MiniMax M2-her est le modèle textuel de MiniMax axé sur le dialogue pour le jeu de rôle, les conversations entre personnages et les interactions narratives. Son profil est distinct de celui du modèle généraliste MiniMax M2 orienté vers la programmation et les agents. Le fabricant le développe autour de mondes fictifs cohérents, d’une progression active du récit et d’un alignement sur les préférences conversationnelles de l’utilisateur. Son entrée et sa sortie sont textuelles ; le guide dédié ne prend pas en charge les entrées mêlant texte et image.
Le format de conversation du producteur comprend davantage que les habituels messages system, user et assistant. Le rôle system définit l’identité, la personnalité et le comportement du modèle. Le rôle user_system définit le personnage ou l’identité incarnée par l’utilisateur, tandis que group identifie le scénario ou le groupe de conversation. Gardez ces distinctions claires lorsque le récit implique plusieurs personnes, des connaissances différentes ou une relation particulière.
Fournissez au modèle le cadre, les motivations du personnage et les faits qui doivent rester vrais. Décrivez qui contrôle les actions de l’utilisateur et quels choix doivent rester ouverts pour sa réponse. Voici un exemple de consigne de scène : « Continue en tant qu’archiviste, préserve le mystère établi et propose un nouvel indice sans décider de la réaction de mon personnage. » Cela prépare un échange réactif plutôt que de demander au modèle d’écrire les deux côtés de l’interaction.
M2-her prend en charge les messages sample_message_user et sample_message_ai pour illustrer le schéma de dialogue souhaité. Le fabricant recommande un à trois exemples concis. Utilisez-les pour établir la voix, le rythme et le rapport entre narration et dialogue, tout en évitant un long exemple qui consomme du contexte sans clarifier le style. Les exemples sont comptabilisés dans le budget d’entrée comme les autres messages.
L’orientation du développement de MiniMax met l’accent sur l’identité des personnages, les règles du monde, la variété de la progression de l’intrigue et la liberté d’action de l’utilisateur. Indiquez le rythme souhaité lorsque cela compte, comme un échange calme, une révélation progressive ou une nouvelle complication. Pour une révision, identifiez la réplique ou l’événement précis qui rompt la cohérence du personnage ou de la chronologie et demandez une correction qui préserve le reste de la scène.
Le processus documenté inclut l’historique complet des messages de l’utilisateur et de l’assistant dans l’ordre chronologique pour les dialogues à plusieurs tours. Cet historique fournit à la réponse suivante des éléments sur les événements antérieurs et les relations établies. Explicitez les noms essentiels et les évolutions récentes lorsque vous préparez la suite d’un récit. L’historique du contexte est fourni au modèle ; il ne doit pas être confondu avec une mémoire illimitée en dehors de la conversation.
Les recherches du fabricant sur le jeu de rôle utilisent la synthèse de dialogues et l’apprentissage des préférences en ligne pour améliorer la diversité, la continuité et la réactivité. Ces méthodes d’entraînement décrivent le modèle du producteur, sans garantir que chaque récit soit exempt d’erreurs. Vérifiez que la réponse attribue les paroles au bon personnage et respecte les règles physiques ou fictives du cadre.
Le guide dédié à M2-her indique un contexte de 64K et une génération maximale de 2 048 jetons. Il documente également la sortie diffusée en continu et les valeurs d’échantillonnage par défaut : une température de 1.0 et top-p à 0.95. Choisissez une longueur de réponse adaptée à un tour de conversation ; un passage trop long peut empiéter sur la décision suivante de l’utilisateur ou être interrompu par le budget de génération.
Le résultat utile est une réplique de personnage, un passage narratif ou une scène poursuivie qui s’inscrit dans le cadre fourni et invite à l’interaction suivante. Vérifiez le point de vue, la liberté d’action des personnages, la cohérence des références et la fin demandée. Le format de jeu de rôle nommé de M2-her et ses limites restent distincts des autres modèles de langage, de vision et multimédias de MiniMax.
