MiniMax-Text-01 is MiniMax’s tekstgerichte model voor gesprekken, taaltaken en code. De opzet voor lange context is vooral relevant wanneer een vraag afhangt van informatie verspreid over een grote verzameling materiaal: een specificatie samen met correspondentie, meerdere versies van een document of een omvangrijke hoeveelheid referentietekst. Het resultaat is tekst, waaronder uitleg, geschreven inhoud, code en informatie over functieaanroepen.
De architectuur combineert Lightning Attention, conventionele Softmax Attention en een mixture of experts. MiniMax vermeldt in totaal 456 miljard parameters, waarvan 45,9 miljard per token worden geactiveerd. Het model heeft 80 lagen en 32 experts en routeert naar de twee best scorende experts; na elke groep van zeven Lightning Attention-lagen volgt een Softmax Attention-laag. Dit zijn eigenschappen van de Text-01-release en geen bewering dat elk model met de naam MiniMax dezelfde architectuur gebruikt.
MiniMax vermeldt training met een contextlengte van één miljoen tokens en uitbreiding tijdens inferentie tot wel vier miljoen tokens. Dat onderscheid is relevant bij de voorbereiding van een taak met lange documenten: de trainingslengte en de uitgebreide inferentielengte beschrijven verschillende fasen. De ontwikkelaar onderzoekt taalbegrip, instructieopvolging, redeneren, wiskunde, programmeren en het gebruik van lang referentiemateriaal. Stel het beschikbare aanvraagbudget vast voor de gekozen uitvoerconfiguratie en houd de vraag, ondersteunende documenten en het vereiste antwoordformaat expliciet.
De gepubliceerde snelstart gebruikt een rolgebonden gesprek met een systeeminstructie en een gebruikersbericht, opgemaakt met de eigen chatsjabloon van het model. Een nuttig verzoek voor documentanalyse kan duidelijk gelabelde fragmenten geven en vragen: “Vergelijk de acceptatiecriteria in deze documenten. Geef bij elke afwijking het documentlabel, de relevante passage, het gevolg en de vraag die we moeten oplossen.” Geef voor schrijven de bronfeiten en de beoogde lezer; voeg voor code de relevante functie, het verwachte gedrag en voorbeelden toe die een correct resultaat onderscheiden. Dit zijn voorbeeldtoepassingen van de tekstmogelijkheden en geen vooraf vastgelegde uitvoergaranties.
Functieaanroepen zijn een gedocumenteerde functie van Text-01. De applicatie beschrijft beschikbare functies, hun doel en parameters; de parameterdefinitie wordt uitgedrukt met JSON Schema en kan geneste objecten en arrays bevatten. Het model kan vaststellen dat een aanvraag een externe functie nodig heeft en de naam daarvan met gestructureerde argumenten voorstellen. De handleiding van de ontwikkelaar werkt een functie voor het opvragen van weergegevens uit en laat daarna zien hoe de voorgestelde aanroep wordt verwerkt, buiten het model wordt uitgevoerd en als gestructureerd resultaat aan het gesprek wordt teruggegeven.
Zo ontstaat een praktische taakverdeling. Het model kiest een voorgestelde handeling uit de aangeleverde beschrijvingen; de applicatie bepaalt hoe die gevalideerd en uitgevoerd wordt. Een documentassistent kan bijvoorbeeld een opzoekfunctie krijgen en worden gevraagd het ontbrekende productveld op te halen voordat hij een uitleg opstelt. Schrijf nauwkeurige parameterbeschrijvingen, benoem vereiste waarden en maak de teruggegeven gegevens gemakkelijk te interpreteren voor het model. Een functie aanbieden dwingt geen aanroep af: MiniMax vermeldt expliciet dat het model een gewoon antwoord geschikter kan vinden.
Text-01 en MiniMax-VL-01 zijn afzonderlijke releases. De tweede voegt visuele onderdelen toe; deze beschrijving van Text-01 betreft tekstverwerking en de gedocumenteerde tools daarvoor. Een lange context vraagt ook om zorgvuldige bronvoorbereiding: markeer documentgrenzen, onderscheid geciteerd materiaal van instructies en vraag om conclusies aan aangeleverde passages te koppelen. De modelkaart stelt geen afzonderlijk universeel maximum voor gegenereerde uitvoer vast, dus het contextaantal van vier miljoen tokens mag niet als uitvoerbudget worden gelezen. Kies een antwoordlengte die bij de taak past en valideer feitelijke uitspraken, geëxtraheerde velden en gegenereerde code aan de hand van het materiaal of de controles die je hebt aangeleverd.
