MiniMax-Text-01 est le modèle de MiniMax axé sur le texte pour les conversations, les tâches linguistiques et le code. Sa conception à contexte long est particulièrement pertinente lorsqu’une question dépend de renseignements dispersés dans une grande collection de documents : une spécification accompagnée de correspondance, plusieurs versions d’un document ou un ensemble volumineux de textes de référence. Le résultat est du texte, notamment des explications, du contenu rédigé, du code et des renseignements d’appel de fonction.
L’architecture combine Lightning Attention, l’attention Softmax classique et un mélange d’experts. MiniMax annonce 456 milliards de paramètres au total, dont 45,9 milliards activés pour chaque jeton. Le modèle comporte 80 couches et 32 experts, avec un routage vers les deux experts les mieux classés ; une couche d’attention Softmax suit chaque groupe de sept couches Lightning Attention. Ces propriétés concernent la version Text-01 et ne signifient pas que tous les modèles portant le nom MiniMax utilisent la même architecture.
MiniMax annonce un entraînement avec un contexte d’un million de jetons et une extension à l’inférence pouvant atteindre quatre millions de jetons. Cette distinction compte lors de la préparation d’une tâche sur de longs documents : la longueur d’entraînement et la longueur étendue à l’inférence décrivent des étapes différentes. Le fabricant examine la compréhension du langage, le suivi d’instructions, le raisonnement, les mathématiques, la programmation et l’utilisation de longues références. Établissez le budget de requête disponible pour la configuration d’exécution sélectionnée, tout en précisant la question, les documents à l’appui et le format de réponse requis.
Le guide de démarrage publié utilise une conversation fondée sur des rôles, avec une instruction système et un message utilisateur, mis en forme à l’aide du gabarit de conversation propre au modèle. Une demande utile d’analyse documentaire pourrait fournir des extraits clairement étiquetés et demander : « Comparez les critères d’acceptation de ces documents. Pour chaque divergence, renvoyez l’étiquette du document, le passage pertinent, la conséquence et la question à résoudre. » Pour la rédaction, fournissez les faits source et le lecteur visé ; pour le code, incluez la fonction pertinente, le comportement attendu et des exemples permettant de distinguer un résultat correct. Il s’agit d’illustrations de ses capacités textuelles, plutôt que de garanties de sortie prédéterminées.
L’appel de fonctions est une fonctionnalité documentée de Text-01. L’application décrit les fonctions disponibles, leur objectif et leurs paramètres ; la définition des paramètres utilise JSON Schema et peut inclure des objets et des tableaux imbriqués. Le modèle peut déterminer qu’une demande nécessite une fonction externe et proposer son nom avec des arguments structurés. Le guide du fabricant présente une fonction de consultation météorologique, puis montre comment analyser l’appel proposé, l’exécuter hors du modèle et renvoyer un résultat structuré dans la conversation.
Cela permet de séparer concrètement les responsabilités. Le modèle choisit une opération proposée à partir des descriptions fournies ; l’application décide comment la valider et l’exécuter. Par exemple, un assistant documentaire pourrait disposer d’une fonction de consultation et recevoir la consigne de récupérer le champ produit manquant avant de rédiger une explication. Décrivez précisément les paramètres, indiquez les valeurs requises et rendez les données renvoyées faciles à interpréter pour le modèle. Fournir une fonction n’impose pas son appel : MiniMax précise explicitement que le modèle peut juger une réponse ordinaire plus appropriée.
Text-01 et MiniMax-VL-01 sont des versions distinctes. La seconde ajoute des composants visuels ; cette description de Text-01 concerne le traitement du texte et ses outils documentés. Un contexte long exige aussi une préparation attentive des sources : marquez les limites des documents, distinguez les citations des instructions et demandez un moyen de relier les conclusions aux passages fournis. La fiche du modèle n’établit pas de maximum universel séparé pour la sortie générée ; le contexte de quatre millions de jetons ne doit donc pas être interprété comme une capacité de sortie. Choisissez une longueur de réponse adaptée à la tâche et validez les affirmations factuelles, les champs extraits et le code généré à partir des documents ou des vérifications que vous avez fournis.
