MiniMax M2-her는 역할극, 캐릭터 대화, 이야기 중심 상호작용을 위한 MiniMax의 대화 중심 텍스트 모델입니다. 일반 코딩 및 에이전트 지향 MiniMax M2 모델과는 별도 프로필입니다. 제조사는 일관된 가상 세계, 적극적인 이야기 전개, 사용자의 대화 선호와의 정렬을 중심으로 개발합니다. 입력과 출력은 텍스트이며, 전용 가이드는 텍스트와 이미지의 혼합 입력을 지원하지 않습니다.
제작사의 대화 형식에는 일반적인 system, user, assistant 메시지 외의 요소가 포함됩니다. system 역할은 모델의 정체성, 성격, 행동을 정의합니다. user_system 역할은 사용자의 캐릭터나 페르소나를 정의하고, group은 시나리오나 대화 그룹을 식별합니다. 여러 인물, 서로 다른 지식, 특정 관계가 이야기와 관련되면 이 구분을 명확히 유지하세요.
모델에 배경, 캐릭터의 동기, 계속 참이어야 할 사실을 제공하세요. 사용자의 행동을 누가 통제하는지, 응답을 위해 어떤 선택을 열어 두어야 하는지 설명하세요. 장면 지침의 예시는 “기록관 역할로 계속하고, 확립된 미스터리를 유지하며, 내 캐릭터의 반응을 결정하지 않은 채 새 단서 하나를 제시하세요”입니다. 이는 모델에 상호작용 양측을 모두 쓰도록 하는 대신 반응형 교환을 준비합니다.
M2-her는 원하는 대화 패턴을 보여 주는 sample_message_user와 sample_message_ai 메시지를 지원합니다. 제작사는 간결한 예시 한 개에서 세 개를 권장합니다. 문체, 속도, 서술과 대사의 관계를 확립하는 데 활용하되, 스타일을 명확히 하지 못하면서 컨텍스트만 소모하는 긴 예시는 피하세요. 예시는 다른 메시지처럼 입력 예산에 포함됩니다.
MiniMax의 개발 방향은 캐릭터 정체성, 세계관 규칙, 다양한 플롯 전개, 사용자의 선택권을 강조합니다. 조용한 대화, 점진적인 폭로, 새 갈등처럼 속도가 중요하면 의도한 전개 속도를 명시하세요. 수정에서는 캐릭터나 시간 순서를 깨는 정확한 대사나 사건을 지정하고 나머지 장면을 유지하는 수정을 요청하세요.
문서화된 작업 흐름에는 여러 턴 대화를 위해 시간 순서대로 된 전체 사용자 및 어시스턴트 이력이 포함됩니다. 이 이력은 이전 사건과 확립된 관계에 대한 근거를 다음 응답에 제공합니다. 이어지는 이야기를 준비할 때 핵심 이름과 최근 전개를 명확히 유지하세요. 컨텍스트 이력은 모델에 제공되는 것이며, 대화 밖의 무제한 기억과 혼동해서는 안 됩니다.
제작사의 역할극 연구는 다양성, 연속성, 반응성을 높이기 위해 대화 합성과 온라인 선호 학습을 사용합니다. 이 학습 방법은 제작사 모델을 설명하며 개별 이야기에 오류가 없음을 보장하지 않습니다. 응답이 대사를 올바른 캐릭터에게 배정하고 배경의 물리적 또는 가상 규칙을 지키는지 검토하세요.
전용 M2-her 가이드는 64K 컨텍스트와 2,048토큰의 최대 완료를 명시합니다. 스트리밍 출력과 temperature 1.0, top-p 0.95의 샘플링 기본값도 문서화합니다. 대화 한 턴에 맞는 응답 길이를 선택하세요. 지나치게 긴 문단은 사용자의 다음 결정을 밀어내거나 완료 예산에 의해 잘릴 수 있습니다.
유용한 결과는 제공된 배경에 맞고 다음 상호작용을 유도하는 캐릭터 답장, 서사 문단 또는 이어지는 장면입니다. 시점, 캐릭터의 선택권, 참조 일관성, 요청한 끝맺음을 확인하세요. M2-her의 명명된 역할극 형식과 한도는 다른 MiniMax 언어, 비전, 미디어 모델과 구분해 유지됩니다.
