MiniMax M1 ist das Sprachmodell von MiniMax mit hybrider Attention zum Schlussfolgern über lange Eingaben und für umfangreiche Analysen. Es baut auf MiniMax-Text-01 mit Mixture-of-Experts-Komponenten und Lightning Attention auf, bei 456 Milliarden Gesamtparametern und 45,9 Milliarden pro Token aktivierten Parametern. Die Eingabe besteht aus schriftlichen Anweisungen und Quellkontext; die Ausgabe ist Text wie eine Lösung, Code, Analyse oder Funktionsaufrufinformation.
Der Hersteller beschreibt nativ eine Million Kontexttokens und veröffentlicht zwei M1-Ausgaben mit 40K und 80K Denkbudget. Diese Budgetnamen bezeichnen die Modellvarianten zum Schlussfolgern und dürfen nicht als identische allgemeine Obergrenzen für Endantworten verstanden werden. Die allgemeine M1-Auswahl bleibt getrennt von diesen festen Budgetprofilen und von der Inferenzerweiterung des früheren Text-01-Modells.
Benennen Sie für lange Dokumentaufgaben die Materialien, identifizieren Sie die relevanten Abschnitte und formulieren Sie die Frage, die sie stützen sollen. Eine hilfreiche Vorgabe lautet: «Vergleiche diese Anforderungen mit den Implementierungsnotizen, identifiziere jede offene Bedingung und gib die stützende Passage neben dem Befund zurück.» Reservieren Sie im Aufgabenkontext Platz für Schlussfolgern und Endantwort, nicht nur für das ursprüngliche Quellmaterial.
M1 nutzt gross angelegtes Reinforcement Learning über Mathematik und Softwareentwicklungsprobleme in Sandbox-Umgebungen. Als Teil seines Ansatzes führt der Anbieter CISPO ein, das Importance-Sampling-Gewichte statt Token-Aktualisierungen begrenzt. Das ist eine Trainingseigenschaft dieser Modellvariante zum Schlussfolgern; sie macht generierten Code oder eine vorgeschlagene Aktion nicht zu einem ausgeführten Ergebnis.
Geben Sie für Code die relevante Implementierung, eine repräsentative Eingabe, das erwartete Verhalten und zu bewahrende Einschränkungen an. Verlangen Sie eine gezielte Änderung und die Belege dafür. Stellen Sie für Mathematik die vollständige Bedingung bereit und verlangen Sie das Endergebnis samt Annahmen. Der Hersteller empfiehlt eine schrittweise Lösung mit dem Endergebnis in eingerahmter mathematischer Notation.
MiniMax empfiehlt für sein Referenzprofil temperature 1,0 und top-p 0,95. Ausserdem empfiehlt es, die Systemanweisung auf die Aufgabe zuzuschneiden. Ein allgemeiner Assistent kann eine einfache hilfreiche Rolle verwenden; eine Webentwicklungsaufgabe kann den vollständigen Code und das Ausgabeformat festlegen. Der beispielhafte Web-Prompt verlangt ein vollständiges HTML-Artefakt statt fragmentierter Ausschnitte.
Geben Sie an, ob die Antwort eine Erklärung, ein strukturierter Vergleich oder ausschliesslich Code sein soll. Die Anweisung sollte das tatsächliche Ergebnis und die Abschlusskriterien benennen. Eine visuelle Implementierung muss weiterhin in der vorgesehenen Anwendung laufen; ihr beobachtetes Ergebnis wird für eine Überarbeitung zurückgegeben.
M1 unterstützt bereitgestellte Funktionsdefinitionen mit Namen, Beschreibungen, Argumenttypen und Pflichtfeldern. Die native Darstellung unterscheidet Schlussfolgern von Werkzeugaufrufen und strukturierten JSON-Argumenten. Der Anbieterleitfaden zeigt sowohl einen eigenen Parserpfad als auch die manuelle Interpretation dieser Darstellung. Die Anwendung validiert und führt die gewählten Funktionen aus und gibt benannte Ergebnisse im Gespräch zur Modellnutzung zurück.
