MiniMax M2-her ist MiniMax' dialogorientiertes Textmodell für Rollenspiel, Figurengespräche und erzählgetriebene Interaktion. Es ist ein eigenständiges Profil neben dem allgemeinen, auf Programmierung und Agenten ausgerichteten Modell MiniMax M2. Der Hersteller entwickelt es für kohärente fiktive Welten, aktive Handlungsentwicklung und die Anpassung an Gesprächspräferenzen des Nutzers. Ein- und Ausgabe sind Text; die spezielle Anleitung unterstützt keine gemischten Text-Bild-Eingaben.
Das Gesprächsformat des Herstellers enthält mehr als die üblichen Nachrichten mit system, user und assistant. Die Rolle system definiert Identität, Persönlichkeit und Verhalten des Modells. Die Rolle user_system definiert die Figur oder Persona des Nutzers, während group das Szenario oder die Gesprächsgruppe kennzeichnet. Halten Sie diese Unterschiede klar, wenn die Geschichte mehrere Personen, unterschiedliche Wissensstände oder eine bestimmte Beziehung umfasst.
Geben Sie dem Modell die Umgebung, die Motive der Figur und die Fakten, die wahr bleiben müssen. Beschreiben Sie, wer die Handlungen des Nutzers bestimmt und welche Entscheidungen für eine Antwort offenbleiben sollen. Eine beispielhafte Szenenvorlage lautet: „Fahre als Archivar fort, bewahre das etablierte Rätsel und liefere einen neuen Hinweis, ohne zu entscheiden, wie meine Figur reagiert.“ Dies bereitet einen reaktionsfähigen Austausch vor, statt das Modell beide Seiten der Interaktion schreiben zu lassen.
M2-her unterstützt Nachrichten mit sample_message_user und sample_message_ai, um das gewünschte Dialogmuster zu zeigen. Der Hersteller empfiehlt ein bis drei knappe Beispiele. Etablieren Sie damit Stimme, Tempo und das Verhältnis zwischen Erzähltext und Dialog und vermeiden Sie ein langes Beispiel, das Kontext verbraucht, ohne den Stil zu verdeutlichen. Die Beispiele zählen wie andere Nachrichten zum Eingabebudget.
MiniMax' Entwicklungsrichtung betont Figurenidentität, Weltregeln, abwechslungsreiche Handlungsentwicklung und den Handlungsspielraum des Nutzers. Geben Sie das gewünschte Tempo an, wenn es relevant ist, etwa einen ruhigen Austausch, eine schrittweise Enthüllung oder eine neue Komplikation. Benennen Sie bei einer Überarbeitung die genaue Zeile oder das Ereignis, das Figurentreue oder Chronologie verletzt, und fordern Sie eine Korrektur an, die die übrige Szene bewahrt.
Der dokumentierte Ablauf enthält für Dialoge über mehrere Runden die vollständige Nutzer- und Assistentenhistorie in chronologischer Reihenfolge. Diese Historie liefert der nächsten Antwort Belege zu früheren Ereignissen und etablierten Beziehungen. Halten Sie wesentliche Namen und jüngste Entwicklungen bei der Vorbereitung einer fortlaufenden Geschichte ausdrücklich fest. Die Kontexthistorie wird dem Modell bereitgestellt; sie darf nicht mit unbegrenztem Gedächtnis außerhalb des Gesprächs verwechselt werden.
Die Rollenspielforschung des Herstellers nutzt Dialogsynthese und Online-Präferenzlernen, um Vielfalt, Kontinuität und Reaktionsfähigkeit zu verbessern. Diese Trainingsmethoden beschreiben das Herstellermodell, garantieren aber nicht, dass jede einzelne Geschichte fehlerfrei bleibt. Prüfen Sie, ob eine Antwort Dialog der richtigen Figur zuordnet und die physischen oder fiktiven Regeln der Umgebung einhält.
Die spezielle M2-her-Anleitung nennt 64K Kontext und maximal 2.048 Vervollständigungstoken. Sie dokumentiert außerdem Streaming-Ausgabe und die Sampling-Standardwerte temperature 1.0 und top-p 0.95. Wählen Sie eine Antwortlänge, die zu einer Gesprächsrunde passt; eine überlange Passage kann die nächste Entscheidung des Nutzers verdrängen oder durch das Vervollständigungsbudget abgeschnitten werden.
