MiniMax M1 80K er MiniMax sin utgave med lengre tenkning av tekstresonneringsmodellen M1. Familien bruker en hybrid mixture-of-experts-arkitektur med lightning attention, avledet fra MiniMax Text-01. Produsenten beskriver trening på matematisk resonnering og programvareutviklingsoppgaver og utgir separate utgaver med tenkebudsjett på 40K og 80K.
Produsenten beskriver innebygd støtte for en kontekst på én million tokener. Utgavenavnet 80K viser til tenkebudsjettet, som er en annen størrelse enn inndatakonteksten eller det endelige brukersynlige svaret. Grensesnittet som brukes for en oppgave i en driftet tjeneste, kan ha egne, lavere arbeidsgrenser, så planlegg forespørselen ut fra den valgte profilen.
For en lengre kildesamling merker du dokumentene og angir spørsmålet de skal besvare. Be om en konklusjon knyttet til relevante avsnitt. For kode identifiserer du oppførselen som skal endres, det berørte området og kontrollene som fastslår resultatet.
Produsenten gir separat veiledning for vanlig assistanse, webutvikling og matematikk. De generelle eksemplene omfatter oppsummering, oversettelse, spørsmål og kreativ skriving. En nyttig prompt definerer målgruppen, kildematerialet og sluttleveransen, slik at svaret forblir konsentrert om oppgaven.
For webutvikling anbefaler produsenten en fullstendig kjørbar HTML-leveranse i én kodeblokk, med HTML og JavaScript samlet, og ber om at koden kontrolleres etter generering. Beskriv kontrollene, dataene og tilstandene siden må støtte. Modellen produserer koden; applikasjonen lagrer og kjører den for å inspisere den rendrede oppførselen.
For matematikk ber veiledningen om en trinnvis løsning og et tydelig sluttsvar. Gi alle betingelsene og definer resultatet som skal fastslås. Behold den foreslåtte løsningen sammen med originalproblemet, slik at argumentet kan undersøkes uavhengig av ordlyden.
Produsenten oppgir funksjonskall: modellen kan identifisere en funksjon som skal brukes, og gi parametere i strukturert form. En omkringliggende applikasjon stiller tilgjengelige funksjoner til rådighet, utfører kallet og returnerer observasjonen. Verktøytilgang og den eksterne handlingen avhenger derfor av den konfigurerte applikasjonen så vel som modellens valg.
Gi hvert verktøy et tydelig formål, og skill den returnerte observasjonen fra brukerens instruksjon. Et senere svar kan dermed bruke det observerte resultatet som grunnlag. Verktøystøtten i tekstmodellen M1 gjør ikke de separate medietjenestene som beskrives andre steder i produsentens økosystem, til en del av dens egen utdatafamilie.
Produsenten anbefaler temperature 1.0 og top_p 0.95 som inferensinnstillinger. Familiebeskrivelsen oppgir 456 milliarder parametere totalt og 45,9 milliarder aktive parametere per token. Hold 80K-utgaven atskilt fra 40K-utgaven når du registrerer en sammenligning, og bruk det faktiske grensesnittets støttede kontroller og arbeidsgrenser for den enkelte forespørselen.
", "aboutText": "MiniMax M1 80K er MiniMax sin utgave med lengre tenkning av tekstresonneringsmodellen M1. Familien bruker en hybrid mixture-of-experts-arkitektur med lightning attention, avledet fra MiniMax Text-01. Produsenten beskriver trening på matematisk resonnering og programvareutviklingsoppgaver og utgir separate utgaver med tenkebudsjett på 40K og 80K.\n\n### Forbered langt materiale rundt et tydelig resultat\n\nProdusenten beskriver innebygd støtte for en kontekst på én million tokener. Utgavenavnet 80K viser til tenkebudsjettet, som er en annen størrelse enn inndatakonteksten eller det endelige brukersynlige svaret. Grensesnittet som brukes for en oppgave i en driftet tjeneste, kan ha egne, lavere arbeidsgrenser, så planlegg forespørselen ut fra den valgte profilen.\n\nFor en lengre kildesamling merker du dokumentene og angir spørsmålet de skal besvare. Be om en konklusjon knyttet til relevante avsnitt. For kode identifiserer du oppførselen som skal endres, det berørte området og kontrollene som fastslår resultatet.\n\n### Bruk den oppgavespesifikke promptveiledningen\n\nProdusenten gir separat veiledning for vanlig assistanse, webutvikling og matematikk. De generelle eksemplene omfatter oppsummering, oversettelse, spørsmål og kreativ skriving. En nyttig prompt definerer målgruppen, kildematerialet og sluttleveransen, slik at svaret forblir konsentrert om oppgaven.\n\nFor webutvikling anbefaler produsenten en fullstendig kjørbar HTML-leveranse i én kodeblokk, med HTML og JavaScript samlet, og ber om at koden kontrolleres etter generering. Beskriv kontrollene, dataene og tilstandene siden må støtte. Modellen produserer koden; applikasjonen lagrer og kjører den for å inspisere den rendrede oppførselen.\n\nFor matematikk ber veiledningen om en trinnvis løsning og et tydelig sluttsvar. Gi alle betingelsene og definer resultatet som skal fastslås. Behold den foreslåtte løsningen sammen med originalproblemet, slik at argumentet kan undersøkes uavhengig av ordlyden.