MiniMax M1 est le modèle de langage de raisonnement à attention hybride de MiniMax pour les tâches aux entrées longues et à l'analyse substantielle. Il s'appuie sur MiniMax-Text-01 avec des composants à mélange d'experts et Lightning Attention, avec 456 milliards de paramètres au total et 45,9 milliards activés par token. L'entrée comprend des instructions écrites et le contexte source ; la sortie est du texte, comme une solution, du code, une analyse ou des informations d'appel de fonction.
Le fabricant décrit un contexte natif d'un million de tokens et publie deux éditions M1 avec des budgets de réflexion 40K et 80K. Ces noms désignent les éditions de raisonnement et ne doivent pas être interprétés comme des plafonds universels identiques pour la réponse finale. Le choix M1 générique reste distinct de ces profils à budget fixe et de l'extension d'inférence du modèle Text-01 antérieur.
Pour une tâche sur de longs documents, nommez les contenus, identifiez les sections pertinentes et indiquez la question à laquelle ils doivent contribuer à répondre. Exemple de brief utile : « Comparez ces exigences aux notes d'implémentation, identifiez chaque condition non résolue et retournez le passage justificatif à côté du constat. » Réservez de la place dans le contexte pour le raisonnement et la réponse finale, pas seulement pour les sources initiales.
M1 utilise l'apprentissage par renforcement à grande échelle sur les mathématiques et les problèmes d'ingénierie logicielle en environnement isolé. Le fabricant introduit CISPO, qui écrête les poids d'échantillonnage d'importance plutôt que les mises à jour de tokens, dans son approche de renforcement. C'est une distinction d'entraînement de la version de raisonnement ; elle ne transforme pas un livrable de code généré ou une action proposée en résultat exécuté.
Pour le code, fournissez l'implémentation pertinente, une entrée représentative, le comportement attendu et les contraintes à préserver. Demandez une modification ciblée et les preuves qui la justifient. Pour les mathématiques, fournissez l'énoncé complet et demandez le résultat final avec ses hypothèses. Le fabricant recommande une solution par étapes avec le résultat final en notation mathématique encadrée.
MiniMax recommande temperature 1.0 et top-p 0.95 pour son profil de référence. Il recommande aussi d'adapter l'instruction système à la tâche. Un assistant général peut utiliser un simple rôle d'assistant prêt à aider ; une tâche de développement web peut préciser le livrable de code complet et le format de sortie. Le prompt web illustratif demande un seul livrable HTML complet plutôt que des fragments dispersés.
Indiquez si la réponse doit être une explication, une comparaison structurée ou uniquement du code. L'instruction doit identifier le livrable réel et les critères d'achèvement. Une implémentation visuelle doit toujours s'exécuter dans l'application prévue, avec retour du résultat observé pour les éventuelles révisions.
M1 prend en charge des définitions de fonctions fournies avec des noms, des descriptions, des types d'arguments et des champs obligatoires. La représentation native distingue le raisonnement, les appels d'outils et les arguments JSON structurés. Le guide montre à la fois une voie utilisant un analyseur dédié et une interprétation manuelle de cette représentation. L'application valide et exécute les fonctions sélectionnées et retourne des résultats nommés dans la conversation pour le modèle.
Explicitez l'objectif des outils et les actions autorisées. Une consultation documentaire peut fournir un champ manquant avant que le modèle termine son explication, tandis qu'un outil de développement peut retourner le code ou l'erreur réels à analyser. Une opération proposée est distincte de son exécution et d'un résultat observé.
La sortie utile est une solution textuelle, une proposition de code ou un dossier analytique lié aux sources fournies et aux observations réelles des outils. Gardez l'identité M1 originale et les distinctions de budget, et ne déduisez pas les entrées visuelles, les plafonds de sortie ou les réglages par défaut d'un autre modèle MiniMax à partir du nom de famille partagé.
