MiniMax-Text-01 adalah model MiniMax yang berfokus pada teks untuk percakapan, tugas bahasa, dan kode. Rancangan konteks panjangnya sangat relevan ketika pertanyaan bergantung pada informasi yang tersebar di kumpulan materi besar: spesifikasi bersama korespondensi, beberapa versi dokumen, atau kumpulan teks referensi yang substansial. Hasilnya berupa teks, termasuk penjelasan, konten tertulis, kode, dan informasi panggilan fungsi.
Arsitekturnya menggabungkan Lightning Attention, Softmax Attention konvensional, dan mixture-of-experts. MiniMax melaporkan total 456 miliar parameter, dengan 45.9 miliar diaktifkan untuk setiap token. Model ini memiliki 80 lapisan dan 32 pakar, menggunakan perutean ke dua pakar teratas; satu lapisan Softmax Attention mengikuti setiap kelompok tujuh lapisan Lightning Attention. Ini merupakan sifat rilis Text-01, bukan pernyataan bahwa setiap model bernama MiniMax menggunakan arsitektur yang sama.
MiniMax melaporkan pelatihan dengan panjang konteks satu juta token dan perluasan inferensi hingga empat juta token. Perbedaan ini penting saat menyiapkan tugas dokumen panjang: panjang pelatihan dan panjang inferensi yang diperluas menjelaskan tahap yang berbeda. Pengembang menguji pemahaman bahasa, kepatuhan terhadap instruksi, penalaran, matematika, pemrograman, dan penggunaan materi referensi panjang. Anggaran permintaan yang tersedia perlu ditentukan untuk konfigurasi eksekusi yang dipilih, sambil menjaga pertanyaan, dokumen pendukung, dan format jawaban yang diperlukan tetap jelas.
Panduan mulai cepat yang dipublikasikan menggunakan percakapan berbasis peran dengan instruksi sistem dan pesan pengguna, diformat melalui templat percakapan model sendiri. Permintaan analisis dokumen yang berguna dapat memberikan kutipan berlabel jelas dan meminta: “Bandingkan kriteria penerimaan dalam dokumen ini. Untuk setiap ketidaksesuaian, kembalikan label dokumen, bagian teks yang relevan, konsekuensi, dan pertanyaan yang perlu kita selesaikan.” Untuk penulisan, berikan fakta sumber dan pembaca yang dituju; untuk kode, sertakan fungsi yang relevan, perilaku yang diharapkan, dan contoh yang membedakan hasil benar. Ini merupakan contoh cara menggunakan kemampuan teksnya, bukan jaminan keluaran yang telah ditentukan.
Panggilan fungsi merupakan fitur Text-01 yang didokumentasikan. Aplikasi menjelaskan fungsi yang tersedia, tujuan, dan parameternya; definisi parameter dinyatakan dengan JSON Schema dan dapat mencakup objek serta larik bertingkat. Model dapat mengidentifikasi bahwa permintaan membutuhkan fungsi eksternal dan mengusulkan namanya dengan argumen terstruktur. Panduan pengembang menjelaskan fungsi kueri cuaca, lalu menunjukkan cara menguraikan panggilan yang diusulkan, menjalankannya di luar model, dan mengembalikan hasil terstruktur ke percakapan.
Dengan begitu, tanggung jawab terbagi secara praktis. Model memilih usulan operasi dari deskripsi yang diberikan; aplikasi memutuskan cara memvalidasi dan menjalankannya. Misalnya, asisten dokumen dapat diberi fungsi pencarian dan diminta mengambil bidang produk yang hilang sebelum menyusun penjelasan. Tulis deskripsi parameter secara tepat, tentukan nilai yang wajib ada, dan buat data yang dikembalikan mudah ditafsirkan model. Menyediakan fungsi tidak memaksa panggilan: MiniMax secara tegas menyebutkan bahwa model dapat menilai jawaban biasa lebih sesuai.
