MiniMax-Text-01 es el modelo de MiniMax centrado en texto para conversaciones, tareas de lenguaje y código. Su diseño de contexto largo resulta especialmente relevante cuando una pregunta depende de información repartida por una colección extensa de material: una especificación junto con correspondencia, varias versiones de un documento o un conjunto considerable de textos de referencia. El resultado es texto, incluidas explicaciones, contenido escrito, código e información de llamadas de función.
La arquitectura combina Lightning Attention, Softmax Attention convencional y una mezcla de expertos. MiniMax comunica 456 mil millones de parámetros en total, con 45.9 mil millones activados por token. El modelo tiene 80 capas y 32 expertos y utiliza enrutamiento hacia los dos expertos mejor clasificados; una capa de Softmax Attention sigue a cada grupo de siete capas de Lightning Attention. Son propiedades de la versión Text-01, no una afirmación de que todos los modelos que llevan el nombre MiniMax utilicen la misma arquitectura.
MiniMax comunica entrenamiento con un contexto de un millón de tokens y una ampliación del contexto durante la inferencia hasta cuatro millones de tokens. Esta distinción importa al preparar una tarea con documentos largos: la longitud del contexto durante el entrenamiento y la longitud ampliada del contexto durante la inferencia describen etapas diferentes. El fabricante examina comprensión del lenguaje, seguimiento de instrucciones, razonamiento, matemáticas, programación y uso de material de referencia extenso. Establece el presupuesto de solicitud disponible para la configuración de ejecución seleccionada y mantén explícitos la pregunta, los documentos de apoyo y el formato de respuesta requerido.
La guía de inicio publicada utiliza una conversación por roles con una instrucción de sistema y un mensaje de usuario, formateada mediante la plantilla de chat propia del modelo. Una petición útil de análisis documental puede proporcionar fragmentos claramente identificados y preguntar: «Compara los criterios de aceptación de estos documentos. Para cada discrepancia, devuelve el identificador del documento, el pasaje relevante, la consecuencia y la pregunta que debemos resolver». Para escritura, proporciona los hechos de origen y el lector previsto; para código, incluye la función relevante, el comportamiento esperado y ejemplos que distingan un resultado correcto. Son formas ilustrativas de utilizar sus capacidades textuales, no garantías predeterminadas de salida.
Las llamadas de función son una característica documentada de Text-01. La aplicación describe las funciones disponibles, su finalidad y sus parámetros; la definición de parámetros se expresa con JSON Schema y puede incluir objetos y matrices anidados. El modelo puede identificar que una petición necesita una función externa y proponer su nombre con argumentos estructurados. La guía del fabricante recorre una función de consulta meteorológica y después muestra cómo analizar la llamada propuesta, ejecutarla fuera del modelo y devolver un resultado estructurado a la conversación.
Esto permite separar las responsabilidades en la práctica. El modelo elige una operación propuesta a partir de las descripciones suministradas; la aplicación decide cómo validarla y ejecutarla. Por ejemplo, un asistente documental podría disponer de una función de consulta y recibir la instrucción de recuperar el campo de producto que falta antes de redactar una explicación. Escribe descripciones precisas de parámetros, identifica los valores obligatorios y facilita que el modelo interprete los datos devueltos. Proporcionar una función no obliga a llamarla: MiniMax señala expresamente que el modelo puede considerar más adecuada una respuesta ordinaria.
Text-01 y MiniMax-VL-01 son versiones separadas. La segunda añade componentes visuales; esta descripción de Text-01 corresponde al procesamiento de texto y sus herramientas documentadas. Un contexto largo también exige preparar las fuentes con cuidado: marca los límites de los documentos, distingue el material citado de las instrucciones y pide una forma de asociar las conclusiones con los pasajes suministrados. La ficha del modelo no establece un máximo universal separado para la salida generada, por lo que la cifra de contexto de cuatro millones de tokens no debe interpretarse como una capacidad de salida. Elige una longitud de respuesta que se ajuste a la tarea y valida las afirmaciones fácticas, los campos extraídos y el código generado con el material o las comprobaciones que has proporcionado.