Halten Sie Werkzeugzweck und erlaubte Aktionen ausdrücklich fest. Eine Dokumentabfrage kann ein fehlendes Feld liefern, bevor das Modell eine Erklärung abschliesst, während ein Entwicklungswerkzeug tatsächlichen Code oder Fehler zur Analyse zurückgeben kann. Eine vorgeschlagene Operation ist von Ausführung und beobachtetem Ergebnis zu unterscheiden.
Die hilfreiche Ausgabe ist eine Textlösung, ein Codevorschlag oder ein analytischer Datensatz mit Bezug zu den bereitgestellten Quellen und tatsächlichen Werkzeugbeobachtungen. Bewahren Sie die ursprüngliche M1-Identität und ihre Budgetunterschiede und leiten Sie aus dem gemeinsamen Familiennamen weder visuelle Eingaben noch Ausgabelimits oder Standardoptionen eines anderen MiniMax-Modells ab.
", "aboutText": "MiniMax M1 ist das Sprachmodell von MiniMax mit hybrider Attention zum Schlussfolgern über lange Eingaben und für umfangreiche Analysen. Es baut auf MiniMax-Text-01 mit Mixture-of-Experts-Komponenten und Lightning Attention auf, bei 456 Milliarden Gesamtparametern und 45,9 Milliarden pro Token aktivierten Parametern. Die Eingabe besteht aus schriftlichen Anweisungen und Quellkontext; die Ausgabe ist Text wie eine Lösung, Code, Analyse oder Funktionsaufrufinformation.\n\n### Kontext und Modellvarianten zum Schlussfolgern\n\nDer Hersteller beschreibt nativ eine Million Kontexttokens und veröffentlicht zwei M1-Ausgaben mit 40K und 80K Denkbudget. Diese Budgetnamen bezeichnen die Modellvarianten zum Schlussfolgern und dürfen nicht als identische allgemeine Obergrenzen für Endantworten verstanden werden. Die allgemeine M1-Auswahl bleibt getrennt von diesen festen Budgetprofilen und von der Inferenzerweiterung des früheren Text-01-Modells.\n\nBenennen Sie für lange Dokumentaufgaben die Materialien, identifizieren Sie die relevanten Abschnitte und formulieren Sie die Frage, die sie stützen sollen. Eine hilfreiche Vorgabe lautet: «Vergleiche diese Anforderungen mit den Implementierungsnotizen, identifiziere jede offene Bedingung und gib die stützende Passage neben dem Befund zurück.» Reservieren Sie im Aufgabenkontext Platz für Schlussfolgern und Endantwort, nicht nur für das ursprüngliche Quellmaterial.\n\n### Training für praktisches Schlussfolgern\n\nM1 nutzt gross angelegtes Reinforcement Learning über Mathematik und Softwareentwicklungsprobleme in Sandbox-Umgebungen. Als Teil seines Ansatzes führt der Anbieter CISPO ein, das Importance-Sampling-Gewichte statt Token-Aktualisierungen begrenzt. Das ist eine Trainingseigenschaft dieser Modellvariante zum Schlussfolgern; sie macht generierten Code oder eine vorgeschlagene Aktion nicht zu einem ausgeführten Ergebnis.\n\nGeben Sie für Code die relevante Implementierung, eine repräsentative Eingabe, das erwartete Verhalten und zu bewahrende Einschränkungen an. Verlangen Sie eine gezielte Änderung und die Belege dafür. Stellen Sie für Mathematik die vollständige Bedingung bereit und verlangen Sie das Endergebnis samt Annahmen. Der Hersteller empfiehlt eine schrittweise Lösung mit dem Endergebnis in eingerahmter mathematischer Notation.\n\n### Prompt-Leitlinien des Anbieters\n\nMiniMax empfiehlt für sein Referenzprofil temperature 1,0 und top-p 0,95. Ausserdem empfiehlt es, die Systemanweisung auf die Aufgabe zuzuschneiden. Ein allgemeiner Assistent kann eine einfache hilfreiche Rolle verwenden; eine Webentwicklungsaufgabe kann den vollständigen Code und das Ausgabeformat festlegen. Der beispielhafte Web-Prompt verlangt ein vollständiges HTML-Artefakt statt fragmentierter Ausschnitte.\n\nGeben Sie an, ob die Antwort eine Erklärung, ein strukturierter Vergleich oder ausschliesslich Code sein soll. Die Anweisung sollte das tatsächliche Ergebnis und die Abschlusskriterien benennen. Eine visuelle Implementierung muss weiterhin in der vorgesehenen Anwendung laufen; ihr beobachtetes Ergebnis wird für eine Überarbeitung zurückgegeben.