Text-01 dan MiniMax-VL-01 merupakan rilis terpisah. Rilis kedua menambahkan komponen visual; deskripsi Text-01 ini membahas pemrosesan teks dan alat yang didokumentasikan. Konteks panjang juga membutuhkan persiapan sumber yang cermat: tandai batas dokumen, bedakan materi kutipan dari instruksi, dan minta cara untuk menghubungkan kesimpulan dengan bagian teks yang diberikan. Kartu model tidak menetapkan batas maksimum universal terpisah untuk keluaran yang dibuat, sehingga angka konteks empat juta token tidak boleh dibaca sebagai jatah keluaran. Pilih panjang jawaban yang sesuai dengan tugas, dan validasi pernyataan faktual, bidang yang diambil, serta kode yang dibuat terhadap materi atau pemeriksaan yang Anda berikan.
", "aboutText": "MiniMax-Text-01 adalah model MiniMax yang berfokus pada teks untuk percakapan, tugas bahasa, dan kode. Rancangan konteks panjangnya sangat relevan ketika pertanyaan bergantung pada informasi yang tersebar di kumpulan materi besar: spesifikasi bersama korespondensi, beberapa versi dokumen, atau kumpulan teks referensi yang substansial. Hasilnya berupa teks, termasuk penjelasan, konten tertulis, kode, dan informasi panggilan fungsi.\n\nArsitekturnya menggabungkan Lightning Attention, Softmax Attention konvensional, dan mixture-of-experts. MiniMax melaporkan total 456 miliar parameter, dengan 45.9 miliar diaktifkan untuk setiap token. Model ini memiliki 80 lapisan dan 32 pakar, menggunakan perutean ke dua pakar teratas; satu lapisan Softmax Attention mengikuti setiap kelompok tujuh lapisan Lightning Attention. Ini merupakan sifat rilis Text-01, bukan pernyataan bahwa setiap model bernama MiniMax menggunakan arsitektur yang sama.\n\nMiniMax melaporkan pelatihan dengan panjang konteks satu juta token dan perluasan inferensi hingga empat juta token. Perbedaan ini penting saat menyiapkan tugas dokumen panjang: panjang pelatihan dan panjang inferensi yang diperluas menjelaskan tahap yang berbeda. Pengembang menguji pemahaman bahasa, kepatuhan terhadap instruksi, penalaran, matematika, pemrograman, dan penggunaan materi referensi panjang. Anggaran permintaan yang tersedia perlu ditentukan untuk konfigurasi eksekusi yang dipilih, sambil menjaga pertanyaan, dokumen pendukung, dan format jawaban yang diperlukan tetap jelas.\n\nPanduan mulai cepat yang dipublikasikan menggunakan percakapan berbasis peran dengan instruksi sistem dan pesan pengguna, diformat melalui templat percakapan model sendiri. Permintaan analisis dokumen yang berguna dapat memberikan kutipan berlabel jelas dan meminta: “Bandingkan kriteria penerimaan dalam dokumen ini. Untuk setiap ketidaksesuaian, kembalikan label dokumen, bagian teks yang relevan, konsekuensi, dan pertanyaan yang perlu kita selesaikan.” Untuk penulisan, berikan fakta sumber dan pembaca yang dituju; untuk kode, sertakan fungsi yang relevan, perilaku yang diharapkan, dan contoh yang membedakan hasil benar. Ini merupakan contoh cara menggunakan kemampuan teksnya, bukan jaminan keluaran yang telah ditentukan.\n\nPanggilan fungsi merupakan fitur Text-01 yang didokumentasikan. Aplikasi menjelaskan fungsi yang tersedia, tujuan, dan parameternya; definisi parameter dinyatakan dengan JSON Schema dan dapat mencakup objek serta larik bertingkat. Model dapat mengidentifikasi bahwa permintaan membutuhkan fungsi eksternal dan mengusulkan namanya dengan argumen terstruktur. Panduan pengembang menjelaskan fungsi kueri cuaca, lalu menunjukkan cara menguraikan panggilan yang diusulkan, menjalankannya di luar model, dan mengembalikan hasil terstruktur ke percakapan.