", "aboutText": "MiniMax-Text-01 es el modelo de MiniMax centrado en texto para conversaciones, tareas de lenguaje y código. Su diseño de contexto largo resulta especialmente relevante cuando una pregunta depende de información repartida por una colección extensa de material: una especificación junto con correspondencia, varias versiones de un documento o un conjunto considerable de textos de referencia. El resultado es texto, incluidas explicaciones, contenido escrito, código e información de llamadas de función.\n\nLa arquitectura combina Lightning Attention, Softmax Attention convencional y una mezcla de expertos. MiniMax comunica 456 mil millones de parámetros en total, con 45.9 mil millones activados por token. El modelo tiene 80 capas y 32 expertos y utiliza enrutamiento hacia los dos expertos mejor clasificados; una capa de Softmax Attention sigue a cada grupo de siete capas de Lightning Attention. Son propiedades de la versión Text-01, no una afirmación de que todos los modelos que llevan el nombre MiniMax utilicen la misma arquitectura.\n\nMiniMax comunica entrenamiento con un contexto de un millón de tokens y una ampliación del contexto durante la inferencia hasta cuatro millones de tokens. Esta distinción importa al preparar una tarea con documentos largos: la longitud del contexto durante el entrenamiento y la longitud ampliada del contexto durante la inferencia describen etapas diferentes. El fabricante examina comprensión del lenguaje, seguimiento de instrucciones, razonamiento, matemáticas, programación y uso de material de referencia extenso. Establece el presupuesto de solicitud disponible para la configuración de ejecución seleccionada y mantén explícitos la pregunta, los documentos de apoyo y el formato de respuesta requerido.\n\nLa guía de inicio publicada utiliza una conversación por roles con una instrucción de sistema y un mensaje de usuario, formateada mediante la plantilla de chat propia del modelo. Una petición útil de análisis documental puede proporcionar fragmentos claramente identificados y preguntar: «Compara los criterios de aceptación de estos documentos. Para cada discrepancia, devuelve el identificador del documento, el pasaje relevante, la consecuencia y la pregunta que debemos resolver». Para escritura, proporciona los hechos de origen y el lector previsto; para código, incluye la función relevante, el comportamiento esperado y ejemplos que distingan un resultado correcto. Son formas ilustrativas de utilizar sus capacidades textuales, no garantías predeterminadas de salida.\n\nLas llamadas de función son una característica documentada de Text-01. La aplicación describe las funciones disponibles, su finalidad y sus parámetros; la definición de parámetros se expresa con JSON Schema y puede incluir objetos y matrices anidados. El modelo puede identificar que una petición necesita una función externa y proponer su nombre con argumentos estructurados. La guía del fabricante recorre una función de consulta meteorológica y después muestra cómo analizar la llamada propuesta, ejecutarla fuera del modelo y devolver un resultado estructurado a la conversación.\n\nEsto permite separar las responsabilidades en la práctica. El modelo elige una operación propuesta a partir de las descripciones suministradas; la aplicación decide cómo validarla y ejecutarla. Por ejemplo, un asistente documental podría disponer de una función de consulta y recibir la instrucción de recuperar el campo de producto que falta antes de redactar una explicación. Escribe descripciones precisas de parámetros, identifica los valores obligatorios y facilita que el modelo interprete los datos devueltos. Proporcionar una función no obliga a llamarla: MiniMax señala expresamente que el modelo puede considerar más adecuada una respuesta ordinaria.\n\nText-01 y MiniMax-VL-01 son versiones separadas. La segunda añade componentes visuales; esta descripción de Text-01 corresponde al procesamiento de texto y sus herramientas documentadas. Un contexto largo también exige preparar las fuentes con cuidado: marca los límites de los documentos, distingue el material citado de las instrucciones y pide una forma de asociar las conclusiones con los pasajes suministrados. La ficha del modelo no establece un máximo universal separado para la salida generada, por lo que la cifra de contexto de cuatro millones de tokens no debe interpretarse como una capacidad de salida. Elige una longitud de respuesta que se ajuste a la tarea y valida las afirmaciones fácticas, los campos extraídos y el código generado con el material o las comprobaciones que has proporcionado.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Reconcile acceptance documents\n\nSpecification S1 says: 'An export is accepted when it contains all active accounts.' Email E1 says: 'Include suspended accounts in the acceptance sample.' Test note T1 says: 'The sample contains only active accounts.' Produce a mismatch record with source labels, practical consequence and one question for the owner. Do not silently choose a new acceptance rule.A source-labeled mismatch record, consequence and clarification question.The record must distinguish the coverage rule from the actual sample rather than declare acceptance achieved.MiniMax-Text-01MiniMax-Text-01 es un modelo textual de contexto largo para análisis de documentos, redacción, programación y flujos asistidos por herramientas. Combina atención híbrida con una mezcla de expertos y puede proponer llamadas a funciones con argumentos estructurados.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
MiniMax-Text-01 es el modelo de MiniMax centrado en texto para conversaciones, tareas de lenguaje y código. Su diseño de contexto largo resulta especialmente relevante cuando una pregunta depende de información repartida por una colección extensa de material: una especificación junto con correspondencia, varias versiones de un documento o un conjunto considerable de textos de referencia. El resultado es texto, incluidas explicaciones, contenido escrito, código e información de llamadas de función.
