MiniMax M1 es el modelo de lenguaje de razonamiento con atención híbrida de MiniMax para tareas con entradas largas y análisis considerable. Se basa en MiniMax-Text-01 con componentes de mezcla de expertos y Lightning Attention, con 456 mil millones de parámetros totales y 45,9 mil millones activados por token. La entrada consiste en instrucciones escritas y contexto original; la salida es texto, como una solución, código, análisis o información de llamadas a funciones.
El fabricante describe un contexto nativo de un millón de tokens y publica dos ediciones M1 con presupuestos de razonamiento de 40K y 80K. Esos nombres de presupuesto se refieren a las ediciones de razonamiento y no deben interpretarse como límites universales idénticos para la respuesta final. La opción genérica M1 sigue siendo distinta de esos perfiles con presupuestos fijos y de la extensión de inferencia del modelo anterior Text-01.
Para una tarea con documentos largos, asigne nombres a los materiales, identifique las secciones pertinentes e indique la pregunta que deben respaldar. Unas instrucciones útiles serían: «Compare estos requisitos con las notas de implementación, identifique cada condición sin resolver y devuelva el pasaje que la respalda junto al hallazgo». Reserve espacio en el contexto de la tarea para el razonamiento y la respuesta final, no solo para el material original inicial.
M1 utiliza aprendizaje por refuerzo a gran escala en problemas de matemáticas e ingeniería de software basados en entornos aislados. El fabricante presenta CISPO, que recorta los pesos del muestreo por importancia en lugar de las actualizaciones de tokens, como parte de su enfoque de aprendizaje por refuerzo. Esta es una distinción de entrenamiento de la versión de razonamiento; no convierte un código generado o una acción propuesta en un resultado ejecutado.
Para código, aporte la implementación pertinente, una entrada representativa, el comportamiento esperado y las restricciones que deben conservarse. Solicite un cambio centrado y las pruebas que lo justifican. Para matemáticas, aporte la condición completa y pida el resultado final con sus supuestos. El fabricante recomienda una solución paso a paso con el resultado final en notación matemática enmarcada.
MiniMax recomienda temperature 1.0 y top-p 0.95 para su perfil de referencia. También recomienda adaptar la instrucción de sistema a la tarea. Un asistente general puede utilizar un rol sencillo de ayuda; una tarea de desarrollo web puede especificar la entrega completa de código y el formato de salida. Su instrucción web ilustrativa pide una entrega HTML completa en lugar de fragmentos dispersos.
Indique si la respuesta debe ser una explicación, una comparación estructurada o únicamente código. La instrucción debe identificar la entrega real y qué cuenta como finalización. Una implementación visual todavía necesita ejecutarse en la aplicación prevista, con su resultado observado devuelto para cualquier revisión.
M1 admite definiciones de funciones proporcionadas con nombres, descripciones, tipos de argumentos y campos obligatorios. La representación nativa distingue el razonamiento de las llamadas a herramientas y de los argumentos JSON estructurados. La guía del fabricante muestra tanto una vía con analizador específico como la interpretación manual de esa representación. La aplicación valida y ejecuta las funciones seleccionadas y devuelve resultados identificados por su nombre en la conversación para que el modelo los utilice.
Explicite el propósito de las herramientas y las acciones permitidas. Una consulta documental puede aportar un campo ausente antes de que el modelo complete una explicación, mientras que una herramienta de desarrollo puede devolver el código real o el error que se debe analizar. Una operación propuesta es distinta de su ejecución y de un resultado observado.
La salida útil es una solución textual, una propuesta de código o un registro analítico vinculado a las fuentes proporcionadas y a observaciones reales de herramientas. Conserve la identidad original M1 y sus diferencias de presupuesto, y no deduzca las entradas visuales, los límites de salida o los controles predeterminados de otro modelo MiniMax a partir del nombre compartido de la familia.
