MiniMax-Text-01 är MiniMaxs textinriktade modell för konversationer, språkuppgifter och kod. Dess långkontextdesign är särskilt relevant när en fråga beror på information spridd över en stor materialsamling: en specifikation tillsammans med korrespondens, flera versioner av ett dokument eller omfattande referenstext. Resultatet är text, inklusive förklaringar, skrivet innehåll, kod och information om funktionsanrop.
Arkitekturen kombinerar Lightning Attention, konventionell Softmax Attention och en expertblandning. MiniMax rapporterar 456 miljarder parametrar totalt, med 45.9 miljarder aktiverade för varje token. Modellen har 80 lager och 32 experter och dirigerar till de två främsta experterna; ett Softmax Attention-lager följer efter varje grupp med sju Lightning Attention-lager. Detta är egenskaper hos Text-01-utgåvan, inte ett påstående om att varje modell med namnet MiniMax använder samma arkitektur.
MiniMax rapporterar träning med en kontextlängd på en miljon token och inferensutökning till så många som fyra miljoner token. Skillnaden är viktig när en uppgift med långa dokument förbereds: träningslängden och den utökade inferenslängden beskriver olika stadier. Tillverkaren undersöker språkförståelse, instruktionsföljande, resonemang, matematik, kodning och användning av långt referensmaterial. Behandla den tillgängliga förfrågningsbudgeten som något som ska fastställas för den valda körkonfigurationen och håll frågan, stöddokumenten och det nödvändiga svarsformatet tydliga.
Den publicerade snabbstarten använder en rollbaserad konversation med en systeminstruktion och ett användarmeddelande, formaterad genom modellens egen chattmall. En användbar dokumentanalys kan tillhandahålla tydligt märkta utdrag och fråga: ”Jämför acceptanskriterierna i dessa dokument. För varje avvikelse returnerar du dokumentmärkningen, det relevanta avsnittet, konsekvensen och frågan vi behöver lösa.” För skrivande ger du källfakta och avsedd läsare; för kod inkluderar du relevant funktion, förväntat beteende och exempel som skiljer ut ett korrekt resultat. Detta är illustrativa sätt att använda textförmågorna snarare än förutbestämda utdatagarantier.
Funktionsanrop är en dokumenterad egenskap hos Text-01. Applikationen beskriver tillgängliga funktioner, deras syfte och parametrar; parameterdefinitionen uttrycks med JSON Schema och kan innehålla nästlade objekt och arrayer. Modellen kan identifiera att en förfrågan behöver en extern funktion och föreslå dess namn med strukturerade argument. Tillverkarens guide går igenom en väderfrågefunktion och visar sedan hur det föreslagna anropet tolkas, körs utanför modellen och hur ett strukturerat resultat returneras till konversationen.
Det ger en praktisk ansvarsfördelning. Modellen väljer en föreslagen operation från de tillhandahållna beskrivningarna; applikationen avgör hur den ska valideras och genomföras. En dokumentassistent kan exempelvis ges en uppslagsfunktion och ombes hämta ett saknat produktfält innan en förklaring skrivs. Skriv precisa parameterbeskrivningar, identifiera obligatoriska värden och gör returnerade data lätta för modellen att tolka. Att tillhandahålla en funktion tvingar inte fram ett anrop: MiniMax noterar uttryckligen att modellen kan bedöma ett vanligt svar som lämpligare.
Text-01 och MiniMax-VL-01 är separata utgåvor. Den senare lägger till visuella komponenter; denna Text-01-beskrivning gäller textbearbetning och dess dokumenterade verktyg. Lång kontext kräver också noggrann källförberedelse: märk dokumentgränser, skilj citerat material från instruktioner och begär ett sätt att koppla slutsatser till tillhandahållna avsnitt. Modellkortet fastställer inget separat universellt maximum för genererade utdata, så kontextsiffran på fyra miljoner token bör inte läsas som ett utdatutrymme. Välj en svarslängd som passar uppgiften och validera faktapåståenden, extraherade fält och genererad kod mot materialet eller kontrollerna du har tillhandahållit.