", "aboutText": "MiniMax M2-her는 역할극, 캐릭터 대화, 이야기 중심 상호작용을 위한 MiniMax의 대화 중심 텍스트 모델입니다. 일반 코딩 및 에이전트 지향 MiniMax M2 모델과는 별도 프로필입니다. 제조사는 일관된 가상 세계, 적극적인 이야기 전개, 사용자의 대화 선호와의 정렬을 중심으로 개발합니다. 입력과 출력은 텍스트이며, 전용 가이드는 텍스트와 이미지의 혼합 입력을 지원하지 않습니다.\n\n### 세계관과 양측 역할 정의하기\n\n제작사의 대화 형식에는 일반적인 system, user, assistant 메시지 외의 요소가 포함됩니다. system 역할은 모델의 정체성, 성격, 행동을 정의합니다. user_system 역할은 사용자의 캐릭터나 페르소나를 정의하고, group은 시나리오나 대화 그룹을 식별합니다. 여러 인물, 서로 다른 지식, 특정 관계가 이야기와 관련되면 이 구분을 명확히 유지하세요.\n\n모델에 배경, 캐릭터의 동기, 계속 참이어야 할 사실을 제공하세요. 사용자의 행동을 누가 통제하는지, 응답을 위해 어떤 선택을 열어 두어야 하는지 설명하세요. 장면 지침의 예시는 “기록관 역할로 계속하고, 확립된 미스터리를 유지하며, 내 캐릭터의 반응을 결정하지 않은 채 새 단서 하나를 제시하세요”입니다. 이는 모델에 상호작용 양측을 모두 쓰도록 하는 대신 반응형 교환을 준비합니다.\n\n### 예시와 스타일\n\nM2-her는 원하는 대화 패턴을 보여 주는 sample_message_user와 sample_message_ai 메시지를 지원합니다. 제작사는 간결한 예시 한 개에서 세 개를 권장합니다. 문체, 속도, 서술과 대사의 관계를 확립하는 데 활용하되, 스타일을 명확히 하지 못하면서 컨텍스트만 소모하는 긴 예시는 피하세요. 예시는 다른 메시지처럼 입력 예산에 포함됩니다.\n\nMiniMax의 개발 방향은 캐릭터 정체성, 세계관 규칙, 다양한 플롯 전개, 사용자의 선택권을 강조합니다. 조용한 대화, 점진적인 폭로, 새 갈등처럼 속도가 중요하면 의도한 전개 속도를 명시하세요. 수정에서는 캐릭터나 시간 순서를 깨는 정확한 대사나 사건을 지정하고 나머지 장면을 유지하는 수정을 요청하세요.\n\n### 대화 컨텍스트 유지하기\n\n문서화된 작업 흐름에는 여러 턴 대화를 위해 시간 순서대로 된 전체 사용자 및 어시스턴트 이력이 포함됩니다. 이 이력은 이전 사건과 확립된 관계에 대한 근거를 다음 응답에 제공합니다. 이어지는 이야기를 준비할 때 핵심 이름과 최근 전개를 명확히 유지하세요. 컨텍스트 이력은 모델에 제공되는 것이며, 대화 밖의 무제한 기억과 혼동해서는 안 됩니다.\n\n제작사의 역할극 연구는 다양성, 연속성, 반응성을 높이기 위해 대화 합성과 온라인 선호 학습을 사용합니다. 이 학습 방법은 제작사 모델을 설명하며 개별 이야기에 오류가 없음을 보장하지 않습니다. 응답이 대사를 올바른 캐릭터에게 배정하고 배경의 물리적 또는 가상 규칙을 지키는지 검토하세요.\n\n### 한도와 결과 문단\n\n전용 M2-her 가이드는 64K 컨텍스트와 2,048토큰의 최대 완료를 명시합니다. 스트리밍 출력과 temperature 1.0, top-p 0.95의 샘플링 기본값도 문서화합니다. 대화 한 턴에 맞는 응답 길이를 선택하세요. 지나치게 긴 문단은 사용자의 다음 결정을 밀어내거나 완료 예산에 의해 잘릴 수 있습니다.\n\n유용한 결과는 제공된 배경에 맞고 다음 상호작용을 유도하는 캐릭터 답장, 서사 문단 또는 이어지는 장면입니다. 시점, 캐릭터의 선택권, 참조 일관성, 요청한 끝맺음을 확인하세요. M2-her의 명명된 역할극 형식과 한도는 다른 MiniMax 언어, 비전, 미디어 모델과 구분해 유지됩니다.