", "aboutText": "MiniMax M1 es el modelo de lenguaje de razonamiento con atención híbrida de MiniMax para tareas con entradas largas y análisis considerable. Se basa en MiniMax-Text-01 con componentes de mezcla de expertos y Lightning Attention, con 456 mil millones de parámetros totales y 45,9 mil millones activados por token. La entrada consiste en instrucciones escritas y contexto original; la salida es texto, como una solución, código, análisis o información de llamadas a funciones.\n\n### Contexto y ediciones de razonamiento\n\nEl fabricante describe un contexto nativo de un millón de tokens y publica dos ediciones M1 con presupuestos de razonamiento de 40K y 80K. Esos nombres de presupuesto se refieren a las ediciones de razonamiento y no deben interpretarse como límites universales idénticos para la respuesta final. La opción genérica M1 sigue siendo distinta de esos perfiles con presupuestos fijos y de la extensión de inferencia del modelo anterior Text-01.\n\nPara una tarea con documentos largos, asigne nombres a los materiales, identifique las secciones pertinentes e indique la pregunta que deben respaldar. Unas instrucciones útiles serían: «Compare estos requisitos con las notas de implementación, identifique cada condición sin resolver y devuelva el pasaje que la respalda junto al hallazgo». Reserve espacio en el contexto de la tarea para el razonamiento y la respuesta final, no solo para el material original inicial.\n\n### Entrenamiento para razonamiento del mundo real\n\nM1 utiliza aprendizaje por refuerzo a gran escala en problemas de matemáticas e ingeniería de software basados en entornos aislados. El fabricante presenta CISPO, que recorta los pesos del muestreo por importancia en lugar de las actualizaciones de tokens, como parte de su enfoque de aprendizaje por refuerzo. Esta es una distinción de entrenamiento de la versión de razonamiento; no convierte un código generado o una acción propuesta en un resultado ejecutado.\n\nPara código, aporte la implementación pertinente, una entrada representativa, el comportamiento esperado y las restricciones que deben conservarse. Solicite un cambio centrado y las pruebas que lo justifican. Para matemáticas, aporte la condición completa y pida el resultado final con sus supuestos. El fabricante recomienda una solución paso a paso con el resultado final en notación matemática enmarcada.\n\n### Orientaciones del fabricante para formular instrucciones\n\nMiniMax recomienda temperature 1.0 y top-p 0.95 para su perfil de referencia. También recomienda adaptar la instrucción de sistema a la tarea. Un asistente general puede utilizar un rol sencillo de ayuda; una tarea de desarrollo web puede especificar la entrega completa de código y el formato de salida. Su instrucción web ilustrativa pide una entrega HTML completa en lugar de fragmentos dispersos.\n\nIndique si la respuesta debe ser una explicación, una comparación estructurada o únicamente código. La instrucción debe identificar la entrega real y qué cuenta como finalización. Una implementación visual todavía necesita ejecutarse en la aplicación prevista, con su resultado observado devuelto para cualquier revisión.\n\n### Llamadas a funciones\n\nM1 admite definiciones de funciones proporcionadas con nombres, descripciones, tipos de argumentos y campos obligatorios. La representación nativa distingue el razonamiento de las llamadas a herramientas y de los argumentos JSON estructurados. La guía del fabricante muestra tanto una vía con analizador específico como la interpretación manual de esa representación. La aplicación valida y ejecuta las funciones seleccionadas y devuelve resultados identificados por su nombre en la conversación para que el modelo los utilice.\n\nExplicite el propósito de las herramientas y las acciones permitidas. Una consulta documental puede aportar un campo ausente antes de que el modelo complete una explicación, mientras que una herramienta de desarrollo puede devolver el código real o el error que se debe analizar. Una operación propuesta es distinta de su ejecución y de un resultado observado.\n\nLa salida útil es una solución textual, una propuesta de código o un registro analítico vinculado a las fuentes proporcionadas y a observaciones reales de herramientas. Conserve la identidad original M1 y sus diferencias de presupuesto, y no deduzca las entradas visuales, los límites de salida o los controles predeterminados de otro modelo MiniMax a partir del nombre compartido de la familia.