", "aboutText": "MiniMax-Text-01 är MiniMaxs textinriktade modell för konversationer, språkuppgifter och kod. Dess långkontextdesign är särskilt relevant när en fråga beror på information spridd över en stor materialsamling: en specifikation tillsammans med korrespondens, flera versioner av ett dokument eller omfattande referenstext. Resultatet är text, inklusive förklaringar, skrivet innehåll, kod och information om funktionsanrop.\n\nArkitekturen kombinerar Lightning Attention, konventionell Softmax Attention och en expertblandning. MiniMax rapporterar 456 miljarder parametrar totalt, med 45.9 miljarder aktiverade för varje token. Modellen har 80 lager och 32 experter och dirigerar till de två främsta experterna; ett Softmax Attention-lager följer efter varje grupp med sju Lightning Attention-lager. Detta är egenskaper hos Text-01-utgåvan, inte ett påstående om att varje modell med namnet MiniMax använder samma arkitektur.\n\nMiniMax rapporterar träning med en kontextlängd på en miljon token och inferensutökning till så många som fyra miljoner token. Skillnaden är viktig när en uppgift med långa dokument förbereds: träningslängden och den utökade inferenslängden beskriver olika stadier. Tillverkaren undersöker språkförståelse, instruktionsföljande, resonemang, matematik, kodning och användning av långt referensmaterial. Behandla den tillgängliga förfrågningsbudgeten som något som ska fastställas för den valda körkonfigurationen och håll frågan, stöddokumenten och det nödvändiga svarsformatet tydliga.\n\nDen publicerade snabbstarten använder en rollbaserad konversation med en systeminstruktion och ett användarmeddelande, formaterad genom modellens egen chattmall. En användbar dokumentanalys kan tillhandahålla tydligt märkta utdrag och fråga: ”Jämför acceptanskriterierna i dessa dokument. För varje avvikelse returnerar du dokumentmärkningen, det relevanta avsnittet, konsekvensen och frågan vi behöver lösa.” För skrivande ger du källfakta och avsedd läsare; för kod inkluderar du relevant funktion, förväntat beteende och exempel som skiljer ut ett korrekt resultat. Detta är illustrativa sätt att använda textförmågorna snarare än förutbestämda utdatagarantier.\n\nFunktionsanrop är en dokumenterad egenskap hos Text-01. Applikationen beskriver tillgängliga funktioner, deras syfte och parametrar; parameterdefinitionen uttrycks med JSON Schema och kan innehålla nästlade objekt och arrayer. Modellen kan identifiera att en förfrågan behöver en extern funktion och föreslå dess namn med strukturerade argument. Tillverkarens guide går igenom en väderfrågefunktion och visar sedan hur det föreslagna anropet tolkas, körs utanför modellen och hur ett strukturerat resultat returneras till konversationen.\n\nDet ger en praktisk ansvarsfördelning. Modellen väljer en föreslagen operation från de tillhandahållna beskrivningarna; applikationen avgör hur den ska valideras och genomföras. En dokumentassistent kan exempelvis ges en uppslagsfunktion och ombes hämta ett saknat produktfält innan en förklaring skrivs. Skriv precisa parameterbeskrivningar, identifiera obligatoriska värden och gör returnerade data lätta för modellen att tolka. Att tillhandahålla en funktion tvingar inte fram ett anrop: MiniMax noterar uttryckligen att modellen kan bedöma ett vanligt svar som lämpligare.\n\nText-01 och MiniMax-VL-01 är separata utgåvor. Den senare lägger till visuella komponenter; denna Text-01-beskrivning gäller textbearbetning och dess dokumenterade verktyg. Lång kontext kräver också noggrann källförberedelse: märk dokumentgränser, skilj citerat material från instruktioner och begär ett sätt att koppla slutsatser till tillhandahållna avsnitt. Modellkortet fastställer inget separat universellt maximum för genererade utdata, så kontextsiffran på fyra miljoner token bör inte läsas som ett utdatutrymme. Välj en svarslängd som passar uppgiften och validera faktapåståenden, extraherade fält och genererad kod mot materialet eller kontrollerna du har tillhandahållit.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Compare acceptance criteria across drafts\n\nCompare draft A: the report must include totals by region and a CSV export. Draft B: the report must include totals by product and a PDF export. Email from the owner: regional totals remain required; export format is undecided. Produce a mismatch table and a reconciled requirement note with the unresolved choice visible.A source-labelled mismatch table and a current requirement note distinguishing confirmed requirements from the export decision.Check that regional totals are retained and that neither CSV nor PDF is declared approved without evidence.minimax/minimax-01MiniMax-Text-01 är en textmodell med lång kontext för dokumentanalys, skrivande, kodning och verktygsstödda arbetsflöden. Den förenar hybriduppmärksamhet med mixture-of-experts-arkitektur och kan föreslå funktionsanrop med strukturerade argument.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
MiniMax-Text-01 är MiniMaxs textinriktade modell för konversationer, språkuppgifter och kod. Dess långkontextdesign är särskilt relevant när en fråga beror på information spridd över en stor materialsamling: en specifikation tillsammans med korrespondens, flera versioner av ett dokument eller omfattande referenstext. Resultatet är text, inklusive förklaringar, skrivet innehåll, kod och information om funktionsanrop.