\n\n### Funktionsaufrufe\n\nM1 unterstützt bereitgestellte Funktionsdefinitionen mit Namen, Beschreibungen, Argumenttypen und Pflichtfeldern. Die native Darstellung unterscheidet Schlussfolgern von Werkzeugaufrufen und strukturierten JSON-Argumenten. Der Anbieterleitfaden zeigt sowohl einen eigenen Parserpfad als auch die manuelle Interpretation dieser Darstellung. Die Anwendung validiert und führt die gewählten Funktionen aus und gibt benannte Ergebnisse im Gespräch zur Modellnutzung zurück.\n\nHalten Sie Werkzeugzweck und erlaubte Aktionen ausdrücklich fest. Eine Dokumentabfrage kann ein fehlendes Feld liefern, bevor das Modell eine Erklärung abschliesst, während ein Entwicklungswerkzeug tatsächlichen Code oder Fehler zur Analyse zurückgeben kann. Eine vorgeschlagene Operation ist von Ausführung und beobachtetem Ergebnis zu unterscheiden.\n\nDie hilfreiche Ausgabe ist eine Textlösung, ein Codevorschlag oder ein analytischer Datensatz mit Bezug zu den bereitgestellten Quellen und tatsächlichen Werkzeugbeobachtungen. Bewahren Sie die ursprüngliche M1-Identität und ihre Budgetunterschiede und leiten Sie aus dem gemeinsamen Familiennamen weder visuelle Eingaben noch Ausgabelimits oder Standardoptionen eines anderen MiniMax-Modells ab.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Check a batch-processing invariant\n\nA worker reads pending jobs, marks each running, then records completion. On restart it reads only pending jobs. Analyse what happens if the process stops after marking a job running but before recording completion. Propose a recovery rule that avoids losing the job and prevents an already completed external action from being repeated blindly. Give two failure-point tests.A failure analysis, a bounded recovery/state-reconciliation proposal and tests for interruption before and after an external action.Recovery checks the original action's outcome before deciding whether another execution is safe.MiniMax-M1MiniMax M1 ist das Schlussfolgerungsmodell von MiniMax mit hybrider Attention für lange Quellenanalysen, Mathematik, Programmierung und Werkzeuge. Die Modellfamilie des Herstellers besitzt nativ eine Million Kontexttokens und getrennte Ausgaben mit 40K und 80K Denkbudget; sie liefert Text und strukturierte Funktionsaufrufinhalte.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MiniMax M1 ist das Sprachmodell von MiniMax mit hybrider Attention zum Schlussfolgern über lange Eingaben und für umfangreiche Analysen. Es baut auf MiniMax-Text-01 mit Mixture-of-Experts-Komponenten und Lightning Attention auf, bei 456 Milliarden Gesamtparametern und 45,9 Milliarden pro Token aktivierten Parametern. Die Eingabe besteht aus schriftlichen Anweisungen und Quellkontext; die Ausgabe ist Text wie eine Lösung, Code, Analyse oder Funktionsaufrufinformation.
Der Hersteller beschreibt nativ eine Million Kontexttokens und veröffentlicht zwei M1-Ausgaben mit 40K und 80K Denkbudget. Diese Budgetnamen bezeichnen die Modellvarianten zum Schlussfolgern und dürfen nicht als identische allgemeine Obergrenzen für Endantworten verstanden werden. Die allgemeine M1-Auswahl bleibt getrennt von diesen festen Budgetprofilen und von der Inferenzerweiterung des früheren Text-01-Modells.
Benennen Sie für lange Dokumentaufgaben die Materialien, identifizieren Sie die relevanten Abschnitte und formulieren Sie die Frage, die sie stützen sollen. Eine hilfreiche Vorgabe lautet: «Vergleiche diese Anforderungen mit den Implementierungsnotizen, identifiziere jede offene Bedingung und gib die stützende Passage neben dem Befund zurück.» Reservieren Sie im Aufgabenkontext Platz für Schlussfolgern und Endantwort, nicht nur für das ursprüngliche Quellmaterial.