Das nützliche Ergebnis ist eine Figurenantwort, Erzählpassage oder fortgesetzte Szene, die zur vorgegebenen Umgebung passt und zur nächsten Interaktion einlädt. Prüfen Sie Perspektive, Handlungsspielraum der Figur, Konsistenz der Bezüge und gewünschten Abschluss. Das benannte Rollenspielformat und die Grenzen von M2-her bleiben von anderen MiniMax-Sprach-, Bild- und Medienmodellen getrennt.
", "aboutText": "MiniMax M2-her ist MiniMax' dialogorientiertes Textmodell für Rollenspiel, Figurengespräche und erzählgetriebene Interaktion. Es ist ein eigenständiges Profil neben dem allgemeinen, auf Programmierung und Agenten ausgerichteten Modell MiniMax M2. Der Hersteller entwickelt es für kohärente fiktive Welten, aktive Handlungsentwicklung und die Anpassung an Gesprächspräferenzen des Nutzers. Ein- und Ausgabe sind Text; die spezielle Anleitung unterstützt keine gemischten Text-Bild-Eingaben.\n\n### Die Welt und beide Rollen definieren\n\nDas Gesprächsformat des Herstellers enthält mehr als die üblichen Nachrichten mit system, user und assistant. Die Rolle system definiert Identität, Persönlichkeit und Verhalten des Modells. Die Rolle user_system definiert die Figur oder Persona des Nutzers, während group das Szenario oder die Gesprächsgruppe kennzeichnet. Halten Sie diese Unterschiede klar, wenn die Geschichte mehrere Personen, unterschiedliche Wissensstände oder eine bestimmte Beziehung umfasst.\n\nGeben Sie dem Modell die Umgebung, die Motive der Figur und die Fakten, die wahr bleiben müssen. Beschreiben Sie, wer die Handlungen des Nutzers bestimmt und welche Entscheidungen für eine Antwort offenbleiben sollen. Eine beispielhafte Szenenvorlage lautet: „Fahre als Archivar fort, bewahre das etablierte Rätsel und liefere einen neuen Hinweis, ohne zu entscheiden, wie meine Figur reagiert.“ Dies bereitet einen reaktionsfähigen Austausch vor, statt das Modell beide Seiten der Interaktion schreiben zu lassen.\n\n### Beispiele und Stil\n\nM2-her unterstützt Nachrichten mit sample_message_user und sample_message_ai, um das gewünschte Dialogmuster zu zeigen. Der Hersteller empfiehlt ein bis drei knappe Beispiele. Etablieren Sie damit Stimme, Tempo und das Verhältnis zwischen Erzähltext und Dialog und vermeiden Sie ein langes Beispiel, das Kontext verbraucht, ohne den Stil zu verdeutlichen. Die Beispiele zählen wie andere Nachrichten zum Eingabebudget.\n\nMiniMax' Entwicklungsrichtung betont Figurenidentität, Weltregeln, abwechslungsreiche Handlungsentwicklung und den Handlungsspielraum des Nutzers. Geben Sie das gewünschte Tempo an, wenn es relevant ist, etwa einen ruhigen Austausch, eine schrittweise Enthüllung oder eine neue Komplikation. Benennen Sie bei einer Überarbeitung die genaue Zeile oder das Ereignis, das Figurentreue oder Chronologie verletzt, und fordern Sie eine Korrektur an, die die übrige Szene bewahrt.\n\n### Gesprächskontext erhalten\n\nDer dokumentierte Ablauf enthält für Dialoge über mehrere Runden die vollständige Nutzer- und Assistentenhistorie in chronologischer Reihenfolge. Diese Historie liefert der nächsten Antwort Belege zu früheren Ereignissen und etablierten Beziehungen. Halten Sie wesentliche Namen und jüngste Entwicklungen bei der Vorbereitung einer fortlaufenden Geschichte ausdrücklich fest. Die Kontexthistorie wird dem Modell bereitgestellt; sie darf nicht mit unbegrenztem Gedächtnis außerhalb des Gesprächs verwechselt werden.