MiniMax M2-herは、ロールプレイ、キャラクター会話、物語を進めるやり取り向けの、対話を重視したMiniMaxのテキストモデルです。一般的なコーディングやエージェントを重視するMiniMax M2モデルとは別のプロファイルです。開発元は、一貫した架空世界、能動的な物語進行、利用者の会話上の好みとの整合を軸に開発しています。入出力はテキストで、専用ガイドはテキストと画像の混合入力には対応していません。
開発元の対話形式には、通常のsystem、user、assistantメッセージ以外も含まれます。systemの役割はモデルのアイデンティティ、性格、振る舞いを定義します。user_systemは利用者のキャラクターやペルソナを定義し、groupは状況や会話グループを特定します。複数の人物、異なる知識、特定の関係が物語に含まれる場合は、これらを明確に区別します。
モデルに舞台、キャラクターの動機、変えてはいけない事実を与えます。利用者の行動を誰が決めるか、返信のためにどの選択肢を残すかを説明します。場面指定の例は「記録保管人として続け、確立した謎を保ち、私のキャラクターの反応を決めずに新たな手掛かりを一つ示してください」です。これにより、やり取りの両側を書かせるのではなく、相手に応じた対話を準備できます。
M2-herは、望ましい対話パターンを示すsample_message_userとsample_message_aiメッセージに対応します。開発元は簡潔な例を一つから三つ推奨しています。文体、テンポ、地の文と会話の関係を示すために使い、スタイルを明確にしないままコンテキストを消費する長い例は避けます。例も他のメッセージと同様に入力予算へ算入されます。
MiniMaxの開発方針は、キャラクターの個性、世界の規則、多様な筋の展開、利用者の主体性を重視しています。静かなやり取り、徐々に明かす真相、新たな問題の発生など、必要なら進行速度を示します。修正では、人物像や時系列を崩す正確な台詞や出来事を特定し、場面の残りを保つ修正を求めます。
文書化されたワークフローでは、複数ターンの対話に利用者とアシスタントの完全な履歴を時系列順に含めます。その履歴は、以前の出来事と確立した関係について、次の応答に根拠を与えます。継続する物語を準備する際は、重要な名前と直近の展開を明示します。文脈履歴はモデルに提供するものであり、会話外の無制限な記憶と混同してはいけません。
開発元のロールプレイ研究では、対話合成とオンラインの選好学習により、多様性、連続性、応答性を高めています。これらの学習方法は開発元モデルの説明であり、個々の物語すべてに誤りがないことの保証ではありません。応答が正しい人物に台詞を割り当て、舞台の物理的または架空の規則を守るか確認します。
M2-her専用ガイドは、64Kのコンテキストと最大2,048トークンの生成を記載しています。また、ストリーミング出力と、temperature 1.0、top-p 0.95というサンプリング既定値を文書化しています。会話の一ターンに合う応答長を選びます。長すぎる文章は利用者の次の判断を奪ったり、生成予算によって途中で切れたりする可能性があります。
有用な結果は、提供された設定に合い、次のやり取りを促すキャラクターの返答、物語の文章、続きの場面です。視点、キャラクターの主体性、参照の一貫性、指定した終わり方を確認します。M2-herの名前付きロールプレイ形式と上限は、他のMiniMax言語・視覚・メディアモデルとは別です。
", "aboutText": "MiniMax M2-herは、ロールプレイ、キャラクター会話、物語を進めるやり取り向けの、対話を重視したMiniMaxのテキストモデルです。一般的なコーディングやエージェントを重視するMiniMax M2モデルとは別のプロファイルです。開発元は、一貫した架空世界、能動的な物語進行、利用者の会話上の好みとの整合を軸に開発しています。入出力はテキストで、専用ガイドはテキストと画像の混合入力には対応していません。\n\n### 世界と双方の役割を定義する\n\n開発元の対話形式には、通常のsystem、user、assistantメッセージ以外も含まれます。systemの役割はモデルのアイデンティティ、性格、振る舞いを定義します。user_systemは利用者のキャラクターやペルソナを定義し、groupは状況や会話グループを特定します。複数の人物、異なる知識、特定の関係が物語に含まれる場合は、これらを明確に区別します。\n\nモデルに舞台、キャラクターの動機、変えてはいけない事実を与えます。利用者の行動を誰が決めるか、返信のためにどの選択肢を残すかを説明します。場面指定の例は「記録保管人として続け、確立した謎を保ち、私のキャラクターの反応を決めずに新たな手掛かりを一つ示してください」です。これにより、やり取りの両側を書かせるのではなく、相手に応じた対話を準備できます。\n\n### 例と文体\n\nM2-herは、望ましい対話パターンを示すsample_message_userとsample_message_aiメッセージに対応します。開発元は簡潔な例を一つから三つ推奨しています。文体、テンポ、地の文と会話の関係を示すために使い、スタイルを明確にしないままコンテキストを消費する長い例は避けます。例も他のメッセージと同様に入力予算へ算入されます。\n\nMiniMaxの開発方針は、キャラクターの個性、世界の規則、多様な筋の展開、利用者の主体性を重視しています。静かなやり取り、徐々に明かす真相、新たな問題の発生など、必要なら進行速度を示します。修正では、人物像や時系列を崩す正確な台詞や出来事を特定し、場面の残りを保つ修正を求めます。\n\n### 会話の文脈を維持する\n\n文書化されたワークフローでは、複数ターンの対話に利用者とアシスタントの完全な履歴を時系列順に含めます。その履歴は、以前の出来事と確立した関係について、次の応答に根拠を与えます。