M1 nutzt gross angelegtes Reinforcement Learning über Mathematik und Softwareentwicklungsprobleme in Sandbox-Umgebungen. Als Teil seines Ansatzes führt der Anbieter CISPO ein, das Importance-Sampling-Gewichte statt Token-Aktualisierungen begrenzt. Das ist eine Trainingseigenschaft dieser Modellvariante zum Schlussfolgern; sie macht generierten Code oder eine vorgeschlagene Aktion nicht zu einem ausgeführten Ergebnis.
Geben Sie für Code die relevante Implementierung, eine repräsentative Eingabe, das erwartete Verhalten und zu bewahrende Einschränkungen an. Verlangen Sie eine gezielte Änderung und die Belege dafür. Stellen Sie für Mathematik die vollständige Bedingung bereit und verlangen Sie das Endergebnis samt Annahmen. Der Hersteller empfiehlt eine schrittweise Lösung mit dem Endergebnis in eingerahmter mathematischer Notation.
MiniMax empfiehlt für sein Referenzprofil temperature 1,0 und top-p 0,95. Ausserdem empfiehlt es, die Systemanweisung auf die Aufgabe zuzuschneiden. Ein allgemeiner Assistent kann eine einfache hilfreiche Rolle verwenden; eine Webentwicklungsaufgabe kann den vollständigen Code und das Ausgabeformat festlegen. Der beispielhafte Web-Prompt verlangt ein vollständiges HTML-Artefakt statt fragmentierter Ausschnitte.
Geben Sie an, ob die Antwort eine Erklärung, ein strukturierter Vergleich oder ausschliesslich Code sein soll. Die Anweisung sollte das tatsächliche Ergebnis und die Abschlusskriterien benennen. Eine visuelle Implementierung muss weiterhin in der vorgesehenen Anwendung laufen; ihr beobachtetes Ergebnis wird für eine Überarbeitung zurückgegeben.
M1 unterstützt bereitgestellte Funktionsdefinitionen mit Namen, Beschreibungen, Argumenttypen und Pflichtfeldern. Die native Darstellung unterscheidet Schlussfolgern von Werkzeugaufrufen und strukturierten JSON-Argumenten. Der Anbieterleitfaden zeigt sowohl einen eigenen Parserpfad als auch die manuelle Interpretation dieser Darstellung. Die Anwendung validiert und führt die gewählten Funktionen aus und gibt benannte Ergebnisse im Gespräch zur Modellnutzung zurück.
Halten Sie Werkzeugzweck und erlaubte Aktionen ausdrücklich fest. Eine Dokumentabfrage kann ein fehlendes Feld liefern, bevor das Modell eine Erklärung abschliesst, während ein Entwicklungswerkzeug tatsächlichen Code oder Fehler zur Analyse zurückgeben kann. Eine vorgeschlagene Operation ist von Ausführung und beobachtetem Ergebnis zu unterscheiden.
Die hilfreiche Ausgabe ist eine Textlösung, ein Codevorschlag oder ein analytischer Datensatz mit Bezug zu den bereitgestellten Quellen und tatsächlichen Werkzeugbeobachtungen. Bewahren Sie die ursprüngliche M1-Identität und ihre Budgetunterschiede und leiten Sie aus dem gemeinsamen Familiennamen weder visuelle Eingaben noch Ausgabelimits oder Standardoptionen eines anderen MiniMax-Modells ab.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits MiniMax-M1 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
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 |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmässig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
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 $0.0008 / 1K Tokens Ausgabe · Ausgabetoken $0.0044 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0008 / 1K Tokens Ausgabe · Ausgabetoken $0.0044 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"MiniMax-M1","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="MiniMax-M1", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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-M1, minimax/minimax-m1
/chat/completions
MiniMax-M1MiniMax M1 ist das Schlussfolgerungsmodell von MiniMax mit hybrider Attention für lange Quellenanalysen, Mathematik, Programmierung und Werkzeuge. Die Modellfamilie des Herstellers besitzt nativ eine Million Kontexttokens und getrennte Ausgaben mit 40K und 80K Denkbudget; sie liefert Text und strukturierte Funktionsaufrufinhalte.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MiniMax M1 ist das Sprachmodell von MiniMax mit hybrider Attention zum Schlussfolgern über lange Eingaben und für umfangreiche Analysen. Es baut auf MiniMax-Text-01 mit Mixture-of-Experts-Komponenten und Lightning Attention auf, bei 456 Milliarden Gesamtparametern und 45,9 Milliarden pro Token aktivierten Parametern. Die Eingabe besteht aus schriftlichen Anweisungen und Quellkontext; die Ausgabe ist Text wie eine Lösung, Code, Analyse oder Funktionsaufrufinformation.
