MiniMax M2-her ialah model teks MiniMax yang menumpukan dialog untuk lakon peranan, perbualan watak dan interaksi berpandukan cerita. Ini ialah profil berasingan daripada model MiniMax M2 umum yang berorientasikan pengekodan dan ejen. Pengeluar membangunkannya berasaskan dunia fiksyen yang koheren, perkembangan cerita yang aktif dan penjajaran dengan keutamaan perbualan pengguna. Input dan outputnya ialah teks; panduan khusus tidak menyokong input campuran teks-imej.
Format perbualan pengeluar merangkumi lebih daripada mesej system, user dan assistant yang biasa. Peranan system mentakrifkan identiti, personaliti dan tingkah laku model. Peranan user_system mentakrifkan watak atau persona pengguna, manakala group mengenal pasti senario atau kumpulan perbualan. Pastikan perbezaan itu jelas apabila cerita melibatkan beberapa orang, pengetahuan berbeza atau hubungan tertentu.
Berikan model latar, motif watak dan fakta yang mesti kekal benar. Huraikan pihak yang mengawal tindakan pengguna dan pilihan yang perlu dibiarkan terbuka untuk balasan. Contoh taklimat adegan ialah: “Teruskan sebagai penjaga arkib, kekalkan misteri yang telah dibentuk dan tawarkan satu petunjuk baharu tanpa menentukan cara watak saya bertindak balas.” Ini menyediakan pertukaran responsif dan bukannya meminta model menulis kedua-dua sisi interaksi.
M2-her menyokong mesej sample_message_user dan sample_message_ai untuk menunjukkan corak dialog yang dikehendaki. Pembuatnya mengesyorkan satu hingga tiga contoh ringkas. Gunakannya untuk menetapkan suara, rentak dan hubungan naratif dengan dialog, sambil mengelakkan contoh panjang yang menggunakan konteks tanpa menjelaskan gaya. Contoh dikira dalam bajet input seperti mesej lain.
Arah pembangunan MiniMax menekankan identiti watak, peraturan dunia, pergerakan plot yang pelbagai dan kebebasan tindakan pengguna. Nyatakan rentak yang dimaksudkan apabila penting, seperti pertukaran tenang, pendedahan beransur-ansur atau komplikasi baharu. Untuk semakan, kenal pasti baris atau peristiwa tepat yang menyimpang daripada watak atau kronologi dan minta pembetulan yang mengekalkan baki adegan.
Aliran kerja yang didokumenkan merangkumi sejarah lengkap pengguna dan pembantu mengikut urutan kronologi untuk dialog berbilang giliran. Sejarah itu memberikan bukti tentang peristiwa terdahulu dan hubungan yang telah dibentuk kepada respons seterusnya. Nyatakan nama penting dan perkembangan terkini dengan jelas ketika menyediakan cerita yang berterusan. Sejarah konteks dibekalkan kepada model; sejarah itu tidak patut dikelirukan dengan ingatan tanpa had di luar perbualan.
Penyelidikan lakon peranan pembuat menggunakan sintesis dialog dan pembelajaran keutamaan dalam talian untuk meningkatkan kepelbagaian, kesinambungan dan keresponsifan. Kaedah latihan ini menerangkan model pengeluar, bukannya jaminan bahawa setiap cerita individu kekal bebas ralat. Semak sama ada respons mengaitkan dialog dengan watak yang betul dan mematuhi peraturan fizikal atau fiksyen latar.
Panduan khusus M2-her menyenaraikan konteks 64K dan pelengkapan maksimum 2,048 token. Panduan itu turut mendokumenkan output penstriman serta tetapan lalai pensampelan suhu 1.0 dan top-p 0.95. Pilih panjang respons yang sesuai untuk satu giliran perbualan; petikan yang terlalu panjang boleh mengambil alih keputusan pengguna seterusnya atau terpotong oleh bajet pelengkapan.
Hasil yang berguna ialah balasan watak, petikan naratif atau sambungan adegan yang sesuai dengan latar yang diberikan dan mengundang interaksi seterusnya. Semak sudut pandangan, kebebasan tindakan watak, ketekalan rujukan dan pengakhiran yang diminta. Format lakon peranan bernama dan had M2-her kekal berasingan daripada model bahasa, penglihatan dan media MiniMax yang lain.