継続する物語を準備する際は、重要な名前と直近の展開を明示します。文脈履歴はモデルに提供するものであり、会話外の無制限な記憶と混同してはいけません。\n\n開発元のロールプレイ研究では、対話合成とオンラインの選好学習により、多様性、連続性、応答性を高めています。これらの学習方法は開発元モデルの説明であり、個々の物語すべてに誤りがないことの保証ではありません。応答が正しい人物に台詞を割り当て、舞台の物理的または架空の規則を守るか確認します。\n\n### 上限と得られる文章\n\nM2-her専用ガイドは、64Kのコンテキストと最大2,048トークンの生成を記載しています。また、ストリーミング出力と、temperature 1.0、top-p 0.95というサンプリング既定値を文書化しています。会話の一ターンに合う応答長を選びます。長すぎる文章は利用者の次の判断を奪ったり、生成予算によって途中で切れたりする可能性があります。\n\n有用な結果は、提供された設定に合い、次のやり取りを促すキャラクターの返答、物語の文章、続きの場面です。視点、キャラクターの主体性、参照の一貫性、指定した終わり方を確認します。M2-herの名前付きロールプレイ形式と上限は、他のMiniMax言語・視覚・メディアモデルとは別です。", "editorialOverlay": { "copy_fields": { "practical_html": "英語の技術例
A clue within a consistent fictional world\n\nContinue as caretaker Sol for two or three short replies. In this world, the lighthouse lamp can glow only when its bell is silent. I play a visitor who asks why the dark lamp still feels warm. Offer one clue while preserving the world rule, and end before deciding my character's response or movement.Two or three character replies with a clue, a consistent lamp/bell relationship and room for the player to act.The passage never has the lamp glowing while the bell rings and does not control the visitor.minimax/minimax-m2-herMiniMax M2-herは、キャラクターのロールプレイ、物語を進める対話、複数ターンの会話向けのテキスト専用モデルです。専用の役割形式とサンプルメッセージ形式が対話の双方を形作り、開発元のコンテキストは64K、最大生成は2,048トークンです。
この説明はモデルの機能を紹介するものです。Ailootで利用できる入力、出力、オプションは、選択したメソッドごとに以下に記載されています。
MiniMax M2-herは、ロールプレイ、キャラクター会話、物語を進めるやり取り向けの、対話を重視したMiniMaxのテキストモデルです。一般的なコーディングやエージェントを重視するMiniMax M2モデルとは別のプロファイルです。開発元は、一貫した架空世界、能動的な物語進行、利用者の会話上の好みとの整合を軸に開発しています。入出力はテキストで、専用ガイドはテキストと画像の混合入力には対応していません。
開発元の対話形式には、通常のsystem、user、assistantメッセージ以外も含まれます。systemの役割はモデルのアイデンティティ、性格、振る舞いを定義します。user_systemは利用者のキャラクターやペルソナを定義し、groupは状況や会話グループを特定します。複数の人物、異なる知識、特定の関係が物語に含まれる場合は、これらを明確に区別します。
モデルに舞台、キャラクターの動機、変えてはいけない事実を与えます。利用者の行動を誰が決めるか、返信のためにどの選択肢を残すかを説明します。場面指定の例は「記録保管人として続け、確立した謎を保ち、私のキャラクターの反応を決めずに新たな手掛かりを一つ示してください」です。これにより、やり取りの両側を書かせるのではなく、相手に応じた対話を準備できます。
M2-herは、望ましい対話パターンを示すsample_message_userとsample_message_aiメッセージに対応します。開発元は簡潔な例を一つから三つ推奨しています。文体、テンポ、地の文と会話の関係を示すために使い、スタイルを明確にしないままコンテキストを消費する長い例は避けます。例も他のメッセージと同様に入力予算へ算入されます。
MiniMaxの開発方針は、キャラクターの個性、世界の規則、多様な筋の展開、利用者の主体性を重視しています。静かなやり取り、徐々に明かす真相、新たな問題の発生など、必要なら進行速度を示します。修正では、人物像や時系列を崩す正確な台詞や出来事を特定し、場面の残りを保つ修正を求めます。
文書化されたワークフローでは、複数ターンの対話に利用者とアシスタントの完全な履歴を時系列順に含めます。その履歴は、以前の出来事と確立した関係について、次の応答に根拠を与えます。継続する物語を準備する際は、重要な名前と直近の展開を明示します。文脈履歴はモデルに提供するものであり、会話外の無制限な記憶と混同してはいけません。
開発元のロールプレイ研究では、対話合成とオンラインの選好学習により、多様性、連続性、応答性を高めています。これらの学習方法は開発元モデルの説明であり、個々の物語すべてに誤りがないことの保証ではありません。応答が正しい人物に台詞を割り当て、舞台の物理的または架空の規則を守るか確認します。
