Grundlag for agentarbejde
MiMo-V2-Pro er Xiaomis førende grundmodel til komplekse agentopgaver og softwareudvikling. Dens rolle er at ræsonnere over en opgave, organisere de nødvendige trin og bruge oplysninger returneret af værktøjer til at fortsætte mod et defineret resultat. Modellens fokus rækker ud over at formulere et enkelt svar: den er udviklet til sammenhængende arbejde, hvor tidligere beslutninger og observationer påvirker, hvad der sker derefter.
Skala og effektiv arkitektur
Producenten beskriver mere end 1 billion parametre i alt med 42 milliarder aktive parametre. Pro udvider MiMo-V2-Flashs hybride attention-tilgang med et forhold på 7:1 mellem glidende vinduesattention og global attention. Et letvægtslag til forudsigelse af flere tokens understøtter generering, og den annoncerede kontekst når 1 million tokens. Det er arkitektur- og kontekstegenskaber ved Pro; de angiver ikke eksekveringshastigheden, hukommelsestildelingen eller anmodningsgrænserne i en bestemt integration.
Udgivelseshistorik
Xiaomi identificerer Hunter Alpha som en tidlig intern testudgave før MiMo-V2-Pro. Den udgivne Pro-model har sit eget navn og forbedringer af arbejde med lang kontekst og stabilitet i agentscenarier. Sondringen er vigtig ved sammenligning af beskrivelser eller bevarelse af modelidentitet: en tidligere testudgave, MiMo-V2-Flash og MiMo-V2-Omni har hver deres rolle og specifikation.
Udviklet til agenter
Modellen finjusteres gennem superviseret læring og forstærkningslæring på tværs af forskellige agentrammer med fokus på værktøjskald og ræsonnement i flere trin. Forbered en opgave med en observerbar afslutningsbetingelse og beskrivelser af de tilgængelige værktøjer. En projektassistent kan for eksempel modtage en ændringsanmodning, undersøge de givne moduler, foreslå de berørte komponenter og fortsætte, efter et værktøj returnerer en byggefejl. Det nyttige output er en række beslutninger knyttet til faktiske observationer efterfulgt af den ønskede kode, forklaring eller arbejdsoversigt. Det tilsluttede miljø udfører handlingerne.
Softwareudvikling og frontendopgaver
Xiaomi fremhæver systemdesign, opgaveplanlægning og kodeorienteret problemløsning. Dets demonstrationer omfatter interaktive websider og et browserbaseret spil produceret i et agentmiljø. En illustrativ udviklingsbeskrivelse kan angive sideadfærd, navigation, datatilstande og et responsivt layout og derefter bede om en implementering og kontroller mod disse krav. Til et eksisterende projekt skal du give de aktuelle filer, det fejlende tilfælde og de grænseflader, der skal forblive uændrede. Bed om en fokuseret ændring og en forklaring af de afhængigheder, den berører, frem for en uvedkommende erstatningsapplikation.
Lang kontekst og et kontrollerbart resultat
Konteksten på op til 1 million tokens er nyttig, når flere filer, dokumenter, instruktioner og tidligere observationer tilhører samme opgave. Organiser materialet efter dets rolle: autoritative krav, aktuel kode, referenceeksempler og værktøjsresultater. Angiv den endelige artefakt og dens acceptbetingelser, før du beder agenten fortsætte. En dokumentationsopgave kan kræve en sammenligning med uafklarede spørgsmål; en udviklingsopgave kan kræve en patch og en optegnelse over, hvad der blev kontrolleret.
Praktiske begrænsninger og udgavens omfang
En lang kontekst giver plads til materiale, men garanterer ikke, at et genereret projekt er korrekt, eller at alle krav er opfyldt. Returner faktiske fejl og observationer til næste trin, og valider resultatet i det tilsigtede miljø. Producenten fremstiller udtrykkeligt robusthed på tværs af komplekse, virkelige opgaver som noget, der skal vurderes og forbedres. Denne beskrivelse dækker MiMo-V2-Pros specialisering som tekst- og værktøjsagent; Omnis modalitetsfunktioner og specifikationer for senere MiMo-generationer tilhører deres respektive modeller. Værktøjerne, de tilgængelige parametre og outputhåndteringen er fortsat egenskaber ved den tilsluttede applikation.
