MiniMax-Text-01 er MiniMaxs tekstorienterte modell for samtaler, språkoppgaver og kode. Utformingen for lang kontekst er særlig relevant når et spørsmål avhenger av informasjon fordelt over en stor materialsamling: en spesifikasjon sammen med korrespondanse, flere versjoner av et dokument eller omfattende referansetekst. Resultatet er tekst, inkludert forklaringer, skriftlig innhold, kode og informasjon om funksjonskall.
Arkitekturen kombinerer Lightning Attention, vanlig Softmax Attention og en blanding av eksperter. MiniMax rapporterer totalt 456 milliarder parametere, med 45.9 milliarder aktivert for hvert token. Modellen har 80 lag og 32 eksperter, med ruting til de to beste ekspertene; et Softmax Attention-lag følger hver gruppe på sju Lightning Attention-lag. Dette er egenskaper ved Text-01-utgivelsen, ikke en påstand om at alle modeller med MiniMax-navnet bruker den samme arkitekturen.
MiniMax rapporterer trening med en kontekstlengde på én million tokener og utvidelse ved inferens til så mange som fire millioner tokener. Dette skillet er viktig når en oppgave med lange dokumenter forberedes: treningslengden og den utvidede inferenslengden beskriver forskjellige stadier. Produsenten undersøker språkforståelse, instruksjonsfølging, resonnering, matematikk, koding og bruk av langt referansemateriale. Behandle det tilgjengelige forespørselsbudsjettet som noe som må fastslås for den valgte kjørekonfigurasjonen, mens spørsmålet, støttedokumentene og det påkrevde svarformatet holdes eksplisitte.
Den publiserte hurtigstarten bruker en rollebasert samtale med en systeminstruks og en brukermelding, formatert gjennom modellens egen chatmal. En nyttig dokumentanalyse kan gi tydelig merkede utdrag og spørre: «Sammenlign godkjenningskriteriene i disse dokumentene. For hvert avvik returnerer du dokumentmerket, det relevante avsnittet, konsekvensen og spørsmålet vi må avklare.» For skriving gir du kildefakta og den tiltenkte leseren; for kode inkluderer du relevant funksjon, forventet oppførsel og eksempler som skiller ut et korrekt resultat. Dette er illustrative måter å bruke tekstegenskapene på, ikke forhåndsbestemte resultatgarantier.
Funksjonskall er en dokumentert funksjon i Text-01. Applikasjonen beskriver tilgjengelige funksjoner, formål og parametere; parameterdefinisjonen uttrykkes med JSON Schema og kan inneholde nestede objekter og arrayer. Modellen kan identifisere at en forespørsel trenger en ekstern funksjon og foreslå navnet med strukturerte argumenter. Produsentens veiledning går gjennom en værspørringsfunksjon og viser deretter hvordan det foreslåtte kallet tolkes, utføres utenfor modellen og returneres som et strukturert resultat til samtalen.
Dette gir et praktisk ansvarsskille. Modellen velger en foreslått operasjon fra de oppgitte beskrivelsene; applikasjonen avgjør hvordan den skal valideres og utføres. En dokumentassistent kan for eksempel få en oppslagsfunksjon og bli bedt om å hente det manglende produktfeltet før en forklaring skrives. Lag presise parameterbeskrivelser, identifiser påkrevde verdier og gjør returnerte data enkle for modellen å tolke. Å tilby en funksjon tvinger ikke frem et kall: MiniMax påpeker uttrykkelig at modellen kan vurdere et vanlig svar som mer passende.
Text-01 og MiniMax-VL-01 er separate utgivelser. Den siste legger til visuelle komponenter; denne Text-01-beskrivelsen gjelder tekstbehandling og de dokumenterte verktøyene. Lang kontekst krever også nøye kildeforberedelse: marker dokumentgrenser, skill sitert materiale fra instrukser og be om en måte å knytte konklusjoner til oppgitte avsnitt på. Modellkortet fastsetter ikke et separat universelt maksimum for genererte utdata, så konteksttallet på fire millioner tokener bør ikke leses som en utdatamengde. Velg en svarlengde som passer oppgaven, og valider faktautsagn, uthentede felter og generert kode mot materialet eller kontrollene du har oppgitt.