", "aboutText": "MiniMax M2-her ialah model teks MiniMax yang menumpukan dialog untuk lakon peranan, perbualan watak dan interaksi berpandukan cerita. Ini ialah profil berasingan daripada model MiniMax M2 umum yang berorientasikan pengekodan dan ejen. Pengeluar membangunkannya berasaskan dunia fiksyen yang koheren, perkembangan cerita yang aktif dan penjajaran dengan keutamaan perbualan pengguna. Input dan outputnya ialah teks; panduan khusus tidak menyokong input campuran teks-imej.\n\n### Tetapkan dunia dan kedua-dua peranan\n\nFormat perbualan pengeluar merangkumi lebih daripada mesej system, user dan assistant yang biasa. Peranan system mentakrifkan identiti, personaliti dan tingkah laku model. Peranan user_system mentakrifkan watak atau persona pengguna, manakala group mengenal pasti senario atau kumpulan perbualan. Pastikan perbezaan itu jelas apabila cerita melibatkan beberapa orang, pengetahuan berbeza atau hubungan tertentu.\n\nBerikan model latar, motif watak dan fakta yang mesti kekal benar. Huraikan pihak yang mengawal tindakan pengguna dan pilihan yang perlu dibiarkan terbuka untuk balasan. Contoh taklimat adegan ialah: “Teruskan sebagai penjaga arkib, kekalkan misteri yang telah dibentuk dan tawarkan satu petunjuk baharu tanpa menentukan cara watak saya bertindak balas.” Ini menyediakan pertukaran responsif dan bukannya meminta model menulis kedua-dua sisi interaksi.\n\n### Contoh dan gaya\n\nM2-her menyokong mesej sample_message_user dan sample_message_ai untuk menunjukkan corak dialog yang dikehendaki. Pembuatnya mengesyorkan satu hingga tiga contoh ringkas. Gunakannya untuk menetapkan suara, rentak dan hubungan naratif dengan dialog, sambil mengelakkan contoh panjang yang menggunakan konteks tanpa menjelaskan gaya. Contoh dikira dalam bajet input seperti mesej lain.\n\nArah pembangunan MiniMax menekankan identiti watak, peraturan dunia, pergerakan plot yang pelbagai dan kebebasan tindakan pengguna. Nyatakan rentak yang dimaksudkan apabila penting, seperti pertukaran tenang, pendedahan beransur-ansur atau komplikasi baharu. Untuk semakan, kenal pasti baris atau peristiwa tepat yang menyimpang daripada watak atau kronologi dan minta pembetulan yang mengekalkan baki adegan.\n\n### Kekalkan konteks perbualan\n\nAliran kerja yang didokumenkan merangkumi sejarah lengkap pengguna dan pembantu mengikut urutan kronologi untuk dialog berbilang giliran. Sejarah itu memberikan bukti tentang peristiwa terdahulu dan hubungan yang telah dibentuk kepada respons seterusnya. Nyatakan nama penting dan perkembangan terkini dengan jelas ketika menyediakan cerita yang berterusan. Sejarah konteks dibekalkan kepada model; sejarah itu tidak patut dikelirukan dengan ingatan tanpa had di luar perbualan.\n\nPenyelidikan lakon peranan pembuat menggunakan sintesis dialog dan pembelajaran keutamaan dalam talian untuk meningkatkan kepelbagaian, kesinambungan dan keresponsifan. Kaedah latihan ini menerangkan model pengeluar, bukannya jaminan bahawa setiap cerita individu kekal bebas ralat. Semak sama ada respons mengaitkan dialog dengan watak yang betul dan mematuhi peraturan fizikal atau fiksyen latar.\n\n### Had dan petikan yang terhasil\n\nPanduan khusus M2-her menyenaraikan konteks 64K dan pelengkapan maksimum 2,048 token. Panduan itu turut mendokumenkan output penstriman serta tetapan lalai pensampelan suhu 1.0 dan top-p 0.95. Pilih panjang respons yang sesuai untuk satu giliran perbualan; petikan yang terlalu panjang boleh mengambil alih keputusan pengguna seterusnya atau terpotong oleh bajet pelengkapan.\n\nHasil yang berguna ialah balasan watak, petikan naratif atau sambungan adegan yang sesuai dengan latar yang diberikan dan mengundang interaksi seterusnya. Semak sudut pandangan, kebebasan tindakan watak, ketekalan rujukan dan pengakhiran yang diminta. Format lakon peranan bernama dan had M2-her kekal berasingan daripada model bahasa, penglihatan dan media MiniMax yang lain.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "05b3d98b43d4102448de6e35015f820f6817084fdcb76a05d12bf1cec543d1aa", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "M2-herMiniMax M2-her ialah model teks sahaja untuk lakon peranan watak, dialog berpandukan cerita dan perbualan berbilang giliran. Format peranan dan mesej contoh khususnya membentuk kedua-dua sisi interaksi, dengan konteks pengeluar 64K dan pelengkapan maksimum 2,048 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
MiniMax M2-her ialah model teks MiniMax yang menumpukan dialog untuk lakon peranan, perbualan watak dan interaksi berpandukan cerita. Ini ialah profil berasingan daripada model MiniMax M2 umum yang berorientasikan pengekodan dan ejen. Pengeluar membangunkannya berasaskan dunia fiksyen yang koheren, perkembangan cerita yang aktif dan penjajaran dengan keutamaan perbualan pengguna. Input dan outputnya ialah teks; panduan khusus tidak menyokong input campuran teks-imej.
