> ## Documentation Index > Fetch the complete documentation index at: https://platform.minimaxi.com/docs/llms.txt > Use this file to discover all available pages before exploring further. # OpenAI SDK > 通过 OpenAI SDK 调用 MiniMax 模型 为了满足开发者对 OpenAI API 生态的使用需求，我们的 API 新增了对 OpenAI API 格式的支持。通过简单的配置，即可将 MiniMax 的能力接入到 OpenAI API 生态中。 ## 快速开始 ### 1. 安装 OpenAI SDK ```bash Python theme={null} pip install openai ``` ```bash Node.js theme={null} npm install openai ``` ### 2. 配置环境变量 ```bash theme={null} export OPENAI_BASE_URL=https://api.minimaxi.com/v1 export OPENAI_API_KEY=${YOUR_API_KEY} ``` ### 3. 调用 API ```python Python theme={null} from openai import OpenAI client = OpenAI() response = client.chat.completions.create( model="MiniMax-M3", messages=[ {"role": "system", "content": "You are a helpful assistant."}, {"role": "user", "content": "Hi, how are you?"}, ], # 设置 reasoning_split=True 将思考内容分离到 reasoning_details 字段 extra_body={"reasoning_split": True}, ) print(f"Thinking:\n{response.choices[0].message.reasoning_details[0]['text']}\n") print(f"Text:\n{response.choices[0].message.content}\n") ``` ### 4. 特别注意 在多轮 Function Call 对话中，必须将完整的模型返回（即 assistant 消息）添加到对话历史，以保持思维链的连续性： * 将完整的 `response_message` 对象（包含 `tool_calls` 字段）添加到消息历史 * 原生的OpenAI API 的 `MiniMax-M3` `MiniMax-M2.7` `MiniMax-M2.7-highspeed` `MiniMax-M2.5` `MiniMax-M2.5-highspeed` `MiniMax-M2.1` `MiniMax-M2.1-highspeed` `MiniMax-M2` 模型 `content` 字段会包含 `` 标签内容，需要完整保留 * 在 Interleaved Thinking 友好格式中，通过启用额外的参数(`reasoning_split=True`)，模型思考内容通过 `reasoning_details` 字段单独提供，同样需要完整保留 ## 支持的模型 使用 OpenAI SDK 时，支持以下 MiniMax 模型： | 模型名称 | 上下文窗口 | 模型介绍 | | :--------------------- | :-------: | :------------------------------------------ | | MiniMax-M3 | 1,000,000 | **最新 M 系列语言模型，适用于 Agent 推理、工具调用、代码和长上下文任务** | | MiniMax-M2.7 | 204,800 | **开启模型的自我迭代**（输出速度约 60 TPS） | | MiniMax-M2.7-highspeed | 204,800 | **M2.7 极速版：效果不变，更快，更敏捷**（输出速度约 100 TPS） | | MiniMax-M2.5 | 204,800 | **顶尖性能与极致性价比，轻松驾驭复杂任务**（输出速度约 60 TPS） | | MiniMax-M2.5-highspeed | 204,800 | **M2.5 极速版：效果不变，更快，更敏捷**（输出速度约 100 TPS） | | MiniMax-M2.1 | 204,800 | **强大多语言编程能力，全面升级编程体验**（输出速度约 60 TPS） | | MiniMax-M2.1-highspeed | 204,800 | **M2.1 极速版：效果不变，更快，更敏捷**（输出速度约 100 TPS） | | MiniMax-M2 | 204,800 | **专为高效编码与 Agent 工作流而生** | TPS（Tokens Per Second）的计算方式详见[常见问题 > 接口相关](/docs/faq/about-apis#%E9%97%AE%E6%96%87%E6%9C%AC%E6%A8%A1%E5%9E%8B%E7%9A%84-tpstokens-per-second%E6%98%AF%E5%A6%82%E4%BD%95%E8%AE%A1%E7%AE%97%E7%9A%84)。 更多模型信息请参考标准的 MiniMax API 接口文档。 ## 多模态输入 OpenAI API 兼容的 Chat Completions 支持在 `MiniMax-M3` 中输入文本、图片和视频。 图片使用 `image_url` 内容块，视频使用 `video_url` 内容块。`detail` 字段可取 `low`、`default`、`high`，默认值为 `default`；可通过 `max_long_side_pixel` 控制最长边。图片支持 JPEG、PNG、GIF、WEBP。视频支持 MP4、AVI、MOV、MKV；`fps` 默认值为 1，支持 0.2 到 5。URL 或 base64 视频最大 50 MB，图片最大 10 MB，请求体最大 64 MB。更大的视频请通过 Files API 上传后传入 `mm_file://{file_id}`，Files API 视频最大 512 MB。 图片 token 用量会随图片尺寸和内容变化。以下是单张图片的粗略估算；准确用量以响应中的 `usage` 或可用的 token 计数接口为准： | `detail` | 单张图片粗略 token 用量 | | :-------- | :--------------------- | | `low` | 通常为几百 token，最高约 600 | | `default` | 通常约 1k-3k token，最高约 5k | | `high` | 通常为数千 token，最高约 15k+ | ```python Python theme={null} response = client.chat.completions.create( model="MiniMax-M3", messages=[ { "role": "user", "content": [ {"type": "text", "text": "Summarize what is happening here."