La arquitectura combina Lightning Attention, Softmax Attention convencional y una mezcla de expertos. MiniMax comunica 456 mil millones de parámetros en total, con 45.9 mil millones activados por token. El modelo tiene 80 capas y 32 expertos y utiliza enrutamiento hacia los dos expertos mejor clasificados; una capa de Softmax Attention sigue a cada grupo de siete capas de Lightning Attention. Son propiedades de la versión Text-01, no una afirmación de que todos los modelos que llevan el nombre MiniMax utilicen la misma arquitectura.
MiniMax comunica entrenamiento con un contexto de un millón de tokens y una ampliación del contexto durante la inferencia hasta cuatro millones de tokens. Esta distinción importa al preparar una tarea con documentos largos: la longitud del contexto durante el entrenamiento y la longitud ampliada del contexto durante la inferencia describen etapas diferentes. El fabricante examina comprensión del lenguaje, seguimiento de instrucciones, razonamiento, matemáticas, programación y uso de material de referencia extenso. Establece el presupuesto de solicitud disponible para la configuración de ejecución seleccionada y mantén explícitos la pregunta, los documentos de apoyo y el formato de respuesta requerido.
La guía de inicio publicada utiliza una conversación por roles con una instrucción de sistema y un mensaje de usuario, formateada mediante la plantilla de chat propia del modelo. Una petición útil de análisis documental puede proporcionar fragmentos claramente identificados y preguntar: «Compara los criterios de aceptación de estos documentos. Para cada discrepancia, devuelve el identificador del documento, el pasaje relevante, la consecuencia y la pregunta que debemos resolver». Para escritura, proporciona los hechos de origen y el lector previsto; para código, incluye la función relevante, el comportamiento esperado y ejemplos que distingan un resultado correcto. Son formas ilustrativas de utilizar sus capacidades textuales, no garantías predeterminadas de salida.
Las llamadas de función son una característica documentada de Text-01. La aplicación describe las funciones disponibles, su finalidad y sus parámetros; la definición de parámetros se expresa con JSON Schema y puede incluir objetos y matrices anidados. El modelo puede identificar que una petición necesita una función externa y proponer su nombre con argumentos estructurados. La guía del fabricante recorre una función de consulta meteorológica y después muestra cómo analizar la llamada propuesta, ejecutarla fuera del modelo y devolver un resultado estructurado a la conversación.
Esto permite separar las responsabilidades en la práctica. El modelo elige una operación propuesta a partir de las descripciones suministradas; la aplicación decide cómo validarla y ejecutarla. Por ejemplo, un asistente documental podría disponer de una función de consulta y recibir la instrucción de recuperar el campo de producto que falta antes de redactar una explicación. Escribe descripciones precisas de parámetros, identifica los valores obligatorios y facilita que el modelo interprete los datos devueltos. Proporcionar una función no obliga a llamarla: MiniMax señala expresamente que el modelo puede considerar más adecuada una respuesta ordinaria.
Text-01 y MiniMax-VL-01 son versiones separadas. La segunda añade componentes visuales; esta descripción de Text-01 corresponde al procesamiento de texto y sus herramientas documentadas. Un contexto largo también exige preparar las fuentes con cuidado: marca los límites de los documentos, distingue el material citado de las instrucciones y pide una forma de asociar las conclusiones con los pasajes suministrados. La ficha del modelo no establece un máximo universal separado para la salida generada, por lo que la cifra de contexto de cuatro millones de tokens no debe interpretarse como una capacidad de salida. Elige una longitud de respuesta que se ajuste a la tarea y valida las afirmaciones fácticas, los campos extraídos y el código generado con el material o las comprobaciones que has proporcionado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites MiniMax-Text-01 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.000308 / 1K tokens Salida · Tokens de salida $0.002464 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "MiniMax-Text-01", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='MiniMax-Text-01',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='MiniMax-Text-01',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra MiniMax-Text-01
Usa las rutas de método indicadas arriba.
MiniMax-Text-01MiniMax-Text-01 es un modelo textual de contexto largo para análisis de documentos, redacción, programación y flujos asistidos por herramientas. Combina atención híbrida con una mezcla de expertos y puede proponer llamadas a funciones con argumentos estructurados.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
MiniMax-Text-01 es el modelo de MiniMax centrado en texto para conversaciones, tareas de lenguaje y código. Su diseño de contexto largo resulta especialmente relevante cuando una pregunta depende de información repartida por una colección extensa de material: una especificación junto con correspondencia, varias versiones de un documento o un conjunto considerable de textos de referencia. El resultado es texto, incluidas explicaciones, contenido escrito, código e información de llamadas de función.