Format perbualan pengeluar merangkumi lebih daripada mesej system, user dan assistant yang biasa. Peranan system mentakrifkan identiti, personaliti dan tingkah laku model. Peranan user_system mentakrifkan watak atau persona pengguna, manakala group mengenal pasti senario atau kumpulan perbualan. Pastikan perbezaan itu jelas apabila cerita melibatkan beberapa orang, pengetahuan berbeza atau hubungan tertentu.
Berikan model latar, motif watak dan fakta yang mesti kekal benar. Huraikan pihak yang mengawal tindakan pengguna dan pilihan yang perlu dibiarkan terbuka untuk balasan. Contoh taklimat adegan ialah: “Teruskan sebagai penjaga arkib, kekalkan misteri yang telah dibentuk dan tawarkan satu petunjuk baharu tanpa menentukan cara watak saya bertindak balas.” Ini menyediakan pertukaran responsif dan bukannya meminta model menulis kedua-dua sisi interaksi.
M2-her menyokong mesej sample_message_user dan sample_message_ai untuk menunjukkan corak dialog yang dikehendaki. Pembuatnya mengesyorkan satu hingga tiga contoh ringkas. Gunakannya untuk menetapkan suara, rentak dan hubungan naratif dengan dialog, sambil mengelakkan contoh panjang yang menggunakan konteks tanpa menjelaskan gaya. Contoh dikira dalam bajet input seperti mesej lain.
Arah pembangunan MiniMax menekankan identiti watak, peraturan dunia, pergerakan plot yang pelbagai dan kebebasan tindakan pengguna. Nyatakan rentak yang dimaksudkan apabila penting, seperti pertukaran tenang, pendedahan beransur-ansur atau komplikasi baharu. Untuk semakan, kenal pasti baris atau peristiwa tepat yang menyimpang daripada watak atau kronologi dan minta pembetulan yang mengekalkan baki adegan.
Aliran kerja yang didokumenkan merangkumi sejarah lengkap pengguna dan pembantu mengikut urutan kronologi untuk dialog berbilang giliran. Sejarah itu memberikan bukti tentang peristiwa terdahulu dan hubungan yang telah dibentuk kepada respons seterusnya. Nyatakan nama penting dan perkembangan terkini dengan jelas ketika menyediakan cerita yang berterusan. Sejarah konteks dibekalkan kepada model; sejarah itu tidak patut dikelirukan dengan ingatan tanpa had di luar perbualan.
Penyelidikan lakon peranan pembuat menggunakan sintesis dialog dan pembelajaran keutamaan dalam talian untuk meningkatkan kepelbagaian, kesinambungan dan keresponsifan. Kaedah latihan ini menerangkan model pengeluar, bukannya jaminan bahawa setiap cerita individu kekal bebas ralat. Semak sama ada respons mengaitkan dialog dengan watak yang betul dan mematuhi peraturan fizikal atau fiksyen latar.
Panduan khusus M2-her menyenaraikan konteks 64K dan pelengkapan maksimum 2,048 token. Panduan itu turut mendokumenkan output penstriman serta tetapan lalai pensampelan suhu 1.0 dan top-p 0.95. Pilih panjang respons yang sesuai untuk satu giliran perbualan; petikan yang terlalu panjang boleh mengambil alih keputusan pengguna seterusnya atau terpotong oleh bajet pelengkapan.
Hasil yang berguna ialah balasan watak, petikan naratif atau sambungan adegan yang sesuai dengan latar yang diberikan dan mengundang interaksi seterusnya. Semak sudut pandangan, kebebasan tindakan watak, ketekalan rujukan dan pengakhiran yang diminta. Format lakon peranan bernama dan had M2-her kekal berasingan daripada model bahasa, penglihatan dan media MiniMax yang lain.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had M2-her | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Perbualan teks | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream |
Parametercontrol_scope | KontrakPerbualan teks; stream ialah nilai boolean dengan false sebagai lalai. |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Alias kaedah: /chat/completions
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.0006 / 1K token Output · Token output $0.0024 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra M2-her
/chat/completions
M2-herMiniMax M2-her ialah model teks sahaja untuk lakon peranan watak, dialog berpandukan cerita dan perbualan berbilang giliran. Format peranan dan mesej contoh khususnya membentuk kedua-dua sisi interaksi, dengan konteks pengeluar 64K dan pelengkapan maksimum 2,048 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
MiniMax M2-her ialah model teks MiniMax yang menumpukan dialog untuk lakon peranan, perbualan watak dan interaksi berpandukan cerita. Ini ialah profil berasingan daripada model MiniMax M2 umum yang berorientasikan pengekodan dan ejen. Pengeluar membangunkannya berasaskan dunia fiksyen yang koheren, perkembangan cerita yang aktif dan penjajaran dengan keutamaan perbualan pengguna. Input dan outputnya ialah teks; panduan khusus tidak menyokong input campuran teks-imej.