", "aboutText": "MiniMax M1 est le modèle de langage de raisonnement à attention hybride de MiniMax pour les tâches aux entrées longues et à l'analyse substantielle. Il s'appuie sur MiniMax-Text-01 avec des composants à mélange d'experts et Lightning Attention, avec 456 milliards de paramètres au total et 45,9 milliards activés par token. L'entrée comprend des instructions écrites et le contexte source ; la sortie est du texte, comme une solution, du code, une analyse ou des informations d'appel de fonction.\n\n### Contexte et éditions de raisonnement\n\nLe fabricant décrit un contexte natif d'un million de tokens et publie deux éditions M1 avec des budgets de réflexion 40K et 80K. Ces noms désignent les éditions de raisonnement et ne doivent pas être interprétés comme des plafonds universels identiques pour la réponse finale. Le choix M1 générique reste distinct de ces profils à budget fixe et de l'extension d'inférence du modèle Text-01 antérieur.\n\nPour une tâche sur de longs documents, nommez les contenus, identifiez les sections pertinentes et indiquez la question à laquelle ils doivent contribuer à répondre. Exemple de brief utile : « Comparez ces exigences aux notes d'implémentation, identifiez chaque condition non résolue et retournez le passage justificatif à côté du constat. » Réservez de la place dans le contexte pour le raisonnement et la réponse finale, pas seulement pour les sources initiales.\n\n### Entraînement au raisonnement réel\n\nM1 utilise l'apprentissage par renforcement à grande échelle sur les mathématiques et les problèmes d'ingénierie logicielle en environnement isolé. Le fabricant introduit CISPO, qui écrête les poids d'échantillonnage d'importance plutôt que les mises à jour de tokens, dans son approche de renforcement. C'est une distinction d'entraînement de la version de raisonnement ; elle ne transforme pas un livrable de code généré ou une action proposée en résultat exécuté.\n\nPour le code, fournissez l'implémentation pertinente, une entrée représentative, le comportement attendu et les contraintes à préserver. Demandez une modification ciblée et les preuves qui la justifient. Pour les mathématiques, fournissez l'énoncé complet et demandez le résultat final avec ses hypothèses. Le fabricant recommande une solution par étapes avec le résultat final en notation mathématique encadrée.\n\n### Conseils de prompting du fabricant\n\nMiniMax recommande temperature 1.0 et top-p 0.95 pour son profil de référence. Il recommande aussi d'adapter l'instruction système à la tâche. Un assistant général peut utiliser un simple rôle d'assistant prêt à aider ; une tâche de développement web peut préciser le livrable de code complet et le format de sortie. Le prompt web illustratif demande un seul livrable HTML complet plutôt que des fragments dispersés.\n\nIndiquez si la réponse doit être une explication, une comparaison structurée ou uniquement du code. L'instruction doit identifier le livrable réel et les critères d'achèvement. Une implémentation visuelle doit toujours s'exécuter dans l'application prévue, avec retour du résultat observé pour les éventuelles révisions.\n\n### Appels de fonctions\n\nM1 prend en charge des définitions de fonctions fournies avec des noms, des descriptions, des types d'arguments et des champs obligatoires. La représentation native distingue le raisonnement, les appels d'outils et les arguments JSON structurés. Le guide montre à la fois une voie utilisant un analyseur dédié et une interprétation manuelle de cette représentation. L'application valide et exécute les fonctions sélectionnées et retourne des résultats nommés dans la conversation pour le modèle.\n\nExplicitez l'objectif des outils et les actions autorisées. Une consultation documentaire peut fournir un champ manquant avant que le modèle termine son explication, tandis qu'un outil de développement peut retourner le code ou l'erreur réels à analyser. Une opération proposée est distincte de son exécution et d'un résultat observé.\n\nLa sortie utile est une solution textuelle, une proposition de code ou un dossier analytique lié aux sources fournies et aux observations réelles des outils. Gardez l'identité M1 originale et les distinctions de budget, et ne déduisez pas les entrées visuelles, les plafonds de sortie ou les réglages par défaut d'un autre modèle MiniMax à partir du nom de famille partagé.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
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 est le modèle de raisonnement à attention hybride de MiniMax pour l'analyse de sources longues, les mathématiques, le code et les outils. Sa famille de modèles, telle que décrite par le fabricant, possède un contexte natif d'un million de tokens et des éditions distinctes aux budgets de réflexion 40K et 80K, qui renvoient du texte et des contenus structurés d'appels de fonctions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
MiniMax M1 est le modèle de langage de raisonnement à attention hybride de MiniMax pour les tâches aux entrées longues et à l'analyse substantielle. Il s'appuie sur MiniMax-Text-01 avec des composants à mélange d'experts et Lightning Attention, avec 456 milliards de paramètres au total et 45,9 milliards activés par token. L'entrée comprend des instructions écrites et le contexte source ; la sortie est du texte, comme une solution, du code, une analyse ou des informations d'appel de fonction.