\n\nDie Rollenspielforschung des Herstellers nutzt Dialogsynthese und Online-Präferenzlernen, um Vielfalt, Kontinuität und Reaktionsfähigkeit zu verbessern. Diese Trainingsmethoden beschreiben das Herstellermodell, garantieren aber nicht, dass jede einzelne Geschichte fehlerfrei bleibt. Prüfen Sie, ob eine Antwort Dialog der richtigen Figur zuordnet und die physischen oder fiktiven Regeln der Umgebung einhält.\n\n### Grenzen und resultierende Passage\n\nDie spezielle M2-her-Anleitung nennt 64K Kontext und maximal 2.048 Vervollständigungstoken. Sie dokumentiert außerdem Streaming-Ausgabe und die Sampling-Standardwerte temperature 1.0 und top-p 0.95. Wählen Sie eine Antwortlänge, die zu einer Gesprächsrunde passt; eine überlange Passage kann die nächste Entscheidung des Nutzers verdrängen oder durch das Vervollständigungsbudget abgeschnitten werden.\n\nDas nützliche Ergebnis ist eine Figurenantwort, Erzählpassage oder fortgesetzte Szene, die zur vorgegebenen Umgebung passt und zur nächsten Interaktion einlädt. Prüfen Sie Perspektive, Handlungsspielraum der Figur, Konsistenz der Bezüge und gewünschten Abschluss. Das benannte Rollenspielformat und die Grenzen von M2-her bleiben von anderen MiniMax-Sprach-, Bild- und Medienmodellen getrennt.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "1c54de2d200432fbb78452667add316d86169ba2b1ed93e065975af153f2ee03", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "M2-herMiniMax M2-her ist ein reines Textmodell für Figurenrollenspiel, erzählgetriebene Dialoge und Gespräche über mehrere Runden. Seine speziellen Rollen- und Beispielnachrichtenformate gestalten beide Seiten einer Interaktion, mit 64K Herstellerkontext und maximal 2.048 Vervollständigungstoken.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MiniMax M2-her ist MiniMax' dialogorientiertes Textmodell für Rollenspiel, Figurengespräche und erzählgetriebene Interaktion. Es ist ein eigenständiges Profil neben dem allgemeinen, auf Programmierung und Agenten ausgerichteten Modell MiniMax M2. Der Hersteller entwickelt es für kohärente fiktive Welten, aktive Handlungsentwicklung und die Anpassung an Gesprächspräferenzen des Nutzers. Ein- und Ausgabe sind Text; die spezielle Anleitung unterstützt keine gemischten Text-Bild-Eingaben.
Das Gesprächsformat des Herstellers enthält mehr als die üblichen Nachrichten mit system, user und assistant. Die Rolle system definiert Identität, Persönlichkeit und Verhalten des Modells. Die Rolle user_system definiert die Figur oder Persona des Nutzers, während group das Szenario oder die Gesprächsgruppe kennzeichnet. Halten Sie diese Unterschiede klar, wenn die Geschichte mehrere Personen, unterschiedliche Wissensstände oder eine bestimmte Beziehung umfasst.
Geben Sie dem Modell die Umgebung, die Motive der Figur und die Fakten, die wahr bleiben müssen. Beschreiben Sie, wer die Handlungen des Nutzers bestimmt und welche Entscheidungen für eine Antwort offenbleiben sollen. Eine beispielhafte Szenenvorlage lautet: „Fahre als Archivar fort, bewahre das etablierte Rätsel und liefere einen neuen Hinweis, ohne zu entscheiden, wie meine Figur reagiert.“ Dies bereitet einen reaktionsfähigen Austausch vor, statt das Modell beide Seiten der Interaktion schreiben zu lassen.
M2-her unterstützt Nachrichten mit sample_message_user und sample_message_ai, um das gewünschte Dialogmuster zu zeigen. Der Hersteller empfiehlt ein bis drei knappe Beispiele. Etablieren Sie damit Stimme, Tempo und das Verhältnis zwischen Erzähltext und Dialog und vermeiden Sie ein langes Beispiel, das Kontext verbraucht, ohne den Stil zu verdeutlichen. Die Beispiele zählen wie andere Nachrichten zum Eingabebudget.