", "aboutText": "MiniMax-Text-01 est le modèle de MiniMax axé sur le texte pour les conversations, les tâches linguistiques et le code. Sa conception à contexte long est particulièrement pertinente lorsqu’une question dépend de renseignements dispersés dans une grande collection de documents : une spécification accompagnée de correspondance, plusieurs versions d’un document ou un ensemble volumineux de textes de référence. Le résultat est du texte, notamment des explications, du contenu rédigé, du code et des renseignements d’appel de fonction.\n\nL’architecture combine Lightning Attention, l’attention Softmax classique et un mélange d’experts. MiniMax annonce 456 milliards de paramètres au total, dont 45,9 milliards activés pour chaque jeton. Le modèle comporte 80 couches et 32 experts, avec un routage vers les deux experts les mieux classés ; une couche d’attention Softmax suit chaque groupe de sept couches Lightning Attention. Ces propriétés concernent la version Text-01 et ne signifient pas que tous les modèles portant le nom MiniMax utilisent la même architecture.\n\nMiniMax annonce un entraînement avec un contexte d’un million de jetons et une extension à l’inférence pouvant atteindre quatre millions de jetons. Cette distinction compte lors de la préparation d’une tâche sur de longs documents : la longueur d’entraînement et la longueur étendue à l’inférence décrivent des étapes différentes. Le fabricant examine la compréhension du langage, le suivi d’instructions, le raisonnement, les mathématiques, la programmation et l’utilisation de longues références. Établissez le budget de requête disponible pour la configuration d’exécution sélectionnée, tout en précisant la question, les documents à l’appui et le format de réponse requis.\n\nLe guide de démarrage publié utilise une conversation fondée sur des rôles, avec une instruction système et un message utilisateur, mis en forme à l’aide du gabarit de conversation propre au modèle. Une demande utile d’analyse documentaire pourrait fournir des extraits clairement étiquetés et demander : « Comparez les critères d’acceptation de ces documents. Pour chaque divergence, renvoyez l’étiquette du document, le passage pertinent, la conséquence et la question à résoudre. » Pour la rédaction, fournissez les faits source et le lecteur visé ; pour le code, incluez la fonction pertinente, le comportement attendu et des exemples permettant de distinguer un résultat correct. Il s’agit d’illustrations de ses capacités textuelles, plutôt que de garanties de sortie prédéterminées.\n\nL’appel de fonctions est une fonctionnalité documentée de Text-01. L’application décrit les fonctions disponibles, leur objectif et leurs paramètres ; la définition des paramètres utilise JSON Schema et peut inclure des objets et des tableaux imbriqués. Le modèle peut déterminer qu’une demande nécessite une fonction externe et proposer son nom avec des arguments structurés. Le guide du fabricant présente une fonction de consultation météorologique, puis montre comment analyser l’appel proposé, l’exécuter hors du modèle et renvoyer un résultat structuré dans la conversation.\n\nCela permet de séparer concrètement les responsabilités. Le modèle choisit une opération proposée à partir des descriptions fournies ; l’application décide comment la valider et l’exécuter. Par exemple, un assistant documentaire pourrait disposer d’une fonction de consultation et recevoir la consigne de récupérer le champ produit manquant avant de rédiger une explication. Décrivez précisément les paramètres, indiquez les valeurs requises et rendez les données renvoyées faciles à interpréter pour le modèle. Fournir une fonction n’impose pas son appel : MiniMax précise explicitement que le modèle peut juger une réponse ordinaire plus appropriée.\n\nText-01 et MiniMax-VL-01 sont des versions distinctes. La seconde ajoute des composants visuels ; cette description de Text-01 concerne le traitement du texte et ses outils documentés. Un contexte long exige aussi une préparation attentive des sources : marquez les limites des documents, distinguez les citations des instructions et demandez un moyen de relier les conclusions aux passages fournis. La fiche du modèle n’établit pas de maximum universel séparé pour la sortie générée ; le contexte de quatre millions de jetons ne doit donc pas être interprété comme une capacité de sortie. Choisissez une longueur de réponse adaptée à la tâche et validez les affirmations factuelles, les champs extraits et le code généré à partir des documents ou des vérifications que vous avez fournis.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Compare acceptance criteria across drafts\n\nCompare draft A: the report must include totals by region and a CSV export. Draft B: the report must include totals by product and a PDF export. Email from the owner: regional totals remain required; export format is undecided. Produce a mismatch table and a reconciled requirement note with the unresolved choice visible.A source-labelled mismatch table and a current requirement note distinguishing confirmed requirements from the export decision.Check that regional totals are retained and that neither CSV nor PDF is declared approved without evidence.minimax/minimax-01MiniMax-Text-01 est un modèle textuel à contexte long pour l’analyse documentaire, la rédaction, la programmation et les processus assistés par des outils. Il associe une attention hybride à un mélange d’experts et peut proposer des appels de fonctions avec des arguments structurés.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
MiniMax-Text-01 est le modèle de MiniMax axé sur le texte pour les conversations, les tâches linguistiques et le code. Sa conception à contexte long est particulièrement pertinente lorsqu’une question dépend de renseignements dispersés dans une grande collection de documents : une spécification accompagnée de correspondance, plusieurs versions d’un document ou un ensemble volumineux de textes de référence. Le résultat est du texte, notamment des explications, du contenu rédigé, du code et des renseignements d’appel de fonction.