La arquitectura combina Lightning Attention, Softmax Attention convencional y una mezcla de expertos. MiniMax comunica 456 mil millones de parámetros en total, con 45.9 mil millones activados por token. El modelo tiene 80 capas y 32 expertos y utiliza enrutamiento hacia los dos expertos mejor clasificados; una capa de Softmax Attention sigue a cada grupo de siete capas de Lightning Attention. Son propiedades de la versión Text-01, no una afirmación de que todos los modelos que llevan el nombre MiniMax utilicen la misma arquitectura.
MiniMax comunica entrenamiento con un contexto de un millón de tokens y una ampliación del contexto durante la inferencia hasta cuatro millones de tokens. Esta distinción importa al preparar una tarea con documentos largos: la longitud del contexto durante el entrenamiento y la longitud ampliada del contexto durante la inferencia describen etapas diferentes. El fabricante examina comprensión del lenguaje, seguimiento de instrucciones, razonamiento, matemáticas, programación y uso de material de referencia extenso. Establece el presupuesto de solicitud disponible para la configuración de ejecución seleccionada y mantén explícitos la pregunta, los documentos de apoyo y el formato de respuesta requerido.
La guía de inicio publicada utiliza una conversación por roles con una instrucción de sistema y un mensaje de usuario, formateada mediante la plantilla de chat propia del modelo. Una petición útil de análisis documental puede proporcionar fragmentos claramente identificados y preguntar: «Compara los criterios de aceptación de estos documentos. Para cada discrepancia, devuelve el identificador del documento, el pasaje relevante, la consecuencia y la pregunta que debemos resolver». Para escritura, proporciona los hechos de origen y el lector previsto; para código, incluye la función relevante, el comportamiento esperado y ejemplos que distingan un resultado correcto. Son formas ilustrativas de utilizar sus capacidades textuales, no garantías predeterminadas de salida.
Las llamadas de función son una característica documentada de Text-01. La aplicación describe las funciones disponibles, su finalidad y sus parámetros; la definición de parámetros se expresa con JSON Schema y puede incluir objetos y matrices anidados. El modelo puede identificar que una petición necesita una función externa y proponer su nombre con argumentos estructurados. La guía del fabricante recorre una función de consulta meteorológica y después muestra cómo analizar la llamada propuesta, ejecutarla fuera del modelo y devolver un resultado estructurado a la conversación.
Esto permite separar las responsabilidades en la práctica. El modelo elige una operación propuesta a partir de las descripciones suministradas; la aplicación decide cómo validarla y ejecutarla. Por ejemplo, un asistente documental podría disponer de una función de consulta y recibir la instrucción de recuperar el campo de producto que falta antes de redactar una explicación. Escribe descripciones precisas de parámetros, identifica los valores obligatorios y facilita que el modelo interprete los datos devueltos. Proporcionar una función no obliga a llamarla: MiniMax señala expresamente que el modelo puede considerar más adecuada una respuesta ordinaria.
Text-01 y MiniMax-VL-01 son versiones separadas. La segunda añade componentes visuales; esta descripción de Text-01 corresponde al procesamiento de texto y sus herramientas documentadas. Un contexto largo también exige preparar las fuentes con cuidado: marca los límites de los documentos, distingue el material citado de las instrucciones y pide una forma de asociar las conclusiones con los pasajes suministrados. La ficha del modelo no establece un máximo universal separado para la salida generada, por lo que la cifra de contexto de cuatro millones de tokens no debe interpretarse como una capacidad de salida. Elige una longitud de respuesta que se ajuste a la tarea y valida las afirmaciones fácticas, los campos extraídos y el código generado con el material o las comprobaciones que has proporcionado.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites MiniMax-Text-01 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.000308 / 1K tokens Salida · Tokens de salida $0.002464 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "MiniMax-Text-01",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'MiniMax-Text-01', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'MiniMax-Text-01', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra MiniMax-Text-01
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Reconcile acceptance documents\n\nSpecification S1 says: 'An export is accepted when it contains all active accounts.' Email E1 says: 'Include suspended accounts in the acceptance sample.' Test note T1 says: 'The sample contains only active accounts.' Produce a mismatch record with source labels, practical consequence and one question for the owner. Do not silently choose a new acceptance rule.A source-labeled mismatch record, consequence and clarification question.The record must distinguish the coverage rule from the actual sample rather than declare acceptance achieved.