MiniMax' Entwicklungsrichtung betont Figurenidentität, Weltregeln, abwechslungsreiche Handlungsentwicklung und den Handlungsspielraum des Nutzers. Geben Sie das gewünschte Tempo an, wenn es relevant ist, etwa einen ruhigen Austausch, eine schrittweise Enthüllung oder eine neue Komplikation. Benennen Sie bei einer Überarbeitung die genaue Zeile oder das Ereignis, das Figurentreue oder Chronologie verletzt, und fordern Sie eine Korrektur an, die die übrige Szene bewahrt.
Der dokumentierte Ablauf enthält für Dialoge über mehrere Runden die vollständige Nutzer- und Assistentenhistorie in chronologischer Reihenfolge. Diese Historie liefert der nächsten Antwort Belege zu früheren Ereignissen und etablierten Beziehungen. Halten Sie wesentliche Namen und jüngste Entwicklungen bei der Vorbereitung einer fortlaufenden Geschichte ausdrücklich fest. Die Kontexthistorie wird dem Modell bereitgestellt; sie darf nicht mit unbegrenztem Gedächtnis außerhalb des Gesprächs verwechselt werden.
Die Rollenspielforschung des Herstellers nutzt Dialogsynthese und Online-Präferenzlernen, um Vielfalt, Kontinuität und Reaktionsfähigkeit zu verbessern. Diese Trainingsmethoden beschreiben das Herstellermodell, garantieren aber nicht, dass jede einzelne Geschichte fehlerfrei bleibt. Prüfen Sie, ob eine Antwort Dialog der richtigen Figur zuordnet und die physischen oder fiktiven Regeln der Umgebung einhält.
Die spezielle M2-her-Anleitung nennt 64K Kontext und maximal 2.048 Vervollständigungstoken. Sie dokumentiert außerdem Streaming-Ausgabe und die Sampling-Standardwerte temperature 1.0 und top-p 0.95. Wählen Sie eine Antwortlänge, die zu einer Gesprächsrunde passt; eine überlange Passage kann die nächste Entscheidung des Nutzers verdrängen oder durch das Vervollständigungsbudget abgeschnitten werden.
Das nützliche Ergebnis ist eine Figurenantwort, Erzählpassage oder fortgesetzte Szene, die zur vorgegebenen Umgebung passt und zur nächsten Interaktion einlädt. Prüfen Sie Perspektive, Handlungsspielraum der Figur, Konsistenz der Bezüge und gewünschten Abschluss. Das benannte Rollenspielformat und die Grenzen von M2-her bleiben von anderen MiniMax-Sprach-, Bild- und Medienmodellen getrennt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits M2-her | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.0024 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"M2-her","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="M2-her", 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 M2-her
/chat/completions
M2-herMiniMax M2-her ist ein reines Textmodell für Figurenrollenspiel, erzählgetriebene Dialoge und Gespräche über mehrere Runden. Seine speziellen Rollen- und Beispielnachrichtenformate gestalten beide Seiten einer Interaktion, mit 64K Herstellerkontext und maximal 2.048 Vervollständigungstoken.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MiniMax M2-her ist MiniMax' dialogorientiertes Textmodell für Rollenspiel, Figurengespräche und erzählgetriebene Interaktion. Es ist ein eigenständiges Profil neben dem allgemeinen, auf Programmierung und Agenten ausgerichteten Modell MiniMax M2. Der Hersteller entwickelt es für kohärente fiktive Welten, aktive Handlungsentwicklung und die Anpassung an Gesprächspräferenzen des Nutzers. Ein- und Ausgabe sind Text; die spezielle Anleitung unterstützt keine gemischten Text-Bild-Eingaben.
Das Gesprächsformat des Herstellers enthält mehr als die üblichen Nachrichten mit system, user und assistant. Die Rolle system definiert Identität, Persönlichkeit und Verhalten des Modells. Die Rolle user_system definiert die Figur oder Persona des Nutzers, während group das Szenario oder die Gesprächsgruppe kennzeichnet. Halten Sie diese Unterschiede klar, wenn die Geschichte mehrere Personen, unterschiedliche Wissensstände oder eine bestimmte Beziehung umfasst.