Der Hersteller beschreibt nativ eine Million Kontexttokens und veröffentlicht zwei M1-Ausgaben mit 40K und 80K Denkbudget. Diese Budgetnamen bezeichnen die Modellvarianten zum Schlussfolgern und dürfen nicht als identische allgemeine Obergrenzen für Endantworten verstanden werden. Die allgemeine M1-Auswahl bleibt getrennt von diesen festen Budgetprofilen und von der Inferenzerweiterung des früheren Text-01-Modells.
Benennen Sie für lange Dokumentaufgaben die Materialien, identifizieren Sie die relevanten Abschnitte und formulieren Sie die Frage, die sie stützen sollen. Eine hilfreiche Vorgabe lautet: «Vergleiche diese Anforderungen mit den Implementierungsnotizen, identifiziere jede offene Bedingung und gib die stützende Passage neben dem Befund zurück.» Reservieren Sie im Aufgabenkontext Platz für Schlussfolgern und Endantwort, nicht nur für das ursprüngliche Quellmaterial.
M1 nutzt gross angelegtes Reinforcement Learning über Mathematik und Softwareentwicklungsprobleme in Sandbox-Umgebungen. Als Teil seines Ansatzes führt der Anbieter CISPO ein, das Importance-Sampling-Gewichte statt Token-Aktualisierungen begrenzt. Das ist eine Trainingseigenschaft dieser Modellvariante zum Schlussfolgern; sie macht generierten Code oder eine vorgeschlagene Aktion nicht zu einem ausgeführten Ergebnis.
Geben Sie für Code die relevante Implementierung, eine repräsentative Eingabe, das erwartete Verhalten und zu bewahrende Einschränkungen an. Verlangen Sie eine gezielte Änderung und die Belege dafür. Stellen Sie für Mathematik die vollständige Bedingung bereit und verlangen Sie das Endergebnis samt Annahmen. Der Hersteller empfiehlt eine schrittweise Lösung mit dem Endergebnis in eingerahmter mathematischer Notation.
MiniMax empfiehlt für sein Referenzprofil temperature 1,0 und top-p 0,95. Ausserdem empfiehlt es, die Systemanweisung auf die Aufgabe zuzuschneiden. Ein allgemeiner Assistent kann eine einfache hilfreiche Rolle verwenden; eine Webentwicklungsaufgabe kann den vollständigen Code und das Ausgabeformat festlegen. Der beispielhafte Web-Prompt verlangt ein vollständiges HTML-Artefakt statt fragmentierter Ausschnitte.
Geben Sie an, ob die Antwort eine Erklärung, ein strukturierter Vergleich oder ausschliesslich Code sein soll. Die Anweisung sollte das tatsächliche Ergebnis und die Abschlusskriterien benennen. Eine visuelle Implementierung muss weiterhin in der vorgesehenen Anwendung laufen; ihr beobachtetes Ergebnis wird für eine Überarbeitung zurückgegeben.
M1 unterstützt bereitgestellte Funktionsdefinitionen mit Namen, Beschreibungen, Argumenttypen und Pflichtfeldern. Die native Darstellung unterscheidet Schlussfolgern von Werkzeugaufrufen und strukturierten JSON-Argumenten. Der Anbieterleitfaden zeigt sowohl einen eigenen Parserpfad als auch die manuelle Interpretation dieser Darstellung. Die Anwendung validiert und führt die gewählten Funktionen aus und gibt benannte Ergebnisse im Gespräch zur Modellnutzung zurück.
Halten Sie Werkzeugzweck und erlaubte Aktionen ausdrücklich fest. Eine Dokumentabfrage kann ein fehlendes Feld liefern, bevor das Modell eine Erklärung abschliesst, während ein Entwicklungswerkzeug tatsächlichen Code oder Fehler zur Analyse zurückgeben kann. Eine vorgeschlagene Operation ist von Ausführung und beobachtetem Ergebnis zu unterscheiden.