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Check a batch-processing invariant\n\nA worker reads pending jobs, marks each running, then records completion. On restart it reads only pending jobs. Analyse what happens if the process stops after marking a job running but before recording completion. Propose a recovery rule that avoids losing the job and prevents an already completed external action from being repeated blindly. Give two failure-point tests.A failure analysis, a bounded recovery/state-reconciliation proposal and tests for interruption before and after an external action.Recovery checks the original action's outcome before deciding whether another execution is safe.MiniMax-M1MiniMax M1 es el modelo de razonamiento con atención híbrida de MiniMax para análisis de fuentes extensas, matemáticas, programación y herramientas. La familia que ofrece el fabricante tiene un contexto nativo de un millón de tokens y ediciones diferenciadas con presupuestos de razonamiento de 40K y 80K; devuelve texto y contenido estructurado de llamadas a funciones.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
MiniMax M1 es el modelo de lenguaje de razonamiento con atención híbrida de MiniMax para tareas con entradas largas y análisis considerable. Se basa en MiniMax-Text-01 con componentes de mezcla de expertos y Lightning Attention, con 456 mil millones de parámetros totales y 45,9 mil millones activados por token. La entrada consiste en instrucciones escritas y contexto original; la salida es texto, como una solución, código, análisis o información de llamadas a funciones.
El fabricante describe un contexto nativo de un millón de tokens y publica dos ediciones M1 con presupuestos de razonamiento de 40K y 80K. Esos nombres de presupuesto se refieren a las ediciones de razonamiento y no deben interpretarse como límites universales idénticos para la respuesta final. La opción genérica M1 sigue siendo distinta de esos perfiles con presupuestos fijos y de la extensión de inferencia del modelo anterior Text-01.
Para una tarea con documentos largos, asigne nombres a los materiales, identifique las secciones pertinentes e indique la pregunta que deben respaldar. Unas instrucciones útiles serían: «Compare estos requisitos con las notas de implementación, identifique cada condición sin resolver y devuelva el pasaje que la respalda junto al hallazgo». Reserve espacio en el contexto de la tarea para el razonamiento y la respuesta final, no solo para el material original inicial.
M1 utiliza aprendizaje por refuerzo a gran escala en problemas de matemáticas e ingeniería de software basados en entornos aislados. El fabricante presenta CISPO, que recorta los pesos del muestreo por importancia en lugar de las actualizaciones de tokens, como parte de su enfoque de aprendizaje por refuerzo. Esta es una distinción de entrenamiento de la versión de razonamiento; no convierte un código generado o una acción propuesta en un resultado ejecutado.
Para código, aporte la implementación pertinente, una entrada representativa, el comportamiento esperado y las restricciones que deben conservarse. Solicite un cambio centrado y las pruebas que lo justifican. Para matemáticas, aporte la condición completa y pida el resultado final con sus supuestos. El fabricante recomienda una solución paso a paso con el resultado final en notación matemática enmarcada.
MiniMax recomienda temperature 1.0 y top-p 0.95 para su perfil de referencia. También recomienda adaptar la instrucción de sistema a la tarea. Un asistente general puede utilizar un rol sencillo de ayuda; una tarea de desarrollo web puede especificar la entrega completa de código y el formato de salida. Su instrucción web ilustrativa pide una entrega HTML completa en lugar de fragmentos dispersos.
Indique si la respuesta debe ser una explicación, una comparación estructurada o únicamente código. La instrucción debe identificar la entrega real y qué cuenta como finalización. Una implementación visual todavía necesita ejecutarse en la aplicación prevista, con su resultado observado devuelto para cualquier revisión.