Le fabricant décrit un contexte natif d'un million de tokens et publie deux éditions M1 avec des budgets de réflexion 40K et 80K. Ces noms désignent les éditions de raisonnement et ne doivent pas être interprétés comme des plafonds universels identiques pour la réponse finale. Le choix M1 générique reste distinct de ces profils à budget fixe et de l'extension d'inférence du modèle Text-01 antérieur.
Pour une tâche sur de longs documents, nommez les contenus, identifiez les sections pertinentes et indiquez la question à laquelle ils doivent contribuer à répondre. Exemple de brief utile : « Comparez ces exigences aux notes d'implémentation, identifiez chaque condition non résolue et retournez le passage justificatif à côté du constat. » Réservez de la place dans le contexte pour le raisonnement et la réponse finale, pas seulement pour les sources initiales.
M1 utilise l'apprentissage par renforcement à grande échelle sur les mathématiques et les problèmes d'ingénierie logicielle en environnement isolé. Le fabricant introduit CISPO, qui écrête les poids d'échantillonnage d'importance plutôt que les mises à jour de tokens, dans son approche de renforcement. C'est une distinction d'entraînement de la version de raisonnement ; elle ne transforme pas un livrable de code généré ou une action proposée en résultat exécuté.
Pour le code, fournissez l'implémentation pertinente, une entrée représentative, le comportement attendu et les contraintes à préserver. Demandez une modification ciblée et les preuves qui la justifient. Pour les mathématiques, fournissez l'énoncé complet et demandez le résultat final avec ses hypothèses. Le fabricant recommande une solution par étapes avec le résultat final en notation mathématique encadrée.
MiniMax recommande temperature 1.0 et top-p 0.95 pour son profil de référence. Il recommande aussi d'adapter l'instruction système à la tâche. Un assistant général peut utiliser un simple rôle d'assistant prêt à aider ; une tâche de développement web peut préciser le livrable de code complet et le format de sortie. Le prompt web illustratif demande un seul livrable HTML complet plutôt que des fragments dispersés.
Indiquez si la réponse doit être une explication, une comparaison structurée ou uniquement du code. L'instruction doit identifier le livrable réel et les critères d'achèvement. Une implémentation visuelle doit toujours s'exécuter dans l'application prévue, avec retour du résultat observé pour les éventuelles révisions.
M1 prend en charge des définitions de fonctions fournies avec des noms, des descriptions, des types d'arguments et des champs obligatoires. La représentation native distingue le raisonnement, les appels d'outils et les arguments JSON structurés. Le guide montre à la fois une voie utilisant un analyseur dédié et une interprétation manuelle de cette représentation. L'application valide et exécute les fonctions sélectionnées et retourne des résultats nommés dans la conversation pour le modèle.
Explicitez l'objectif des outils et les actions autorisées. Une consultation documentaire peut fournir un champ manquant avant que le modèle termine son explication, tandis qu'un outil de développement peut retourner le code ou l'erreur réels à analyser. Une opération proposée est distincte de son exécution et d'un résultat observé.
La sortie utile est une solution textuelle, une proposition de code ou un dossier analytique lié aux sources fournies et aux observations réelles des outils. Gardez l'identité M1 originale et les distinctions de budget, et ne déduisez pas les entrées visuelles, les plafonds de sortie ou les réglages par défaut d'un autre modèle MiniMax à partir du nom de famille partagé.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites MiniMax-M1 | 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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0044 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0044 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"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 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 MiniMax-M1, minimax/minimax-m1
/chat/completions
MiniMax-M1MiniMax M1 est le modèle de raisonnement à attention hybride de MiniMax pour l'analyse de sources longues, les mathématiques, le code et les outils. Sa famille de modèles, telle que décrite par le fabricant, possède un contexte natif d'un million de tokens et des éditions distinctes aux budgets de réflexion 40K et 80K, qui renvoient du texte et des contenus structurés d'appels de fonctions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
MiniMax M1 est le modèle de langage de raisonnement à attention hybride de MiniMax pour les tâches aux entrées longues et à l'analyse substantielle. Il s'appuie sur MiniMax-Text-01 avec des composants à mélange d'experts et Lightning Attention, avec 456 milliards de paramètres au total et 45,9 milliards activés par token. L'entrée comprend des instructions écrites et le contexte source ; la sortie est du texte, comme une solution, du code, une analyse ou des informations d'appel de fonction.
