich. Die Bereitstellung einer Funktion erzwingt keinen Aufruf: MiniMax merkt ausdrücklich an, dass das Modell eine gewöhnliche Antwort für geeigneter halten kann.\n\nText-01 und MiniMax-VL-01 sind getrennte Veröffentlichungen. Letztere ergänzt visuelle Komponenten; diese Beschreibung von Text-01 betrifft Textverarbeitung und die dokumentierten Werkzeuge. Ein langer Kontext erfordert außerdem sorgfältige Quellenaufbereitung: Markieren Sie Dokumentgrenzen, unterscheiden Sie zitierte Inhalte von Anweisungen und verlangen Sie eine Möglichkeit, Schlussfolgerungen den bereitgestellten Passagen zuzuordnen. Die Modellkarte legt kein separates universelles Maximum für die erzeugte Ausgabe fest; die Kontextangabe von vier Millionen Token darf deshalb nicht als Ausgabeumfang verstanden werden. Wählen Sie eine für die Aufgabe passende Antwortlänge und validieren Sie Tatsachenaussagen, extrahierte Felder und erzeugten Code anhand des von Ihnen bereitgestellten Materials oder der vorgegebenen Prüfungen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Compare acceptance criteria across drafts\n\nCompare draft A: the report must include totals by region and a CSV export. Draft B: the report must include totals by product and a PDF export. Email from the owner: regional totals remain required; export format is undecided. Produce a mismatch table and a reconciled requirement note with the unresolved choice visible.A source-labelled mismatch table and a current requirement note distinguishing confirmed requirements from the export decision.Check that regional totals are retained and that neither CSV nor PDF is declared approved without evidence.minimax/minimax-01MiniMax-Text-01 ist ein Textmodell mit langem Kontext für Dokumentanalyse, Schreiben, Programmierung und werkzeuggestützte Abläufe. Es verbindet hybride Attention mit einem Expertenmix und kann Funktionsaufrufe mit strukturierten Argumenten vorschlagen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MiniMax-Text-01 ist MiniMax' auf Text ausgerichtetes Modell für Gespräche, Sprachaufgaben und Code. Sein Konzept für langen Kontext ist besonders relevant, wenn eine Frage von Informationen abhängt, die über eine große Materialsammlung verteilt sind: eine Spezifikation zusammen mit Korrespondenz, mehrere Versionen eines Dokuments oder umfangreicher Referenztext. Das Ergebnis ist Text, darunter Erklärungen, geschriebene Inhalte, Code und Informationen zu Funktionsaufrufen.
Die Architektur verbindet Lightning Attention, herkömmliche Softmax Attention und Mixture of Experts. MiniMax nennt insgesamt 456 Milliarden Parameter, davon 45,9 Milliarden pro Token aktiviert. Das Modell hat 80 Schichten und 32 Experten mit Routing zu den beiden am höchsten bewerteten Experten; auf jede Gruppe aus sieben Lightning-Attention-Schichten folgt eine Softmax-Attention-Schicht. Dies sind Eigenschaften der Veröffentlichung Text-01 und keine Behauptung, dass jedes Modell mit dem Namen MiniMax dieselbe Architektur verwendet.
MiniMax nennt ein Training mit einer Kontextlänge von einer Million Token und eine Erweiterung bei der Inferenz auf bis zu vier Millionen Token. Diese Unterscheidung ist bei der Vorbereitung einer Aufgabe mit langen Dokumenten wichtig: Trainingslänge und erweiterte Inferenzlänge beschreiben unterschiedliche Phasen. Der Hersteller untersucht Sprachverständnis, das Befolgen von Anweisungen, Schlussfolgern, Mathematik, Programmierung und die Verwendung langen Referenzmaterials. Ermitteln Sie das verfügbare Anfragebudget für die gewählte Ausführungskonfiguration und halten Sie Frage, unterstützende Dokumente und erforderliches Antwortformat ausdrücklich fest.
Der veröffentlichte Schnellstart verwendet ein rollenbasiertes Gespräch mit einer Systemanweisung und einer Nutzernachricht, formatiert über die eigene Chatvorlage des Modells. Eine hilfreiche Anfrage zur Dokumentanalyse könnte klar gekennzeichnete Auszüge bereitstellen und fragen: „Vergleichen Sie die Abnahmekriterien in diesen Dokumenten. Geben Sie für jede Unstimmigkeit die Dokumentkennzeichnung, die relevante Passage, die Folge und die zu klärende Frage zurück.“ Geben Sie für Schreibaufgaben die Quellenfakten und den vorgesehenen Leser vor; fügen Sie für Code die relevante Funktion, das erwartete Verhalten und Beispiele hinzu, die ein korrektes Ergebnis erkennen lassen. Dies sind beispielhafte Einsatzmöglichkeiten seiner Textfähigkeiten und keine Garantien für vorbestimmte Ausgaben.