M2-her専用ガイドは、64Kのコンテキストと最大2,048トークンの生成を記載しています。また、ストリーミング出力と、temperature 1.0、top-p 0.95というサンプリング既定値を文書化しています。会話の一ターンに合う応答長を選びます。長すぎる文章は利用者の次の判断を奪ったり、生成予算によって途中で切れたりする可能性があります。
有用な結果は、提供された設定に合い、次のやり取りを促すキャラクターの返答、物語の文章、続きの場面です。視点、キャラクターの主体性、参照の一貫性、指定した終わり方を確認します。M2-herの名前付きロールプレイ形式と上限は、他のMiniMax言語・視覚・メディアモデルとは別です。
POST /v1/chat/completionstexttext| フィールド | 種類 | 要件 | 値と制限 | デフォルト |
|---|---|---|---|---|
フィールドmodel | 種類string | 要件必須 | 値と制限 minimax/minimax-m2-her | デフォルト— |
フィールドmessages | 種類message[] | 要件必須 | 値と制限 最小項目数: 1 | デフォルト— |
フィールドmessages[].role | 種類string | 要件必須 | 値と制限 例：system, user, assistant, tool, function 条件: これらのロールはソースコードの互換型で明示されています。正確なロールの集合はモデルごとに異なります。 モデルによる | デフォルト— |
フィールドmessages[].content | 種類string|content_part[]|null | 要件任意 | 値と制限 | デフォルト— |
フィールドmessages[].tool_calls | 種類tool_call[] | 要件任意 | 値と制限 | デフォルト— |
フィールドmessages[].tool_call_id | 種類string | 要件任意 | 値と制限 適用条件: role=tool。実際に返されたIDを使ってください | デフォルト— |
フィールドmessages[].name | 種類string | 要件任意 | 値と制限 | デフォルト— |
フィールドmessages[].reasoning_content | 種類string | 要件任意 | 値と制限 適用条件: このモデルが使用する場合は、実際に返された推論をそのまま次のリクエストへ戻してください | デフォルト— |
フィールドmessages[].reasoning_details | 種類object|array | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドmax_tokens | 種類integer | 要件任意 | 値と制限 最小値: 1 モデルによる | デフォルト— |
フィールドmax_completion_tokens | 種類integer | 要件任意 | 値と制限 最小値: 1 モデルによる | デフォルト— |
フィールドstream | 種類boolean | 要件任意 | 値と制限 | デフォルトfalse |
フィールドstream_options.include_usage | 種類boolean | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドtemperature | 種類number | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドtop_p | 種類number | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドstop | 種類string|string[] | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドtools | 種類function_tool[] | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドtools[].type | 種類string | 要件任意 | 値と制限 function モデルによる | デフォルト— |
フィールドtools[].function.name | 種類string | 要件必須 | 値と制限 適用条件: 関数ツールの指定あり | デフォルト— |
フィールドtools[].function.description | 種類string | 要件任意 | 値と制限 | デフォルト— |
フィールドtools[].function.parameters | 種類JSON_schema | 要件任意 | 値と制限 | デフォルト— |
フィールドtool_choice | 種類string|object | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドparallel_tool_calls | 種類boolean | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドresponse_format | 種類object | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドreasoning_effort | 種類string | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドreasoning | 種類object | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドservice_tier | 種類string | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドinstructions | 種類string | 要件任意 | 値と制限 互換性用のフィールド | デフォルト— |