", "aboutText": "MiniMax-Text-01 er MiniMaxs tekstorienterte modell for samtaler, språkoppgaver og kode. Utformingen for lang kontekst er særlig relevant når et spørsmål avhenger av informasjon fordelt over en stor materialsamling: en spesifikasjon sammen med korrespondanse, flere versjoner av et dokument eller omfattende referansetekst. Resultatet er tekst, inkludert forklaringer, skriftlig innhold, kode og informasjon om funksjonskall.\n\nArkitekturen kombinerer Lightning Attention, vanlig Softmax Attention og en blanding av eksperter. MiniMax rapporterer totalt 456 milliarder parametere, med 45.9 milliarder aktivert for hvert token. Modellen har 80 lag og 32 eksperter, med ruting til de to beste ekspertene; et Softmax Attention-lag følger hver gruppe på sju Lightning Attention-lag. Dette er egenskaper ved Text-01-utgivelsen, ikke en påstand om at alle modeller med MiniMax-navnet bruker den samme arkitekturen.\n\nMiniMax rapporterer trening med en kontekstlengde på én million tokener og utvidelse ved inferens til så mange som fire millioner tokener. Dette skillet er viktig når en oppgave med lange dokumenter forberedes: treningslengden og den utvidede inferenslengden beskriver forskjellige stadier. Produsenten undersøker språkforståelse, instruksjonsfølging, resonnering, matematikk, koding og bruk av langt referansemateriale. Behandle det tilgjengelige forespørselsbudsjettet som noe som må fastslås for den valgte kjørekonfigurasjonen, mens spørsmålet, støttedokumentene og det påkrevde svarformatet holdes eksplisitte.\n\nDen publiserte hurtigstarten bruker en rollebasert samtale med en systeminstruks og en brukermelding, formatert gjennom modellens egen chatmal. En nyttig dokumentanalyse kan gi tydelig merkede utdrag og spørre: «Sammenlign godkjenningskriteriene i disse dokumentene. For hvert avvik returnerer du dokumentmerket, det relevante avsnittet, konsekvensen og spørsmålet vi må avklare.» For skriving gir du kildefakta og den tiltenkte leseren; for kode inkluderer du relevant funksjon, forventet oppførsel og eksempler som skiller ut et korrekt resultat. Dette er illustrative måter å bruke tekstegenskapene på, ikke forhåndsbestemte resultatgarantier.\n\nFunksjonskall er en dokumentert funksjon i Text-01. Applikasjonen beskriver tilgjengelige funksjoner, formål og parametere; parameterdefinisjonen uttrykkes med JSON Schema og kan inneholde nestede objekter og arrayer. Modellen kan identifisere at en forespørsel trenger en ekstern funksjon og foreslå navnet med strukturerte argumenter. Produsentens veiledning går gjennom en værspørringsfunksjon og viser deretter hvordan det foreslåtte kallet tolkes, utføres utenfor modellen og returneres som et strukturert resultat til samtalen.\n\nDette gir et praktisk ansvarsskille. Modellen velger en foreslått operasjon fra de oppgitte beskrivelsene; applikasjonen avgjør hvordan den skal valideres og utføres. En dokumentassistent kan for eksempel få en oppslagsfunksjon og bli bedt om å hente det manglende produktfeltet før en forklaring skrives. Lag presise parameterbeskrivelser, identifiser påkrevde verdier og gjør returnerte data enkle for modellen å tolke. Å tilby en funksjon tvinger ikke frem et kall: MiniMax påpeker uttrykkelig at modellen kan vurdere et vanlig svar som mer passende.\n\nText-01 og MiniMax-VL-01 er separate utgivelser. Den siste legger til visuelle komponenter; denne Text-01-beskrivelsen gjelder tekstbehandling og de dokumenterte verktøyene. Lang kontekst krever også nøye kildeforberedelse: marker dokumentgrenser, skill sitert materiale fra instrukser og be om en måte å knytte konklusjoner til oppgitte avsnitt på. Modellkortet fastsetter ikke et separat universelt maksimum for genererte utdata, så konteksttallet på fire millioner tokener bør ikke leses som en utdatamengde. Velg en svarlengde som passer oppgaven, og valider faktautsagn, uthentede felter og generert kode mot materialet eller kontrollene du har oppgitt.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Reconcile acceptance documents\n\nSpecification S1 says: 'An export is accepted when it contains all active accounts.' Email E1 says: 'Include suspended accounts in the acceptance sample.' Test note T1 says: 'The sample contains only active accounts.' Produce a mismatch record with source labels, practical consequence and one question for the owner. Do not silently choose a new acceptance rule.A source-labeled mismatch record, consequence and clarification question.The record must distinguish the coverage rule from the actual sample rather than declare acceptance achieved.MiniMax-Text-01MiniMax-Text-01 er en tekstmodell med lang kontekst for dokumentanalyse, skriving, koding og verktøystøttede arbeidsflyter. Den kombinerer hybrid oppmerksomhet med en mixture-of-experts-arkitektur og kan foreslå funksjonskall med strukturerte argumenter.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
MiniMax-Text-01 er MiniMaxs tekstorienterte modell for samtaler, språkoppgaver og kode. Utformingen for lang kontekst er særlig relevant når et spørsmål avhenger av informasjon fordelt over en stor materialsamling: en spesifikasjon sammen med korrespondanse, flere versjoner av et dokument eller omfattende referansetekst. Resultatet er tekst, inkludert forklaringer, skriftlig innhold, kode og informasjon om funksjonskall.