Le fabricant décrit un contexte natif d'un million de tokens et publie deux éditions M1 avec des budgets de réflexion 40K et 80K. Ces noms désignent les éditions de raisonnement et ne doivent pas être interprétés comme des plafonds universels identiques pour la réponse finale. Le choix M1 générique reste distinct de ces profils à budget fixe et de l'extension d'inférence du modèle Text-01 antérieur.
Pour une tâche sur de longs documents, nommez les contenus, identifiez les sections pertinentes et indiquez la question à laquelle ils doivent contribuer à répondre. Exemple de brief utile : « Comparez ces exigences aux notes d'implémentation, identifiez chaque condition non résolue et retournez le passage justificatif à côté du constat. » Réservez de la place dans le contexte pour le raisonnement et la réponse finale, pas seulement pour les sources initiales.
M1 utilise l'apprentissage par renforcement à grande échelle sur les mathématiques et les problèmes d'ingénierie logicielle en environnement isolé. Le fabricant introduit CISPO, qui écrête les poids d'échantillonnage d'importance plutôt que les mises à jour de tokens, dans son approche de renforcement. C'est une distinction d'entraînement de la version de raisonnement ; elle ne transforme pas un livrable de code généré ou une action proposée en résultat exécuté.
Pour le code, fournissez l'implémentation pertinente, une entrée représentative, le comportement attendu et les contraintes à préserver. Demandez une modification ciblée et les preuves qui la justifient. Pour les mathématiques, fournissez l'énoncé complet et demandez le résultat final avec ses hypothèses. Le fabricant recommande une solution par étapes avec le résultat final en notation mathématique encadrée.
MiniMax recommande temperature 1.0 et top-p 0.95 pour son profil de référence. Il recommande aussi d'adapter l'instruction système à la tâche. Un assistant général peut utiliser un simple rôle d'assistant prêt à aider ; une tâche de développement web peut préciser le livrable de code complet et le format de sortie. Le prompt web illustratif demande un seul livrable HTML complet plutôt que des fragments dispersés.
Indiquez si la réponse doit être une explication, une comparaison structurée ou uniquement du code. L'instruction doit identifier le livrable réel et les critères d'achèvement. Une implémentation visuelle doit toujours s'exécuter dans l'application prévue, avec retour du résultat observé pour les éventuelles révisions.
M1 prend en charge des définitions de fonctions fournies avec des noms, des descriptions, des types d'arguments et des champs obligatoires. La représentation native distingue le raisonnement, les appels d'outils et les arguments JSON structurés. Le guide montre à la fois une voie utilisant un analyseur dédié et une interprétation manuelle de cette représentation. L'application valide et exécute les fonctions sélectionnées et retourne des résultats nommés dans la conversation pour le modèle.
Explicitez l'objectif des outils et les actions autorisées. Une consultation documentaire peut fournir un champ manquant avant que le modèle termine son explication, tandis qu'un outil de développement peut retourner le code ou l'erreur réels à analyser. Une opération proposée est distincte de son exécution et d'un résultat observé.
La sortie utile est une solution textuelle, une proposition de code ou un dossier analytique lié aux sources fournies et aux observations réelles des outils. Gardez l'identité M1 originale et les distinctions de budget, et ne déduisez pas les entrées visuelles, les plafonds de sortie ou les réglages par défaut d'un autre modèle MiniMax à partir du nom de famille partagé.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites MiniMax-M1 | 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 | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0044 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0044 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "MiniMax-M1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 MiniMax-M1, minimax/minimax-m1
/chat/completions
minimax/minimax-m1MiniMax M1 est le modèle de raisonnement à attention hybride de MiniMax pour l'analyse de sources longues, les mathématiques, le code et les outils. Sa famille de modèles, telle que décrite par le fabricant, possède un contexte natif d'un million de tokens et des éditions distinctes aux budgets de réflexion 40K et 80K, qui renvoient du texte et des contenus structurés d'appels de fonctions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
MiniMax M1 est le modèle de langage de raisonnement à attention hybride de MiniMax pour les tâches aux entrées longues et à l'analyse substantielle. Il s'appuie sur MiniMax-Text-01 avec des composants à mélange d'experts et Lightning Attention, avec 456 milliards de paramètres au total et 45,9 milliards activés par token. L'entrée comprend des instructions écrites et le contexte source ; la sortie est du texte, comme une solution, du code, une analyse ou des informations d'appel de fonction.