Die hilfreiche Ausgabe ist eine Textlösung, ein Codevorschlag oder ein analytischer Datensatz mit Bezug zu den bereitgestellten Quellen und tatsächlichen Werkzeugbeobachtungen. Bewahren Sie die ursprüngliche M1-Identität und ihre Budgetunterschiede und leiten Sie aus dem gemeinsamen Familiennamen weder visuelle Eingaben noch Ausgabelimits oder Standardoptionen eines anderen MiniMax-Modells ab.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits MiniMax-M1 | 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 $0.0008 / 1K Tokens Ausgabe · Ausgabetoken $0.0044 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0008 / 1K Tokens Ausgabe · Ausgabetoken $0.0044 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "MiniMax-M1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-M1', '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-M1', '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-M1, minimax/minimax-m1
/chat/completions
minimax/minimax-m1MiniMax M1 ist das Schlussfolgerungsmodell von MiniMax mit hybrider Attention für lange Quellenanalysen, Mathematik, Programmierung und Werkzeuge. Die Modellfamilie des Herstellers besitzt nativ eine Million Kontexttokens und getrennte Ausgaben mit 40K und 80K Denkbudget; sie liefert Text und strukturierte Funktionsaufrufinhalte.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MiniMax M1 ist das Sprachmodell von MiniMax mit hybrider Attention zum Schlussfolgern über lange Eingaben und für umfangreiche Analysen. Es baut auf MiniMax-Text-01 mit Mixture-of-Experts-Komponenten und Lightning Attention auf, bei 456 Milliarden Gesamtparametern und 45,9 Milliarden pro Token aktivierten Parametern. Die Eingabe besteht aus schriftlichen Anweisungen und Quellkontext; die Ausgabe ist Text wie eine Lösung, Code, Analyse oder Funktionsaufrufinformation.
Der Hersteller beschreibt nativ eine Million Kontexttokens und veröffentlicht zwei M1-Ausgaben mit 40K und 80K Denkbudget. Diese Budgetnamen bezeichnen die Modellvarianten zum Schlussfolgern und dürfen nicht als identische allgemeine Obergrenzen für Endantworten verstanden werden. Die allgemeine M1-Auswahl bleibt getrennt von diesen festen Budgetprofilen und von der Inferenzerweiterung des früheren Text-01-Modells.
Benennen Sie für lange Dokumentaufgaben die Materialien, identifizieren Sie die relevanten Abschnitte und formulieren Sie die Frage, die sie stützen sollen. Eine hilfreiche Vorgabe lautet: «Vergleiche diese Anforderungen mit den Implementierungsnotizen, identifiziere jede offene Bedingung und gib die stützende Passage neben dem Befund zurück.» Reservieren Sie im Aufgabenkontext Platz für Schlussfolgern und Endantwort, nicht nur für das ursprüngliche Quellmaterial.
M1 nutzt gross angelegtes Reinforcement Learning über Mathematik und Softwareentwicklungsprobleme in Sandbox-Umgebungen. Als Teil seines Ansatzes führt der Anbieter CISPO ein, das Importance-Sampling-Gewichte statt Token-Aktualisierungen begrenzt. Das ist eine Trainingseigenschaft dieser Modellvariante zum Schlussfolgern; sie macht generierten Code oder eine vorgeschlagene Aktion nicht zu einem ausgeführten Ergebnis.
Geben Sie für Code die relevante Implementierung, eine repräsentative Eingabe, das erwartete Verhalten und zu bewahrende Einschränkungen an. Verlangen Sie eine gezielte Änderung und die Belege dafür. Stellen Sie für Mathematik die vollständige Bedingung bereit und verlangen Sie das Endergebnis samt Annahmen. Der Hersteller empfiehlt eine schrittweise Lösung mit dem Endergebnis in eingerahmter mathematischer Notation.
MiniMax empfiehlt für sein Referenzprofil temperature 1,0 und top-p 0,95. Ausserdem empfiehlt es, die Systemanweisung auf die Aufgabe zuzuschneiden. Ein allgemeiner Assistent kann eine einfache hilfreiche Rolle verwenden; eine Webentwicklungsaufgabe kann den vollständigen Code und das Ausgabeformat festlegen. Der beispielhafte Web-Prompt verlangt ein vollständiges HTML-Artefakt statt fragmentierter Ausschnitte.
