MiMo-V2.5-Pro er Xiaomis store tekstorienterede mixture-of-experts-model til krævende agentarbejde, kompleks softwareudvikling og opgaver med mange sammenhængende trin. Producenten angiver 1,02 billioner parametre i alt, 42 milliarder aktive parametre og en kontekst på op til en million tokens. Formålet er at fastholde opgavens instruktioner og den indsamlede dokumentation, mens en understøttende applikation stiller værktøjer til rådighed og returnerer deres resultater.
Modellen kombinerer opmærksomhed i et glidende vindue med global opmærksomhed i forholdet 6:1. Det lokale vindue er på 128 tokens, mens lag med global opmærksomhed forbinder information på tværs af den længere historik. Dette beskriver opmærksomhedsarkitekturen og er ikke en begrænsning af brugerens input til 128 tokens. Grundarkitekturen har 70 lag og sparsom ekspertrouting, hvor otte routede eksperter vælges for hvert token. Tre moduler til forudsigelse af flere tokens er integreret i trænings- og inferensdesignet for at understøtte spekulativ afkodning.
Producenten beskriver fortræning på 27 billioner tokens efterfulgt af superviseret finjustering, domænespecialiseret forstærkningslæring og on-policy-destillation fra flere lærermodeller. De specialiserede lærermodeller dækker områder som matematik, sikkerhed og kompleks værktøjsbrug, og i den sidste fase samles deres vejledning i én model. Dette træningsfokus understøtter modellens rolle i lange software- og agentforløb; en konkret opgave kræver stadig angivne krav og en måde at afgøre, om resultatet er fuldstændigt.
Ved en softwareændring skal du angive de relevante filer, en observeret fejl eller den ønskede adfærd, projektets konventioner og de kontroller, der er vigtige. En nyttig instruktion er at identificere den berørte adfærd, foreslå en afgrænset implementering og forklare, hvordan både det ønskede tilfælde og et meningsfuldt grænsetilfælde kan kontrolleres. Bevar projektets præcise identifikatorer. Hvis miljøet tillader kørsel, skal du returnere det faktiske kontroloutput frem for at bede modellen antage, at en plausibel rettelse virker.
Ved en længere agentopgave skal du føre en kortfattet oversigt over målet, de allerede trufne beslutninger og den dokumentation, værktøjerne har returneret. Angiv, hvad hver operation må ændre, og hvilket resultat der vil berettige næste trin. Modellen kan hjælpe med at ræsonnere på tværs af disse interaktioner og forberede næste forespørgsel, men den omgivende applikation udfører operationerne. Bevar fejl og uafklarede forhold i den afsluttende redegørelse, så et langt forløb ikke skjuler et mislykket trin bag en flydende forklaring.
Den store kontekst kan være nyttig til at sammenligne implementeringer eller sammenfatte flere omfattende dokumenter. Markér grænserne mellem filer og dokumenter, identificér de afsnit, svaret skal bruge, og angiv det ønskede outputformat. Bed eksempelvis om et migrationsforslag, der knytter hver berørt komponent til et krav og særskilt angiver manglende information. Bevar de understøttende passager eller kodeplaceringer sammen med resultatet, så en reviewer kan følge begrundelsen tilbage til inputtet.
Xiaomis offentliggjorte eksempel på modeldrift bruger en kontekstkonfiguration på 1.048.576 tokens, mens oversigten beskriver modellen som understøttende op til 1M tokens. Giv plads til genereret tekst og opsamlet værktøjshistorik inden for den anvendte konfiguration. Producenten anbefaler temperature 1.0 og top_p 0.95 til lokal inferens. Det er detaljer fra producentens opskrift og ingen garanti for, at alle applikationer stiller identiske indstillinger eller det samme arbejdsområde til rådighed.
MiMo-V2.5-Pro adskiller sig fra den nativt omnimodale søstermodel MiMo-V2.5 og den senere V2.6-serie. Brug denne udgave til dens dokumenterede sprog- og agentopgaver uden at overføre en anden udgaves specifikationer for syn eller lyd. Slutresultatet kan være et kodeforslag, en implementeringsforklaring eller en evidensbaseret analyse; kontrollér vigtige beregninger, krav og værktøjsresultater mod det materiale, der er leveret til opgaven.
