
MiniMax M2.7 é um modelo de chat de raciocínio de propósito geral com pensamento interleaved, função chamando, e caching prompt.
MiniMax M2.7 é um modelo de chat de raciocínio de propósito geral com pensamento interleaved, função chamando, e caching prompt.
Suporta streaming, pensamento interleaved, chamada de função, tool choice, max tokens, stop, temperatura, top p e leituras de cache de prompt implícitas. Pensar tokens são faturados como tokens de saída.
Também conhecido como MiniMax-M2.7, minimax-m2-7
minimax-m2-7/v1/chat/completionsPOST/v1/responsesPOST/v1/messagesPOST/v1beta/models/minimax-m2-7:generateContentminimax-m2.7minimax/m2.7Tarifas pay-as-you-go ao vivo do catálogo EmpirioLabs. Você paga só pelo que usa, sem mínimo mensal.
MiniMax M2.7 atende a API Chat Completions compatível com OpenAI. Aponte qualquer SDK OpenAI para https://api.empiriolabs.ai/v1 com sua chave de API EmpirioLabs e use o id de modelo minimax-m2-7. Obtenha uma chave de API no painel EmpirioLabs.
curl https://api.empiriolabs.ai/v1/chat/completions \
-H "Authorization: Bearer $EMPIRIOLABS_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "minimax-m2-7",
"messages": [
{"role": "user", "content": "Write a haiku about the ocean."}
]
}'from openai import OpenAI
client = OpenAI(
base_url="https://api.empiriolabs.ai/v1",
api_key="YOUR_EMPIRIOLABS_API_KEY",
)
response = client.chat.completions.create(
model="minimax-m2-7",
messages=[{"role": "user", "content": "Write a haiku about the ocean."}],
)
print(response.choices[0].message.content)Parâmetros de requisição suportados pela API MiniMax M2.7 na EmpirioLabs. Os padrões valem quando um campo é omitido.
| Parâmetro | Tipo | Padrão | Intervalo / valores | Descrição |
|---|---|---|---|---|
| temperature | number | 1 | 0 a 2 | Temperatura de amostragem. 0 = determinística, 2 = aleatoriedade máxima. |
| top_p | number | 0.95 | 0 a 1 | Amostragem do núcleo com a probabilidade de massa. Menor = mais focado. |
| max_tokens | number | 4096 | 1 a 131072 | Fichas máximas na resposta. |
| stop | string | - | - | Até 4 strings em que o modelo para de gerar mais tokens. |
| tools | array | - | - | Definições de ferramentas de chamada de funções no estilo OpenAI. Cada entrada tem nome, descrição, parâmetros. |
| tool_choice | string | - | - | auto | nenhum | obrigatório | {tipo:função, função:{nome:"..."}}. Controle quando o modelo deve chamar uma ferramenta. |
| response_format | enum | - | - | Devolva a saída como um objeto JSON válido (modo JSON). Descreva as áreas que você quer no seu prompt. |
| web_search_linkup | boolean | false | - | Busca opcional na web alimentada pelo Linkup. Quando ativadas, fontes web recentes são recuperadas usando sua última mensagem de usuário como consulta e fornecidas ao modelo como contexto adicional. Adiciona $0.013 por chamada quando invocada, além do custo normal do token do modelo. Desativado por padrão. |
| disable_formatting | boolean | false | - | Quando ativado, o gateway não adiciona o rodapé "Fontes" às respostas assistentes que usaram busca web do Linkup. Útil quando a saída do modelo é canalizada para... |
Suporta o pensamento interleaved, a chamada da função, e o cache prompt implícito lê. Pensar está sempre ligado e faturado como tokens de saída.
Na EmpirioLabs, MiniMax M2.7 é cobrado por uso. A tabela de tarifas ao vivo desta página sempre corresponde ao que a API cobra.
MiniMax M2.7 suporta uma janela de contexto de 200K tokens com até 32.768 tokens de saída por resposta.
Sim. MiniMax M2.7 atende a API Chat Completions compatível com OpenAI, então SDKs OpenAI existentes funcionam apontando base_url para https://api.empiriolabs.ai/v1 e definindo o id de modelo minimax-m2-7.
Sim. O playground da EmpirioLabs executa MiniMax M2.7 no navegador com os mesmos parâmetros que a API expõe, para você testar prompts antes de escrever código.
Crie uma conta EmpirioLabs e gere uma chave em API Keys no painel. A cobrança usa créditos pay-as-you-go, então você paga apenas pelas requisições que faz.
Confira nossos preços ou entre em contato se quiser que seu próprio modelo seja implementado em nossa pilha.