MiniMax M2-her es el modelo textual de MiniMax centrado en el diálogo para interpretación de roles, conversaciones de personajes e interacción guiada por historias. Es un perfil independiente del modelo general MiniMax M2 orientado a programación y agentes. El fabricante lo desarrolla en torno a mundos ficticios coherentes, progresión activa de la historia y alineación con las preferencias conversacionales del usuario. Su entrada y salida son texto; la guía específica no admite entrada mixta de texto e imágenes.
El formato de conversación del fabricante incluye más elementos que los mensajes habituales de sistema, usuario y asistente. El rol system define la identidad, la personalidad y el comportamiento del modelo. El rol user_system define el personaje o la identidad representada por el usuario, mientras que group identifica el escenario o grupo de conversación. Mantenga claras esas distinciones cuando la historia incluya varias personas, conocimientos diferentes o una relación concreta.
Aporte al modelo el escenario, las motivaciones del personaje y los hechos que deben seguir siendo ciertos. Describa quién controla las acciones del usuario y qué decisiones deben quedar abiertas para una respuesta. Unas instrucciones ilustrativas de escena serían: «Continúe como el archivero, conserve el misterio establecido y ofrezca una pista nueva sin decidir cómo reacciona mi personaje». Esto prepara un intercambio receptivo, en lugar de pedir al modelo que escriba ambos lados de la interacción.
M2-her admite mensajes sample_message_user y sample_message_ai para demostrar el patrón de diálogo deseado. El fabricante recomienda entre uno y tres ejemplos concisos. Utilícelos para establecer la voz, el ritmo y la relación entre narración y diálogo, evitando un ejemplo largo que consuma contexto sin aclarar el estilo. Los ejemplos cuentan para el presupuesto de entrada como los demás mensajes.
La orientación de desarrollo de MiniMax enfatiza la identidad de los personajes, las reglas del mundo, el movimiento variado de la trama y la capacidad de decisión del usuario. Indique el ritmo deseado cuando importe, como un intercambio tranquilo, una revelación gradual o una nueva complicación. Para revisar, identifique la línea o el acontecimiento exactos que contradicen la caracterización del personaje o la cronología y solicite una corrección que conserve el resto de la escena.
El flujo documentado incluye el historial completo del usuario y del asistente en orden cronológico para diálogos de varios turnos. Ese historial proporciona a la siguiente respuesta pruebas sobre los acontecimientos anteriores y las relaciones establecidas. Mantenga explícitos los nombres esenciales y los acontecimientos recientes al preparar una historia que continúa. El historial contextual se proporciona al modelo; no debe confundirse con una memoria ilimitada fuera de la conversación.
La investigación del fabricante sobre interpretación de roles utiliza síntesis de diálogo y aprendizaje en línea de preferencias para mejorar la diversidad, la continuidad y la capacidad de respuesta. Estos métodos de entrenamiento describen el modelo del fabricante, no garantizan que cada historia individual esté libre de errores. Revise si una respuesta atribuye el diálogo al personaje correcto y respeta las reglas físicas o ficticias del escenario.
La guía específica de M2-her indica un contexto de 64K y una generación máxima de 2 048 tokens. También documenta salida progresiva y valores de muestreo predeterminados de temperature 1.0 y top-p 0.95. Elija una extensión de respuesta adecuada para un turno de conversación; un pasaje demasiado largo puede desplazar la siguiente decisión del usuario o quedar truncado por el presupuesto de generación.
El resultado útil es una respuesta de personaje, un pasaje narrativo o una escena continuada que encaja con el escenario proporcionado e invita a la siguiente interacción. Compruebe el punto de vista, la capacidad de decisión de los personajes, la coherencia de las referencias y el final solicitado. El formato de interpretación de roles y los límites específicos de M2-her siguen siendo independientes de otros modelos de lenguaje, visión y medios de MiniMax.