", "aboutText": "MiMo-V2.5-Pro er Xiaomis store tekstorienterede mixture-of-experts-model til krævende agentarbejde, kompleks softwareudvikling og opgaver med mange sammenhængende trin. Producenten angiver 1,02 billioner parametre i alt, 42 milliarder aktive parametre og en kontekst på op til en million tokens. Formålet er at fastholde opgavens instruktioner og den indsamlede dokumentation, mens en understøttende applikation stiller værktøjer til rådighed og returnerer deres resultater.\n\nModellen kombinerer opmærksomhed i et glidende vindue med global opmærksomhed i forholdet 6:1. Det lokale vindue er på 128 tokens, mens lag med global opmærksomhed forbinder information på tværs af den længere historik. Dette beskriver opmærksomhedsarkitekturen og er ikke en begrænsning af brugerens input til 128 tokens. Grundarkitekturen har 70 lag og sparsom ekspertrouting, hvor otte routede eksperter vælges for hvert token. Tre moduler til forudsigelse af flere tokens er integreret i trænings- og inferensdesignet for at understøtte spekulativ afkodning.\n\nProducenten beskriver fortræning på 27 billioner tokens efterfulgt af superviseret finjustering, domænespecialiseret forstærkningslæring og on-policy-destillation fra flere lærermodeller. De specialiserede lærermodeller dækker områder som matematik, sikkerhed og kompleks værktøjsbrug, og i den sidste fase samles deres vejledning i én model. Dette træningsfokus understøtter modellens rolle i lange software- og agentforløb; en konkret opgave kræver stadig angivne krav og en måde at afgøre, om resultatet er fuldstændigt.\n\nVed en softwareændring skal du angive de relevante filer, en observeret fejl eller den ønskede adfærd, projektets konventioner og de kontroller, der er vigtige. En nyttig instruktion er at identificere den berørte adfærd, foreslå en afgrænset implementering og forklare, hvordan både det ønskede tilfælde og et meningsfuldt grænsetilfælde kan kontrolleres. Bevar projektets præcise identifikatorer. Hvis miljøet tillader kørsel, skal du returnere det faktiske kontroloutput frem for at bede modellen antage, at en plausibel rettelse virker.\n\nVed en længere agentopgave skal du føre en kortfattet oversigt over målet, de allerede trufne beslutninger og den dokumentation, værktøjerne har returneret. Angiv, hvad hver operation må ændre, og hvilket resultat der vil berettige næste trin. Modellen kan hjælpe med at ræsonnere på tværs af disse interaktioner og forberede næste forespørgsel, men den omgivende applikation udfører operationerne. Bevar fejl og uafklarede forhold i den afsluttende redegørelse, så et langt forløb ikke skjuler et mislykket trin bag en flydende forklaring.\n\nDen store kontekst kan være nyttig til at sammenligne implementeringer eller sammenfatte flere omfattende dokumenter. Markér grænserne mellem filer og dokumenter, identificér de afsnit, svaret skal bruge, og angiv det ønskede outputformat. Bed eksempelvis om et migrationsforslag, der knytter hver berørt komponent til et krav og særskilt angiver manglende information. Bevar de understøttende passager eller kodeplaceringer sammen med resultatet, så en reviewer kan følge begrundelsen tilbage til inputtet.\n\nXiaomis offentliggjorte eksempel på modeldrift bruger en kontekstkonfiguration på 1.048.576 tokens, mens oversigten beskriver modellen som understøttende op til 1M tokens. Giv plads til genereret tekst og opsamlet værktøjshistorik inden for den anvendte konfiguration. Producenten anbefaler temperature 1.0 og top_p 0.95 til lokal inferens. Det er detaljer fra producentens opskrift og ingen garanti for, at alle applikationer stiller identiske indstillinger eller det samme arbejdsområde til rådighed.\n\nMiMo-V2.5-Pro adskiller sig fra den nativt omnimodale søstermodel MiMo-V2.5 og den senere V2.6-serie. Brug denne udgave til dens dokumenterede sprog- og agentopgaver uden at overføre en anden udgaves specifikationer for syn eller lyd. Slutresultatet kan være et kodeforslag, en implementeringsforklaring eller en evidensbaseret analyse; kontrollér vigtige beregninger, krav og værktøjsresultater mod det materiale, der er leveret til opgaven.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Correct a two-stage validation flow\n\nTrace this Python flow: validate.py: def valid(row): return bool(row.get('email')); import.py: accepted = [r for r in rows if valid(r) is not None]. A row without email is incorrectly accepted. Propose the smallest correction, retain valid's Boolean contract and supply cases for a missing email and a present email. Separate the proposal from executed checks.A cross-file cause explanation, focused consumer patch and two regression cases.The consumer must reject False rather than treating every non-None Boolean as accepted.xiaomi/mimo-v2.5-proMiMo-V2.5-Pro er Xiaomis tekstorienterede model til kompleks softwareudvikling og længere agentforløb. Den offentliggjorte profil kombinerer en MoE med 1,02 billioner parametre, 42 milliarder aktive parametre og op til en million tokens kontekst med træning, der fokuserer på sammenhængende værktøjsbrug.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
MiMo-V2.5-Pro er Xiaomis store tekstorienterede mixture-of-experts-model til krævende agentarbejde, kompleks softwareudvikling og opgaver med mange sammenhængende trin. Producenten angiver 1,02 billioner parametre i alt, 42 milliarder aktive parametre og en kontekst på op til en million tokens. Formålet er at fastholde opgavens instruktioner og den indsamlede dokumentation, mens en understøttende applikation stiller værktøjer til rådighed og returnerer deres resultater.