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f52c9fa2cac281b7bcff8ccdc4b6f8de53718b3b96c3bd2038f44235a6af84ef", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ko", "methods": [ { "html": "M2-herMiniMax M2-her는 캐릭터 역할극, 이야기 중심 대화, 여러 턴 대화를 위한 텍스트 전용 모델입니다. 전용 역할 및 예시 메시지 형식이 상호작용 양측을 구성하며, 제작사 컨텍스트는 64K, 최대 완료는 2,048토큰입니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
MiniMax M2-her는 역할극, 캐릭터 대화, 이야기 중심 상호작용을 위한 MiniMax의 대화 중심 텍스트 모델입니다. 일반 코딩 및 에이전트 지향 MiniMax M2 모델과는 별도 프로필입니다. 제조사는 일관된 가상 세계, 적극적인 이야기 전개, 사용자의 대화 선호와의 정렬을 중심으로 개발합니다. 입력과 출력은 텍스트이며, 전용 가이드는 텍스트와 이미지의 혼합 입력을 지원하지 않습니다.
제작사의 대화 형식에는 일반적인 system, user, assistant 메시지 외의 요소가 포함됩니다. system 역할은 모델의 정체성, 성격, 행동을 정의합니다. user_system 역할은 사용자의 캐릭터나 페르소나를 정의하고, group은 시나리오나 대화 그룹을 식별합니다. 여러 인물, 서로 다른 지식, 특정 관계가 이야기와 관련되면 이 구분을 명확히 유지하세요.
모델에 배경, 캐릭터의 동기, 계속 참이어야 할 사실을 제공하세요. 사용자의 행동을 누가 통제하는지, 응답을 위해 어떤 선택을 열어 두어야 하는지 설명하세요. 장면 지침의 예시는 “기록관 역할로 계속하고, 확립된 미스터리를 유지하며, 내 캐릭터의 반응을 결정하지 않은 채 새 단서 하나를 제시하세요”입니다. 이는 모델에 상호작용 양측을 모두 쓰도록 하는 대신 반응형 교환을 준비합니다.
M2-her는 원하는 대화 패턴을 보여 주는 sample_message_user와 sample_message_ai 메시지를 지원합니다. 제작사는 간결한 예시 한 개에서 세 개를 권장합니다. 문체, 속도, 서술과 대사의 관계를 확립하는 데 활용하되, 스타일을 명확히 하지 못하면서 컨텍스트만 소모하는 긴 예시는 피하세요. 예시는 다른 메시지처럼 입력 예산에 포함됩니다.
MiniMax의 개발 방향은 캐릭터 정체성, 세계관 규칙, 다양한 플롯 전개, 사용자의 선택권을 강조합니다. 조용한 대화, 점진적인 폭로, 새 갈등처럼 속도가 중요하면 의도한 전개 속도를 명시하세요. 수정에서는 캐릭터나 시간 순서를 깨는 정확한 대사나 사건을 지정하고 나머지 장면을 유지하는 수정을 요청하세요.
문서화된 작업 흐름에는 여러 턴 대화를 위해 시간 순서대로 된 전체 사용자 및 어시스턴트 이력이 포함됩니다. 이 이력은 이전 사건과 확립된 관계에 대한 근거를 다음 응답에 제공합니다. 이어지는 이야기를 준비할 때 핵심 이름과 최근 전개를 명확히 유지하세요. 컨텍스트 이력은 모델에 제공되는 것이며, 대화 밖의 무제한 기억과 혼동해서는 안 됩니다.
제작사의 역할극 연구는 다양성, 연속성, 반응성을 높이기 위해 대화 합성과 온라인 선호 학습을 사용합니다. 이 학습 방법은 제작사 모델을 설명하며 개별 이야기에 오류가 없음을 보장하지 않습니다. 응답이 대사를 올바른 캐릭터에게 배정하고 배경의 물리적 또는 가상 규칙을 지키는지 검토하세요.