フィールドfunctions | 種類function[] | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドfunction_call | 種類string|object | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドprompt_cache_options | 種類object | 要件任意 | 値と制限 モデルによる | デフォルト— |
フィールドmodalities | 種類string[] | 要件任意 | 値と制限 text | デフォルト— |
フィールドprovider | 種類object | 要件任意 | 値と制限 条件: このUltraテキストルートではprovider.optionsは拒否されます | デフォルト— |
フィールドcache_control.ttl | 種類string | 要件任意 | 値と制限 条件: 実際のプロンプトキャッシュの指定箇所では1hは拒否されます | デフォルト— |
テキスト · UTF8テキスト
messages[].content
| パラメータ | 仕様 |
|---|---|
パラメータcontent_type | 仕様application/json |
パラメータrequired | 仕様model, messages |
パラメータmaterial_types | 仕様text |
パラメータmessages | 仕様role/content形式のメッセージ配列 |
パラメータfile_material | 仕様実際のUTF-8文書をテキストとしてそのまま挿入します。ファイルIDは推定しません |
パラメータoptional_controls | 仕様stream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
パラメータcontrol_scope | 仕様モデル固有。ユーザーの関数ツールとホスト側のツールは異なります |
パラメータoutput_modalities | 仕様text |
パラメータhosted_operations | 仕様false |
パラメータmultimodal_input_binding | 仕様null |
ライフサイクル: synchronous_or_streamed
正確なモデルIDをmessagesとともに送ってください。
コンテキスト長は出力上限ではありません。
テキストファイルはテキストをそのまま提供できます。画像／音声／ファイルオブジェクトの入力には正確なバインディングが必要です。
料金情報はリクエストの機能を追加しません。対応するパラメーターは選択したメソッドに記載されています。
各料金を表示された条件と照合してください。選択肢となる設定の各組には、いずれか1つの料金を適用します。
| 設定 | 料金表 | コンテキストトークン数が次の値を超える場合 | コンテキストトークン数が次の値以下の場合 | 料金 |
|---|---|---|---|---|
| 設定トークンの基本単価 | 料金表基本料金 | コンテキストトークン数が次の値を超える場合— | コンテキストトークン数が次の値以下の場合上限なし | 料金 入力 · 入力トークン $0.0006 / 1K トークン 出力 · 出力トークン $0.0024 / 1K トークン 入力 · キャッシュ読み取り $0.00006 / 1K トークン 入力 · キャッシュ書き込み — / 1K トークン 入力 · キャッシュ書き込み、1時間 — / 1K トークン |
| 設定リクエスト長に応じた料金区分 1 | 料金表— | コンテキストトークン数が次の値を超える場合0 | コンテキストトークン数が次の値以下の場合上限なし | 料金 入力 · 入力トークン $0.0006 / 1K トークン 出力 · 出力トークン $0.0024 / 1K トークン 入力 · キャッシュ読み取り $0.00006 / 1K トークン 入力 · キャッシュ書き込み — / 1K トークン 入力 · キャッシュ書き込み、1時間 — / 1K トークン |
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax/minimax-m2-her", "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-m2-her',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-m2-her',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またはSSE
返された完全なレスポンス、ファイル、コンテンツ部分をすべて保存してください。
すべての選択肢と、その内容・ツール呼び出し・推論を保持してください。SSEでは選択肢／ツールのインデックスごとに差分を組み立て、最終的な終了理由と使用量を残します。
リクエスト／応答IDとヘッダーを保持してください。テキストジョブを取得する汎用URLは提供されません。
| フィールド | 種類 |
|---|---|
フィールドchoices[].index | 種類integer |
フィールドchoices[].message.content | 種類string|null |