\n\nDengan begitu, tanggung jawab terbagi secara praktis. Model memilih usulan operasi dari deskripsi yang diberikan; aplikasi memutuskan cara memvalidasi dan menjalankannya. Misalnya, asisten dokumen dapat diberi fungsi pencarian dan diminta mengambil bidang produk yang hilang sebelum menyusun penjelasan. Tulis deskripsi parameter secara tepat, tentukan nilai yang wajib ada, dan buat data yang dikembalikan mudah ditafsirkan model. Menyediakan fungsi tidak memaksa panggilan: MiniMax secara tegas menyebutkan bahwa model dapat menilai jawaban biasa lebih sesuai.\n\nText-01 dan MiniMax-VL-01 merupakan rilis terpisah. Rilis kedua menambahkan komponen visual; deskripsi Text-01 ini membahas pemrosesan teks dan alat yang didokumentasikan. Konteks panjang juga membutuhkan persiapan sumber yang cermat: tandai batas dokumen, bedakan materi kutipan dari instruksi, dan minta cara untuk menghubungkan kesimpulan dengan bagian teks yang diberikan. Kartu model tidak menetapkan batas maksimum universal terpisah untuk keluaran yang dibuat, sehingga angka konteks empat juta token tidak boleh dibaca sebagai jatah keluaran. Pilih panjang jawaban yang sesuai dengan tugas, dan validasi pernyataan faktual, bidang yang diambil, serta kode yang dibuat terhadap materi atau pemeriksaan yang Anda berikan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
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 adalah model teks berkonteks panjang untuk analisis dokumen, penulisan, pemrograman, dan alur kerja berbantuan alat. Model ini memadukan perhatian hibrida dengan mixture of experts dan dapat mengusulkan pemanggilan fungsi dengan argumen terstruktur.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
MiniMax-Text-01 adalah model MiniMax yang berfokus pada teks untuk percakapan, tugas bahasa, dan kode. Rancangan konteks panjangnya sangat relevan ketika pertanyaan bergantung pada informasi yang tersebar di kumpulan materi besar: spesifikasi bersama korespondensi, beberapa versi dokumen, atau kumpulan teks referensi yang substansial. Hasilnya berupa teks, termasuk penjelasan, konten tertulis, kode, dan informasi panggilan fungsi.
Arsitekturnya menggabungkan Lightning Attention, Softmax Attention konvensional, dan mixture-of-experts. MiniMax melaporkan total 456 miliar parameter, dengan 45.9 miliar diaktifkan untuk setiap token. Model ini memiliki 80 lapisan dan 32 pakar, menggunakan perutean ke dua pakar teratas; satu lapisan Softmax Attention mengikuti setiap kelompok tujuh lapisan Lightning Attention. Ini merupakan sifat rilis Text-01, bukan pernyataan bahwa setiap model bernama MiniMax menggunakan arsitektur yang sama.
MiniMax melaporkan pelatihan dengan panjang konteks satu juta token dan perluasan inferensi hingga empat juta token. Perbedaan ini penting saat menyiapkan tugas dokumen panjang: panjang pelatihan dan panjang inferensi yang diperluas menjelaskan tahap yang berbeda. Pengembang menguji pemahaman bahasa, kepatuhan terhadap instruksi, penalaran, matematika, pemrograman, dan penggunaan materi referensi panjang. Anggaran permintaan yang tersedia perlu ditentukan untuk konfigurasi eksekusi yang dipilih, sambil menjaga pertanyaan, dokumen pendukung, dan format jawaban yang diperlukan tetap jelas.
Panduan mulai cepat yang dipublikasikan menggunakan percakapan berbasis peran dengan instruksi sistem dan pesan pengguna, diformat melalui templat percakapan model sendiri. Permintaan analisis dokumen yang berguna dapat memberikan kutipan berlabel jelas dan meminta: “Bandingkan kriteria penerimaan dalam dokumen ini. Untuk setiap ketidaksesuaian, kembalikan label dokumen, bagian teks yang relevan, konsekuensi, dan pertanyaan yang perlu kita selesaikan.” Untuk penulisan, berikan fakta sumber dan pembaca yang dituju; untuk kode, sertakan fungsi yang relevan, perilaku yang diharapkan, dan contoh yang membedakan hasil benar. Ini merupakan contoh cara menggunakan kemampuan teksnya, bukan jaminan keluaran yang telah ditentukan.