Funktionsaufrufe sind eine dokumentierte Fähigkeit von Text-01. Die Anwendung beschreibt verfügbare Funktionen, deren Zweck und Parameter; die Parameterdefinition erfolgt mit JSON Schema und kann verschachtelte Objekte und Arrays enthalten. Das Modell kann erkennen, dass eine Anfrage eine externe Funktion benötigt, und deren Namen mit strukturierten Argumenten vorschlagen. Der Herstellerleitfaden erläutert eine Wetterabfragefunktion und zeigt anschließend, wie der vorgeschlagene Aufruf ausgewertet, außerhalb des Modells ausgeführt und ein strukturiertes Ergebnis in das Gespräch zurückgegeben wird.
Daraus ergibt sich eine praktische Aufteilung der Verantwortung. Das Modell wählt anhand der bereitgestellten Beschreibungen einen vorgeschlagenen Vorgang; die Anwendung entscheidet, wie er validiert und ausgeführt wird. Ein Dokumentassistent könnte beispielsweise eine Nachschlagefunktion erhalten und aufgefordert werden, vor dem Verfassen einer Erklärung ein fehlendes Produktfeld abzurufen. Schreiben Sie präzise Parameterbeschreibungen, benennen Sie Pflichtwerte und gestalten Sie die zurückgegebenen Daten für das Modell leicht verständlich. Die Bereitstellung einer Funktion erzwingt keinen Aufruf: MiniMax merkt ausdrücklich an, dass das Modell eine gewöhnliche Antwort für geeigneter halten kann.
Text-01 und MiniMax-VL-01 sind getrennte Veröffentlichungen. Letztere ergänzt visuelle Komponenten; diese Beschreibung von Text-01 betrifft Textverarbeitung und die dokumentierten Werkzeuge. Ein langer Kontext erfordert außerdem sorgfältige Quellenaufbereitung: Markieren Sie Dokumentgrenzen, unterscheiden Sie zitierte Inhalte von Anweisungen und verlangen Sie eine Möglichkeit, Schlussfolgerungen den bereitgestellten Passagen zuzuordnen. Die Modellkarte legt kein separates universelles Maximum für die erzeugte Ausgabe fest; die Kontextangabe von vier Millionen Token darf deshalb nicht als Ausgabeumfang verstanden werden. Wählen Sie eine für die Aufgabe passende Antwortlänge und validieren Sie Tatsachenaussagen, extrahierte Felder und erzeugten Code anhand des von Ihnen bereitgestellten Materials oder der vorgegebenen Prüfungen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits minimax/minimax-01 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0022 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0022 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax/minimax-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/minimax-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/minimax-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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra minimax/minimax-01
Verwenden Sie die oben angezeigten Methodenpfade.
minimax/minimax-01MiniMax-Text-01 ist ein Textmodell mit langem Kontext für Dokumentanalyse, Schreiben, Programmierung und werkzeuggestützte Abläufe. Es verbindet hybride Attention mit einem Expertenmix und kann Funktionsaufrufe mit strukturierten Argumenten vorschlagen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MiniMax-Text-01 ist MiniMax' auf Text ausgerichtetes Modell für Gespräche, Sprachaufgaben und Code. Sein Konzept für langen Kontext ist besonders relevant, wenn eine Frage von Informationen abhängt, die über eine große Materialsammlung verteilt sind: eine Spezifikation zusammen mit Korrespondenz, mehrere Versionen eines Dokuments oder umfangreicher Referenztext. Das Ergebnis ist Text, darunter Erklärungen, geschriebene Inhalte, Code und Informationen zu Funktionsaufrufen.
Die Architektur verbindet Lightning Attention, herkömmliche Softmax Attention und Mixture of Experts. MiniMax nennt insgesamt 456 Milliarden Parameter, davon 45,9 Milliarden pro Token aktiviert. Das Modell hat 80 Schichten und 32 Experten mit Routing zu den beiden am höchsten bewerteten Experten; auf jede Gruppe aus sieben Lightning-Attention-Schichten folgt eine Softmax-Attention-Schicht. Dies sind Eigenschaften der Veröffentlichung Text-01 und keine Behauptung, dass jedes Modell mit dem Namen MiniMax dieselbe Architektur verwendet.