Arkitekturen kombinerar Lightning Attention, konventionell Softmax Attention och en expertblandning. MiniMax rapporterar 456 miljarder parametrar totalt, med 45.9 miljarder aktiverade för varje token. Modellen har 80 lager och 32 experter och dirigerar till de två främsta experterna; ett Softmax Attention-lager följer efter varje grupp med sju Lightning Attention-lager. Detta är egenskaper hos Text-01-utgåvan, inte ett påstående om att varje modell med namnet MiniMax använder samma arkitektur.
MiniMax rapporterar träning med en kontextlängd på en miljon token och inferensutökning till så många som fyra miljoner token. Skillnaden är viktig när en uppgift med långa dokument förbereds: träningslängden och den utökade inferenslängden beskriver olika stadier. Tillverkaren undersöker språkförståelse, instruktionsföljande, resonemang, matematik, kodning och användning av långt referensmaterial. Behandla den tillgängliga förfrågningsbudgeten som något som ska fastställas för den valda körkonfigurationen och håll frågan, stöddokumenten och det nödvändiga svarsformatet tydliga.
Den publicerade snabbstarten använder en rollbaserad konversation med en systeminstruktion och ett användarmeddelande, formaterad genom modellens egen chattmall. En användbar dokumentanalys kan tillhandahålla tydligt märkta utdrag och fråga: ”Jämför acceptanskriterierna i dessa dokument. För varje avvikelse returnerar du dokumentmärkningen, det relevanta avsnittet, konsekvensen och frågan vi behöver lösa.” För skrivande ger du källfakta och avsedd läsare; för kod inkluderar du relevant funktion, förväntat beteende och exempel som skiljer ut ett korrekt resultat. Detta är illustrativa sätt att använda textförmågorna snarare än förutbestämda utdatagarantier.
Funktionsanrop är en dokumenterad egenskap hos Text-01. Applikationen beskriver tillgängliga funktioner, deras syfte och parametrar; parameterdefinitionen uttrycks med JSON Schema och kan innehålla nästlade objekt och arrayer. Modellen kan identifiera att en förfrågan behöver en extern funktion och föreslå dess namn med strukturerade argument. Tillverkarens guide går igenom en väderfrågefunktion och visar sedan hur det föreslagna anropet tolkas, körs utanför modellen och hur ett strukturerat resultat returneras till konversationen.
Det ger en praktisk ansvarsfördelning. Modellen väljer en föreslagen operation från de tillhandahållna beskrivningarna; applikationen avgör hur den ska valideras och genomföras. En dokumentassistent kan exempelvis ges en uppslagsfunktion och ombes hämta ett saknat produktfält innan en förklaring skrivs. Skriv precisa parameterbeskrivningar, identifiera obligatoriska värden och gör returnerade data lätta för modellen att tolka. Att tillhandahålla en funktion tvingar inte fram ett anrop: MiniMax noterar uttryckligen att modellen kan bedöma ett vanligt svar som lämpligare.
Text-01 och MiniMax-VL-01 är separata utgåvor. Den senare lägger till visuella komponenter; denna Text-01-beskrivning gäller textbearbetning och dess dokumenterade verktyg. Lång kontext kräver också noggrann källförberedelse: märk dokumentgränser, skilj citerat material från instruktioner och begär ett sätt att koppla slutsatser till tillhandahållna avsnitt. Modellkortet fastställer inget separat universellt maximum för genererade utdata, så kontextsiffran på fyra miljoner token bör inte läsas som ett utdatutrymme. Välj en svarslängd som passar uppgiften och validera faktapåståenden, extraherade fält och genererad kod mot materialet eller kontrollerna du har tillhandahållit.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser minimax/minimax-01 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0004 / 1K token Utdata · Utdatatoken $0.0022 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0004 / 1K token Utdata · Utdatatoken $0.0022 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax/minimax-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/minimax-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/minimax-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
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra minimax/minimax-01
Använd metodsökvägarna som visas ovan.
minimax/minimax-01MiniMax-Text-01 är en textmodell med lång kontext för dokumentanalys, skrivande, kodning och verktygsstödda arbetsflöden. Den förenar hybriduppmärksamhet med mixture-of-experts-arkitektur och kan föreslå funktionsanrop med strukturerade argument.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
MiniMax-Text-01 är MiniMaxs textinriktade modell för konversationer, språkuppgifter och kod. Dess långkontextdesign är särskilt relevant när en fråga beror på information spridd över en stor materialsamling: en specifikation tillsammans med korrespondens, flera versioner av ett dokument eller omfattande referenstext. Resultatet är text, inklusive förklaringar, skrivet innehåll, kod och information om funktionsanrop.
