MiniMax M1 80K ist MiniMax' länger denkende Version seines Textschlussfolgerungsmodells M1. Die Familie nutzt eine hybride Mixture-of-Experts-Architektur mit Lightning Attention, abgeleitet von MiniMax Text-01. Der Hersteller beschreibt Training für mathematisches Schlussfolgern und Softwareentwicklungsaufgaben und veröffentlicht getrennte Modellversionen mit Denkbudgets von 40K und 80K.
Der Hersteller beschreibt native Unterstützung für einen Kontext von einer Million Token. Der Versionsname 80K bezeichnet das Denkbudget, eine andere Größe als Eingabekontext oder endgültige nutzersichtbare Antwort. Die Schnittstelle einer gehosteten Aufgabe kann eigene kleinere Arbeitsgrenzen vorgeben; planen Sie die Anfrage daher anhand dieses gewählten Profils.
Kennzeichnen Sie bei einer längeren Quellensammlung die Dokumente und nennen Sie die Frage, die sie beantworten sollen. Fordern Sie eine auf relevante Passagen bezogene Schlussfolgerung an. Benennen Sie bei Code das zu ändernde Verhalten, den betroffenen Bereich und die Prüfungen, die das Ergebnis nachweisen.
Der Hersteller bietet getrennte Leitlinien für gewöhnliche Assistenz, Webentwicklung und Mathematik. Allgemeine Beispiele umfassen Zusammenfassung, Übersetzung, Fragen und kreatives Schreiben. Ein nützlicher Prompt definiert Zielgruppe, Quellmaterial und abschließende Lieferung, damit die Antwort auf die Aufgabe ausgerichtet bleibt.
Für Webentwicklung empfiehlt der Hersteller eine vollständige ausführbare HTML-Lieferung in einem Codeblock mit HTML und JavaScript zusammen und verlangt eine Prüfung des Codes nach der Generierung. Beschreiben Sie die Bedienelemente, Daten und Zustände, die die Seite unterstützen muss. Das Modell erzeugt den Code; die Anwendung speichert und führt ihn aus, um das gerenderte Verhalten zu prüfen.
Für Mathematik verlangen die Leitlinien eine schrittweise Lösung und eine klar abgegrenzte Schlussantwort. Stellen Sie die vollständigen Bedingungen bereit und definieren Sie das nachzuweisende Ergebnis. Bewahren Sie den Lösungsvorschlag beim ursprünglichen Problem, damit sich die Argumentation unabhängig von ihrer Formulierung prüfen lässt.
Der Hersteller nennt Funktionsaufrufe: Das Modell kann eine zu verwendende Funktion identifizieren und Parameter in strukturierter Form bereitstellen. Eine umgebende Anwendung stellt verfügbare Funktionen bereit, führt den Aufruf aus und gibt die Beobachtung zurück. Werkzeugzugriff und externe Aktion hängen somit sowohl von der konfigurierten Anwendung als auch von der Auswahl des Modells ab.
Geben Sie jedem Werkzeug einen klaren Zweck und unterscheiden Sie seine zurückgegebene Beobachtung von der Nutzeranweisung. Eine spätere Antwort kann das beobachtete Ergebnis dann als Beleg nutzen. Die Werkzeugunterstützung des Textmodells M1 macht die an anderer Stelle im Herstellerökosystem beschriebenen separaten Mediendienste nicht zu seiner eigenen Ausgabefamilie.
Der Hersteller empfiehlt temperature 1.0 und top_p 0.95 als Inferenzeinstellungen. Seine Familienbeschreibung nennt insgesamt 456 Milliarden Parameter und 45,9 Milliarden aktive Parameter pro Token. Halten Sie bei Vergleichen die 80K-Modellversion von der 40K-Modellversion getrennt und verwenden Sie für eine konkrete Anfrage die unterstützten Steuerungen und Arbeitsgrenzen der tatsächlichen Schnittstelle.