", "aboutText": "MiniMax M2-her est le modèle textuel de MiniMax axé sur le dialogue pour le jeu de rôle, les conversations entre personnages et les interactions narratives. Son profil est distinct de celui du modèle généraliste MiniMax M2 orienté vers la programmation et les agents. Le fabricant le développe autour de mondes fictifs cohérents, d’une progression active du récit et d’un alignement sur les préférences conversationnelles de l’utilisateur. Son entrée et sa sortie sont textuelles ; le guide dédié ne prend pas en charge les entrées mêlant texte et image.\n\n### Définir le monde et les deux rôles\n\nLe format de conversation du producteur comprend davantage que les habituels messages system, user et assistant. Le rôle system définit l’identité, la personnalité et le comportement du modèle. Le rôle user_system définit le personnage ou l’identité incarnée par l’utilisateur, tandis que group identifie le scénario ou le groupe de conversation. Gardez ces distinctions claires lorsque le récit implique plusieurs personnes, des connaissances différentes ou une relation particulière.\n\nFournissez au modèle le cadre, les motivations du personnage et les faits qui doivent rester vrais. Décrivez qui contrôle les actions de l’utilisateur et quels choix doivent rester ouverts pour sa réponse. Voici un exemple de consigne de scène : « Continue en tant qu’archiviste, préserve le mystère établi et propose un nouvel indice sans décider de la réaction de mon personnage. » Cela prépare un échange réactif plutôt que de demander au modèle d’écrire les deux côtés de l’interaction.\n\n### Exemples et style\n\nM2-her prend en charge les messages sample_message_user et sample_message_ai pour illustrer le schéma de dialogue souhaité. Le fabricant recommande un à trois exemples concis. Utilisez-les pour établir la voix, le rythme et le rapport entre narration et dialogue, tout en évitant un long exemple qui consomme du contexte sans clarifier le style. Les exemples sont comptabilisés dans le budget d’entrée comme les autres messages.\n\nL’orientation du développement de MiniMax met l’accent sur l’identité des personnages, les règles du monde, la variété de la progression de l’intrigue et la liberté d’action de l’utilisateur. Indiquez le rythme souhaité lorsque cela compte, comme un échange calme, une révélation progressive ou une nouvelle complication. Pour une révision, identifiez la réplique ou l’événement précis qui rompt la cohérence du personnage ou de la chronologie et demandez une correction qui préserve le reste de la scène.\n\n### Maintenir le contexte de conversation\n\nLe processus documenté inclut l’historique complet des messages de l’utilisateur et de l’assistant dans l’ordre chronologique pour les dialogues à plusieurs tours. Cet historique fournit à la réponse suivante des éléments sur les événements antérieurs et les relations établies. Explicitez les noms essentiels et les évolutions récentes lorsque vous préparez la suite d’un récit. L’historique du contexte est fourni au modèle ; il ne doit pas être confondu avec une mémoire illimitée en dehors de la conversation.\n\nLes recherches du fabricant sur le jeu de rôle utilisent la synthèse de dialogues et l’apprentissage des préférences en ligne pour améliorer la diversité, la continuité et la réactivité. Ces méthodes d’entraînement décrivent le modèle du producteur, sans garantir que chaque récit soit exempt d’erreurs. Vérifiez que la réponse attribue les paroles au bon personnage et respecte les règles physiques ou fictives du cadre.\n\n### Limites et passage obtenu\n\nLe guide dédié à M2-her indique un contexte de 64K et une génération maximale de 2 048 jetons. Il documente également la sortie diffusée en continu et les valeurs d’échantillonnage par défaut : une température de 1.0 et top-p à 0.95. Choisissez une longueur de réponse adaptée à un tour de conversation ; un passage trop long peut empiéter sur la décision suivante de l’utilisateur ou être interrompu par le budget de génération.\n\nLe résultat utile est une réplique de personnage, un passage narratif ou une scène poursuivie qui s’inscrit dans le cadre fourni et invite à l’interaction suivante. Vérifiez le point de vue, la liberté d’action des personnages, la cohérence des références et la fin demandée. Le format de jeu de rôle nommé de M2-her et ses limites restent distincts des autres modèles de langage, de vision et multimédias de MiniMax.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5e32a2cb474cfc621ac408310fc989fdff9563eecc12e39a6f81a44ad9e924d7", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "M2-herMiniMax M2-her est un modèle exclusivement textuel pour le jeu de rôle avec des personnages, les dialogues narratifs et les conversations à plusieurs tours. Ses formats dédiés aux rôles et aux exemples de messages façonnent les deux côtés d’une interaction, avec un contexte de 64K annoncé par le producteur et une génération maximale de 2 048 jetons.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
MiniMax M2-her est le modèle textuel de MiniMax axé sur le dialogue pour le jeu de rôle, les conversations entre personnages et les interactions narratives. Son profil est distinct de celui du modèle généraliste MiniMax M2 orienté vers la programmation et les agents. Le fabricant le développe autour de mondes fictifs cohérents, d’une progression active du récit et d’un alignement sur les préférences conversationnelles de l’utilisateur. Son entrée et sa sortie sont textuelles ; le guide dédié ne prend pas en charge les entrées mêlant texte et image.