M1 admite definiciones de funciones proporcionadas con nombres, descripciones, tipos de argumentos y campos obligatorios. La representación nativa distingue el razonamiento de las llamadas a herramientas y de los argumentos JSON estructurados. La guía del fabricante muestra tanto una vía con analizador específico como la interpretación manual de esa representación. La aplicación valida y ejecuta las funciones seleccionadas y devuelve resultados identificados por su nombre en la conversación para que el modelo los utilice.
Explicite el propósito de las herramientas y las acciones permitidas. Una consulta documental puede aportar un campo ausente antes de que el modelo complete una explicación, mientras que una herramienta de desarrollo puede devolver el código real o el error que se debe analizar. Una operación propuesta es distinta de su ejecución y de un resultado observado.
La salida útil es una solución textual, una propuesta de código o un registro analítico vinculado a las fuentes proporcionadas y a observaciones reales de herramientas. Conserve la identidad original M1 y sus diferencias de presupuesto, y no deduzca las entradas visuales, los límites de salida o los controles predeterminados de otro modelo MiniMax a partir del nombre compartido de la familia.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites MiniMax-M1 | 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.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0008 / 1K tokens Salida · Tokens de salida $0.0044 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0008 / 1K tokens Salida · Tokens de salida $0.0044 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"MiniMax-M1","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="MiniMax-M1", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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 MiniMax-M1, minimax/minimax-m1
/chat/completions
MiniMax-M1MiniMax M1 es el modelo de razonamiento con atención híbrida de MiniMax para análisis de fuentes extensas, matemáticas, programación y herramientas. La familia que ofrece el fabricante tiene un contexto nativo de un millón de tokens y ediciones diferenciadas con presupuestos de razonamiento de 40K y 80K; devuelve texto y contenido estructurado de llamadas a funciones.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
MiniMax M1 es el modelo de lenguaje de razonamiento con atención híbrida de MiniMax para tareas con entradas largas y análisis considerable. Se basa en MiniMax-Text-01 con componentes de mezcla de expertos y Lightning Attention, con 456 mil millones de parámetros totales y 45,9 mil millones activados por token. La entrada consiste en instrucciones escritas y contexto original; la salida es texto, como una solución, código, análisis o información de llamadas a funciones.
El fabricante describe un contexto nativo de un millón de tokens y publica dos ediciones M1 con presupuestos de razonamiento de 40K y 80K. Esos nombres de presupuesto se refieren a las ediciones de razonamiento y no deben interpretarse como límites universales idénticos para la respuesta final. La opción genérica M1 sigue siendo distinta de esos perfiles con presupuestos fijos y de la extensión de inferencia del modelo anterior Text-01.
Para una tarea con documentos largos, asigne nombres a los materiales, identifique las secciones pertinentes e indique la pregunta que deben respaldar. Unas instrucciones útiles serían: «Compare estos requisitos con las notas de implementación, identifique cada condición sin resolver y devuelva el pasaje que la respalda junto al hallazgo». Reserve espacio en el contexto de la tarea para el razonamiento y la respuesta final, no solo para el material original inicial.
M1 utiliza aprendizaje por refuerzo a gran escala en problemas de matemáticas e ingeniería de software basados en entornos aislados. El fabricante presenta CISPO, que recorta los pesos del muestreo por importancia en lugar de las actualizaciones de tokens, como parte de su enfoque de aprendizaje por refuerzo. Esta es una distinción de entrenamiento de la versión de razonamiento; no convierte un código generado o una acción propuesta en un resultado ejecutado.
Para código, aporte la implementación pertinente, una entrada representativa, el comportamiento esperado y las restricciones que deben conservarse. Solicite un cambio centrado y las pruebas que lo justifican. Para matemáticas, aporte la condición completa y pida el resultado final con sus supuestos. El fabricante recomienda una solución paso a paso con el resultado final en notación matemática enmarcada.