\n\n### Funksjonskall og faktisk utførelse\n\nProdusenten oppgir funksjonskall: modellen kan identifisere en funksjon som skal brukes, og gi parametere i strukturert form. En omkringliggende applikasjon stiller tilgjengelige funksjoner til rådighet, utfører kallet og returnerer observasjonen. Verktøytilgang og den eksterne handlingen avhenger derfor av den konfigurerte applikasjonen så vel som modellens valg.\n\nGi hvert verktøy et tydelig formål, og skill den returnerte observasjonen fra brukerens instruksjon. Et senere svar kan dermed bruke det observerte resultatet som grunnlag. Verktøystøtten i tekstmodellen M1 gjør ikke de separate medietjenestene som beskrives andre steder i produsentens økosystem, til en del av dens egen utdatafamilie.\n\n### Bevar utgaven og innstillingene\n\nProdusenten anbefaler temperature 1.0 og top_p 0.95 som inferensinnstillinger. Familiebeskrivelsen oppgir 456 milliarder parametere totalt og 45,9 milliarder aktive parametere per token. Hold 80K-utgaven atskilt fra 40K-utgaven når du registrerer en sammenligning, og bruk det faktiske grensesnittets støttede kontroller og arbeidsgrenser for den enkelte forespørselen.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Build a bounded packing calculator\n\nReturn one runnable HTML code block for a packing calculator. Inputs: item count and box capacity, both positive whole numbers. Show the number of boxes needed, rounding upward. Provide a visible validation message for invalid inputs and a reset control. Include HTML, CSS and JavaScript together, then list checks for 10 items at capacity 4 and an empty input.A complete single-file HTML artifact and a short behavior-check list, without a claim that it was run.Check ceiling division, invalid-input feedback and reset behavior in the returned code before running it.MiniMaxAI/MiniMax-M1-80kMiniMax M1 80K er en tekstresonneringsmodell med åpne vekter for lange inndata, programvareoppgaver og matematikk. Produsenten skiller utgaven med tenkebudsjett på 80K fra 40K-utgaven og publiserer oppgavespesifikk promptveiledning.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
MiniMax M1 80K er MiniMax sin utgave med lengre tenkning av tekstresonneringsmodellen M1. Familien bruker en hybrid mixture-of-experts-arkitektur med lightning attention, avledet fra MiniMax Text-01. Produsenten beskriver trening på matematisk resonnering og programvareutviklingsoppgaver og utgir separate utgaver med tenkebudsjett på 40K og 80K.
Produsenten beskriver innebygd støtte for en kontekst på én million tokener. Utgavenavnet 80K viser til tenkebudsjettet, som er en annen størrelse enn inndatakonteksten eller det endelige brukersynlige svaret. Grensesnittet som brukes for en oppgave i en driftet tjeneste, kan ha egne, lavere arbeidsgrenser, så planlegg forespørselen ut fra den valgte profilen.
For en lengre kildesamling merker du dokumentene og angir spørsmålet de skal besvare. Be om en konklusjon knyttet til relevante avsnitt. For kode identifiserer du oppførselen som skal endres, det berørte området og kontrollene som fastslår resultatet.
Produsenten gir separat veiledning for vanlig assistanse, webutvikling og matematikk. De generelle eksemplene omfatter oppsummering, oversettelse, spørsmål og kreativ skriving. En nyttig prompt definerer målgruppen, kildematerialet og sluttleveransen, slik at svaret forblir konsentrert om oppgaven.
For webutvikling anbefaler produsenten en fullstendig kjørbar HTML-leveranse i én kodeblokk, med HTML og JavaScript samlet, og ber om at koden kontrolleres etter generering. Beskriv kontrollene, dataene og tilstandene siden må støtte. Modellen produserer koden; applikasjonen lagrer og kjører den for å inspisere den rendrede oppførselen.
For matematikk ber veiledningen om en trinnvis løsning og et tydelig sluttsvar. Gi alle betingelsene og definer resultatet som skal fastslås. Behold den foreslåtte løsningen sammen med originalproblemet, slik at argumentet kan undersøkes uavhengig av ordlyden.
Produsenten oppgir funksjonskall: modellen kan identifisere en funksjon som skal brukes, og gi parametere i strukturert form. En omkringliggende applikasjon stiller tilgjengelige funksjoner til rådighet, utfører kallet og returnerer observasjonen. Verktøytilgang og den eksterne handlingen avhenger derfor av den konfigurerte applikasjonen så vel som modellens valg.
Gi hvert verktøy et tydelig formål, og skill den returnerte observasjonen fra brukerens instruksjon. Et senere svar kan dermed bruke det observerte resultatet som grunnlag. Verktøystøtten i tekstmodellen M1 gjør ikke de separate medietjenestene som beskrives andre steder i produsentens økosystem, til en del av dens egen utdatafamilie.