Le fabricant décrit un contexte natif d'un million de tokens et publie deux éditions M1 avec des budgets de réflexion 40K et 80K. Ces noms désignent les éditions de raisonnement et ne doivent pas être interprétés comme des plafonds universels identiques pour la réponse finale. Le choix M1 générique reste distinct de ces profils à budget fixe et de l'extension d'inférence du modèle Text-01 antérieur.
Pour une tâche sur de longs documents, nommez les contenus, identifiez les sections pertinentes et indiquez la question à laquelle ils doivent contribuer à répondre. Exemple de brief utile : « Comparez ces exigences aux notes d'implémentation, identifiez chaque condition non résolue et retournez le passage justificatif à côté du constat. » Réservez de la place dans le contexte pour le raisonnement et la réponse finale, pas seulement pour les sources initiales.
M1 utilise l'apprentissage par renforcement à grande échelle sur les mathématiques et les problèmes d'ingénierie logicielle en environnement isolé. Le fabricant introduit CISPO, qui écrête les poids d'échantillonnage d'importance plutôt que les mises à jour de tokens, dans son approche de renforcement. C'est une distinction d'entraînement de la version de raisonnement ; elle ne transforme pas un livrable de code généré ou une action proposée en résultat exécuté.
Pour le code, fournissez l'implémentation pertinente, une entrée représentative, le comportement attendu et les contraintes à préserver. Demandez une modification ciblée et les preuves qui la justifient. Pour les mathématiques, fournissez l'énoncé complet et demandez le résultat final avec ses hypothèses. Le fabricant recommande une solution par étapes avec le résultat final en notation mathématique encadrée.
MiniMax recommande temperature 1.0 et top-p 0.95 pour son profil de référence. Il recommande aussi d'adapter l'instruction système à la tâche. Un assistant général peut utiliser un simple rôle d'assistant prêt à aider ; une tâche de développement web peut préciser le livrable de code complet et le format de sortie. Le prompt web illustratif demande un seul livrable HTML complet plutôt que des fragments dispersés.
Indiquez si la réponse doit être une explication, une comparaison structurée ou uniquement du code. L'instruction doit identifier le livrable réel et les critères d'achèvement. Une implémentation visuelle doit toujours s'exécuter dans l'application prévue, avec retour du résultat observé pour les éventuelles révisions.
M1 prend en charge des définitions de fonctions fournies avec des noms, des descriptions, des types d'arguments et des champs obligatoires. La représentation native distingue le raisonnement, les appels d'outils et les arguments JSON structurés. Le guide montre à la fois une voie utilisant un analyseur dédié et une interprétation manuelle de cette représentation. L'application valide et exécute les fonctions sélectionnées et retourne des résultats nommés dans la conversation pour le modèle.
Explicitez l'objectif des outils et les actions autorisées. Une consultation documentaire peut fournir un champ manquant avant que le modèle termine son explication, tandis qu'un outil de développement peut retourner le code ou l'erreur réels à analyser. Une opération proposée est distincte de son exécution et d'un résultat observé.
La sortie utile est une solution textuelle, une proposition de code ou un dossier analytique lié aux sources fournies et aux observations réelles des outils. Gardez l'identité M1 originale et les distinctions de budget, et ne déduisez pas les entrées visuelles, les plafonds de sortie ou les réglages par défaut d'un autre modèle MiniMax à partir du nom de famille partagé.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites minimax/minimax-m1 | 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’identifiant 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: outil de fonction fourni | 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 rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | 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 sous forme de texte littéral ; aucun identifiant 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’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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0044 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0044 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "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 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 MiniMax-M1, minimax/minimax-m1
/chat/completions
minimax/minimax-m1MiniMax M1 est le modèle de raisonnement à attention hybride de MiniMax pour l'analyse de sources longues, les mathématiques, le code et les outils. Sa famille de modèles, telle que décrite par le fabricant, possède un contexte natif d'un million de tokens et des éditions distinctes aux budgets de réflexion 40K et 80K, qui renvoient du texte et des contenus structurés d'appels de fonctions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
MiniMax M1 est le modèle de langage de raisonnement à attention hybride de MiniMax pour les tâches aux entrées longues et à l'analyse substantielle. Il s'appuie sur MiniMax-Text-01 avec des composants à mélange d'experts et Lightning Attention, avec 456 milliards de paramètres au total et 45,9 milliards activés par token. L'entrée comprend des instructions écrites et le contexte source ; la sortie est du texte, comme une solution, du code, une analyse ou des informations d'appel de fonction.