MiniMax recomienda temperature 1.0 y top-p 0.95 para su perfil de referencia. También recomienda adaptar la instrucción de sistema a la tarea. Un asistente general puede utilizar un rol sencillo de ayuda; una tarea de desarrollo web puede especificar la entrega completa de código y el formato de salida. Su instrucción web ilustrativa pide una entrega HTML completa en lugar de fragmentos dispersos.
Indique si la respuesta debe ser una explicación, una comparación estructurada o únicamente código. La instrucción debe identificar la entrega real y qué cuenta como finalización. Una implementación visual todavía necesita ejecutarse en la aplicación prevista, con su resultado observado devuelto para cualquier revisión.
M1 admite definiciones de funciones proporcionadas con nombres, descripciones, tipos de argumentos y campos obligatorios. La representación nativa distingue el razonamiento de las llamadas a herramientas y de los argumentos JSON estructurados. La guía del fabricante muestra tanto una vía con analizador específico como la interpretación manual de esa representación. La aplicación valida y ejecuta las funciones seleccionadas y devuelve resultados identificados por su nombre en la conversación para que el modelo los utilice.
Explicite el propósito de las herramientas y las acciones permitidas. Una consulta documental puede aportar un campo ausente antes de que el modelo complete una explicación, mientras que una herramienta de desarrollo puede devolver el código real o el error que se debe analizar. Una operación propuesta es distinta de su ejecución y de un resultado observado.
La salida útil es una solución textual, una propuesta de código o un registro analítico vinculado a las fuentes proporcionadas y a observaciones reales de herramientas. Conserve la identidad original M1 y sus diferencias de presupuesto, y no deduzca las entradas visuales, los límites de salida o los controles predeterminados de otro modelo MiniMax a partir del nombre compartido de la familia.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites MiniMax-M1 | 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.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0008 / 1K tokens Salida · Tokens de salida $0.0044 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0008 / 1K tokens Salida · Tokens de salida $0.0044 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "MiniMax-M1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'MiniMax-M1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'MiniMax-M1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 MiniMax-M1, minimax/minimax-m1
/chat/completions
minimax/minimax-m1MiniMax M1 es el modelo de razonamiento con atención híbrida de MiniMax para análisis de fuentes extensas, matemáticas, programación y herramientas. La familia que ofrece el fabricante tiene un contexto nativo de un millón de tokens y ediciones diferenciadas con presupuestos de razonamiento de 40K y 80K; devuelve texto y contenido estructurado de llamadas a funciones.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
MiniMax M1 es el modelo de lenguaje de razonamiento con atención híbrida de MiniMax para tareas con entradas largas y análisis considerable. Se basa en MiniMax-Text-01 con componentes de mezcla de expertos y Lightning Attention, con 456 mil millones de parámetros totales y 45,9 mil millones activados por token. La entrada consiste en instrucciones escritas y contexto original; la salida es texto, como una solución, código, análisis o información de llamadas a funciones.
El fabricante describe un contexto nativo de un millón de tokens y publica dos ediciones M1 con presupuestos de razonamiento de 40K y 80K. Esos nombres de presupuesto se refieren a las ediciones de razonamiento y no deben interpretarse como límites universales idénticos para la respuesta final. La opción genérica M1 sigue siendo distinta de esos perfiles con presupuestos fijos y de la extensión de inferencia del modelo anterior Text-01.
Para una tarea con documentos largos, asigne nombres a los materiales, identifique las secciones pertinentes e indique la pregunta que deben respaldar. Unas instrucciones útiles serían: «Compare estos requisitos con las notas de implementación, identifique cada condición sin resolver y devuelva el pasaje que la respalda junto al hallazgo». Reserve espacio en el contexto de la tarea para el razonamiento y la respuesta final, no solo para el material original inicial.