Arkitekturen kombinerar Lightning Attention, konventionell Softmax Attention och en expertblandning. MiniMax rapporterar 456 miljarder parametrar totalt, med 45.9 miljarder aktiverade för varje token. Modellen har 80 lager och 32 experter och dirigerar till de två främsta experterna; ett Softmax Attention-lager följer efter varje grupp med sju Lightning Attention-lager. Detta är egenskaper hos Text-01-utgåvan, inte ett påstående om att varje modell med namnet MiniMax använder samma arkitektur.
MiniMax rapporterar träning med en kontextlängd på en miljon token och inferensutökning till så många som fyra miljoner token. Skillnaden är viktig när en uppgift med långa dokument förbereds: träningslängden och den utökade inferenslängden beskriver olika stadier. Tillverkaren undersöker språkförståelse, instruktionsföljande, resonemang, matematik, kodning och användning av långt referensmaterial. Behandla den tillgängliga förfrågningsbudgeten som något som ska fastställas för den valda körkonfigurationen och håll frågan, stöddokumenten och det nödvändiga svarsformatet tydliga.
Den publicerade snabbstarten använder en rollbaserad konversation med en systeminstruktion och ett användarmeddelande, formaterad genom modellens egen chattmall. En användbar dokumentanalys kan tillhandahålla tydligt märkta utdrag och fråga: ”Jämför acceptanskriterierna i dessa dokument. För varje avvikelse returnerar du dokumentmärkningen, det relevanta avsnittet, konsekvensen och frågan vi behöver lösa.” För skrivande ger du källfakta och avsedd läsare; för kod inkluderar du relevant funktion, förväntat beteende och exempel som skiljer ut ett korrekt resultat. Detta är illustrativa sätt att använda textförmågorna snarare än förutbestämda utdatagarantier.
Funktionsanrop är en dokumenterad egenskap hos Text-01. Applikationen beskriver tillgängliga funktioner, deras syfte och parametrar; parameterdefinitionen uttrycks med JSON Schema och kan innehålla nästlade objekt och arrayer. Modellen kan identifiera att en förfrågan behöver en extern funktion och föreslå dess namn med strukturerade argument. Tillverkarens guide går igenom en väderfrågefunktion och visar sedan hur det föreslagna anropet tolkas, körs utanför modellen och hur ett strukturerat resultat returneras till konversationen.
Det ger en praktisk ansvarsfördelning. Modellen väljer en föreslagen operation från de tillhandahållna beskrivningarna; applikationen avgör hur den ska valideras och genomföras. En dokumentassistent kan exempelvis ges en uppslagsfunktion och ombes hämta ett saknat produktfält innan en förklaring skrivs. Skriv precisa parameterbeskrivningar, identifiera obligatoriska värden och gör returnerade data lätta för modellen att tolka. Att tillhandahålla en funktion tvingar inte fram ett anrop: MiniMax noterar uttryckligen att modellen kan bedöma ett vanligt svar som lämpligare.
Text-01 och MiniMax-VL-01 är separata utgåvor. Den senare lägger till visuella komponenter; denna Text-01-beskrivning gäller textbearbetning och dess dokumenterade verktyg. Lång kontext kräver också noggrann källförberedelse: märk dokumentgränser, skilj citerat material från instruktioner och begär ett sätt att koppla slutsatser till tillhandahållna avsnitt. Modellkortet fastställer inget separat universellt maximum för genererade utdata, så kontextsiffran på fyra miljoner token bör inte läsas som ett utdatutrymme. Välj en svarslängd som passar uppgiften och validera faktapåståenden, extraherade fält och genererad kod mot materialet eller kontrollerna du har tillhandahållit.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser minimax/minimax-01 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0004 / 1K token Utdata · Utdatatoken $0.0022 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0004 / 1K token Utdata · Utdatatoken $0.0022 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "minimax/minimax-01",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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/minimax-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/minimax-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
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra minimax/minimax-01
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Compare acceptance criteria across drafts\n\nCompare draft A: the report must include totals by region and a CSV export. Draft B: the report must include totals by product and a PDF export. Email from the owner: regional totals remain required; export format is undecided. Produce a mismatch table and a reconciled requirement note with the unresolved choice visible.A source-labelled mismatch table and a current requirement note distinguishing confirmed requirements from the export decision.Check that regional totals are retained and that neither CSV nor PDF is declared approved without evidence.