Panggilan fungsi merupakan fitur Text-01 yang didokumentasikan. Aplikasi menjelaskan fungsi yang tersedia, tujuan, dan parameternya; definisi parameter dinyatakan dengan JSON Schema dan dapat mencakup objek serta larik bertingkat. Model dapat mengidentifikasi bahwa permintaan membutuhkan fungsi eksternal dan mengusulkan namanya dengan argumen terstruktur. Panduan pengembang menjelaskan fungsi kueri cuaca, lalu menunjukkan cara menguraikan panggilan yang diusulkan, menjalankannya di luar model, dan mengembalikan hasil terstruktur ke percakapan.
Dengan begitu, tanggung jawab terbagi secara praktis. Model memilih usulan operasi dari deskripsi yang diberikan; aplikasi memutuskan cara memvalidasi dan menjalankannya. Misalnya, asisten dokumen dapat diberi fungsi pencarian dan diminta mengambil bidang produk yang hilang sebelum menyusun penjelasan. Tulis deskripsi parameter secara tepat, tentukan nilai yang wajib ada, dan buat data yang dikembalikan mudah ditafsirkan model. Menyediakan fungsi tidak memaksa panggilan: MiniMax secara tegas menyebutkan bahwa model dapat menilai jawaban biasa lebih sesuai.
Text-01 dan MiniMax-VL-01 merupakan rilis terpisah. Rilis kedua menambahkan komponen visual; deskripsi Text-01 ini membahas pemrosesan teks dan alat yang didokumentasikan. Konteks panjang juga membutuhkan persiapan sumber yang cermat: tandai batas dokumen, bedakan materi kutipan dari instruksi, dan minta cara untuk menghubungkan kesimpulan dengan bagian teks yang diberikan. Kartu model tidak menetapkan batas maksimum universal terpisah untuk keluaran yang dibuat, sehingga angka konteks empat juta token tidak boleh dibaca sebagai jatah keluaran. Pilih panjang jawaban yang sesuai dengan tugas, dan validasi pernyataan faktual, bidang yang diambil, serta kode yang dibuat terhadap materi atau pemeriksaan yang Anda berikan.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan minimax/minimax-01 | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0004 / 1K token Keluaran · Token keluaran $0.0022 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0004 / 1K token Keluaran · Token keluaran $0.0022 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra minimax/minimax-01
Gunakan jalur metode yang ditampilkan di atas.
minimax/minimax-01MiniMax-Text-01 adalah model teks berkonteks panjang untuk analisis dokumen, penulisan, pemrograman, dan alur kerja berbantuan alat. Model ini memadukan perhatian hibrida dengan mixture of experts dan dapat mengusulkan pemanggilan fungsi dengan argumen terstruktur.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
MiniMax-Text-01 adalah model MiniMax yang berfokus pada teks untuk percakapan, tugas bahasa, dan kode. Rancangan konteks panjangnya sangat relevan ketika pertanyaan bergantung pada informasi yang tersebar di kumpulan materi besar: spesifikasi bersama korespondensi, beberapa versi dokumen, atau kumpulan teks referensi yang substansial. Hasilnya berupa teks, termasuk penjelasan, konten tertulis, kode, dan informasi panggilan fungsi.
Arsitekturnya menggabungkan Lightning Attention, Softmax Attention konvensional, dan mixture-of-experts. MiniMax melaporkan total 456 miliar parameter, dengan 45.9 miliar diaktifkan untuk setiap token. Model ini memiliki 80 lapisan dan 32 pakar, menggunakan perutean ke dua pakar teratas; satu lapisan Softmax Attention mengikuti setiap kelompok tujuh lapisan Lightning Attention. Ini merupakan sifat rilis Text-01, bukan pernyataan bahwa setiap model bernama MiniMax menggunakan arsitektur yang sama.