Geben Sie an, ob die Antwort eine Erklärung, ein strukturierter Vergleich oder ausschliesslich Code sein soll. Die Anweisung sollte das tatsächliche Ergebnis und die Abschlusskriterien benennen. Eine visuelle Implementierung muss weiterhin in der vorgesehenen Anwendung laufen; ihr beobachtetes Ergebnis wird für eine Überarbeitung zurückgegeben.
M1 unterstützt bereitgestellte Funktionsdefinitionen mit Namen, Beschreibungen, Argumenttypen und Pflichtfeldern. Die native Darstellung unterscheidet Schlussfolgern von Werkzeugaufrufen und strukturierten JSON-Argumenten. Der Anbieterleitfaden zeigt sowohl einen eigenen Parserpfad als auch die manuelle Interpretation dieser Darstellung. Die Anwendung validiert und führt die gewählten Funktionen aus und gibt benannte Ergebnisse im Gespräch zur Modellnutzung zurück.
Halten Sie Werkzeugzweck und erlaubte Aktionen ausdrücklich fest. Eine Dokumentabfrage kann ein fehlendes Feld liefern, bevor das Modell eine Erklärung abschliesst, während ein Entwicklungswerkzeug tatsächlichen Code oder Fehler zur Analyse zurückgeben kann. Eine vorgeschlagene Operation ist von Ausführung und beobachtetem Ergebnis zu unterscheiden.
Die hilfreiche Ausgabe ist eine Textlösung, ein Codevorschlag oder ein analytischer Datensatz mit Bezug zu den bereitgestellten Quellen und tatsächlichen Werkzeugbeobachtungen. Bewahren Sie die ursprüngliche M1-Identität und ihre Budgetunterschiede und leiten Sie aus dem gemeinsamen Familiennamen weder visuelle Eingaben noch Ausgabelimits oder Standardoptionen eines anderen MiniMax-Modells ab.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits minimax/minimax-m1 | 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 $0.0008 / 1K Tokens Ausgabe · Ausgabetoken $0.0044 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0008 / 1K Tokens Ausgabe · Ausgabetoken $0.0044 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax/minimax-m1", "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-m1',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-m1',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-M1, minimax/minimax-m1
/chat/completions
minimax/minimax-m1MiniMax M1 ist das Schlussfolgerungsmodell von MiniMax mit hybrider Attention für lange Quellenanalysen, Mathematik, Programmierung und Werkzeuge. Die Modellfamilie des Herstellers besitzt nativ eine Million Kontexttokens und getrennte Ausgaben mit 40K und 80K Denkbudget; sie liefert Text und strukturierte Funktionsaufrufinhalte.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MiniMax M1 ist das Sprachmodell von MiniMax mit hybrider Attention zum Schlussfolgern über lange Eingaben und für umfangreiche Analysen. Es baut auf MiniMax-Text-01 mit Mixture-of-Experts-Komponenten und Lightning Attention auf, bei 456 Milliarden Gesamtparametern und 45,9 Milliarden pro Token aktivierten Parametern. Die Eingabe besteht aus schriftlichen Anweisungen und Quellkontext; die Ausgabe ist Text wie eine Lösung, Code, Analyse oder Funktionsaufrufinformation.
Der Hersteller beschreibt nativ eine Million Kontexttokens und veröffentlicht zwei M1-Ausgaben mit 40K und 80K Denkbudget. Diese Budgetnamen bezeichnen die Modellvarianten zum Schlussfolgern und dürfen nicht als identische allgemeine Obergrenzen für Endantworten verstanden werden. Die allgemeine M1-Auswahl bleibt getrennt von diesen festen Budgetprofilen und von der Inferenzerweiterung des früheren Text-01-Modells.
Benennen Sie für lange Dokumentaufgaben die Materialien, identifizieren Sie die relevanten Abschnitte und formulieren Sie die Frage, die sie stützen sollen. Eine hilfreiche Vorgabe lautet: «Vergleiche diese Anforderungen mit den Implementierungsnotizen, identifiziere jede offene Bedingung und gib die stützende Passage neben dem Befund zurück.» Reservieren Sie im Aufgabenkontext Platz für Schlussfolgern und Endantwort, nicht nur für das ursprüngliche Quellmaterial.