Le fabricant décrit un contexte natif d'un million de tokens et publie deux éditions M1 avec des budgets de réflexion 40K et 80K. Ces noms désignent les éditions de raisonnement et ne doivent pas être interprétés comme des plafonds universels identiques pour la réponse finale. Le choix M1 générique reste distinct de ces profils à budget fixe et de l'extension d'inférence du modèle Text-01 antérieur.
Pour une tâche sur de longs documents, nommez les contenus, identifiez les sections pertinentes et indiquez la question à laquelle ils doivent contribuer à répondre. Exemple de brief utile : « Comparez ces exigences aux notes d'implémentation, identifiez chaque condition non résolue et retournez le passage justificatif à côté du constat. » Réservez de la place dans le contexte pour le raisonnement et la réponse finale, pas seulement pour les sources initiales.
M1 utilise l'apprentissage par renforcement à grande échelle sur les mathématiques et les problèmes d'ingénierie logicielle en environnement isolé. Le fabricant introduit CISPO, qui écrête les poids d'échantillonnage d'importance plutôt que les mises à jour de tokens, dans son approche de renforcement. C'est une distinction d'entraînement de la version de raisonnement ; elle ne transforme pas un livrable de code généré ou une action proposée en résultat exécuté.
Pour le code, fournissez l'implémentation pertinente, une entrée représentative, le comportement attendu et les contraintes à préserver. Demandez une modification ciblée et les preuves qui la justifient. Pour les mathématiques, fournissez l'énoncé complet et demandez le résultat final avec ses hypothèses. Le fabricant recommande une solution par étapes avec le résultat final en notation mathématique encadrée.
MiniMax recommande temperature 1.0 et top-p 0.95 pour son profil de référence. Il recommande aussi d'adapter l'instruction système à la tâche. Un assistant général peut utiliser un simple rôle d'assistant prêt à aider ; une tâche de développement web peut préciser le livrable de code complet et le format de sortie. Le prompt web illustratif demande un seul livrable HTML complet plutôt que des fragments dispersés.
Indiquez si la réponse doit être une explication, une comparaison structurée ou uniquement du code. L'instruction doit identifier le livrable réel et les critères d'achèvement. Une implémentation visuelle doit toujours s'exécuter dans l'application prévue, avec retour du résultat observé pour les éventuelles révisions.
M1 prend en charge des définitions de fonctions fournies avec des noms, des descriptions, des types d'arguments et des champs obligatoires. La représentation native distingue le raisonnement, les appels d'outils et les arguments JSON structurés. Le guide montre à la fois une voie utilisant un analyseur dédié et une interprétation manuelle de cette représentation. L'application valide et exécute les fonctions sélectionnées et retourne des résultats nommés dans la conversation pour le modèle.
Explicitez l'objectif des outils et les actions autorisées. Une consultation documentaire peut fournir un champ manquant avant que le modèle termine son explication, tandis qu'un outil de développement peut retourner le code ou l'erreur réels à analyser. Une opération proposée est distincte de son exécution et d'un résultat observé.
La sortie utile est une solution textuelle, une proposition de code ou un dossier analytique lié aux sources fournies et aux observations réelles des outils. Gardez l'identité M1 originale et les distinctions de budget, et ne déduisez pas les entrées visuelles, les plafonds de sortie ou les réglages par défaut d'un autre modèle MiniMax à partir du nom de famille partagé.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites minimax/minimax-m1 | 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 | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0044 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0008 / 1K tokens Sortie · Tokens en sortie $0.0044 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "minimax/minimax-m1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 MiniMax-M1, minimax/minimax-m1
/chat/completions
Exemple technique en anglais
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.