전용 M2-her 가이드는 64K 컨텍스트와 2,048토큰의 최대 완료를 명시합니다. 스트리밍 출력과 temperature 1.0, top-p 0.95의 샘플링 기본값도 문서화합니다. 대화 한 턴에 맞는 응답 길이를 선택하세요. 지나치게 긴 문단은 사용자의 다음 결정을 밀어내거나 완료 예산에 의해 잘릴 수 있습니다.
유용한 결과는 제공된 배경에 맞고 다음 상호작용을 유도하는 캐릭터 답장, 서사 문단 또는 이어지는 장면입니다. 시점, 캐릭터의 선택권, 참조 일관성, 요청한 끝맺음을 확인하세요. M2-her의 명명된 역할극 형식과 한도는 다른 MiniMax 언어, 비전, 미디어 모델과 구분해 유지됩니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 M2-her | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 모델에 따라 다름 | 기본값— |
필드messages[].content | 유형string | 요건선택 사항 | 값과 한도 적용 조건: 텍스트 대화 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
텍스트 · UTF8 텍스트
messages[].content
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages |
매개변수material_types | 명세text |
매개변수messages | 명세role/content 형식의 메시지 배열 |
매개변수file_material | 명세실제 UTF-8 문서를 텍스트로 그대로 삽입합니다. 파일 ID는 추정하지 않습니다 |
매개변수optional_controls | 명세stream |
매개변수control_scope | 명세텍스트 대화. stream은 불리언이며 기본값은 false입니다. |
매개변수output_modalities | 명세text |
매개변수hosted_operations | 명세false |
매개변수multimodal_input_binding | 명세null |
메서드 별칭: /chat/completions
수명 주기: synchronous_or_streamed
정확한 모델 ID를 messages와 함께 보내세요.
컨텍스트 길이는 출력 상한이 아닙니다.
텍스트 파일은 텍스트를 그대로 제공할 수 있습니다. 이미지/오디오/파일 객체 입력에는 정확한 바인딩이 필요합니다.
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.0006 / 1K 토큰 출력 · 출력 토큰 $0.0024 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"M2-her","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="M2-her", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
각 선택지와 그 콘텐츠·도구 호출·추론을 모두 보존하세요. SSE에서는 선택지/도구 인덱스별로 증분을 조합하고 최종 종료 사유와 사용량을 유지하세요.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드choices[].index | 유형integer |
필드choices[].message.content | 유형string|null |
필드choices[].message.tool_calls | 유형tool_call[] |
필드choices[].message.reasoning_content | 유형string |
필드choices[].message.reasoning_details | 유형object|array |
필드choices[].finish_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra M2-her
/chat/completions
M2-herMiniMax M2-her는 캐릭터 역할극, 이야기 중심 대화, 여러 턴 대화를 위한 텍스트 전용 모델입니다. 전용 역할 및 예시 메시지 형식이 상호작용 양측을 구성하며, 제작사 컨텍스트는 64K, 최대 완료는 2,048토큰입니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
MiniMax M2-her는 역할극, 캐릭터 대화, 이야기 중심 상호작용을 위한 MiniMax의 대화 중심 텍스트 모델입니다. 일반 코딩 및 에이전트 지향 MiniMax M2 모델과는 별도 프로필입니다. 제조사는 일관된 가상 세계, 적극적인 이야기 전개, 사용자의 대화 선호와의 정렬을 중심으로 개발합니다. 입력과 출력은 텍스트이며, 전용 가이드는 텍스트와 이미지의 혼합 입력을 지원하지 않습니다.
제작사의 대화 형식에는 일반적인 system, user, assistant 메시지 외의 요소가 포함됩니다. system 역할은 모델의 정체성, 성격, 행동을 정의합니다. user_system 역할은 사용자의 캐릭터나 페르소나를 정의하고, group은 시나리오나 대화 그룹을 식별합니다. 여러 인물, 서로 다른 지식, 특정 관계가 이야기와 관련되면 이 구분을 명확히 유지하세요.
