MiMo-V2-Omni er Xiaomis model til at forstå tekst, billeder, lyd og video samlet og bruge denne forståelse i en agentopgave. Dens arkitektur fører dedikerede billed-, video- og lydkodere ind i en fælles grundarkitektur. Den centrale forskel er samlet perception: et spørgsmål kan afhænge af, hvad der er synligt, hvad der er hørbart, og hvad den ledsagende tekst siger, frem for at kræve, at hver kilde fortolkes isoleret. Dens output understøtter skriftlig analyse og strukturerede værktøjsanmodninger.
Xiaomi beskriver modellen som en model, der lærer at forbinde perception, forudsigelse og handling. Den fortolker den aktuelle scene, ræsonnerer om, hvad der kan ske som det næste, og vælger et nyttigt næste trin. Det er særligt relevant for optaget materiale, hvor betydningen af en hændelse afhænger af mere end én modalitet. Lever for eksempel et klip, og bed den identificere sekvensen af synlige handlinger, de relevante lyde, og hvordan de hænger sammen. Angiv, om du har brug for et hændelsessammendrag, en forklaring af scenen eller en observationsliste til senere gennemgang. Hold observerede fakta adskilt fra forudsigelser: en fortolkning af, hvad der kan ske, er ikke bevis for, at hændelsen vil indtræffe.
Lydforståelse er bredere end transskription i producentens beskrivelse. Xiaomi fremhæver klassificering af omgivelseslyde, skelnen mellem flere talere og samlet ræsonnering over lyd og billeder. Den demonstrerer også et struktureret sammendrag af en lang, uafbrudt podcast. Ved en lydopgave skal du angive de emner eller spørgsmål, der er vigtige, og det output, du kræver, som en disposition over argumenter, uenighedspunkter eller et tematisk sammendrag. Ved en video med tale skal du bede modellen forbinde et udsagn med den handling eller det materiale på skærmen, det ledsager. Hvis præcis ordlyd eller tilskrivning til en taler er vigtig, skal du bede den markere tvetydighed frem for ubemærket at løse den.
På den visuelle side fremhæver producenten tværfaglig billedræsonnering og kompleks diagramanalyse. Lever et læsbart diagram, og forklar det analytiske spørgsmål, herunder hvad akser, enheder og kategorier betyder, når oplysningerne ikke er tydelige i billedet. En illustrativ anmodning er at beskrive hovedmønstret, identificere en tilsyneladende ændring og skelne mellem værdier, der kan ses direkte i diagrammet, og en foreslået forklaring. Ved en billedsammenligning skal du definere de forskelle, du er interesseret i, og bede om en tabel knyttet til synlig dokumentation. Forbered kildematerialet, så etiketter og relevante detaljer er læsbare; en nyttig analyse afhænger af, hvad inputtet faktisk indeholder.
MiMo-V2-Omni understøtter også strukturerede værktøjskald og forankring i brugergrænseflader. Producentens demonstrationer forbinder modellen med et agentmiljø, der tilbyder browserstyring, filadgang og terminalinteraktion. Modellen fortolker den aktuelle tilstand, beslutter, hvad der skal gøres, og udsteder en handling; miljøet udfører den og returnerer den opdaterede tilstand. Til en opgave i denne stil skal du levere et klart mål, den relevante skærm eller det relevante materiale og beskrivelser af tilladte handlinger. Bed modellen forbinde hvert næste trin med den observerede tilstand og bruge det returnerede resultat, før den fortsætter. En værktøjsanmodning og udfaldet af den udførte handling er separate oplysninger.
Xiaomis eksempel på multimedieproduktion følger samme arbejdsdeling: modellen designer indholdet og styrer en programmatisk proces, mens værktøjer opretter og håndterer de faktiske mediefiler. Du kan bruge modellen til at forberede en sceneplan, en skriftlig forklaring af en optagelse eller en sekvens af værktøjshandlinger. Det konkrete resultat bør defineres fra starten, inklusive dets krævede indhold, og hvordan fuldførelse skal genkendes. Hold filoprettelse, rendering og applikationshandlinger knyttet til de værktøjer, der udfører dem, frem for at betragte et tekstsvar som et allerede oprettet medie.