", "aboutText": "MiniMax-Text-01 is MiniMax’s tekstgerichte model voor gesprekken, taaltaken en code. De opzet voor lange context is vooral relevant wanneer een vraag afhangt van informatie verspreid over een grote verzameling materiaal: een specificatie samen met correspondentie, meerdere versies van een document of een omvangrijke hoeveelheid referentietekst. Het resultaat is tekst, waaronder uitleg, geschreven inhoud, code en informatie over functieaanroepen.\n\nDe architectuur combineert Lightning Attention, conventionele Softmax Attention en een mixture of experts. MiniMax vermeldt in totaal 456 miljard parameters, waarvan 45,9 miljard per token worden geactiveerd. Het model heeft 80 lagen en 32 experts en routeert naar de twee best scorende experts; na elke groep van zeven Lightning Attention-lagen volgt een Softmax Attention-laag. Dit zijn eigenschappen van de Text-01-release en geen bewering dat elk model met de naam MiniMax dezelfde architectuur gebruikt.\n\nMiniMax vermeldt training met een contextlengte van één miljoen tokens en uitbreiding tijdens inferentie tot wel vier miljoen tokens. Dat onderscheid is relevant bij de voorbereiding van een taak met lange documenten: de trainingslengte en de uitgebreide inferentielengte beschrijven verschillende fasen. De ontwikkelaar onderzoekt taalbegrip, instructieopvolging, redeneren, wiskunde, programmeren en het gebruik van lang referentiemateriaal. Stel het beschikbare aanvraagbudget vast voor de gekozen uitvoerconfiguratie en houd de vraag, ondersteunende documenten en het vereiste antwoordformaat expliciet.\n\nDe gepubliceerde snelstart gebruikt een rolgebonden gesprek met een systeeminstructie en een gebruikersbericht, opgemaakt met de eigen chatsjabloon van het model. Een nuttig verzoek voor documentanalyse kan duidelijk gelabelde fragmenten geven en vragen: “Vergelijk de acceptatiecriteria in deze documenten. Geef bij elke afwijking het documentlabel, de relevante passage, het gevolg en de vraag die we moeten oplossen.” Geef voor schrijven de bronfeiten en de beoogde lezer; voeg voor code de relevante functie, het verwachte gedrag en voorbeelden toe die een correct resultaat onderscheiden. Dit zijn voorbeeldtoepassingen van de tekstmogelijkheden en geen vooraf vastgelegde uitvoergaranties.\n\nFunctieaanroepen zijn een gedocumenteerde functie van Text-01. De applicatie beschrijft beschikbare functies, hun doel en parameters; de parameterdefinitie wordt uitgedrukt met JSON Schema en kan geneste objecten en arrays bevatten. Het model kan vaststellen dat een aanvraag een externe functie nodig heeft en de naam daarvan met gestructureerde argumenten voorstellen. De handleiding van de ontwikkelaar werkt een functie voor het opvragen van weergegevens uit en laat daarna zien hoe de voorgestelde aanroep wordt verwerkt, buiten het model wordt uitgevoerd en als gestructureerd resultaat aan het gesprek wordt teruggegeven.\n\nZo ontstaat een praktische taakverdeling. Het model kiest een voorgestelde handeling uit de aangeleverde beschrijvingen; de applicatie bepaalt hoe die gevalideerd en uitgevoerd wordt. Een documentassistent kan bijvoorbeeld een opzoekfunctie krijgen en worden gevraagd het ontbrekende productveld op te halen voordat hij een uitleg opstelt. Schrijf nauwkeurige parameterbeschrijvingen, benoem vereiste waarden en maak de teruggegeven gegevens gemakkelijk te interpreteren voor het model. Een functie aanbieden dwingt geen aanroep af: MiniMax vermeldt expliciet dat het model een gewoon antwoord geschikter kan vinden.\n\nText-01 en MiniMax-VL-01 zijn afzonderlijke releases. De tweede voegt visuele onderdelen toe; deze beschrijving van Text-01 betreft tekstverwerking en de gedocumenteerde tools daarvoor. Een lange context vraagt ook om zorgvuldige bronvoorbereiding: markeer documentgrenzen, onderscheid geciteerd materiaal van instructies en vraag om conclusies aan aangeleverde passages te koppelen. De modelkaart stelt geen afzonderlijk universeel maximum voor gegenereerde uitvoer vast, dus het contextaantal van vier miljoen tokens mag niet als uitvoerbudget worden gelezen. Kies een antwoordlengte die bij de taak past en valideer feitelijke uitspraken, geëxtraheerde velden en gegenereerde code aan de hand van het materiaal of de controles die je hebt aangeleverd.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
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 is een tekstmodel met lange context voor documentanalyse, schrijven, programmeren en workflows met tools. Het combineert hybride aandacht met een mixture of experts en kan functieaanroepen met gestructureerde argumenten voorstellen.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
MiniMax-Text-01 is MiniMax’s tekstgerichte model voor gesprekken, taaltaken en code. De opzet voor lange context is vooral relevant wanneer een vraag afhangt van informatie verspreid over een grote verzameling materiaal: een specificatie samen met correspondentie, meerdere versies van een document of een omvangrijke hoeveelheid referentietekst. Het resultaat is tekst, waaronder uitleg, geschreven inhoud, code en informatie over functieaanroepen.