", "aboutText": "MiniMax M2-her es el modelo textual de MiniMax centrado en el diálogo para interpretación de roles, conversaciones de personajes e interacción guiada por historias. Es un perfil independiente del modelo general MiniMax M2 orientado a programación y agentes. El fabricante lo desarrolla en torno a mundos ficticios coherentes, progresión activa de la historia y alineación con las preferencias conversacionales del usuario. Su entrada y salida son texto; la guía específica no admite entrada mixta de texto e imágenes.\n\n### Defina el mundo y ambos roles\n\nEl formato de conversación del fabricante incluye más elementos que los mensajes habituales de sistema, usuario y asistente. El rol system define la identidad, la personalidad y el comportamiento del modelo. El rol user_system define el personaje o la identidad representada por el usuario, mientras que group identifica el escenario o grupo de conversación. Mantenga claras esas distinciones cuando la historia incluya varias personas, conocimientos diferentes o una relación concreta.\n\nAporte al modelo el escenario, las motivaciones del personaje y los hechos que deben seguir siendo ciertos. Describa quién controla las acciones del usuario y qué decisiones deben quedar abiertas para una respuesta. Unas instrucciones ilustrativas de escena serían: «Continúe como el archivero, conserve el misterio establecido y ofrezca una pista nueva sin decidir cómo reacciona mi personaje». Esto prepara un intercambio receptivo, en lugar de pedir al modelo que escriba ambos lados de la interacción.\n\n### Ejemplos y estilo\n\nM2-her admite mensajes sample_message_user y sample_message_ai para demostrar el patrón de diálogo deseado. El fabricante recomienda entre uno y tres ejemplos concisos. Utilícelos para establecer la voz, el ritmo y la relación entre narración y diálogo, evitando un ejemplo largo que consuma contexto sin aclarar el estilo. Los ejemplos cuentan para el presupuesto de entrada como los demás mensajes.\n\nLa orientación de desarrollo de MiniMax enfatiza la identidad de los personajes, las reglas del mundo, el movimiento variado de la trama y la capacidad de decisión del usuario. Indique el ritmo deseado cuando importe, como un intercambio tranquilo, una revelación gradual o una nueva complicación. Para revisar, identifique la línea o el acontecimiento exactos que contradicen la caracterización del personaje o la cronología y solicite una corrección que conserve el resto de la escena.\n\n### Mantenga el contexto de la conversación\n\nEl flujo documentado incluye el historial completo del usuario y del asistente en orden cronológico para diálogos de varios turnos. Ese historial proporciona a la siguiente respuesta pruebas sobre los acontecimientos anteriores y las relaciones establecidas. Mantenga explícitos los nombres esenciales y los acontecimientos recientes al preparar una historia que continúa. El historial contextual se proporciona al modelo; no debe confundirse con una memoria ilimitada fuera de la conversación.\n\nLa investigación del fabricante sobre interpretación de roles utiliza síntesis de diálogo y aprendizaje en línea de preferencias para mejorar la diversidad, la continuidad y la capacidad de respuesta. Estos métodos de entrenamiento describen el modelo del fabricante, no garantizan que cada historia individual esté libre de errores. Revise si una respuesta atribuye el diálogo al personaje correcto y respeta las reglas físicas o ficticias del escenario.\n\n### Límites y pasaje resultante\n\nLa guía específica de M2-her indica un contexto de 64K y una generación máxima de 2 048 tokens. También documenta salida progresiva y valores de muestreo predeterminados de temperature 1.0 y top-p 0.95. Elija una extensión de respuesta adecuada para un turno de conversación; un pasaje demasiado largo puede desplazar la siguiente decisión del usuario o quedar truncado por el presupuesto de generación.\n\nEl resultado útil es una respuesta de personaje, un pasaje narrativo o una escena continuada que encaja con el escenario proporcionado e invita a la siguiente interacción. Compruebe el punto de vista, la capacidad de decisión de los personajes, la coherencia de las referencias y el final solicitado. El formato de interpretación de roles y los límites específicos de M2-her siguen siendo independientes de otros modelos de lenguaje, visión y medios de MiniMax.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "8d6631fad4d0f5b01b9e20c07805a36a7e1e41822c2e4623ed25d1859e20c9dd", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "M2-herMiniMax M2-her es un modelo exclusivamente textual para interpretación de personajes, diálogo guiado por historias y conversaciones de varios turnos. Sus formatos específicos de roles y mensajes de ejemplo configuran ambos lados de la interacción, con un contexto del fabricante de 64K y una generación máxima de 2 048 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
MiniMax M2-her es el modelo textual de MiniMax centrado en el diálogo para interpretación de roles, conversaciones de personajes e interacción guiada por historias. Es un perfil independiente del modelo general MiniMax M2 orientado a programación y agentes. El fabricante lo desarrolla en torno a mundos ficticios coherentes, progresión activa de la historia y alineación con las preferencias conversacionales del usuario. Su entrada y salida son texto; la guía específica no admite entrada mixta de texto e imágenes.