Ved praktisk videoarbejde skal du levere optagede klip og et fokuseret spørgsmål. Xiaomi skelner i sin forskningsplan mellem denne arbejdsgang til klipbehandling og perception i realtid, så kontinuerlig live-styring bør ikke antages ud fra en optaget demonstration. Dens eksempler viser også længerevarende opgaver gennem et agentmiljø frem for at fastslå en ubegrænset planlægningshorisont eller et universelt løfte om fuldførelsestid. Kontroller scenefortolkninger, diagramværdier, talerforbindelser og foreslåede handlinger mod de oprindelige input. MiMo-V2-Omnis nyttige rolle er at samle modaliteterne i én begrundet fortolkning af opgaven med et resultat, hvis dokumentation og handlingsudfald kan undersøges.
", "aboutText": "MiMo-V2-Omni er Xiaomis model til at forstå tekst, billeder, lyd og video samlet og bruge denne forståelse i en agentopgave. Dens arkitektur fører dedikerede billed-, video- og lydkodere ind i en fælles grundarkitektur. Den centrale forskel er samlet perception: et spørgsmål kan afhænge af, hvad der er synligt, hvad der er hørbart, og hvad den ledsagende tekst siger, frem for at kræve, at hver kilde fortolkes isoleret. Dens output understøtter skriftlig analyse og strukturerede værktøjsanmodninger.\n\nXiaomi beskriver modellen som en model, der lærer at forbinde perception, forudsigelse og handling. Den fortolker den aktuelle scene, ræsonnerer om, hvad der kan ske som det næste, og vælger et nyttigt næste trin. Det er særligt relevant for optaget materiale, hvor betydningen af en hændelse afhænger af mere end én modalitet. Lever for eksempel et klip, og bed den identificere sekvensen af synlige handlinger, de relevante lyde, og hvordan de hænger sammen. Angiv, om du har brug for et hændelsessammendrag, en forklaring af scenen eller en observationsliste til senere gennemgang. Hold observerede fakta adskilt fra forudsigelser: en fortolkning af, hvad der kan ske, er ikke bevis for, at hændelsen vil indtræffe.\n\nLydforståelse er bredere end transskription i producentens beskrivelse. Xiaomi fremhæver klassificering af omgivelseslyde, skelnen mellem flere talere og samlet ræsonnering over lyd og billeder. Den demonstrerer også et struktureret sammendrag af en lang, uafbrudt podcast. Ved en lydopgave skal du angive de emner eller spørgsmål, der er vigtige, og det output, du kræver, som en disposition over argumenter, uenighedspunkter eller et tematisk sammendrag. Ved en video med tale skal du bede modellen forbinde et udsagn med den handling eller det materiale på skærmen, det ledsager. Hvis præcis ordlyd eller tilskrivning til en taler er vigtig, skal du bede den markere tvetydighed frem for ubemærket at løse den.\n\nPå den visuelle side fremhæver producenten tværfaglig billedræsonnering og kompleks diagramanalyse. Lever et læsbart diagram, og forklar det analytiske spørgsmål, herunder hvad akser, enheder og kategorier betyder, når oplysningerne ikke er tydelige i billedet. En illustrativ anmodning er at beskrive hovedmønstret, identificere en tilsyneladende ændring og skelne mellem værdier, der kan ses direkte i diagrammet, og en foreslået forklaring. Ved en billedsammenligning skal du definere de forskelle, du er interesseret i, og bede om en tabel knyttet til synlig dokumentation. Forbered kildematerialet, så etiketter og relevante detaljer er læsbare; en nyttig analyse afhænger af, hvad inputtet faktisk indeholder.\n\nMiMo-V2-Omni understøtter også strukturerede værktøjskald og forankring i brugergrænseflader. Producentens demonstrationer forbinder modellen med et agentmiljø, der tilbyder browserstyring, filadgang og terminalinteraktion. Modellen fortolker den aktuelle tilstand, beslutter, hvad der skal gøres, og udsteder en handling; miljøet udfører den og returnerer den opdaterede tilstand. Til en opgave i denne stil skal du levere et klart mål, den relevante skærm eller det relevante materiale og beskrivelser af tilladte handlinger. Bed modellen forbinde hvert næste trin med den observerede tilstand og bruge det returnerede resultat, før den fortsætter. En værktøjsanmodning og udfaldet af den udførte handling er separate oplysninger.\n\nXiaomis eksempel på multimedieproduktion følger samme arbejdsdeling: modellen designer indholdet og styrer en programmatisk proces, mens værktøjer opretter og håndterer de faktiske mediefiler. Du kan bruge modellen til at forberede en sceneplan, en skriftlig forklaring af en optagelse eller en sekvens af værktøjshandlinger. Det konkrete resultat bør defineres fra starten, inklusive dets krævede indhold, og hvordan fuldførelse skal genkendes. Hold filoprettelse, rendering og applikationshandlinger knyttet til de værktøjer, der udfører dem, frem for at betragte et tekstsvar som et allerede oprettet medie.