L’architecture combine Lightning Attention, l’attention Softmax classique et un mélange d’experts. MiniMax annonce 456 milliards de paramètres au total, dont 45,9 milliards activés pour chaque jeton. Le modèle comporte 80 couches et 32 experts, avec un routage vers les deux experts les mieux classés ; une couche d’attention Softmax suit chaque groupe de sept couches Lightning Attention. Ces propriétés concernent la version Text-01 et ne signifient pas que tous les modèles portant le nom MiniMax utilisent la même architecture.
MiniMax annonce un entraînement avec un contexte d’un million de jetons et une extension à l’inférence pouvant atteindre quatre millions de jetons. Cette distinction compte lors de la préparation d’une tâche sur de longs documents : la longueur d’entraînement et la longueur étendue à l’inférence décrivent des étapes différentes. Le fabricant examine la compréhension du langage, le suivi d’instructions, le raisonnement, les mathématiques, la programmation et l’utilisation de longues références. Établissez le budget de requête disponible pour la configuration d’exécution sélectionnée, tout en précisant la question, les documents à l’appui et le format de réponse requis.
Le guide de démarrage publié utilise une conversation fondée sur des rôles, avec une instruction système et un message utilisateur, mis en forme à l’aide du gabarit de conversation propre au modèle. Une demande utile d’analyse documentaire pourrait fournir des extraits clairement étiquetés et demander : « Comparez les critères d’acceptation de ces documents. Pour chaque divergence, renvoyez l’étiquette du document, le passage pertinent, la conséquence et la question à résoudre. » Pour la rédaction, fournissez les faits source et le lecteur visé ; pour le code, incluez la fonction pertinente, le comportement attendu et des exemples permettant de distinguer un résultat correct. Il s’agit d’illustrations de ses capacités textuelles, plutôt que de garanties de sortie prédéterminées.
L’appel de fonctions est une fonctionnalité documentée de Text-01. L’application décrit les fonctions disponibles, leur objectif et leurs paramètres ; la définition des paramètres utilise JSON Schema et peut inclure des objets et des tableaux imbriqués. Le modèle peut déterminer qu’une demande nécessite une fonction externe et proposer son nom avec des arguments structurés. Le guide du fabricant présente une fonction de consultation météorologique, puis montre comment analyser l’appel proposé, l’exécuter hors du modèle et renvoyer un résultat structuré dans la conversation.
Cela permet de séparer concrètement les responsabilités. Le modèle choisit une opération proposée à partir des descriptions fournies ; l’application décide comment la valider et l’exécuter. Par exemple, un assistant documentaire pourrait disposer d’une fonction de consultation et recevoir la consigne de récupérer le champ produit manquant avant de rédiger une explication. Décrivez précisément les paramètres, indiquez les valeurs requises et rendez les données renvoyées faciles à interpréter pour le modèle. Fournir une fonction n’impose pas son appel : MiniMax précise explicitement que le modèle peut juger une réponse ordinaire plus appropriée.
Text-01 et MiniMax-VL-01 sont des versions distinctes. La seconde ajoute des composants visuels ; cette description de Text-01 concerne le traitement du texte et ses outils documentés. Un contexte long exige aussi une préparation attentive des sources : marquez les limites des documents, distinguez les citations des instructions et demandez un moyen de relier les conclusions aux passages fournis. La fiche du modèle n’établit pas de maximum universel séparé pour la sortie générée ; le contexte de quatre millions de jetons ne doit donc pas être interprété comme une capacité de sortie. Choisissez une longueur de réponse adaptée à la tâche et validez les affirmations factuelles, les champs extraits et le code généré à partir des documents ou des vérifications que vous avez fournis.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites minimax/minimax-01 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’ID réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: Fonction fournie comme outil | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | Par défaut— |
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 comme texte littéral ; aucun ID de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | ContratPropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’ID 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/objet fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0004 / 1K jetons Sortie · Jetons en sortie $0.0022 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0004 / 1K jetons Sortie · Jetons en sortie $0.0022 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax/minimax-01", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='minimax/minimax-01',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='minimax/minimax-01',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra minimax/minimax-01
Utilisez les chemins de méthode indiqués ci-dessus.
minimax/minimax-01MiniMax-Text-01 est un modèle textuel à contexte long pour l’analyse documentaire, la rédaction, la programmation et les processus assistés par des outils. Il associe une attention hybride à un mélange d’experts et peut proposer des appels de fonctions avec des arguments structurés.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
MiniMax-Text-01 est le modèle de MiniMax axé sur le texte pour les conversations, les tâches linguistiques et le code. Sa conception à contexte long est particulièrement pertinente lorsqu’une question dépend de renseignements dispersés dans une grande collection de documents : une spécification accompagnée de correspondance, plusieurs versions d’un document ou un ensemble volumineux de textes de référence. Le résultat est du texte, notamment des explications, du contenu rédigé, du code et des renseignements d’appel de fonction.