", "aboutText": "Grundlag for agentarbejde\n\nMiMo-V2-Pro er Xiaomis førende grundmodel til komplekse agentopgaver og softwareudvikling. Dens rolle er at ræsonnere over en opgave, organisere de nødvendige trin og bruge oplysninger returneret af værktøjer til at fortsætte mod et defineret resultat. Modellens fokus rækker ud over at formulere et enkelt svar: den er udviklet til sammenhængende arbejde, hvor tidligere beslutninger og observationer påvirker, hvad der sker derefter.\n\nSkala og effektiv arkitektur\n\nProducenten beskriver mere end 1 billion parametre i alt med 42 milliarder aktive parametre. Pro udvider MiMo-V2-Flashs hybride attention-tilgang med et forhold på 7:1 mellem glidende vinduesattention og global attention. Et letvægtslag til forudsigelse af flere tokens understøtter generering, og den annoncerede kontekst når 1 million tokens. Det er arkitektur- og kontekstegenskaber ved Pro; de angiver ikke eksekveringshastigheden, hukommelsestildelingen eller anmodningsgrænserne i en bestemt integration.\n\nUdgivelseshistorik\n\nXiaomi identificerer Hunter Alpha som en tidlig intern testudgave før MiMo-V2-Pro. Den udgivne Pro-model har sit eget navn og forbedringer af arbejde med lang kontekst og stabilitet i agentscenarier. Sondringen er vigtig ved sammenligning af beskrivelser eller bevarelse af modelidentitet: en tidligere testudgave, MiMo-V2-Flash og MiMo-V2-Omni har hver deres rolle og specifikation.\n\nUdviklet til agenter\n\nModellen finjusteres gennem superviseret læring og forstærkningslæring på tværs af forskellige agentrammer med fokus på værktøjskald og ræsonnement i flere trin. Forbered en opgave med en observerbar afslutningsbetingelse og beskrivelser af de tilgængelige værktøjer. En projektassistent kan for eksempel modtage en ændringsanmodning, undersøge de givne moduler, foreslå de berørte komponenter og fortsætte, efter et værktøj returnerer en byggefejl. Det nyttige output er en række beslutninger knyttet til faktiske observationer efterfulgt af den ønskede kode, forklaring eller arbejdsoversigt. Det tilsluttede miljø udfører handlingerne.\n\nSoftwareudvikling og frontendopgaver\n\nXiaomi fremhæver systemdesign, opgaveplanlægning og kodeorienteret problemløsning. Dets demonstrationer omfatter interaktive websider og et browserbaseret spil produceret i et agentmiljø. En illustrativ udviklingsbeskrivelse kan angive sideadfærd, navigation, datatilstande og et responsivt layout og derefter bede om en implementering og kontroller mod disse krav. Til et eksisterende projekt skal du give de aktuelle filer, det fejlende tilfælde og de grænseflader, der skal forblive uændrede. Bed om en fokuseret ændring og en forklaring af de afhængigheder, den berører, frem for en uvedkommende erstatningsapplikation.\n\nLang kontekst og et kontrollerbart resultat\n\nKonteksten på op til 1 million tokens er nyttig, når flere filer, dokumenter, instruktioner og tidligere observationer tilhører samme opgave. Organiser materialet efter dets rolle: autoritative krav, aktuel kode, referenceeksempler og værktøjsresultater. Angiv den endelige artefakt og dens acceptbetingelser, før du beder agenten fortsætte. En dokumentationsopgave kan kræve en sammenligning med uafklarede spørgsmål; en udviklingsopgave kan kræve en patch og en optegnelse over, hvad der blev kontrolleret.\n\nPraktiske begrænsninger og udgavens omfang\n\nEn lang kontekst giver plads til materiale, men garanterer ikke, at et genereret projekt er korrekt, eller at alle krav er opfyldt. Returner faktiske fejl og observationer til næste trin, og valider resultatet i det tilsigtede miljø. Producenten fremstiller udtrykkeligt robusthed på tværs af komplekse, virkelige opgaver som noget, der skal vurderes og forbedres. Denne beskrivelse dækker MiMo-V2-Pros specialisering som tekst- og værktøjsagent; Omnis modalitetsfunktioner og specifikationer for senere MiMo-generationer tilhører deres respektive modeller. Værktøjerne, de tilgængelige parametre og outputhåndteringen er fortsat egenskaber ved den tilsluttede applikation.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Correct an error-state transition\n\nA text specification says a search box has idle, loading, results and error states. Existing logic sets loading=true before fetch and false only on success, so failures leave the spinner visible. Propose pseudocode that preserves results on success, shows an error on failure and always clears loading. Include the two distinguishing checks.Focused async pseudocode and success/failure checks covering final loading state and visible result or error.Check that loading is cleared in both branches without suppressing the error.mimo-v2-proMiMo-V2-Pro er Xiaomis agentorienterede tekstmodel til softwareudvikling, planlægning i flere trin og værktøjsdrevet arbejde. Dens kontekst på op til 1 million tokens hjælper med at holde omfattende projektmateriale, opgavebegrænsninger og successive observationer inden for en sammenhængende arbejdsgang.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Grundlag for agentarbejde
MiMo-V2-Pro er Xiaomis førende grundmodel til komplekse agentopgaver og softwareudvikling. Dens rolle er at ræsonnere over en opgave, organisere de nødvendige trin og bruge oplysninger returneret af værktøjer til at fortsætte mod et defineret resultat. Modellens fokus rækker ud over at formulere et enkelt svar: den er udviklet til sammenhængende arbejde, hvor tidligere beslutninger og observationer påvirker, hvad der sker derefter.