\n\nVed praktisk videoarbejde skal du levere optagede klip og et fokuseret spørgsmål. Xiaomi skelner i sin forskningsplan mellem denne arbejdsgang til klipbehandling og perception i realtid, så kontinuerlig live-styring bør ikke antages ud fra en optaget demonstration. Dens eksempler viser også længerevarende opgaver gennem et agentmiljø frem for at fastslå en ubegrænset planlægningshorisont eller et universelt løfte om fuldførelsestid. Kontroller scenefortolkninger, diagramværdier, talerforbindelser og foreslåede handlinger mod de oprindelige input. MiMo-V2-Omnis nyttige rolle er at samle modaliteterne i én begrundet fortolkning af opgaven med et resultat, hvis dokumentation og handlingsudfald kan undersøges.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Summarize a supplied podcast transcript\n\nSummarize this podcast transcript by theme. Speaker A: Smaller batches reduced our queue, but we measured only one week. Speaker B: Returns rose that week; we have not linked them to batch size. Speaker A: We should compare another week before expanding. Return agreements, unresolved relationships and the proposed next step, preserving speaker attribution.A theme-based summary with speaker labels, the agreed next step and unresolved causal claims.Check that the summary does not attribute the rise in returns to batch size or report a multi-week measurement.mimo-v2-omniMiMo-V2-Omni er Xiaomis model til samlet forståelse af tekst, billeder, lyd og video. Den forbinder perception med strukturerede værktøjsanmodninger og forankring i grænseflader og understøtter sceneanalyse, diagramfortolkning og agentarbejdsgange, der bruger faktiske værktøjsresultater.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
MiMo-V2-Omni er Xiaomis model til at forstå tekst, billeder, lyd og video samlet og bruge denne forståelse i en agentopgave. Dens arkitektur fører dedikerede billed-, video- og lydkodere ind i en fælles grundarkitektur. Den centrale forskel er samlet perception: et spørgsmål kan afhænge af, hvad der er synligt, hvad der er hørbart, og hvad den ledsagende tekst siger, frem for at kræve, at hver kilde fortolkes isoleret. Dens output understøtter skriftlig analyse og strukturerede værktøjsanmodninger.
Xiaomi beskriver modellen som en model, der lærer at forbinde perception, forudsigelse og handling. Den fortolker den aktuelle scene, ræsonnerer om, hvad der kan ske som det næste, og vælger et nyttigt næste trin. Det er særligt relevant for optaget materiale, hvor betydningen af en hændelse afhænger af mere end én modalitet. Lever for eksempel et klip, og bed den identificere sekvensen af synlige handlinger, de relevante lyde, og hvordan de hænger sammen. Angiv, om du har brug for et hændelsessammendrag, en forklaring af scenen eller en observationsliste til senere gennemgang. Hold observerede fakta adskilt fra forudsigelser: en fortolkning af, hvad der kan ske, er ikke bevis for, at hændelsen vil indtræffe.
Lydforståelse er bredere end transskription i producentens beskrivelse. Xiaomi fremhæver klassificering af omgivelseslyde, skelnen mellem flere talere og samlet ræsonnering over lyd og billeder. Den demonstrerer også et struktureret sammendrag af en lang, uafbrudt podcast. Ved en lydopgave skal du angive de emner eller spørgsmål, der er vigtige, og det output, du kræver, som en disposition over argumenter, uenighedspunkter eller et tematisk sammendrag. Ved en video med tale skal du bede modellen forbinde et udsagn med den handling eller det materiale på skærmen, det ledsager. Hvis præcis ordlyd eller tilskrivning til en taler er vigtig, skal du bede den markere tvetydighed frem for ubemærket at løse den.
På den visuelle side fremhæver producenten tværfaglig billedræsonnering og kompleks diagramanalyse. Lever et læsbart diagram, og forklar det analytiske spørgsmål, herunder hvad akser, enheder og kategorier betyder, når oplysningerne ikke er tydelige i billedet. En illustrativ anmodning er at beskrive hovedmønstret, identificere en tilsyneladende ændring og skelne mellem værdier, der kan ses direkte i diagrammet, og en foreslået forklaring. Ved en billedsammenligning skal du definere de forskelle, du er interesseret i, og bede om en tabel knyttet til synlig dokumentation. Forbered kildematerialet, så etiketter og relevante detaljer er læsbare; en nyttig analyse afhænger af, hvad inputtet faktisk indeholder.