L’architecture combine Lightning Attention, l’attention Softmax classique et un mélange d’experts. MiniMax annonce 456 milliards de paramètres au total, dont 45,9 milliards activés pour chaque jeton. Le modèle comporte 80 couches et 32 experts, avec un routage vers les deux experts les mieux classés ; une couche d’attention Softmax suit chaque groupe de sept couches Lightning Attention. Ces propriétés concernent la version Text-01 et ne signifient pas que tous les modèles portant le nom MiniMax utilisent la même architecture.
MiniMax annonce un entraînement avec un contexte d’un million de jetons et une extension à l’inférence pouvant atteindre quatre millions de jetons. Cette distinction compte lors de la préparation d’une tâche sur de longs documents : la longueur d’entraînement et la longueur étendue à l’inférence décrivent des étapes différentes. Le fabricant examine la compréhension du langage, le suivi d’instructions, le raisonnement, les mathématiques, la programmation et l’utilisation de longues références. Établissez le budget de requête disponible pour la configuration d’exécution sélectionnée, tout en précisant la question, les documents à l’appui et le format de réponse requis.
Le guide de démarrage publié utilise une conversation fondée sur des rôles, avec une instruction système et un message utilisateur, mis en forme à l’aide du gabarit de conversation propre au modèle. Une demande utile d’analyse documentaire pourrait fournir des extraits clairement étiquetés et demander : « Comparez les critères d’acceptation de ces documents. Pour chaque divergence, renvoyez l’étiquette du document, le passage pertinent, la conséquence et la question à résoudre. » Pour la rédaction, fournissez les faits source et le lecteur visé ; pour le code, incluez la fonction pertinente, le comportement attendu et des exemples permettant de distinguer un résultat correct. Il s’agit d’illustrations de ses capacités textuelles, plutôt que de garanties de sortie prédéterminées.
L’appel de fonctions est une fonctionnalité documentée de Text-01. L’application décrit les fonctions disponibles, leur objectif et leurs paramètres ; la définition des paramètres utilise JSON Schema et peut inclure des objets et des tableaux imbriqués. Le modèle peut déterminer qu’une demande nécessite une fonction externe et proposer son nom avec des arguments structurés. Le guide du fabricant présente une fonction de consultation météorologique, puis montre comment analyser l’appel proposé, l’exécuter hors du modèle et renvoyer un résultat structuré dans la conversation.
Cela permet de séparer concrètement les responsabilités. Le modèle choisit une opération proposée à partir des descriptions fournies ; l’application décide comment la valider et l’exécuter. Par exemple, un assistant documentaire pourrait disposer d’une fonction de consultation et recevoir la consigne de récupérer le champ produit manquant avant de rédiger une explication. Décrivez précisément les paramètres, indiquez les valeurs requises et rendez les données renvoyées faciles à interpréter pour le modèle. Fournir une fonction n’impose pas son appel : MiniMax précise explicitement que le modèle peut juger une réponse ordinaire plus appropriée.
Text-01 et MiniMax-VL-01 sont des versions distinctes. La seconde ajoute des composants visuels ; cette description de Text-01 concerne le traitement du texte et ses outils documentés. Un contexte long exige aussi une préparation attentive des sources : marquez les limites des documents, distinguez les citations des instructions et demandez un moyen de relier les conclusions aux passages fournis. La fiche du modèle n’établit pas de maximum universel séparé pour la sortie générée ; le contexte de quatre millions de jetons ne doit donc pas être interprété comme une capacité de sortie. Choisissez une longueur de réponse adaptée à la tâche et validez les affirmations factuelles, les champs extraits et le code généré à partir des documents ou des vérifications que vous avez fournis.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites minimax/minimax-01 | 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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0004 / 1K jetons Sortie · Jetons en sortie $0.0022 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0004 / 1K jetons Sortie · Jetons en sortie $0.0022 / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "minimax/minimax-01",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'minimax/minimax-01', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'minimax/minimax-01', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 ID 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra minimax/minimax-01
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Compare acceptance criteria across drafts\n\nCompare draft A: the report must include totals by region and a CSV export. Draft B: the report must include totals by product and a PDF export. Email from the owner: regional totals remain required; export format is undecided. Produce a mismatch table and a reconciled requirement note with the unresolved choice visible.A source-labelled mismatch table and a current requirement note distinguishing confirmed requirements from the export decision.Check that regional totals are retained and that neither CSV nor PDF is declared approved without evidence.