M1 utiliza aprendizaje por refuerzo a gran escala en problemas de matemáticas e ingeniería de software basados en entornos aislados. El fabricante presenta CISPO, que recorta los pesos del muestreo por importancia en lugar de las actualizaciones de tokens, como parte de su enfoque de aprendizaje por refuerzo. Esta es una distinción de entrenamiento de la versión de razonamiento; no convierte un código generado o una acción propuesta en un resultado ejecutado.
Para código, aporte la implementación pertinente, una entrada representativa, el comportamiento esperado y las restricciones que deben conservarse. Solicite un cambio centrado y las pruebas que lo justifican. Para matemáticas, aporte la condición completa y pida el resultado final con sus supuestos. El fabricante recomienda una solución paso a paso con el resultado final en notación matemática enmarcada.
MiniMax recomienda temperature 1.0 y top-p 0.95 para su perfil de referencia. También recomienda adaptar la instrucción de sistema a la tarea. Un asistente general puede utilizar un rol sencillo de ayuda; una tarea de desarrollo web puede especificar la entrega completa de código y el formato de salida. Su instrucción web ilustrativa pide una entrega HTML completa en lugar de fragmentos dispersos.
Indique si la respuesta debe ser una explicación, una comparación estructurada o únicamente código. La instrucción debe identificar la entrega real y qué cuenta como finalización. Una implementación visual todavía necesita ejecutarse en la aplicación prevista, con su resultado observado devuelto para cualquier revisión.
M1 admite definiciones de funciones proporcionadas con nombres, descripciones, tipos de argumentos y campos obligatorios. La representación nativa distingue el razonamiento de las llamadas a herramientas y de los argumentos JSON estructurados. La guía del fabricante muestra tanto una vía con analizador específico como la interpretación manual de esa representación. La aplicación valida y ejecuta las funciones seleccionadas y devuelve resultados identificados por su nombre en la conversación para que el modelo los utilice.
Explicite el propósito de las herramientas y las acciones permitidas. Una consulta documental puede aportar un campo ausente antes de que el modelo complete una explicación, mientras que una herramienta de desarrollo puede devolver el código real o el error que se debe analizar. Una operación propuesta es distinta de su ejecución y de un resultado observado.
La salida útil es una solución textual, una propuesta de código o un registro analítico vinculado a las fuentes proporcionadas y a observaciones reales de herramientas. Conserve la identidad original M1 y sus diferencias de presupuesto, y no deduzca las entradas visuales, los límites de salida o los controles predeterminados de otro modelo MiniMax a partir del nombre compartido de la familia.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites minimax/minimax-m1 | 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.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0008 / 1K tokens Salida · Tokens de salida $0.0044 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0008 / 1K tokens Salida · Tokens de salida $0.0044 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax/minimax-m1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='minimax/minimax-m1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='minimax/minimax-m1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 MiniMax-M1, minimax/minimax-m1
/chat/completions
minimax/minimax-m1MiniMax M1 es el modelo de razonamiento con atención híbrida de MiniMax para análisis de fuentes extensas, matemáticas, programación y herramientas. La familia que ofrece el fabricante tiene un contexto nativo de un millón de tokens y ediciones diferenciadas con presupuestos de razonamiento de 40K y 80K; devuelve texto y contenido estructurado de llamadas a funciones.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
MiniMax M1 es el modelo de lenguaje de razonamiento con atención híbrida de MiniMax para tareas con entradas largas y análisis considerable. Se basa en MiniMax-Text-01 con componentes de mezcla de expertos y Lightning Attention, con 456 mil millones de parámetros totales y 45,9 mil millones activados por token. La entrada consiste en instrucciones escritas y contexto original; la salida es texto, como una solución, código, análisis o información de llamadas a funciones.
El fabricante describe un contexto nativo de un millón de tokens y publica dos ediciones M1 con presupuestos de razonamiento de 40K y 80K. Esos nombres de presupuesto se refieren a las ediciones de razonamiento y no deben interpretarse como límites universales idénticos para la respuesta final. La opción genérica M1 sigue siendo distinta de esos perfiles con presupuestos fijos y de la extensión de inferencia del modelo anterior Text-01.