", "aboutText": "MiniMax M1 80K ist MiniMax' länger denkende Version seines Textschlussfolgerungsmodells M1. Die Familie nutzt eine hybride Mixture-of-Experts-Architektur mit Lightning Attention, abgeleitet von MiniMax Text-01. Der Hersteller beschreibt Training für mathematisches Schlussfolgern und Softwareentwicklungsaufgaben und veröffentlicht getrennte Modellversionen mit Denkbudgets von 40K und 80K.\n\n### Langes Material auf ein klares Ergebnis ausrichten\n\nDer Hersteller beschreibt native Unterstützung für einen Kontext von einer Million Token. Der Versionsname 80K bezeichnet das Denkbudget, eine andere Größe als Eingabekontext oder endgültige nutzersichtbare Antwort. Die Schnittstelle einer gehosteten Aufgabe kann eigene kleinere Arbeitsgrenzen vorgeben; planen Sie die Anfrage daher anhand dieses gewählten Profils.\n\nKennzeichnen Sie bei einer längeren Quellensammlung die Dokumente und nennen Sie die Frage, die sie beantworten sollen. Fordern Sie eine auf relevante Passagen bezogene Schlussfolgerung an. Benennen Sie bei Code das zu ändernde Verhalten, den betroffenen Bereich und die Prüfungen, die das Ergebnis nachweisen.\n\n### Aufgabenspezifische Prompt-Leitlinien verwenden\n\nDer Hersteller bietet getrennte Leitlinien für gewöhnliche Assistenz, Webentwicklung und Mathematik. Allgemeine Beispiele umfassen Zusammenfassung, Übersetzung, Fragen und kreatives Schreiben. Ein nützlicher Prompt definiert Zielgruppe, Quellmaterial und abschließende Lieferung, damit die Antwort auf die Aufgabe ausgerichtet bleibt.\n\nFür Webentwicklung empfiehlt der Hersteller eine vollständige ausführbare HTML-Lieferung in einem Codeblock mit HTML und JavaScript zusammen und verlangt eine Prüfung des Codes nach der Generierung. Beschreiben Sie die Bedienelemente, Daten und Zustände, die die Seite unterstützen muss. Das Modell erzeugt den Code; die Anwendung speichert und führt ihn aus, um das gerenderte Verhalten zu prüfen.\n\nFür Mathematik verlangen die Leitlinien eine schrittweise Lösung und eine klar abgegrenzte Schlussantwort. Stellen Sie die vollständigen Bedingungen bereit und definieren Sie das nachzuweisende Ergebnis. Bewahren Sie den Lösungsvorschlag beim ursprünglichen Problem, damit sich die Argumentation unabhängig von ihrer Formulierung prüfen lässt.\n\n### Funktionsaufrufe und tatsächliche Ausführung\n\nDer Hersteller nennt Funktionsaufrufe: Das Modell kann eine zu verwendende Funktion identifizieren und Parameter in strukturierter Form bereitstellen. Eine umgebende Anwendung stellt verfügbare Funktionen bereit, führt den Aufruf aus und gibt die Beobachtung zurück. Werkzeugzugriff und externe Aktion hängen somit sowohl von der konfigurierten Anwendung als auch von der Auswahl des Modells ab.\n\nGeben Sie jedem Werkzeug einen klaren Zweck und unterscheiden Sie seine zurückgegebene Beobachtung von der Nutzeranweisung. Eine spätere Antwort kann das beobachtete Ergebnis dann als Beleg nutzen. Die Werkzeugunterstützung des Textmodells M1 macht die an anderer Stelle im Herstellerökosystem beschriebenen separaten Mediendienste nicht zu seiner eigenen Ausgabefamilie.\n\n### Modellversion und Einstellungen bewahren\n\nDer Hersteller empfiehlt temperature 1.0 und top_p 0.95 als Inferenzeinstellungen. Seine Familienbeschreibung nennt insgesamt 456 Milliarden Parameter und 45,9 Milliarden aktive Parameter pro Token. Halten Sie bei Vergleichen die 80K-Modellversion von der 40K-Modellversion getrennt und verwenden Sie für eine konkrete Anfrage die unterstützten Steuerungen und Arbeitsgrenzen der tatsächlichen Schnittstelle.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Build a bounded packing calculator\n\nReturn one runnable HTML code block for a packing calculator. Inputs: item count and box capacity, both positive whole numbers. Show the number of boxes needed, rounding upward. Provide a visible validation message for invalid inputs and a reset control. Include HTML, CSS and JavaScript together, then list checks for 10 items at capacity 4 and an empty input.A complete single-file HTML artifact and a short behavior-check list, without a claim that it was run.Check ceiling division, invalid-input feedback and reset behavior in the returned code before running it.MiniMaxAI/MiniMax-M1-80kMiniMax M1 80K ist ein Textschlussfolgerungsmodell mit offenen Gewichten für lange Eingaben, Softwareaufgaben und Mathematik. Der Hersteller unterscheidet die Modellversion mit einem Denkbudget von 80K von der 40K-Modellversion und veröffentlicht aufgabenspezifische Prompt-Leitlinien.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MiniMax M1 80K ist MiniMax' länger denkende Version seines Textschlussfolgerungsmodells M1. Die Familie nutzt eine hybride Mixture-of-Experts-Architektur mit Lightning Attention, abgeleitet von MiniMax Text-01. Der Hersteller beschreibt Training für mathematisches Schlussfolgern und Softwareentwicklungsaufgaben und veröffentlicht getrennte Modellversionen mit Denkbudgets von 40K und 80K.