}, { "type": "image_url", "image_url": { "url": "https://example.com/image.png", "detail": "default", }, }, { "type": "video_url", "video_url": { "url": "mm_file://file_id", "detail": "default", }, }, ], } ], ) ``` ## MiniMax-M3 请求参数 `MiniMax-M3` 在 OpenAI API 兼容接口中支持以下额外的 Chat Completions 参数： | 参数 | 说明 | | :----------------------------- | :-------------------------------------------------------------------------------------------------------------------------------------------------------------- | | `thinking` | 控制 MiniMax-M3 thinking。`type` 可取 `disabled` 或 `adaptive`；省略时默认开启 thinking。对于 M2.x 模型，thinking 无法关闭。 | | `stream_options.include_usage` | 流式调用时，设为 `true` 可在流中返回 token 用量。 | | `max_tokens` | 旧版生成长度限制参数。 | | `max_completion_tokens` | 生成长度限制参数，新接入建议使用此字段。 | | `temperature` | 采样温度。范围 `[0, 2]`，默认值 `1`。 | | `top_p` | 核采样参数。范围 `[0, 1]`，`MiniMax-M3` 默认值 `0.95`，M2.x 系列默认值 `0.9`。 | | `tools` | 函数工具定义。 | | `reasoning_split` | 输出格式开关。启用后将 thinking 内容拆分到 `reasoning_content` 和 `reasoning_details`。 | | `service_tier` | 请求准入服务层级。支持的取值为 `standard` 和 `priority`；省略时默认使用 `standard`。`priority` 的[价格](/docs/guides/pricing-paygo)为 `standard` 的 1.5 倍，并会确保请求获得优先准入，使其排在其他请求之前处理，从而带来更快响应并减少失败。 | ### Thinking 控制 对于 `MiniMax-M3`，`thinking` 参数用于控制模型是否可以输出 thinking 内容。 * 如果省略 `thinking`，默认开启 thinking，响应会包含 thinking 内容。 * 设置 `thinking: {"type": "adaptive"}` 可显式保持 thinking 开启。对于 MiniMax-M3，`adaptive` 等同于开启 thinking。 * 设置 `thinking: {"type": "disabled"}` 可跳过 thinking 并直接回答。 * 对于 M2.x 模型，thinking 无法关闭；即使传入 `thinking: {"type": "disabled"}`，thinking 仍会保持开启。 `reasoning_split` 不会开启或关闭 thinking。它只控制 thinking 内容的返回方式：为 `true` 时，thinking 会通过 `reasoning_content` 和 `reasoning_details` 返回；为 `false` 时，原生 Chat Completions 响应会将 thinking 保留在 `content` 字段中的 `...` 标签内。 ```python Python theme={null} response = client.chat.completions.create( model="MiniMax-M3", messages=[{"role": "user", "content": "Hi, how are you?"}], extra_body={ "thinking": {"type": "adaptive"}, }, ) ``` ## 示例代码 ### 流式响应 ```python Python theme={null} from openai import OpenAI client = OpenAI() print("Starting stream response...\n") print("=" * 60) print("Thinking Process:") print("=" * 60) stream = client.chat.completions.create( model="MiniMax-M3", messages=[ {"role": "system", "content": "You are a helpful assistant."}, {"role": "user", "content": "Hi, how are you?"}, ], # 设置 reasoning_split=True 将思考内容分离到 reasoning_details 字段 extra_body={"reasoning_split": True}, stream=True, ) reasoning_buffer = "" text_buffer = "" for chunk in stream: if ( hasattr(chunk.choices[0].delta, "reasoning_details") and chunk.choices[0].delta.reasoning_details ): for detail in chunk.choices[0].delta.reasoning_details: if "text" in detail: reasoning_text = detail["text"] new_reasoning = reasoning_text[len(reasoning_buffer) :] if new_reasoning: print(new_reasoning, end="", flush=True) reasoning_buffer = reasoning_text if chunk.choices[0].delta.content: content_text = chunk.choices[0].delta.content new_text = content_text[len(text_buffer) :] if text_buffer else content_text if new_text: print(new_text, end="", flush=True) text_buffer = content_text print("\n" + "=" * 60) print("Response Content:") print("=" * 60) print(f"{text_buffer}\n") ``` ### Tool Use & Interleaved Thinking 了解如何通过 OpenAI SDK 使用 M3 Tool Use 和 Interleaved Thinking 能力，请参考以下文档。 了解如何利用 MiniMax-M3 工具调用和 Interleaved Thinking 能力，提升复杂任务中的表现。 ## 注意事项 如果在使用MiniMax模型过程中遇到任何问题： * 通过邮箱 [Model@minimaxi.com](mailto:Model@minimaxi.com) 等官方渠道联系我们的技术支持团队 * 在我们的 [Github](https://github.com/MiniMax-AI/MiniMax-M2/issues) 仓库提交Issue 1. `temperature` 参数取值范围为 \[0, 2]，推荐使用 1.0，超出范围会返回错误 2. 部分 OpenAI 参数（如`presence_penalty`、`frequency_penalty`、`logit_bias` 等）会被忽略 3. `MiniMax-M3` 可通过 OpenAI 兼容消息内容块输入图片和视频；当前不支持音频输入 4. `n` 参数仅支持值为 1 5. 旧版的`function_call` 已废弃，请使用 `tools` 参数