El formato de conversación del fabricante incluye más elementos que los mensajes habituales de sistema, usuario y asistente. El rol system define la identidad, la personalidad y el comportamiento del modelo. El rol user_system define el personaje o la identidad representada por el usuario, mientras que group identifica el escenario o grupo de conversación. Mantenga claras esas distinciones cuando la historia incluya varias personas, conocimientos diferentes o una relación concreta.
Aporte al modelo el escenario, las motivaciones del personaje y los hechos que deben seguir siendo ciertos. Describa quién controla las acciones del usuario y qué decisiones deben quedar abiertas para una respuesta. Unas instrucciones ilustrativas de escena serían: «Continúe como el archivero, conserve el misterio establecido y ofrezca una pista nueva sin decidir cómo reacciona mi personaje». Esto prepara un intercambio receptivo, en lugar de pedir al modelo que escriba ambos lados de la interacción.
M2-her admite mensajes sample_message_user y sample_message_ai para demostrar el patrón de diálogo deseado. El fabricante recomienda entre uno y tres ejemplos concisos. Utilícelos para establecer la voz, el ritmo y la relación entre narración y diálogo, evitando un ejemplo largo que consuma contexto sin aclarar el estilo. Los ejemplos cuentan para el presupuesto de entrada como los demás mensajes.
La orientación de desarrollo de MiniMax enfatiza la identidad de los personajes, las reglas del mundo, el movimiento variado de la trama y la capacidad de decisión del usuario. Indique el ritmo deseado cuando importe, como un intercambio tranquilo, una revelación gradual o una nueva complicación. Para revisar, identifique la línea o el acontecimiento exactos que contradicen la caracterización del personaje o la cronología y solicite una corrección que conserve el resto de la escena.
El flujo documentado incluye el historial completo del usuario y del asistente en orden cronológico para diálogos de varios turnos. Ese historial proporciona a la siguiente respuesta pruebas sobre los acontecimientos anteriores y las relaciones establecidas. Mantenga explícitos los nombres esenciales y los acontecimientos recientes al preparar una historia que continúa. El historial contextual se proporciona al modelo; no debe confundirse con una memoria ilimitada fuera de la conversación.
La investigación del fabricante sobre interpretación de roles utiliza síntesis de diálogo y aprendizaje en línea de preferencias para mejorar la diversidad, la continuidad y la capacidad de respuesta. Estos métodos de entrenamiento describen el modelo del fabricante, no garantizan que cada historia individual esté libre de errores. Revise si una respuesta atribuye el diálogo al personaje correcto y respeta las reglas físicas o ficticias del escenario.
La guía específica de M2-her indica un contexto de 64K y una generación máxima de 2 048 tokens. También documenta salida progresiva y valores de muestreo predeterminados de temperature 1.0 y top-p 0.95. Elija una extensión de respuesta adecuada para un turno de conversación; un pasaje demasiado largo puede desplazar la siguiente decisión del usuario o quedar truncado por el presupuesto de generación.
El resultado útil es una respuesta de personaje, un pasaje narrativo o una escena continuada que encaja con el escenario proporcionado e invita a la siguiente interacción. Compruebe el punto de vista, la capacidad de decisión de los personajes, la coherencia de las referencias y el final solicitado. El formato de interpretación de roles y los límites específicos de M2-her siguen siendo independientes de otros modelos de lenguaje, visión y medios de MiniMax.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites M2-her | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Conversación textual | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
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 |
Parámetrocontrol_scope | ContratoConversación textual; stream es un booleano y su valor predeterminado es false. |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Alias de método: /chat/completions
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 $0.0006 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"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 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 las cabeceras. 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 M2-her
/chat/completions
M2-herMiniMax M2-her es un modelo exclusivamente textual para interpretación de personajes, diálogo guiado por historias y conversaciones de varios turnos. Sus formatos específicos de roles y mensajes de ejemplo configuran ambos lados de la interacción, con un contexto del fabricante de 64K y una generación máxima de 2 048 tokens.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
MiniMax M2-her es el modelo textual de MiniMax centrado en el diálogo para interpretación de roles, conversaciones de personajes e interacción guiada por historias. Es un perfil independiente del modelo general MiniMax M2 orientado a programación y agentes. El fabricante lo desarrolla en torno a mundos ficticios coherentes, progresión activa de la historia y alineación con las preferencias conversacionales del usuario. Su entrada y salida son texto; la guía específica no admite entrada mixta de texto e imágenes.