Format perbualan pengeluar merangkumi lebih daripada mesej system, user dan assistant yang biasa. Peranan system mentakrifkan identiti, personaliti dan tingkah laku model. Peranan user_system mentakrifkan watak atau persona pengguna, manakala group mengenal pasti senario atau kumpulan perbualan. Pastikan perbezaan itu jelas apabila cerita melibatkan beberapa orang, pengetahuan berbeza atau hubungan tertentu.
Berikan model latar, motif watak dan fakta yang mesti kekal benar. Huraikan pihak yang mengawal tindakan pengguna dan pilihan yang perlu dibiarkan terbuka untuk balasan. Contoh taklimat adegan ialah: “Teruskan sebagai penjaga arkib, kekalkan misteri yang telah dibentuk dan tawarkan satu petunjuk baharu tanpa menentukan cara watak saya bertindak balas.” Ini menyediakan pertukaran responsif dan bukannya meminta model menulis kedua-dua sisi interaksi.
M2-her menyokong mesej sample_message_user dan sample_message_ai untuk menunjukkan corak dialog yang dikehendaki. Pembuatnya mengesyorkan satu hingga tiga contoh ringkas. Gunakannya untuk menetapkan suara, rentak dan hubungan naratif dengan dialog, sambil mengelakkan contoh panjang yang menggunakan konteks tanpa menjelaskan gaya. Contoh dikira dalam bajet input seperti mesej lain.
Arah pembangunan MiniMax menekankan identiti watak, peraturan dunia, pergerakan plot yang pelbagai dan kebebasan tindakan pengguna. Nyatakan rentak yang dimaksudkan apabila penting, seperti pertukaran tenang, pendedahan beransur-ansur atau komplikasi baharu. Untuk semakan, kenal pasti baris atau peristiwa tepat yang menyimpang daripada watak atau kronologi dan minta pembetulan yang mengekalkan baki adegan.
Aliran kerja yang didokumenkan merangkumi sejarah lengkap pengguna dan pembantu mengikut urutan kronologi untuk dialog berbilang giliran. Sejarah itu memberikan bukti tentang peristiwa terdahulu dan hubungan yang telah dibentuk kepada respons seterusnya. Nyatakan nama penting dan perkembangan terkini dengan jelas ketika menyediakan cerita yang berterusan. Sejarah konteks dibekalkan kepada model; sejarah itu tidak patut dikelirukan dengan ingatan tanpa had di luar perbualan.
Penyelidikan lakon peranan pembuat menggunakan sintesis dialog dan pembelajaran keutamaan dalam talian untuk meningkatkan kepelbagaian, kesinambungan dan keresponsifan. Kaedah latihan ini menerangkan model pengeluar, bukannya jaminan bahawa setiap cerita individu kekal bebas ralat. Semak sama ada respons mengaitkan dialog dengan watak yang betul dan mematuhi peraturan fizikal atau fiksyen latar.
Panduan khusus M2-her menyenaraikan konteks 64K dan pelengkapan maksimum 2,048 token. Panduan itu turut mendokumenkan output penstriman serta tetapan lalai pensampelan suhu 1.0 dan top-p 0.95. Pilih panjang respons yang sesuai untuk satu giliran perbualan; petikan yang terlalu panjang boleh mengambil alih keputusan pengguna seterusnya atau terpotong oleh bajet pelengkapan.
Hasil yang berguna ialah balasan watak, petikan naratif atau sambungan adegan yang sesuai dengan latar yang diberikan dan mengundang interaksi seterusnya. Semak sudut pandangan, kebebasan tindakan watak, ketekalan rujukan dan pengakhiran yang diminta. Format lakon peranan bernama dan had M2-her kekal berasingan daripada model bahasa, penglihatan dan media MiniMax yang lain.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had M2-her | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan 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 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.0006 / 1K token Output · Token output $0.0024 / 1K token Input · Bacaan cache $0 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "M2-her",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra M2-her
/chat/completions