M1 nutzt gross angelegtes Reinforcement Learning über Mathematik und Softwareentwicklungsprobleme in Sandbox-Umgebungen. Als Teil seines Ansatzes führt der Anbieter CISPO ein, das Importance-Sampling-Gewichte statt Token-Aktualisierungen begrenzt. Das ist eine Trainingseigenschaft dieser Modellvariante zum Schlussfolgern; sie macht generierten Code oder eine vorgeschlagene Aktion nicht zu einem ausgeführten Ergebnis.
Geben Sie für Code die relevante Implementierung, eine repräsentative Eingabe, das erwartete Verhalten und zu bewahrende Einschränkungen an. Verlangen Sie eine gezielte Änderung und die Belege dafür. Stellen Sie für Mathematik die vollständige Bedingung bereit und verlangen Sie das Endergebnis samt Annahmen. Der Hersteller empfiehlt eine schrittweise Lösung mit dem Endergebnis in eingerahmter mathematischer Notation.
MiniMax empfiehlt für sein Referenzprofil temperature 1,0 und top-p 0,95. Ausserdem empfiehlt es, die Systemanweisung auf die Aufgabe zuzuschneiden. Ein allgemeiner Assistent kann eine einfache hilfreiche Rolle verwenden; eine Webentwicklungsaufgabe kann den vollständigen Code und das Ausgabeformat festlegen. Der beispielhafte Web-Prompt verlangt ein vollständiges HTML-Artefakt statt fragmentierter Ausschnitte.
Geben Sie an, ob die Antwort eine Erklärung, ein strukturierter Vergleich oder ausschliesslich Code sein soll. Die Anweisung sollte das tatsächliche Ergebnis und die Abschlusskriterien benennen. Eine visuelle Implementierung muss weiterhin in der vorgesehenen Anwendung laufen; ihr beobachtetes Ergebnis wird für eine Überarbeitung zurückgegeben.
M1 unterstützt bereitgestellte Funktionsdefinitionen mit Namen, Beschreibungen, Argumenttypen und Pflichtfeldern. Die native Darstellung unterscheidet Schlussfolgern von Werkzeugaufrufen und strukturierten JSON-Argumenten. Der Anbieterleitfaden zeigt sowohl einen eigenen Parserpfad als auch die manuelle Interpretation dieser Darstellung. Die Anwendung validiert und führt die gewählten Funktionen aus und gibt benannte Ergebnisse im Gespräch zur Modellnutzung zurück.
Halten Sie Werkzeugzweck und erlaubte Aktionen ausdrücklich fest. Eine Dokumentabfrage kann ein fehlendes Feld liefern, bevor das Modell eine Erklärung abschliesst, während ein Entwicklungswerkzeug tatsächlichen Code oder Fehler zur Analyse zurückgeben kann. Eine vorgeschlagene Operation ist von Ausführung und beobachtetem Ergebnis zu unterscheiden.
Die hilfreiche Ausgabe ist eine Textlösung, ein Codevorschlag oder ein analytischer Datensatz mit Bezug zu den bereitgestellten Quellen und tatsächlichen Werkzeugbeobachtungen. Bewahren Sie die ursprüngliche M1-Identität und ihre Budgetunterschiede und leiten Sie aus dem gemeinsamen Familiennamen weder visuelle Eingaben noch Ausgabelimits oder Standardoptionen eines anderen MiniMax-Modells ab.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits minimax/minimax-m1 | 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 $0.0008 / 1K Tokens Ausgabe · Ausgabetoken $0.0044 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0008 / 1K Tokens Ausgabe · Ausgabetoken $0.0044 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "minimax/minimax-m1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-m1', '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-m1', '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-M1, minimax/minimax-m1
/chat/completions
Technisches Beispiel auf Englisch
Check a batch-processing invariant\n\nA worker reads pending jobs, marks each running, then records completion. On restart it reads only pending jobs. Analyse what happens if the process stops after marking a job running but before recording completion. Propose a recovery rule that avoids losing the job and prevents an already completed external action from being repeated blindly. Give two failure-point tests.A failure analysis, a bounded recovery/state-reconciliation proposal and tests for interruption before and after an external action.Recovery checks the original action's outcome before deciding whether another execution is safe.