フィールドchoices[].message.tool_calls | 種類tool_call[] |
フィールドchoices[].message.reasoning_content | 種類string |
フィールドchoices[].message.reasoning_details | 種類object|array |
フィールドchoices[].finish_reason | 種類string|null |
フィールドusage | 種類object |
| レスポンス | 条件 | 次の手順 |
|---|---|---|
レスポンス400 · invalid_request_error | 条件必須フィールド、素材の表現形式、またはパラメーター値が不正です | 次の手順新しい生成リクエストを送る前に、指定されたフィールドを修正してください。 |
Ailoot Ultra minimax/minimax-m2-her
上記に表示されたメソッドパスを使用してください。
minimax/minimax-m2-herMiniMax M2-herは、キャラクターのロールプレイ、物語を進める対話、複数ターンの会話向けのテキスト専用モデルです。専用の役割形式とサンプルメッセージ形式が対話の双方を形作り、開発元のコンテキストは64K、最大生成は2,048トークンです。
この説明はモデルの機能を紹介するものです。Ailootで利用できる入力、出力、オプションは、選択したメソッドごとに以下に記載されています。
MiniMax M2-herは、ロールプレイ、キャラクター会話、物語を進めるやり取り向けの、対話を重視したMiniMaxのテキストモデルです。一般的なコーディングやエージェントを重視するMiniMax M2モデルとは別のプロファイルです。開発元は、一貫した架空世界、能動的な物語進行、利用者の会話上の好みとの整合を軸に開発しています。入出力はテキストで、専用ガイドはテキストと画像の混合入力には対応していません。
開発元の対話形式には、通常のsystem、user、assistantメッセージ以外も含まれます。systemの役割はモデルのアイデンティティ、性格、振る舞いを定義します。user_systemは利用者のキャラクターやペルソナを定義し、groupは状況や会話グループを特定します。複数の人物、異なる知識、特定の関係が物語に含まれる場合は、これらを明確に区別します。
モデルに舞台、キャラクターの動機、変えてはいけない事実を与えます。利用者の行動を誰が決めるか、返信のためにどの選択肢を残すかを説明します。場面指定の例は「記録保管人として続け、確立した謎を保ち、私のキャラクターの反応を決めずに新たな手掛かりを一つ示してください」です。これにより、やり取りの両側を書かせるのではなく、相手に応じた対話を準備できます。
M2-herは、望ましい対話パターンを示すsample_message_userとsample_message_aiメッセージに対応します。開発元は簡潔な例を一つから三つ推奨しています。文体、テンポ、地の文と会話の関係を示すために使い、スタイルを明確にしないままコンテキストを消費する長い例は避けます。例も他のメッセージと同様に入力予算へ算入されます。
MiniMaxの開発方針は、キャラクターの個性、世界の規則、多様な筋の展開、利用者の主体性を重視しています。静かなやり取り、徐々に明かす真相、新たな問題の発生など、必要なら進行速度を示します。修正では、人物像や時系列を崩す正確な台詞や出来事を特定し、場面の残りを保つ修正を求めます。
文書化されたワークフローでは、複数ターンの対話に利用者とアシスタントの完全な履歴を時系列順に含めます。その履歴は、以前の出来事と確立した関係について、次の応答に根拠を与えます。継続する物語を準備する際は、重要な名前と直近の展開を明示します。文脈履歴はモデルに提供するものであり、会話外の無制限な記憶と混同してはいけません。
開発元のロールプレイ研究では、対話合成とオンラインの選好学習により、多様性、連続性、応答性を高めています。これらの学習方法は開発元モデルの説明であり、個々の物語すべてに誤りがないことの保証ではありません。応答が正しい人物に台詞を割り当て、舞台の物理的または架空の規則を守るか確認します。
M2-her専用ガイドは、64Kのコンテキストと最大2,048トークンの生成を記載しています。また、ストリーミング出力と、temperature 1.0、top-p 0.95というサンプリング既定値を文書化しています。会話の一ターンに合う応答長を選びます。長すぎる文章は利用者の次の判断を奪ったり、生成予算によって途中で切れたりする可能性があります。
有用な結果は、提供された設定に合い、次のやり取りを促すキャラクターの返答、物語の文章、続きの場面です。視点、キャラクターの主体性、参照の一貫性、指定した終わり方を確認します。M2-herの名前付きロールプレイ形式と上限は、他のMiniMax言語・視覚・メディアモデルとは別です。
POST /v1/messagestextjson, sse| フィールド | 種類 | 要件 | 値と制限 | デフォルト |
|---|---|---|---|---|
フィールドmodel | 種類string | 要件必須 | 値と制限 minimax/minimax-m2-her | デフォルト— |
フィールドmessages | 種類message[] | 要件必須 | 値と制限 | デフォルト— |
フィールドmessages[].role | 種類string | 要件必須 | 値と制限 user, assistant | デフォルト— |
フィールドmessages[].content | 種類string | 要件必須 | 値と制限 | デフォルト— |