Der Hersteller beschreibt native Unterstützung für einen Kontext von einer Million Token. Der Versionsname 80K bezeichnet das Denkbudget, eine andere Größe als Eingabekontext oder endgültige nutzersichtbare Antwort. Die Schnittstelle einer gehosteten Aufgabe kann eigene kleinere Arbeitsgrenzen vorgeben; planen Sie die Anfrage daher anhand dieses gewählten Profils.
Kennzeichnen Sie bei einer längeren Quellensammlung die Dokumente und nennen Sie die Frage, die sie beantworten sollen. Fordern Sie eine auf relevante Passagen bezogene Schlussfolgerung an. Benennen Sie bei Code das zu ändernde Verhalten, den betroffenen Bereich und die Prüfungen, die das Ergebnis nachweisen.
Der Hersteller bietet getrennte Leitlinien für gewöhnliche Assistenz, Webentwicklung und Mathematik. Allgemeine Beispiele umfassen Zusammenfassung, Übersetzung, Fragen und kreatives Schreiben. Ein nützlicher Prompt definiert Zielgruppe, Quellmaterial und abschließende Lieferung, damit die Antwort auf die Aufgabe ausgerichtet bleibt.
Für Webentwicklung empfiehlt der Hersteller eine vollständige ausführbare HTML-Lieferung in einem Codeblock mit HTML und JavaScript zusammen und verlangt eine Prüfung des Codes nach der Generierung. Beschreiben Sie die Bedienelemente, Daten und Zustände, die die Seite unterstützen muss. Das Modell erzeugt den Code; die Anwendung speichert und führt ihn aus, um das gerenderte Verhalten zu prüfen.
Für Mathematik verlangen die Leitlinien eine schrittweise Lösung und eine klar abgegrenzte Schlussantwort. Stellen Sie die vollständigen Bedingungen bereit und definieren Sie das nachzuweisende Ergebnis. Bewahren Sie den Lösungsvorschlag beim ursprünglichen Problem, damit sich die Argumentation unabhängig von ihrer Formulierung prüfen lässt.
Der Hersteller nennt Funktionsaufrufe: Das Modell kann eine zu verwendende Funktion identifizieren und Parameter in strukturierter Form bereitstellen. Eine umgebende Anwendung stellt verfügbare Funktionen bereit, führt den Aufruf aus und gibt die Beobachtung zurück. Werkzeugzugriff und externe Aktion hängen somit sowohl von der konfigurierten Anwendung als auch von der Auswahl des Modells ab.
Geben Sie jedem Werkzeug einen klaren Zweck und unterscheiden Sie seine zurückgegebene Beobachtung von der Nutzeranweisung. Eine spätere Antwort kann das beobachtete Ergebnis dann als Beleg nutzen. Die Werkzeugunterstützung des Textmodells M1 macht die an anderer Stelle im Herstellerökosystem beschriebenen separaten Mediendienste nicht zu seiner eigenen Ausgabefamilie.
Der Hersteller empfiehlt temperature 1.0 und top_p 0.95 als Inferenzeinstellungen. Seine Familienbeschreibung nennt insgesamt 456 Milliarden Parameter und 45,9 Milliarden aktive Parameter pro Token. Halten Sie bei Vergleichen die 80K-Modellversion von der 40K-Modellversion getrennt und verwenden Sie für eine konkrete Anfrage die unterstützten Steuerungen und Arbeitsgrenzen der tatsächlichen Schnittstelle.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits MiniMaxAI/MiniMax-M1-80k | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00114 / 1K Token Ausgabe · Ausgabetoken $0.00456 / 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": "MiniMaxAI/MiniMax-M1-80k", "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='MiniMaxAI/MiniMax-M1-80k',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='MiniMaxAI/MiniMax-M1-80k',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 MiniMaxAI/MiniMax-M1-80k
Verwenden Sie die oben angezeigten Methodenpfade.
MiniMaxAI/MiniMax-M1-80kMiniMax M1 80K ist ein Textschlussfolgerungsmodell mit offenen Gewichten für lange Eingaben, Softwareaufgaben und Mathematik. Der Hersteller unterscheidet die Modellversion mit einem Denkbudget von 80K von der 40K-Modellversion und veröffentlicht aufgabenspezifische Prompt-Leitlinien.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MiniMax M1 80K ist MiniMax' länger denkende Version seines Textschlussfolgerungsmodells M1. Die Familie nutzt eine hybride Mixture-of-Experts-Architektur mit Lightning Attention, abgeleitet von MiniMax Text-01. Der Hersteller beschreibt Training für mathematisches Schlussfolgern und Softwareentwicklungsaufgaben und veröffentlicht getrennte Modellversionen mit Denkbudgets von 40K und 80K.