De architectuur combineert Lightning Attention, conventionele Softmax Attention en een mixture of experts. MiniMax vermeldt in totaal 456 miljard parameters, waarvan 45,9 miljard per token worden geactiveerd. Het model heeft 80 lagen en 32 experts en routeert naar de twee best scorende experts; na elke groep van zeven Lightning Attention-lagen volgt een Softmax Attention-laag. Dit zijn eigenschappen van de Text-01-release en geen bewering dat elk model met de naam MiniMax dezelfde architectuur gebruikt.
MiniMax vermeldt training met een contextlengte van één miljoen tokens en uitbreiding tijdens inferentie tot wel vier miljoen tokens. Dat onderscheid is relevant bij de voorbereiding van een taak met lange documenten: de trainingslengte en de uitgebreide inferentielengte beschrijven verschillende fasen. De ontwikkelaar onderzoekt taalbegrip, instructieopvolging, redeneren, wiskunde, programmeren en het gebruik van lang referentiemateriaal. Stel het beschikbare aanvraagbudget vast voor de gekozen uitvoerconfiguratie en houd de vraag, ondersteunende documenten en het vereiste antwoordformaat expliciet.
De gepubliceerde snelstart gebruikt een rolgebonden gesprek met een systeeminstructie en een gebruikersbericht, opgemaakt met de eigen chatsjabloon van het model. Een nuttig verzoek voor documentanalyse kan duidelijk gelabelde fragmenten geven en vragen: “Vergelijk de acceptatiecriteria in deze documenten. Geef bij elke afwijking het documentlabel, de relevante passage, het gevolg en de vraag die we moeten oplossen.” Geef voor schrijven de bronfeiten en de beoogde lezer; voeg voor code de relevante functie, het verwachte gedrag en voorbeelden toe die een correct resultaat onderscheiden. Dit zijn voorbeeldtoepassingen van de tekstmogelijkheden en geen vooraf vastgelegde uitvoergaranties.
Functieaanroepen zijn een gedocumenteerde functie van Text-01. De applicatie beschrijft beschikbare functies, hun doel en parameters; de parameterdefinitie wordt uitgedrukt met JSON Schema en kan geneste objecten en arrays bevatten. Het model kan vaststellen dat een aanvraag een externe functie nodig heeft en de naam daarvan met gestructureerde argumenten voorstellen. De handleiding van de ontwikkelaar werkt een functie voor het opvragen van weergegevens uit en laat daarna zien hoe de voorgestelde aanroep wordt verwerkt, buiten het model wordt uitgevoerd en als gestructureerd resultaat aan het gesprek wordt teruggegeven.
Zo ontstaat een praktische taakverdeling. Het model kiest een voorgestelde handeling uit de aangeleverde beschrijvingen; de applicatie bepaalt hoe die gevalideerd en uitgevoerd wordt. Een documentassistent kan bijvoorbeeld een opzoekfunctie krijgen en worden gevraagd het ontbrekende productveld op te halen voordat hij een uitleg opstelt. Schrijf nauwkeurige parameterbeschrijvingen, benoem vereiste waarden en maak de teruggegeven gegevens gemakkelijk te interpreteren voor het model. Een functie aanbieden dwingt geen aanroep af: MiniMax vermeldt expliciet dat het model een gewoon antwoord geschikter kan vinden.
Text-01 en MiniMax-VL-01 zijn afzonderlijke releases. De tweede voegt visuele onderdelen toe; deze beschrijving van Text-01 betreft tekstverwerking en de gedocumenteerde tools daarvoor. Een lange context vraagt ook om zorgvuldige bronvoorbereiding: markeer documentgrenzen, onderscheid geciteerd materiaal van instructies en vraag om conclusies aan aangeleverde passages te koppelen. De modelkaart stelt geen afzonderlijk universeel maximum voor gegenereerde uitvoer vast, dus het contextaantal van vier miljoen tokens mag niet als uitvoerbudget worden gelezen. Kies een antwoordlengte die bij de taak past en valideer feitelijke uitspraken, geëxtraheerde velden en gegenereerde code aan de hand van het materiaal of de controles die je hebt aangeleverd.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten MiniMax-Text-01 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.000308 / 1K tokens Uitvoer · Uitvoertokens $0.002464 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra MiniMax-Text-01
Gebruik de hierboven getoonde methodepaden.