フィールドmax_tokens | 種類integer | 要件必須 | 値と制限 | デフォルト— |
フィールドstream | 種類boolean | 要件任意 | 値と制限 | デフォルトfalse |
テキスト · UTF-8テキスト
messages[].contentの文字列
| パラメータ | 仕様 |
|---|---|
パラメータcontent_type | 仕様application/json |
パラメータrequired | 仕様model, messages, max_tokens |
パラメータoptional_controls | 仕様stream |
パラメータmaterial_types | 仕様text |
パラメータtext_file_material | 仕様実際のUTF-8文書を読み、その本文を指定された入力またはメッセージ内容の文字列に入れてください。 |
ライフサイクル: synchronous_or_streamed
料金情報はリクエストの機能を追加しません。対応するパラメーターは選択したメソッドに記載されています。
各料金を表示された条件と照合してください。選択肢となる設定の各組には、いずれか1つの料金を適用します。
| 設定 | 料金表 | コンテキストトークン数が次の値を超える場合 | コンテキストトークン数が次の値以下の場合 | 料金 |
|---|---|---|---|---|
| 設定トークンの基本単価 | 料金表基本料金 | コンテキストトークン数が次の値を超える場合— | コンテキストトークン数が次の値以下の場合上限なし | 料金 入力 · 入力トークン $0.0006 / 1K トークン 出力 · 出力トークン $0.0024 / 1K トークン 入力 · キャッシュ読み取り $0.00006 / 1K トークン 入力 · キャッシュ書き込み — / 1K トークン 入力 · キャッシュ書き込み、1時間 — / 1K トークン |
| 設定リクエスト長に応じた料金区分 1 | 料金表— | コンテキストトークン数が次の値を超える場合0 | コンテキストトークン数が次の値以下の場合上限なし | 料金 入力 · 入力トークン $0.0006 / 1K トークン 出力 · 出力トークン $0.0024 / 1K トークン 入力 · キャッシュ読み取り $0.00006 / 1K トークン 入力 · キャッシュ書き込み — / 1K トークン 入力 · キャッシュ書き込み、1時間 — / 1K トークン |
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
{\n "model": "minimax/minimax-m2-her",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'minimax/minimax-m2-her', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'minimax/minimax-m2-her', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSONまたはSSE
返された完全なレスポンス、ファイル、コンテンツ部分をすべて保存してください。
すべてのコンテンツブロック、思考署名、実際のツール利用IDを保持してください。SSEのすべてのブロック差分を組み立てます。最初のテキストブロックだけでは完全な出力になりません。
リクエスト／応答IDとヘッダーを保持してください。テキストジョブを取得する汎用URLは提供されません。
| フィールド | 種類 |
|---|---|
フィールドid | 種類string |
フィールドmodel | 種類string |
フィールドcontent[] | 種類text|thinking|tool_use|other content block |
フィールドstop_reason | 種類string|null |
フィールドusage | 種類object |
| レスポンス | 条件 | 次の手順 |
|---|---|---|
レスポンス400 · invalid_request_error | 条件必須フィールド、素材の表現形式、またはパラメーター値が不正です | 次の手順新しい生成リクエストを送る前に、指定されたフィールドを修正してください。 |
Ailoot Ultra minimax/minimax-m2-her
上記に表示されたメソッドパスを使用してください。
英語の技術例
A clue within a consistent fictional world\n\nContinue as caretaker Sol for two or three short replies. In this world, the lighthouse lamp can glow only when its bell is silent. I play a visitor who asks why the dark lamp still feels warm. Offer one clue while preserving the world rule, and end before deciding my character's response or movement.Two or three character replies with a clue, a consistent lamp/bell relationship and room for the player to act.The passage never has the lamp glowing while the bell rings and does not control the visitor.