Der Hersteller beschreibt native Unterstützung für einen Kontext von einer Million Token. Der Versionsname 80K bezeichnet das Denkbudget, eine andere Größe als Eingabekontext oder endgültige nutzersichtbare Antwort. Die Schnittstelle einer gehosteten Aufgabe kann eigene kleinere Arbeitsgrenzen vorgeben; planen Sie die Anfrage daher anhand dieses gewählten Profils.
Kennzeichnen Sie bei einer längeren Quellensammlung die Dokumente und nennen Sie die Frage, die sie beantworten sollen. Fordern Sie eine auf relevante Passagen bezogene Schlussfolgerung an. Benennen Sie bei Code das zu ändernde Verhalten, den betroffenen Bereich und die Prüfungen, die das Ergebnis nachweisen.
Der Hersteller bietet getrennte Leitlinien für gewöhnliche Assistenz, Webentwicklung und Mathematik. Allgemeine Beispiele umfassen Zusammenfassung, Übersetzung, Fragen und kreatives Schreiben. Ein nützlicher Prompt definiert Zielgruppe, Quellmaterial und abschließende Lieferung, damit die Antwort auf die Aufgabe ausgerichtet bleibt.
Für Webentwicklung empfiehlt der Hersteller eine vollständige ausführbare HTML-Lieferung in einem Codeblock mit HTML und JavaScript zusammen und verlangt eine Prüfung des Codes nach der Generierung. Beschreiben Sie die Bedienelemente, Daten und Zustände, die die Seite unterstützen muss. Das Modell erzeugt den Code; die Anwendung speichert und führt ihn aus, um das gerenderte Verhalten zu prüfen.
Für Mathematik verlangen die Leitlinien eine schrittweise Lösung und eine klar abgegrenzte Schlussantwort. Stellen Sie die vollständigen Bedingungen bereit und definieren Sie das nachzuweisende Ergebnis. Bewahren Sie den Lösungsvorschlag beim ursprünglichen Problem, damit sich die Argumentation unabhängig von ihrer Formulierung prüfen lässt.
Der Hersteller nennt Funktionsaufrufe: Das Modell kann eine zu verwendende Funktion identifizieren und Parameter in strukturierter Form bereitstellen. Eine umgebende Anwendung stellt verfügbare Funktionen bereit, führt den Aufruf aus und gibt die Beobachtung zurück. Werkzeugzugriff und externe Aktion hängen somit sowohl von der konfigurierten Anwendung als auch von der Auswahl des Modells ab.
Geben Sie jedem Werkzeug einen klaren Zweck und unterscheiden Sie seine zurückgegebene Beobachtung von der Nutzeranweisung. Eine spätere Antwort kann das beobachtete Ergebnis dann als Beleg nutzen. Die Werkzeugunterstützung des Textmodells M1 macht die an anderer Stelle im Herstellerökosystem beschriebenen separaten Mediendienste nicht zu seiner eigenen Ausgabefamilie.
Der Hersteller empfiehlt temperature 1.0 und top_p 0.95 als Inferenzeinstellungen. Seine Familienbeschreibung nennt insgesamt 456 Milliarden Parameter und 45,9 Milliarden aktive Parameter pro Token. Halten Sie bei Vergleichen die 80K-Modellversion von der 40K-Modellversion getrennt und verwenden Sie für eine konkrete Anfrage die unterstützten Steuerungen und Arbeitsgrenzen der tatsächlichen Schnittstelle.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits MiniMaxAI/MiniMax-M1-80k | 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 $0.00114 / 1K Token Ausgabe · Ausgabetoken $0.00456 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "MiniMaxAI/MiniMax-M1-80k",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'MiniMaxAI/MiniMax-M1-80k', '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': 'MiniMaxAI/MiniMax-M1-80k', '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 MiniMaxAI/MiniMax-M1-80k
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Build a bounded packing calculator\n\nReturn one runnable HTML code block for a packing calculator. Inputs: item count and box capacity, both positive whole numbers. Show the number of boxes needed, rounding upward. Provide a visible validation message for invalid inputs and a reset control. Include HTML, CSS and JavaScript together, then list checks for 10 items at capacity 4 and an empty input.A complete single-file HTML artifact and a short behavior-check list, without a claim that it was run.Check ceiling division, invalid-input feedback and reset behavior in the returned code before running it.