MiniMax nennt ein Training mit einer Kontextlänge von einer Million Token und eine Erweiterung bei der Inferenz auf bis zu vier Millionen Token. Diese Unterscheidung ist bei der Vorbereitung einer Aufgabe mit langen Dokumenten wichtig: Trainingslänge und erweiterte Inferenzlänge beschreiben unterschiedliche Phasen. Der Hersteller untersucht Sprachverständnis, das Befolgen von Anweisungen, Schlussfolgern, Mathematik, Programmierung und die Verwendung langen Referenzmaterials. Ermitteln Sie das verfügbare Anfragebudget für die gewählte Ausführungskonfiguration und halten Sie Frage, unterstützende Dokumente und erforderliches Antwortformat ausdrücklich fest.
Der veröffentlichte Schnellstart verwendet ein rollenbasiertes Gespräch mit einer Systemanweisung und einer Nutzernachricht, formatiert über die eigene Chatvorlage des Modells. Eine hilfreiche Anfrage zur Dokumentanalyse könnte klar gekennzeichnete Auszüge bereitstellen und fragen: „Vergleichen Sie die Abnahmekriterien in diesen Dokumenten. Geben Sie für jede Unstimmigkeit die Dokumentkennzeichnung, die relevante Passage, die Folge und die zu klärende Frage zurück.“ Geben Sie für Schreibaufgaben die Quellenfakten und den vorgesehenen Leser vor; fügen Sie für Code die relevante Funktion, das erwartete Verhalten und Beispiele hinzu, die ein korrektes Ergebnis erkennen lassen. Dies sind beispielhafte Einsatzmöglichkeiten seiner Textfähigkeiten und keine Garantien für vorbestimmte Ausgaben.
Funktionsaufrufe sind eine dokumentierte Fähigkeit von Text-01. Die Anwendung beschreibt verfügbare Funktionen, deren Zweck und Parameter; die Parameterdefinition erfolgt mit JSON Schema und kann verschachtelte Objekte und Arrays enthalten. Das Modell kann erkennen, dass eine Anfrage eine externe Funktion benötigt, und deren Namen mit strukturierten Argumenten vorschlagen. Der Herstellerleitfaden erläutert eine Wetterabfragefunktion und zeigt anschließend, wie der vorgeschlagene Aufruf ausgewertet, außerhalb des Modells ausgeführt und ein strukturiertes Ergebnis in das Gespräch zurückgegeben wird.
Daraus ergibt sich eine praktische Aufteilung der Verantwortung. Das Modell wählt anhand der bereitgestellten Beschreibungen einen vorgeschlagenen Vorgang; die Anwendung entscheidet, wie er validiert und ausgeführt wird. Ein Dokumentassistent könnte beispielsweise eine Nachschlagefunktion erhalten und aufgefordert werden, vor dem Verfassen einer Erklärung ein fehlendes Produktfeld abzurufen. Schreiben Sie präzise Parameterbeschreibungen, benennen Sie Pflichtwerte und gestalten Sie die zurückgegebenen Daten für das Modell leicht verständlich. Die Bereitstellung einer Funktion erzwingt keinen Aufruf: MiniMax merkt ausdrücklich an, dass das Modell eine gewöhnliche Antwort für geeigneter halten kann.
Text-01 und MiniMax-VL-01 sind getrennte Veröffentlichungen. Letztere ergänzt visuelle Komponenten; diese Beschreibung von Text-01 betrifft Textverarbeitung und die dokumentierten Werkzeuge. Ein langer Kontext erfordert außerdem sorgfältige Quellenaufbereitung: Markieren Sie Dokumentgrenzen, unterscheiden Sie zitierte Inhalte von Anweisungen und verlangen Sie eine Möglichkeit, Schlussfolgerungen den bereitgestellten Passagen zuzuordnen. Die Modellkarte legt kein separates universelles Maximum für die erzeugte Ausgabe fest; die Kontextangabe von vier Millionen Token darf deshalb nicht als Ausgabeumfang verstanden werden. Wählen Sie eine für die Aufgabe passende Antwortlänge und validieren Sie Tatsachenaussagen, extrahierte Felder und erzeugten Code anhand des von Ihnen bereitgestellten Materials oder der vorgegebenen Prüfungen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits minimax/minimax-01 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0022 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0004 / 1K Tokens Ausgabe · Ausgabetoken $0.0022 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "minimax/minimax-01",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/minimax-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/minimax-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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra minimax/minimax-01
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Compare acceptance criteria across drafts\n\nCompare draft A: the report must include totals by region and a CSV export. Draft B: the report must include totals by product and a PDF export. Email from the owner: regional totals remain required; export format is undecided. Produce a mismatch table and a reconciled requirement note with the unresolved choice visible.A source-labelled mismatch table and a current requirement note distinguishing confirmed requirements from the export decision.Check that regional totals are retained and that neither CSV nor PDF is declared approved without evidence.