Produsenten anbefaler temperature 1.0 og top_p 0.95 som inferensinnstillinger. Familiebeskrivelsen oppgir 456 milliarder parametere totalt og 45,9 milliarder aktive parametere per token. Hold 80K-utgaven atskilt fra 40K-utgaven når du registrerer en sammenligning, og bruk det faktiske grensesnittets støttede kontroller og arbeidsgrenser for den enkelte forespørselen.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser MiniMaxAI/MiniMax-M1-80k | 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 $0.00114 / 1K tokener Utdata · Utgående tokener $0.00456 / 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": "MiniMaxAI/MiniMax-M1-80k", "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='MiniMaxAI/MiniMax-M1-80k',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='MiniMaxAI/MiniMax-M1-80k',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 MiniMaxAI/MiniMax-M1-80k
Bruk metodestiene som vises ovenfor.
MiniMaxAI/MiniMax-M1-80kMiniMax M1 80K er en tekstresonneringsmodell med åpne vekter for lange inndata, programvareoppgaver og matematikk. Produsenten skiller utgaven med tenkebudsjett på 80K fra 40K-utgaven og publiserer oppgavespesifikk promptveiledning.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
MiniMax M1 80K er MiniMax sin utgave med lengre tenkning av tekstresonneringsmodellen M1. Familien bruker en hybrid mixture-of-experts-arkitektur med lightning attention, avledet fra MiniMax Text-01. Produsenten beskriver trening på matematisk resonnering og programvareutviklingsoppgaver og utgir separate utgaver med tenkebudsjett på 40K og 80K.
Produsenten beskriver innebygd støtte for en kontekst på én million tokener. Utgavenavnet 80K viser til tenkebudsjettet, som er en annen størrelse enn inndatakonteksten eller det endelige brukersynlige svaret. Grensesnittet som brukes for en oppgave i en driftet tjeneste, kan ha egne, lavere arbeidsgrenser, så planlegg forespørselen ut fra den valgte profilen.
For en lengre kildesamling merker du dokumentene og angir spørsmålet de skal besvare. Be om en konklusjon knyttet til relevante avsnitt. For kode identifiserer du oppførselen som skal endres, det berørte området og kontrollene som fastslår resultatet.
Produsenten gir separat veiledning for vanlig assistanse, webutvikling og matematikk. De generelle eksemplene omfatter oppsummering, oversettelse, spørsmål og kreativ skriving. En nyttig prompt definerer målgruppen, kildematerialet og sluttleveransen, slik at svaret forblir konsentrert om oppgaven.
For webutvikling anbefaler produsenten en fullstendig kjørbar HTML-leveranse i én kodeblokk, med HTML og JavaScript samlet, og ber om at koden kontrolleres etter generering. Beskriv kontrollene, dataene og tilstandene siden må støtte. Modellen produserer koden; applikasjonen lagrer og kjører den for å inspisere den rendrede oppførselen.
For matematikk ber veiledningen om en trinnvis løsning og et tydelig sluttsvar. Gi alle betingelsene og definer resultatet som skal fastslås. Behold den foreslåtte løsningen sammen med originalproblemet, slik at argumentet kan undersøkes uavhengig av ordlyden.
Produsenten oppgir funksjonskall: modellen kan identifisere en funksjon som skal brukes, og gi parametere i strukturert form. En omkringliggende applikasjon stiller tilgjengelige funksjoner til rådighet, utfører kallet og returnerer observasjonen. Verktøytilgang og den eksterne handlingen avhenger derfor av den konfigurerte applikasjonen så vel som modellens valg.
Gi hvert verktøy et tydelig formål, og skill den returnerte observasjonen fra brukerens instruksjon. Et senere svar kan dermed bruke det observerte resultatet som grunnlag. Verktøystøtten i tekstmodellen M1 gjør ikke de separate medietjenestene som beskrives andre steder i produsentens økosystem, til en del av dens egen utdatafamilie.
Produsenten anbefaler temperature 1.0 og top_p 0.95 som inferensinnstillinger. Familiebeskrivelsen oppgir 456 milliarder parametere totalt og 45,9 milliarder aktive parametere per token. Hold 80K-utgaven atskilt fra 40K-utgaven når du registrerer en sammenligning, og bruk det faktiske grensesnittets støttede kontroller og arbeidsgrenser for den enkelte forespørselen.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser MiniMaxAI/MiniMax-M1-80k | 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 $0.00114 / 1K tokener Utdata · Utgående tokener $0.00456 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "MiniMaxAI/MiniMax-M1-80k",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'MiniMaxAI/MiniMax-M1-80k', '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': 'MiniMaxAI/MiniMax-M1-80k', '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 MiniMaxAI/MiniMax-M1-80k
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Build a bounded packing calculator\n\nReturn one runnable HTML code block for a packing calculator. Inputs: item count and box capacity, both positive whole numbers. Show the number of boxes needed, rounding upward. Provide a visible validation message for invalid inputs and a reset control. Include HTML, CSS and JavaScript together, then list checks for 10 items at capacity 4 and an empty input.A complete single-file HTML artifact and a short behavior-check list, without a claim that it was run.Check ceiling division, invalid-input feedback and reset behavior in the returned code before running it.