Le format de conversation du producteur comprend davantage que les habituels messages system, user et assistant. Le rôle system définit l’identité, la personnalité et le comportement du modèle. Le rôle user_system définit le personnage ou l’identité incarnée par l’utilisateur, tandis que group identifie le scénario ou le groupe de conversation. Gardez ces distinctions claires lorsque le récit implique plusieurs personnes, des connaissances différentes ou une relation particulière.
Fournissez au modèle le cadre, les motivations du personnage et les faits qui doivent rester vrais. Décrivez qui contrôle les actions de l’utilisateur et quels choix doivent rester ouverts pour sa réponse. Voici un exemple de consigne de scène : « Continue en tant qu’archiviste, préserve le mystère établi et propose un nouvel indice sans décider de la réaction de mon personnage. » Cela prépare un échange réactif plutôt que de demander au modèle d’écrire les deux côtés de l’interaction.
M2-her prend en charge les messages sample_message_user et sample_message_ai pour illustrer le schéma de dialogue souhaité. Le fabricant recommande un à trois exemples concis. Utilisez-les pour établir la voix, le rythme et le rapport entre narration et dialogue, tout en évitant un long exemple qui consomme du contexte sans clarifier le style. Les exemples sont comptabilisés dans le budget d’entrée comme les autres messages.
L’orientation du développement de MiniMax met l’accent sur l’identité des personnages, les règles du monde, la variété de la progression de l’intrigue et la liberté d’action de l’utilisateur. Indiquez le rythme souhaité lorsque cela compte, comme un échange calme, une révélation progressive ou une nouvelle complication. Pour une révision, identifiez la réplique ou l’événement précis qui rompt la cohérence du personnage ou de la chronologie et demandez une correction qui préserve le reste de la scène.
Le processus documenté inclut l’historique complet des messages de l’utilisateur et de l’assistant dans l’ordre chronologique pour les dialogues à plusieurs tours. Cet historique fournit à la réponse suivante des éléments sur les événements antérieurs et les relations établies. Explicitez les noms essentiels et les évolutions récentes lorsque vous préparez la suite d’un récit. L’historique du contexte est fourni au modèle ; il ne doit pas être confondu avec une mémoire illimitée en dehors de la conversation.
Les recherches du fabricant sur le jeu de rôle utilisent la synthèse de dialogues et l’apprentissage des préférences en ligne pour améliorer la diversité, la continuité et la réactivité. Ces méthodes d’entraînement décrivent le modèle du producteur, sans garantir que chaque récit soit exempt d’erreurs. Vérifiez que la réponse attribue les paroles au bon personnage et respecte les règles physiques ou fictives du cadre.
Le guide dédié à M2-her indique un contexte de 64K et une génération maximale de 2 048 jetons. Il documente également la sortie diffusée en continu et les valeurs d’échantillonnage par défaut : une température de 1.0 et top-p à 0.95. Choisissez une longueur de réponse adaptée à un tour de conversation ; un passage trop long peut empiéter sur la décision suivante de l’utilisateur ou être interrompu par le budget de génération.