모델에 배경, 캐릭터의 동기, 계속 참이어야 할 사실을 제공하세요. 사용자의 행동을 누가 통제하는지, 응답을 위해 어떤 선택을 열어 두어야 하는지 설명하세요. 장면 지침의 예시는 “기록관 역할로 계속하고, 확립된 미스터리를 유지하며, 내 캐릭터의 반응을 결정하지 않은 채 새 단서 하나를 제시하세요”입니다. 이는 모델에 상호작용 양측을 모두 쓰도록 하는 대신 반응형 교환을 준비합니다.
M2-her는 원하는 대화 패턴을 보여 주는 sample_message_user와 sample_message_ai 메시지를 지원합니다. 제작사는 간결한 예시 한 개에서 세 개를 권장합니다. 문체, 속도, 서술과 대사의 관계를 확립하는 데 활용하되, 스타일을 명확히 하지 못하면서 컨텍스트만 소모하는 긴 예시는 피하세요. 예시는 다른 메시지처럼 입력 예산에 포함됩니다.
MiniMax의 개발 방향은 캐릭터 정체성, 세계관 규칙, 다양한 플롯 전개, 사용자의 선택권을 강조합니다. 조용한 대화, 점진적인 폭로, 새 갈등처럼 속도가 중요하면 의도한 전개 속도를 명시하세요. 수정에서는 캐릭터나 시간 순서를 깨는 정확한 대사나 사건을 지정하고 나머지 장면을 유지하는 수정을 요청하세요.
문서화된 작업 흐름에는 여러 턴 대화를 위해 시간 순서대로 된 전체 사용자 및 어시스턴트 이력이 포함됩니다. 이 이력은 이전 사건과 확립된 관계에 대한 근거를 다음 응답에 제공합니다. 이어지는 이야기를 준비할 때 핵심 이름과 최근 전개를 명확히 유지하세요. 컨텍스트 이력은 모델에 제공되는 것이며, 대화 밖의 무제한 기억과 혼동해서는 안 됩니다.
제작사의 역할극 연구는 다양성, 연속성, 반응성을 높이기 위해 대화 합성과 온라인 선호 학습을 사용합니다. 이 학습 방법은 제작사 모델을 설명하며 개별 이야기에 오류가 없음을 보장하지 않습니다. 응답이 대사를 올바른 캐릭터에게 배정하고 배경의 물리적 또는 가상 규칙을 지키는지 검토하세요.
전용 M2-her 가이드는 64K 컨텍스트와 2,048토큰의 최대 완료를 명시합니다. 스트리밍 출력과 temperature 1.0, top-p 0.95의 샘플링 기본값도 문서화합니다. 대화 한 턴에 맞는 응답 길이를 선택하세요. 지나치게 긴 문단은 사용자의 다음 결정을 밀어내거나 완료 예산에 의해 잘릴 수 있습니다.
유용한 결과는 제공된 배경에 맞고 다음 상호작용을 유도하는 캐릭터 답장, 서사 문단 또는 이어지는 장면입니다. 시점, 캐릭터의 선택권, 참조 일관성, 요청한 끝맺음을 확인하세요. M2-her의 명명된 역할극 형식과 한도는 다른 MiniMax 언어, 비전, 미디어 모델과 구분해 유지됩니다.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 M2-her | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 user, assistant | 기본값— |
필드messages[].content | 유형string | 요건필수 | 값과 한도 | 기본값— |
필드max_tokens | 유형integer | 요건필수 | 값과 한도 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
텍스트 · UTF-8 텍스트
messages[].content 문자열
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages, max_tokens |
매개변수optional_controls | 명세stream |
매개변수material_types | 명세text |
매개변수text_file_material | 명세실제 UTF-8 문서를 읽고 그 텍스트를 지정된 입력 또는 메시지 콘텐츠 문자열에 넣으세요. |
수명 주기: synchronous_or_streamed
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.0006 / 1K 토큰 출력 · 출력 토큰 $0.0024 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "M2-her",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'M2-her', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'M2-her', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 콘텐츠 블록, 사고 서명, 실제 도구 사용 ID를 보존하세요. 모든 SSE 블록 증분을 조합하세요. 첫 텍스트 블록이 전체 출력은 아닙니다.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드id | 유형string |
필드model | 유형string |
필드content[] | 유형text|thinking|tool_use|other content block |
필드stop_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra M2-her
/chat/completions