MiMo-V2-Omni understøtter også strukturerede værktøjskald og forankring i brugergrænseflader. Producentens demonstrationer forbinder modellen med et agentmiljø, der tilbyder browserstyring, filadgang og terminalinteraktion. Modellen fortolker den aktuelle tilstand, beslutter, hvad der skal gøres, og udsteder en handling; miljøet udfører den og returnerer den opdaterede tilstand. Til en opgave i denne stil skal du levere et klart mål, den relevante skærm eller det relevante materiale og beskrivelser af tilladte handlinger. Bed modellen forbinde hvert næste trin med den observerede tilstand og bruge det returnerede resultat, før den fortsætter. En værktøjsanmodning og udfaldet af den udførte handling er separate oplysninger.
Xiaomis eksempel på multimedieproduktion følger samme arbejdsdeling: modellen designer indholdet og styrer en programmatisk proces, mens værktøjer opretter og håndterer de faktiske mediefiler. Du kan bruge modellen til at forberede en sceneplan, en skriftlig forklaring af en optagelse eller en sekvens af værktøjshandlinger. Det konkrete resultat bør defineres fra starten, inklusive dets krævede indhold, og hvordan fuldførelse skal genkendes. Hold filoprettelse, rendering og applikationshandlinger knyttet til de værktøjer, der udfører dem, frem for at betragte et tekstsvar som et allerede oprettet medie.
Ved praktisk videoarbejde skal du levere optagede klip og et fokuseret spørgsmål. Xiaomi skelner i sin forskningsplan mellem denne arbejdsgang til klipbehandling og perception i realtid, så kontinuerlig live-styring bør ikke antages ud fra en optaget demonstration. Dens eksempler viser også længerevarende opgaver gennem et agentmiljø frem for at fastslå en ubegrænset planlægningshorisont eller et universelt løfte om fuldførelsestid. Kontroller scenefortolkninger, diagramværdier, talerforbindelser og foreslåede handlinger mod de oprindelige input. MiMo-V2-Omnis nyttige rolle er at samle modaliteterne i én begrundet fortolkning af opgaven med et resultat, hvis dokumentation og handlingsudfald kan undersøges.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mimo-v2-omni | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00088 / 1K tokens Output · Outputtokens $0.0044 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mimo-v2-omni", "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='mimo-v2-omni',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='mimo-v2-omni',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
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| 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 | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra mimo-v2-omni
Brug metodestierne vist ovenfor.
mimo-v2-omniMiMo-V2-Omni er Xiaomis model til samlet forståelse af tekst, billeder, lyd og video. Den forbinder perception med strukturerede værktøjsanmodninger og forankring i grænseflader og understøtter sceneanalyse, diagramfortolkning og agentarbejdsgange, der bruger faktiske værktøjsresultater.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
MiMo-V2-Omni er Xiaomis model til at forstå tekst, billeder, lyd og video samlet og bruge denne forståelse i en agentopgave. Dens arkitektur fører dedikerede billed-, video- og lydkodere ind i en fælles grundarkitektur. Den centrale forskel er samlet perception: et spørgsmål kan afhænge af, hvad der er synligt, hvad der er hørbart, og hvad den ledsagende tekst siger, frem for at kræve, at hver kilde fortolkes isoleret. Dens output understøtter skriftlig analyse og strukturerede værktøjsanmodninger.
Xiaomi beskriver modellen som en model, der lærer at forbinde perception, forudsigelse og handling. Den fortolker den aktuelle scene, ræsonnerer om, hvad der kan ske som det næste, og vælger et nyttigt næste trin. Det er særligt relevant for optaget materiale, hvor betydningen af en hændelse afhænger af mere end én modalitet. Lever for eksempel et klip, og bed den identificere sekvensen af synlige handlinger, de relevante lyde, og hvordan de hænger sammen. Angiv, om du har brug for et hændelsessammendrag, en forklaring af scenen eller en observationsliste til senere gennemgang. Hold observerede fakta adskilt fra forudsigelser: en fortolkning af, hvad der kan ske, er ikke bevis for, at hændelsen vil indtræffe.