Arkitekturen kombinerer Lightning Attention, vanlig Softmax Attention og en blanding av eksperter. MiniMax rapporterer totalt 456 milliarder parametere, med 45.9 milliarder aktivert for hvert token. Modellen har 80 lag og 32 eksperter, med ruting til de to beste ekspertene; et Softmax Attention-lag følger hver gruppe på sju Lightning Attention-lag. Dette er egenskaper ved Text-01-utgivelsen, ikke en påstand om at alle modeller med MiniMax-navnet bruker den samme arkitekturen.
MiniMax rapporterer trening med en kontekstlengde på én million tokener og utvidelse ved inferens til så mange som fire millioner tokener. Dette skillet er viktig når en oppgave med lange dokumenter forberedes: treningslengden og den utvidede inferenslengden beskriver forskjellige stadier. Produsenten undersøker språkforståelse, instruksjonsfølging, resonnering, matematikk, koding og bruk av langt referansemateriale. Behandle det tilgjengelige forespørselsbudsjettet som noe som må fastslås for den valgte kjørekonfigurasjonen, mens spørsmålet, støttedokumentene og det påkrevde svarformatet holdes eksplisitte.
Den publiserte hurtigstarten bruker en rollebasert samtale med en systeminstruks og en brukermelding, formatert gjennom modellens egen chatmal. En nyttig dokumentanalyse kan gi tydelig merkede utdrag og spørre: «Sammenlign godkjenningskriteriene i disse dokumentene. For hvert avvik returnerer du dokumentmerket, det relevante avsnittet, konsekvensen og spørsmålet vi må avklare.» For skriving gir du kildefakta og den tiltenkte leseren; for kode inkluderer du relevant funksjon, forventet oppførsel og eksempler som skiller ut et korrekt resultat. Dette er illustrative måter å bruke tekstegenskapene på, ikke forhåndsbestemte resultatgarantier.
Funksjonskall er en dokumentert funksjon i Text-01. Applikasjonen beskriver tilgjengelige funksjoner, formål og parametere; parameterdefinisjonen uttrykkes med JSON Schema og kan inneholde nestede objekter og arrayer. Modellen kan identifisere at en forespørsel trenger en ekstern funksjon og foreslå navnet med strukturerte argumenter. Produsentens veiledning går gjennom en værspørringsfunksjon og viser deretter hvordan det foreslåtte kallet tolkes, utføres utenfor modellen og returneres som et strukturert resultat til samtalen.
Dette gir et praktisk ansvarsskille. Modellen velger en foreslått operasjon fra de oppgitte beskrivelsene; applikasjonen avgjør hvordan den skal valideres og utføres. En dokumentassistent kan for eksempel få en oppslagsfunksjon og bli bedt om å hente det manglende produktfeltet før en forklaring skrives. Lag presise parameterbeskrivelser, identifiser påkrevde verdier og gjør returnerte data enkle for modellen å tolke. Å tilby en funksjon tvinger ikke frem et kall: MiniMax påpeker uttrykkelig at modellen kan vurdere et vanlig svar som mer passende.
Text-01 og MiniMax-VL-01 er separate utgivelser. Den siste legger til visuelle komponenter; denne Text-01-beskrivelsen gjelder tekstbehandling og de dokumenterte verktøyene. Lang kontekst krever også nøye kildeforberedelse: marker dokumentgrenser, skill sitert materiale fra instrukser og be om en måte å knytte konklusjoner til oppgitte avsnitt på. Modellkortet fastsetter ikke et separat universelt maksimum for genererte utdata, så konteksttallet på fire millioner tokener bør ikke leses som en utdatamengde. Velg en svarlengde som passer oppgaven, og valider faktautsagn, uthentede felter og generert kode mot materialet eller kontrollene du har oppgitt.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser MiniMax-Text-01 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.000308 / 1K tokener Utdata · Utgående tokener $0.002464 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "MiniMax-Text-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-Text-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-Text-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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra MiniMax-Text-01
Bruk metodestiene som vises ovenfor.
MiniMax-Text-01MiniMax-Text-01 er en tekstmodell med lang kontekst for dokumentanalyse, skriving, koding og verktøystøttede arbeidsflyter. Den kombinerer hybrid oppmerksomhet med en mixture-of-experts-arkitektur og kan foreslå funksjonskall med strukturerte argumenter.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
MiniMax-Text-01 er MiniMaxs tekstorienterte modell for samtaler, språkoppgaver og kode. Utformingen for lang kontekst er særlig relevant når et spørsmål avhenger av informasjon fordelt over en stor materialsamling: en spesifikasjon sammen med korrespondanse, flere versjoner av et dokument eller omfattende referansetekst. Resultatet er tekst, inkludert forklaringer, skriftlig innhold, kode og informasjon om funksjonskall.