Para una tarea con documentos largos, asigne nombres a los materiales, identifique las secciones pertinentes e indique la pregunta que deben respaldar. Unas instrucciones útiles serían: «Compare estos requisitos con las notas de implementación, identifique cada condición sin resolver y devuelva el pasaje que la respalda junto al hallazgo». Reserve espacio en el contexto de la tarea para el razonamiento y la respuesta final, no solo para el material original inicial.
M1 utiliza aprendizaje por refuerzo a gran escala en problemas de matemáticas e ingeniería de software basados en entornos aislados. El fabricante presenta CISPO, que recorta los pesos del muestreo por importancia en lugar de las actualizaciones de tokens, como parte de su enfoque de aprendizaje por refuerzo. Esta es una distinción de entrenamiento de la versión de razonamiento; no convierte un código generado o una acción propuesta en un resultado ejecutado.
Para código, aporte la implementación pertinente, una entrada representativa, el comportamiento esperado y las restricciones que deben conservarse. Solicite un cambio centrado y las pruebas que lo justifican. Para matemáticas, aporte la condición completa y pida el resultado final con sus supuestos. El fabricante recomienda una solución paso a paso con el resultado final en notación matemática enmarcada.
MiniMax recomienda temperature 1.0 y top-p 0.95 para su perfil de referencia. También recomienda adaptar la instrucción de sistema a la tarea. Un asistente general puede utilizar un rol sencillo de ayuda; una tarea de desarrollo web puede especificar la entrega completa de código y el formato de salida. Su instrucción web ilustrativa pide una entrega HTML completa en lugar de fragmentos dispersos.
Indique si la respuesta debe ser una explicación, una comparación estructurada o únicamente código. La instrucción debe identificar la entrega real y qué cuenta como finalización. Una implementación visual todavía necesita ejecutarse en la aplicación prevista, con su resultado observado devuelto para cualquier revisión.
M1 admite definiciones de funciones proporcionadas con nombres, descripciones, tipos de argumentos y campos obligatorios. La representación nativa distingue el razonamiento de las llamadas a herramientas y de los argumentos JSON estructurados. La guía del fabricante muestra tanto una vía con analizador específico como la interpretación manual de esa representación. La aplicación valida y ejecuta las funciones seleccionadas y devuelve resultados identificados por su nombre en la conversación para que el modelo los utilice.
Explicite el propósito de las herramientas y las acciones permitidas. Una consulta documental puede aportar un campo ausente antes de que el modelo complete una explicación, mientras que una herramienta de desarrollo puede devolver el código real o el error que se debe analizar. Una operación propuesta es distinta de su ejecución y de un resultado observado.
La salida útil es una solución textual, una propuesta de código o un registro analítico vinculado a las fuentes proporcionadas y a observaciones reales de herramientas. Conserve la identidad original M1 y sus diferencias de presupuesto, y no deduzca las entradas visuales, los límites de salida o los controles predeterminados de otro modelo MiniMax a partir del nombre compartido de la familia.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites minimax/minimax-m1 | 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.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0008 / 1K tokens Salida · Tokens de salida $0.0044 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0008 / 1K tokens Salida · Tokens de salida $0.0044 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "minimax/minimax-m1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'minimax/minimax-m1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'minimax/minimax-m1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 MiniMax-M1, minimax/minimax-m1
/chat/completions
Ejemplo técnico en inglés
Check a batch-processing invariant\n\nA worker reads pending jobs, marks each running, then records completion. On restart it reads only pending jobs. Analyse what happens if the process stops after marking a job running but before recording completion. Propose a recovery rule that avoids losing the job and prevents an already completed external action from being repeated blindly. Give two failure-point tests.A failure analysis, a bounded recovery/state-reconciliation proposal and tests for interruption before and after an external action.Recovery checks the original action's outcome before deciding whether another execution is safe.