Le résultat utile est une réplique de personnage, un passage narratif ou une scène poursuivie qui s’inscrit dans le cadre fourni et invite à l’interaction suivante. Vérifiez le point de vue, la liberté d’action des personnages, la cohérence des références et la fin demandée. Le format de jeu de rôle nommé de M2-her et ses limites restent distincts des autres modèles de langage, de vision et multimédias de MiniMax.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites M2-her | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream |
Paramètrecontrol_scope | ContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false. |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Alias de méthode : /chat/completions
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0006 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra M2-her
/chat/completions
M2-herMiniMax M2-her est un modèle exclusivement textuel pour le jeu de rôle avec des personnages, les dialogues narratifs et les conversations à plusieurs tours. Ses formats dédiés aux rôles et aux exemples de messages façonnent les deux côtés d’une interaction, avec un contexte de 64K annoncé par le producteur et une génération maximale de 2 048 jetons.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
MiniMax M2-her est le modèle textuel de MiniMax axé sur le dialogue pour le jeu de rôle, les conversations entre personnages et les interactions narratives. Son profil est distinct de celui du modèle généraliste MiniMax M2 orienté vers la programmation et les agents. Le fabricant le développe autour de mondes fictifs cohérents, d’une progression active du récit et d’un alignement sur les préférences conversationnelles de l’utilisateur. Son entrée et sa sortie sont textuelles ; le guide dédié ne prend pas en charge les entrées mêlant texte et image.
Le format de conversation du producteur comprend davantage que les habituels messages system, user et assistant. Le rôle system définit l’identité, la personnalité et le comportement du modèle. Le rôle user_system définit le personnage ou l’identité incarnée par l’utilisateur, tandis que group identifie le scénario ou le groupe de conversation. Gardez ces distinctions claires lorsque le récit implique plusieurs personnes, des connaissances différentes ou une relation particulière.
Fournissez au modèle le cadre, les motivations du personnage et les faits qui doivent rester vrais. Décrivez qui contrôle les actions de l’utilisateur et quels choix doivent rester ouverts pour sa réponse. Voici un exemple de consigne de scène : « Continue en tant qu’archiviste, préserve le mystère établi et propose un nouvel indice sans décider de la réaction de mon personnage. » Cela prépare un échange réactif plutôt que de demander au modèle d’écrire les deux côtés de l’interaction.
M2-her prend en charge les messages sample_message_user et sample_message_ai pour illustrer le schéma de dialogue souhaité. Le fabricant recommande un à trois exemples concis. Utilisez-les pour établir la voix, le rythme et le rapport entre narration et dialogue, tout en évitant un long exemple qui consomme du contexte sans clarifier le style. Les exemples sont comptabilisés dans le budget d’entrée comme les autres messages.
L’orientation du développement de MiniMax met l’accent sur l’identité des personnages, les règles du monde, la variété de la progression de l’intrigue et la liberté d’action de l’utilisateur. Indiquez le rythme souhaité lorsque cela compte, comme un échange calme, une révélation progressive ou une nouvelle complication. Pour une révision, identifiez la réplique ou l’événement précis qui rompt la cohérence du personnage ou de la chronologie et demandez une correction qui préserve le reste de la scène.
Le processus documenté inclut l’historique complet des messages de l’utilisateur et de l’assistant dans l’ordre chronologique pour les dialogues à plusieurs tours. Cet historique fournit à la réponse suivante des éléments sur les événements antérieurs et les relations établies. Explicitez les noms essentiels et les évolutions récentes lorsque vous préparez la suite d’un récit. L’historique du contexte est fourni au modèle ; il ne doit pas être confondu avec une mémoire illimitée en dehors de la conversation.
Les recherches du fabricant sur le jeu de rôle utilisent la synthèse de dialogues et l’apprentissage des préférences en ligne pour améliorer la diversité, la continuité et la réactivité. Ces méthodes d’entraînement décrivent le modèle du producteur, sans garantir que chaque récit soit exempt d’erreurs. Vérifiez que la réponse attribue les paroles au bon personnage et respecte les règles physiques ou fictives du cadre.
Le guide dédié à M2-her indique un contexte de 64K et une génération maximale de 2 048 jetons. Il documente également la sortie diffusée en continu et les valeurs d’échantillonnage par défaut : une température de 1.0 et top-p à 0.95. Choisissez une longueur de réponse adaptée à un tour de conversation ; un passage trop long peut empiéter sur la décision suivante de l’utilisateur ou être interrompu par le budget de génération.
Le résultat utile est une réplique de personnage, un passage narratif ou une scène poursuivie qui s’inscrit dans le cadre fourni et invite à l’interaction suivante. Vérifiez le point de vue, la liberté d’action des personnages, la cohérence des références et la fin demandée. Le format de jeu de rôle nommé de M2-her et ses limites restent distincts des autres modèles de langage, de vision et multimédias de MiniMax.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites M2-her | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0006 / 1K tokens Sortie · Tokens en sortie $0.0024 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "M2-her",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra M2-her
/chat/completions