MiniMax-Text-01MiniMax-Text-01 is een tekstmodel met lange context voor documentanalyse, schrijven, programmeren en workflows met tools. Het combineert hybride aandacht met een mixture of experts en kan functieaanroepen met gestructureerde argumenten voorstellen.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
MiniMax-Text-01 is MiniMax’s tekstgerichte model voor gesprekken, taaltaken en code. De opzet voor lange context is vooral relevant wanneer een vraag afhangt van informatie verspreid over een grote verzameling materiaal: een specificatie samen met correspondentie, meerdere versies van een document of een omvangrijke hoeveelheid referentietekst. Het resultaat is tekst, waaronder uitleg, geschreven inhoud, code en informatie over functieaanroepen.
De architectuur combineert Lightning Attention, conventionele Softmax Attention en een mixture of experts. MiniMax vermeldt in totaal 456 miljard parameters, waarvan 45,9 miljard per token worden geactiveerd. Het model heeft 80 lagen en 32 experts en routeert naar de twee best scorende experts; na elke groep van zeven Lightning Attention-lagen volgt een Softmax Attention-laag. Dit zijn eigenschappen van de Text-01-release en geen bewering dat elk model met de naam MiniMax dezelfde architectuur gebruikt.
MiniMax vermeldt training met een contextlengte van één miljoen tokens en uitbreiding tijdens inferentie tot wel vier miljoen tokens. Dat onderscheid is relevant bij de voorbereiding van een taak met lange documenten: de trainingslengte en de uitgebreide inferentielengte beschrijven verschillende fasen. De ontwikkelaar onderzoekt taalbegrip, instructieopvolging, redeneren, wiskunde, programmeren en het gebruik van lang referentiemateriaal. Stel het beschikbare aanvraagbudget vast voor de gekozen uitvoerconfiguratie en houd de vraag, ondersteunende documenten en het vereiste antwoordformaat expliciet.
De gepubliceerde snelstart gebruikt een rolgebonden gesprek met een systeeminstructie en een gebruikersbericht, opgemaakt met de eigen chatsjabloon van het model. Een nuttig verzoek voor documentanalyse kan duidelijk gelabelde fragmenten geven en vragen: “Vergelijk de acceptatiecriteria in deze documenten. Geef bij elke afwijking het documentlabel, de relevante passage, het gevolg en de vraag die we moeten oplossen.” Geef voor schrijven de bronfeiten en de beoogde lezer; voeg voor code de relevante functie, het verwachte gedrag en voorbeelden toe die een correct resultaat onderscheiden. Dit zijn voorbeeldtoepassingen van de tekstmogelijkheden en geen vooraf vastgelegde uitvoergaranties.
Functieaanroepen zijn een gedocumenteerde functie van Text-01. De applicatie beschrijft beschikbare functies, hun doel en parameters; de parameterdefinitie wordt uitgedrukt met JSON Schema en kan geneste objecten en arrays bevatten. Het model kan vaststellen dat een aanvraag een externe functie nodig heeft en de naam daarvan met gestructureerde argumenten voorstellen. De handleiding van de ontwikkelaar werkt een functie voor het opvragen van weergegevens uit en laat daarna zien hoe de voorgestelde aanroep wordt verwerkt, buiten het model wordt uitgevoerd en als gestructureerd resultaat aan het gesprek wordt teruggegeven.
Zo ontstaat een praktische taakverdeling. Het model kiest een voorgestelde handeling uit de aangeleverde beschrijvingen; de applicatie bepaalt hoe die gevalideerd en uitgevoerd wordt. Een documentassistent kan bijvoorbeeld een opzoekfunctie krijgen en worden gevraagd het ontbrekende productveld op te halen voordat hij een uitleg opstelt. Schrijf nauwkeurige parameterbeschrijvingen, benoem vereiste waarden en maak de teruggegeven gegevens gemakkelijk te interpreteren voor het model. Een functie aanbieden dwingt geen aanroep af: MiniMax vermeldt expliciet dat het model een gewoon antwoord geschikter kan vinden.
Text-01 en MiniMax-VL-01 zijn afzonderlijke releases. De tweede voegt visuele onderdelen toe; deze beschrijving van Text-01 betreft tekstverwerking en de gedocumenteerde tools daarvoor. Een lange context vraagt ook om zorgvuldige bronvoorbereiding: markeer documentgrenzen, onderscheid geciteerd materiaal van instructies en vraag om conclusies aan aangeleverde passages te koppelen. De modelkaart stelt geen afzonderlijk universeel maximum voor gegenereerde uitvoer vast, dus het contextaantal van vier miljoen tokens mag niet als uitvoerbudget worden gelezen. Kies een antwoordlengte die bij de taak past en valideer feitelijke uitspraken, geëxtraheerde velden en gegenereerde code aan de hand van het materiaal of de controles die je hebt aangeleverd.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten MiniMax-Text-01 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.000308 / 1K tokens Uitvoer · Uitvoertokens $0.002464 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "MiniMax-Text-01",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra MiniMax-Text-01
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
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.