MiniMax melaporkan pelatihan dengan panjang konteks satu juta token dan perluasan inferensi hingga empat juta token. Perbedaan ini penting saat menyiapkan tugas dokumen panjang: panjang pelatihan dan panjang inferensi yang diperluas menjelaskan tahap yang berbeda. Pengembang menguji pemahaman bahasa, kepatuhan terhadap instruksi, penalaran, matematika, pemrograman, dan penggunaan materi referensi panjang. Anggaran permintaan yang tersedia perlu ditentukan untuk konfigurasi eksekusi yang dipilih, sambil menjaga pertanyaan, dokumen pendukung, dan format jawaban yang diperlukan tetap jelas.
Panduan mulai cepat yang dipublikasikan menggunakan percakapan berbasis peran dengan instruksi sistem dan pesan pengguna, diformat melalui templat percakapan model sendiri. Permintaan analisis dokumen yang berguna dapat memberikan kutipan berlabel jelas dan meminta: “Bandingkan kriteria penerimaan dalam dokumen ini. Untuk setiap ketidaksesuaian, kembalikan label dokumen, bagian teks yang relevan, konsekuensi, dan pertanyaan yang perlu kita selesaikan.” Untuk penulisan, berikan fakta sumber dan pembaca yang dituju; untuk kode, sertakan fungsi yang relevan, perilaku yang diharapkan, dan contoh yang membedakan hasil benar. Ini merupakan contoh cara menggunakan kemampuan teksnya, bukan jaminan keluaran yang telah ditentukan.
Panggilan fungsi merupakan fitur Text-01 yang didokumentasikan. Aplikasi menjelaskan fungsi yang tersedia, tujuan, dan parameternya; definisi parameter dinyatakan dengan JSON Schema dan dapat mencakup objek serta larik bertingkat. Model dapat mengidentifikasi bahwa permintaan membutuhkan fungsi eksternal dan mengusulkan namanya dengan argumen terstruktur. Panduan pengembang menjelaskan fungsi kueri cuaca, lalu menunjukkan cara menguraikan panggilan yang diusulkan, menjalankannya di luar model, dan mengembalikan hasil terstruktur ke percakapan.
Dengan begitu, tanggung jawab terbagi secara praktis. Model memilih usulan operasi dari deskripsi yang diberikan; aplikasi memutuskan cara memvalidasi dan menjalankannya. Misalnya, asisten dokumen dapat diberi fungsi pencarian dan diminta mengambil bidang produk yang hilang sebelum menyusun penjelasan. Tulis deskripsi parameter secara tepat, tentukan nilai yang wajib ada, dan buat data yang dikembalikan mudah ditafsirkan model. Menyediakan fungsi tidak memaksa panggilan: MiniMax secara tegas menyebutkan bahwa model dapat menilai jawaban biasa lebih sesuai.
Text-01 dan MiniMax-VL-01 merupakan rilis terpisah. Rilis kedua menambahkan komponen visual; deskripsi Text-01 ini membahas pemrosesan teks dan alat yang didokumentasikan. Konteks panjang juga membutuhkan persiapan sumber yang cermat: tandai batas dokumen, bedakan materi kutipan dari instruksi, dan minta cara untuk menghubungkan kesimpulan dengan bagian teks yang diberikan. Kartu model tidak menetapkan batas maksimum universal terpisah untuk keluaran yang dibuat, sehingga angka konteks empat juta token tidak boleh dibaca sebagai jatah keluaran. Pilih panjang jawaban yang sesuai dengan tugas, dan validasi pernyataan faktual, bidang yang diambil, serta kode yang dibuat terhadap materi atau pemeriksaan yang Anda berikan.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan minimax/minimax-01 | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0004 / 1K token Keluaran · Token keluaran $0.0022 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0004 / 1K token Keluaran · Token keluaran $0.0022 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "minimax/minimax-01",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra minimax/minimax-01
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
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.