Lydforståelse er bredere end transskription i producentens beskrivelse. Xiaomi fremhæver klassificering af omgivelseslyde, skelnen mellem flere talere og samlet ræsonnering over lyd og billeder. Den demonstrerer også et struktureret sammendrag af en lang, uafbrudt podcast. Ved en lydopgave skal du angive de emner eller spørgsmål, der er vigtige, og det output, du kræver, som en disposition over argumenter, uenighedspunkter eller et tematisk sammendrag. Ved en video med tale skal du bede modellen forbinde et udsagn med den handling eller det materiale på skærmen, det ledsager. Hvis præcis ordlyd eller tilskrivning til en taler er vigtig, skal du bede den markere tvetydighed frem for ubemærket at løse den.
På den visuelle side fremhæver producenten tværfaglig billedræsonnering og kompleks diagramanalyse. Lever et læsbart diagram, og forklar det analytiske spørgsmål, herunder hvad akser, enheder og kategorier betyder, når oplysningerne ikke er tydelige i billedet. En illustrativ anmodning er at beskrive hovedmønstret, identificere en tilsyneladende ændring og skelne mellem værdier, der kan ses direkte i diagrammet, og en foreslået forklaring. Ved en billedsammenligning skal du definere de forskelle, du er interesseret i, og bede om en tabel knyttet til synlig dokumentation. Forbered kildematerialet, så etiketter og relevante detaljer er læsbare; en nyttig analyse afhænger af, hvad inputtet faktisk indeholder.
MiMo-V2-Omni understøtter også strukturerede værktøjskald og forankring i brugergrænseflader. Producentens demonstrationer forbinder modellen med et agentmiljø, der tilbyder browserstyring, filadgang og terminalinteraktion. Modellen fortolker den aktuelle tilstand, beslutter, hvad der skal gøres, og udsteder en handling; miljøet udfører den og returnerer den opdaterede tilstand. Til en opgave i denne stil skal du levere et klart mål, den relevante skærm eller det relevante materiale og beskrivelser af tilladte handlinger. Bed modellen forbinde hvert næste trin med den observerede tilstand og bruge det returnerede resultat, før den fortsætter. En værktøjsanmodning og udfaldet af den udførte handling er separate oplysninger.
Xiaomis eksempel på multimedieproduktion følger samme arbejdsdeling: modellen designer indholdet og styrer en programmatisk proces, mens værktøjer opretter og håndterer de faktiske mediefiler. Du kan bruge modellen til at forberede en sceneplan, en skriftlig forklaring af en optagelse eller en sekvens af værktøjshandlinger. Det konkrete resultat bør defineres fra starten, inklusive dets krævede indhold, og hvordan fuldførelse skal genkendes. Hold filoprettelse, rendering og applikationshandlinger knyttet til de værktøjer, der udfører dem, frem for at betragte et tekstsvar som et allerede oprettet medie.
Ved praktisk videoarbejde skal du levere optagede klip og et fokuseret spørgsmål. Xiaomi skelner i sin forskningsplan mellem denne arbejdsgang til klipbehandling og perception i realtid, så kontinuerlig live-styring bør ikke antages ud fra en optaget demonstration. Dens eksempler viser også længerevarende opgaver gennem et agentmiljø frem for at fastslå en ubegrænset planlægningshorisont eller et universelt løfte om fuldførelsestid. Kontroller scenefortolkninger, diagramværdier, talerforbindelser og foreslåede handlinger mod de oprindelige input. MiMo-V2-Omnis nyttige rolle er at samle modaliteterne i én begrundet fortolkning af opgaven med et resultat, hvis dokumentation og handlingsudfald kan undersøges.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mimo-v2-omni | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.00088 / 1K tokens Output · Outputtokens $0.0044 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "mimo-v2-omni",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mimo-v2-omni', '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': 'mimo-v2-omni', '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
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra mimo-v2-omni
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Summarize a supplied podcast transcript\n\nSummarize this podcast transcript by theme. Speaker A: Smaller batches reduced our queue, but we measured only one week. Speaker B: Returns rose that week; we have not linked them to batch size. Speaker A: We should compare another week before expanding. Return agreements, unresolved relationships and the proposed next step, preserving speaker attribution.A theme-based summary with speaker labels, the agreed next step and unresolved causal claims.Check that the summary does not attribute the rise in returns to batch size or report a multi-week measurement.