Skala og effektiv arkitektur
Producenten beskriver mere end 1 billion parametre i alt med 42 milliarder aktive parametre. Pro udvider MiMo-V2-Flashs hybride attention-tilgang med et forhold på 7:1 mellem glidende vinduesattention og global attention. Et letvægtslag til forudsigelse af flere tokens understøtter generering, og den annoncerede kontekst når 1 million tokens. Det er arkitektur- og kontekstegenskaber ved Pro; de angiver ikke eksekveringshastigheden, hukommelsestildelingen eller anmodningsgrænserne i en bestemt integration.
Udgivelseshistorik
Xiaomi identificerer Hunter Alpha som en tidlig intern testudgave før MiMo-V2-Pro. Den udgivne Pro-model har sit eget navn og forbedringer af arbejde med lang kontekst og stabilitet i agentscenarier. Sondringen er vigtig ved sammenligning af beskrivelser eller bevarelse af modelidentitet: en tidligere testudgave, MiMo-V2-Flash og MiMo-V2-Omni har hver deres rolle og specifikation.
Udviklet til agenter
Modellen finjusteres gennem superviseret læring og forstærkningslæring på tværs af forskellige agentrammer med fokus på værktøjskald og ræsonnement i flere trin. Forbered en opgave med en observerbar afslutningsbetingelse og beskrivelser af de tilgængelige værktøjer. En projektassistent kan for eksempel modtage en ændringsanmodning, undersøge de givne moduler, foreslå de berørte komponenter og fortsætte, efter et værktøj returnerer en byggefejl. Det nyttige output er en række beslutninger knyttet til faktiske observationer efterfulgt af den ønskede kode, forklaring eller arbejdsoversigt. Det tilsluttede miljø udfører handlingerne.
Softwareudvikling og frontendopgaver
Xiaomi fremhæver systemdesign, opgaveplanlægning og kodeorienteret problemløsning. Dets demonstrationer omfatter interaktive websider og et browserbaseret spil produceret i et agentmiljø. En illustrativ udviklingsbeskrivelse kan angive sideadfærd, navigation, datatilstande og et responsivt layout og derefter bede om en implementering og kontroller mod disse krav. Til et eksisterende projekt skal du give de aktuelle filer, det fejlende tilfælde og de grænseflader, der skal forblive uændrede. Bed om en fokuseret ændring og en forklaring af de afhængigheder, den berører, frem for en uvedkommende erstatningsapplikation.
Lang kontekst og et kontrollerbart resultat
Konteksten på op til 1 million tokens er nyttig, når flere filer, dokumenter, instruktioner og tidligere observationer tilhører samme opgave. Organiser materialet efter dets rolle: autoritative krav, aktuel kode, referenceeksempler og værktøjsresultater. Angiv den endelige artefakt og dens acceptbetingelser, før du beder agenten fortsætte. En dokumentationsopgave kan kræve en sammenligning med uafklarede spørgsmål; en udviklingsopgave kan kræve en patch og en optegnelse over, hvad der blev kontrolleret.
Praktiske begrænsninger og udgavens omfang
En lang kontekst giver plads til materiale, men garanterer ikke, at et genereret projekt er korrekt, eller at alle krav er opfyldt. Returner faktiske fejl og observationer til næste trin, og valider resultatet i det tilsigtede miljø. Producenten fremstiller udtrykkeligt robusthed på tværs af komplekse, virkelige opgaver som noget, der skal vurderes og forbedres. Denne beskrivelse dækker MiMo-V2-Pros specialisering som tekst- og værktøjsagent; Omnis modalitetsfunktioner og specifikationer for senere MiMo-generationer tilhører deres respektive modeller. Værktøjerne, de tilgængelige parametre og outputhåndteringen er fortsat egenskaber ved den tilsluttede applikation.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mimo-v2-pro | 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 $0.0022 / 1K tokens Output · Outputtokens $0.0066 / 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-pro", "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-pro',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-pro',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-pro
Brug metodestierne vist ovenfor.
mimo-v2-proMiMo-V2-Pro er Xiaomis agentorienterede tekstmodel til softwareudvikling, planlægning i flere trin og værktøjsdrevet arbejde. Dens kontekst på op til 1 million tokens hjælper med at holde omfattende projektmateriale, opgavebegrænsninger og successive observationer inden for en sammenhængende arbejdsgang.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Grundlag for agentarbejde
MiMo-V2-Pro er Xiaomis førende grundmodel til komplekse agentopgaver og softwareudvikling. Dens rolle er at ræsonnere over en opgave, organisere de nødvendige trin og bruge oplysninger returneret af værktøjer til at fortsætte mod et defineret resultat. Modellens fokus rækker ud over at formulere et enkelt svar: den er udviklet til sammenhængende arbejde, hvor tidligere beslutninger og observationer påvirker, hvad der sker derefter.