Geben Sie dem Modell die Umgebung, die Motive der Figur und die Fakten, die wahr bleiben müssen. Beschreiben Sie, wer die Handlungen des Nutzers bestimmt und welche Entscheidungen für eine Antwort offenbleiben sollen. Eine beispielhafte Szenenvorlage lautet: „Fahre als Archivar fort, bewahre das etablierte Rätsel und liefere einen neuen Hinweis, ohne zu entscheiden, wie meine Figur reagiert.“ Dies bereitet einen reaktionsfähigen Austausch vor, statt das Modell beide Seiten der Interaktion schreiben zu lassen.
M2-her unterstützt Nachrichten mit sample_message_user und sample_message_ai, um das gewünschte Dialogmuster zu zeigen. Der Hersteller empfiehlt ein bis drei knappe Beispiele. Etablieren Sie damit Stimme, Tempo und das Verhältnis zwischen Erzähltext und Dialog und vermeiden Sie ein langes Beispiel, das Kontext verbraucht, ohne den Stil zu verdeutlichen. Die Beispiele zählen wie andere Nachrichten zum Eingabebudget.
MiniMax' Entwicklungsrichtung betont Figurenidentität, Weltregeln, abwechslungsreiche Handlungsentwicklung und den Handlungsspielraum des Nutzers. Geben Sie das gewünschte Tempo an, wenn es relevant ist, etwa einen ruhigen Austausch, eine schrittweise Enthüllung oder eine neue Komplikation. Benennen Sie bei einer Überarbeitung die genaue Zeile oder das Ereignis, das Figurentreue oder Chronologie verletzt, und fordern Sie eine Korrektur an, die die übrige Szene bewahrt.
Der dokumentierte Ablauf enthält für Dialoge über mehrere Runden die vollständige Nutzer- und Assistentenhistorie in chronologischer Reihenfolge. Diese Historie liefert der nächsten Antwort Belege zu früheren Ereignissen und etablierten Beziehungen. Halten Sie wesentliche Namen und jüngste Entwicklungen bei der Vorbereitung einer fortlaufenden Geschichte ausdrücklich fest. Die Kontexthistorie wird dem Modell bereitgestellt; sie darf nicht mit unbegrenztem Gedächtnis außerhalb des Gesprächs verwechselt werden.
Die Rollenspielforschung des Herstellers nutzt Dialogsynthese und Online-Präferenzlernen, um Vielfalt, Kontinuität und Reaktionsfähigkeit zu verbessern. Diese Trainingsmethoden beschreiben das Herstellermodell, garantieren aber nicht, dass jede einzelne Geschichte fehlerfrei bleibt. Prüfen Sie, ob eine Antwort Dialog der richtigen Figur zuordnet und die physischen oder fiktiven Regeln der Umgebung einhält.
Die spezielle M2-her-Anleitung nennt 64K Kontext und maximal 2.048 Vervollständigungstoken. Sie dokumentiert außerdem Streaming-Ausgabe und die Sampling-Standardwerte temperature 1.0 und top-p 0.95. Wählen Sie eine Antwortlänge, die zu einer Gesprächsrunde passt; eine überlange Passage kann die nächste Entscheidung des Nutzers verdrängen oder durch das Vervollständigungsbudget abgeschnitten werden.
Das nützliche Ergebnis ist eine Figurenantwort, Erzählpassage oder fortgesetzte Szene, die zur vorgegebenen Umgebung passt und zur nächsten Interaktion einlädt. Prüfen Sie Perspektive, Handlungsspielraum der Figur, Konsistenz der Bezüge und gewünschten Abschluss. Das benannte Rollenspielformat und die Grenzen von M2-her bleiben von anderen MiniMax-Sprach-, Bild- und Medienmodellen getrennt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits M2-her | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0006 / 1K Token Ausgabe · Ausgabetoken $0.0024 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "M2-her",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'M2-her', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'M2-her', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 M2-her
/chat/completions