Arkitekturen kombinerer Lightning Attention, vanlig Softmax Attention og en blanding av eksperter. MiniMax rapporterer totalt 456 milliarder parametere, med 45.9 milliarder aktivert for hvert token. Modellen har 80 lag og 32 eksperter, med ruting til de to beste ekspertene; et Softmax Attention-lag følger hver gruppe på sju Lightning Attention-lag. Dette er egenskaper ved Text-01-utgivelsen, ikke en påstand om at alle modeller med MiniMax-navnet bruker den samme arkitekturen.
MiniMax rapporterer trening med en kontekstlengde på én million tokener og utvidelse ved inferens til så mange som fire millioner tokener. Dette skillet er viktig når en oppgave med lange dokumenter forberedes: treningslengden og den utvidede inferenslengden beskriver forskjellige stadier. Produsenten undersøker språkforståelse, instruksjonsfølging, resonnering, matematikk, koding og bruk av langt referansemateriale. Behandle det tilgjengelige forespørselsbudsjettet som noe som må fastslås for den valgte kjørekonfigurasjonen, mens spørsmålet, støttedokumentene og det påkrevde svarformatet holdes eksplisitte.
Den publiserte hurtigstarten bruker en rollebasert samtale med en systeminstruks og en brukermelding, formatert gjennom modellens egen chatmal. En nyttig dokumentanalyse kan gi tydelig merkede utdrag og spørre: «Sammenlign godkjenningskriteriene i disse dokumentene. For hvert avvik returnerer du dokumentmerket, det relevante avsnittet, konsekvensen og spørsmålet vi må avklare.» For skriving gir du kildefakta og den tiltenkte leseren; for kode inkluderer du relevant funksjon, forventet oppførsel og eksempler som skiller ut et korrekt resultat. Dette er illustrative måter å bruke tekstegenskapene på, ikke forhåndsbestemte resultatgarantier.
Funksjonskall er en dokumentert funksjon i Text-01. Applikasjonen beskriver tilgjengelige funksjoner, formål og parametere; parameterdefinisjonen uttrykkes med JSON Schema og kan inneholde nestede objekter og arrayer. Modellen kan identifisere at en forespørsel trenger en ekstern funksjon og foreslå navnet med strukturerte argumenter. Produsentens veiledning går gjennom en værspørringsfunksjon og viser deretter hvordan det foreslåtte kallet tolkes, utføres utenfor modellen og returneres som et strukturert resultat til samtalen.
Dette gir et praktisk ansvarsskille. Modellen velger en foreslått operasjon fra de oppgitte beskrivelsene; applikasjonen avgjør hvordan den skal valideres og utføres. En dokumentassistent kan for eksempel få en oppslagsfunksjon og bli bedt om å hente det manglende produktfeltet før en forklaring skrives. Lag presise parameterbeskrivelser, identifiser påkrevde verdier og gjør returnerte data enkle for modellen å tolke. Å tilby en funksjon tvinger ikke frem et kall: MiniMax påpeker uttrykkelig at modellen kan vurdere et vanlig svar som mer passende.
Text-01 og MiniMax-VL-01 er separate utgivelser. Den siste legger til visuelle komponenter; denne Text-01-beskrivelsen gjelder tekstbehandling og de dokumenterte verktøyene. Lang kontekst krever også nøye kildeforberedelse: marker dokumentgrenser, skill sitert materiale fra instrukser og be om en måte å knytte konklusjoner til oppgitte avsnitt på. Modellkortet fastsetter ikke et separat universelt maksimum for genererte utdata, så konteksttallet på fire millioner tokener bør ikke leses som en utdatamengde. Velg en svarlengde som passer oppgaven, og valider faktautsagn, uthentede felter og generert kode mot materialet eller kontrollene du har oppgitt.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser MiniMax-Text-01 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.000308 / 1K tokener Utdata · Utgående tokener $0.002464 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "MiniMax-Text-01",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-Text-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-Text-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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra MiniMax-Text-01
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Reconcile acceptance documents\n\nSpecification S1 says: 'An export is accepted when it contains all active accounts.' Email E1 says: 'Include suspended accounts in the acceptance sample.' Test note T1 says: 'The sample contains only active accounts.' Produce a mismatch record with source labels, practical consequence and one question for the owner. Do not silently choose a new acceptance rule.A source-labeled mismatch record, consequence and clarification question.The record must distinguish the coverage rule from the actual sample rather than declare acceptance achieved.