El formato de conversación del fabricante incluye más elementos que los mensajes habituales de sistema, usuario y asistente. El rol system define la identidad, la personalidad y el comportamiento del modelo. El rol user_system define el personaje o la identidad representada por el usuario, mientras que group identifica el escenario o grupo de conversación. Mantenga claras esas distinciones cuando la historia incluya varias personas, conocimientos diferentes o una relación concreta.
Aporte al modelo el escenario, las motivaciones del personaje y los hechos que deben seguir siendo ciertos. Describa quién controla las acciones del usuario y qué decisiones deben quedar abiertas para una respuesta. Unas instrucciones ilustrativas de escena serían: «Continúe como el archivero, conserve el misterio establecido y ofrezca una pista nueva sin decidir cómo reacciona mi personaje». Esto prepara un intercambio receptivo, en lugar de pedir al modelo que escriba ambos lados de la interacción.
M2-her admite mensajes sample_message_user y sample_message_ai para demostrar el patrón de diálogo deseado. El fabricante recomienda entre uno y tres ejemplos concisos. Utilícelos para establecer la voz, el ritmo y la relación entre narración y diálogo, evitando un ejemplo largo que consuma contexto sin aclarar el estilo. Los ejemplos cuentan para el presupuesto de entrada como los demás mensajes.
La orientación de desarrollo de MiniMax enfatiza la identidad de los personajes, las reglas del mundo, el movimiento variado de la trama y la capacidad de decisión del usuario. Indique el ritmo deseado cuando importe, como un intercambio tranquilo, una revelación gradual o una nueva complicación. Para revisar, identifique la línea o el acontecimiento exactos que contradicen la caracterización del personaje o la cronología y solicite una corrección que conserve el resto de la escena.
El flujo documentado incluye el historial completo del usuario y del asistente en orden cronológico para diálogos de varios turnos. Ese historial proporciona a la siguiente respuesta pruebas sobre los acontecimientos anteriores y las relaciones establecidas. Mantenga explícitos los nombres esenciales y los acontecimientos recientes al preparar una historia que continúa. El historial contextual se proporciona al modelo; no debe confundirse con una memoria ilimitada fuera de la conversación.
La investigación del fabricante sobre interpretación de roles utiliza síntesis de diálogo y aprendizaje en línea de preferencias para mejorar la diversidad, la continuidad y la capacidad de respuesta. Estos métodos de entrenamiento describen el modelo del fabricante, no garantizan que cada historia individual esté libre de errores. Revise si una respuesta atribuye el diálogo al personaje correcto y respeta las reglas físicas o ficticias del escenario.
La guía específica de M2-her indica un contexto de 64K y una generación máxima de 2 048 tokens. También documenta salida progresiva y valores de muestreo predeterminados de temperature 1.0 y top-p 0.95. Elija una extensión de respuesta adecuada para un turno de conversación; un pasaje demasiado largo puede desplazar la siguiente decisión del usuario o quedar truncado por el presupuesto de generación.
El resultado útil es una respuesta de personaje, un pasaje narrativo o una escena continuada que encaja con el escenario proporcionado e invita a la siguiente interacción. Compruebe el punto de vista, la capacidad de decisión de los personajes, la coherencia de las referencias y el final solicitado. El formato de interpretación de roles y los límites específicos de M2-her siguen siendo independientes de otros modelos de lenguaje, visión y medios de MiniMax.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites M2-her | 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 $0.0006 / 1K tokens Salida · Tokens de salida $0.0024 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "M2-her",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 las cabeceras. 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 M2-her
/chat/completions