Skala og effektiv arkitektur
Producenten beskriver mere end 1 billion parametre i alt med 42 milliarder aktive parametre. Pro udvider MiMo-V2-Flashs hybride attention-tilgang med et forhold på 7:1 mellem glidende vinduesattention og global attention. Et letvægtslag til forudsigelse af flere tokens understøtter generering, og den annoncerede kontekst når 1 million tokens. Det er arkitektur- og kontekstegenskaber ved Pro; de angiver ikke eksekveringshastigheden, hukommelsestildelingen eller anmodningsgrænserne i en bestemt integration.
Udgivelseshistorik
Xiaomi identificerer Hunter Alpha som en tidlig intern testudgave før MiMo-V2-Pro. Den udgivne Pro-model har sit eget navn og forbedringer af arbejde med lang kontekst og stabilitet i agentscenarier. Sondringen er vigtig ved sammenligning af beskrivelser eller bevarelse af modelidentitet: en tidligere testudgave, MiMo-V2-Flash og MiMo-V2-Omni har hver deres rolle og specifikation.
Udviklet til agenter
Modellen finjusteres gennem superviseret læring og forstærkningslæring på tværs af forskellige agentrammer med fokus på værktøjskald og ræsonnement i flere trin. Forbered en opgave med en observerbar afslutningsbetingelse og beskrivelser af de tilgængelige værktøjer. En projektassistent kan for eksempel modtage en ændringsanmodning, undersøge de givne moduler, foreslå de berørte komponenter og fortsætte, efter et værktøj returnerer en byggefejl. Det nyttige output er en række beslutninger knyttet til faktiske observationer efterfulgt af den ønskede kode, forklaring eller arbejdsoversigt. Det tilsluttede miljø udfører handlingerne.
Softwareudvikling og frontendopgaver
Xiaomi fremhæver systemdesign, opgaveplanlægning og kodeorienteret problemløsning. Dets demonstrationer omfatter interaktive websider og et browserbaseret spil produceret i et agentmiljø. En illustrativ udviklingsbeskrivelse kan angive sideadfærd, navigation, datatilstande og et responsivt layout og derefter bede om en implementering og kontroller mod disse krav. Til et eksisterende projekt skal du give de aktuelle filer, det fejlende tilfælde og de grænseflader, der skal forblive uændrede. Bed om en fokuseret ændring og en forklaring af de afhængigheder, den berører, frem for en uvedkommende erstatningsapplikation.
Lang kontekst og et kontrollerbart resultat
Konteksten på op til 1 million tokens er nyttig, når flere filer, dokumenter, instruktioner og tidligere observationer tilhører samme opgave. Organiser materialet efter dets rolle: autoritative krav, aktuel kode, referenceeksempler og værktøjsresultater. Angiv den endelige artefakt og dens acceptbetingelser, før du beder agenten fortsætte. En dokumentationsopgave kan kræve en sammenligning med uafklarede spørgsmål; en udviklingsopgave kan kræve en patch og en optegnelse over, hvad der blev kontrolleret.
Praktiske begrænsninger og udgavens omfang
En lang kontekst giver plads til materiale, men garanterer ikke, at et genereret projekt er korrekt, eller at alle krav er opfyldt. Returner faktiske fejl og observationer til næste trin, og valider resultatet i det tilsigtede miljø. Producenten fremstiller udtrykkeligt robusthed på tværs af komplekse, virkelige opgaver som noget, der skal vurderes og forbedres. Denne beskrivelse dækker MiMo-V2-Pros specialisering som tekst- og værktøjsagent; Omnis modalitetsfunktioner og specifikationer for senere MiMo-generationer tilhører deres respektive modeller. Værktøjerne, de tilgængelige parametre og outputhåndteringen er fortsat egenskaber ved den tilsluttede applikation.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mimo-v2-pro | 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 $0.0022 / 1K tokens Output · Outputtokens $0.0066 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "mimo-v2-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-pro', '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-pro', '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-pro
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Correct an error-state transition\n\nA text specification says a search box has idle, loading, results and error states. Existing logic sets loading=true before fetch and false only on success, so failures leave the spinner visible. Propose pseudocode that preserves results on success, shows an error on failure and always clears loading. Include the two distinguishing checks.Focused async pseudocode and success/failure checks covering final loading state and visible result or error.Check that loading is cleared in both branches without suppressing the error.