Modellen kombinerer opmærksomhed i et glidende vindue med global opmærksomhed i forholdet 6:1. Det lokale vindue er på 128 tokens, mens lag med global opmærksomhed forbinder information på tværs af den længere historik. Dette beskriver opmærksomhedsarkitekturen og er ikke en begrænsning af brugerens input til 128 tokens. Grundarkitekturen har 70 lag og sparsom ekspertrouting, hvor otte routede eksperter vælges for hvert token. Tre moduler til forudsigelse af flere tokens er integreret i trænings- og inferensdesignet for at understøtte spekulativ afkodning.
Producenten beskriver fortræning på 27 billioner tokens efterfulgt af superviseret finjustering, domænespecialiseret forstærkningslæring og on-policy-destillation fra flere lærermodeller. De specialiserede lærermodeller dækker områder som matematik, sikkerhed og kompleks værktøjsbrug, og i den sidste fase samles deres vejledning i én model. Dette træningsfokus understøtter modellens rolle i lange software- og agentforløb; en konkret opgave kræver stadig angivne krav og en måde at afgøre, om resultatet er fuldstændigt.
Ved en softwareændring skal du angive de relevante filer, en observeret fejl eller den ønskede adfærd, projektets konventioner og de kontroller, der er vigtige. En nyttig instruktion er at identificere den berørte adfærd, foreslå en afgrænset implementering og forklare, hvordan både det ønskede tilfælde og et meningsfuldt grænsetilfælde kan kontrolleres. Bevar projektets præcise identifikatorer. Hvis miljøet tillader kørsel, skal du returnere det faktiske kontroloutput frem for at bede modellen antage, at en plausibel rettelse virker.
Ved en længere agentopgave skal du føre en kortfattet oversigt over målet, de allerede trufne beslutninger og den dokumentation, værktøjerne har returneret. Angiv, hvad hver operation må ændre, og hvilket resultat der vil berettige næste trin. Modellen kan hjælpe med at ræsonnere på tværs af disse interaktioner og forberede næste forespørgsel, men den omgivende applikation udfører operationerne. Bevar fejl og uafklarede forhold i den afsluttende redegørelse, så et langt forløb ikke skjuler et mislykket trin bag en flydende forklaring.
Den store kontekst kan være nyttig til at sammenligne implementeringer eller sammenfatte flere omfattende dokumenter. Markér grænserne mellem filer og dokumenter, identificér de afsnit, svaret skal bruge, og angiv det ønskede outputformat. Bed eksempelvis om et migrationsforslag, der knytter hver berørt komponent til et krav og særskilt angiver manglende information. Bevar de understøttende passager eller kodeplaceringer sammen med resultatet, så en reviewer kan følge begrundelsen tilbage til inputtet.
Xiaomis offentliggjorte eksempel på modeldrift bruger en kontekstkonfiguration på 1.048.576 tokens, mens oversigten beskriver modellen som understøttende op til 1M tokens. Giv plads til genereret tekst og opsamlet værktøjshistorik inden for den anvendte konfiguration. Producenten anbefaler temperature 1.0 og top_p 0.95 til lokal inferens. Det er detaljer fra producentens opskrift og ingen garanti for, at alle applikationer stiller identiske indstillinger eller det samme arbejdsområde til rådighed.
MiMo-V2.5-Pro adskiller sig fra den nativt omnimodale søstermodel MiMo-V2.5 og den senere V2.6-serie. Brug denne udgave til dens dokumenterede sprog- og agentopgaver uden at overføre en anden udgaves specifikationer for syn eller lyd. Slutresultatet kan være et kodeforslag, en implementeringsforklaring eller en evidensbaseret analyse; kontrollér vigtige beregninger, krav og værktøjsresultater mod det materiale, der er leveret til opgaven.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser xiaomi/mimo-v2.5-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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00087 / 1K tokens Output · Outputtokens $0.00174 / 1K tokens Input · Cachelæsning $0.0000072 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00087 / 1K tokens Output · Outputtokens $0.00174 / 1K tokens Input · Cachelæsning $0.0000072 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "xiaomi/mimo-v2.5-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='xiaomi/mimo-v2.5-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='xiaomi/mimo-v2.5-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 xiaomi/mimo-v2.5-pro
Brug metodestierne vist ovenfor.
xiaomi/mimo-v2.5-proMiMo-V2.5-Pro er Xiaomis tekstorienterede model til kompleks softwareudvikling og længere agentforløb. Den offentliggjorte profil kombinerer en MoE med 1,02 billioner parametre, 42 milliarder aktive parametre og op til en million tokens kontekst med træning, der fokuserer på sammenhængende værktøjsbrug.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
MiMo-V2.5-Pro er Xiaomis store tekstorienterede mixture-of-experts-model til krævende agentarbejde, kompleks softwareudvikling og opgaver med mange sammenhængende trin. Producenten angiver 1,02 billioner parametre i alt, 42 milliarder aktive parametre og en kontekst på op til en million tokens. Formålet er at fastholde opgavens instruktioner og den indsamlede dokumentation, mens en understøttende applikation stiller værktøjer til rådighed og returnerer deres resultater.
Modellen kombinerer opmærksomhed i et glidende vindue med global opmærksomhed i forholdet 6:1. Det lokale vindue er på 128 tokens, mens lag med global opmærksomhed forbinder information på tværs af den længere historik. Dette beskriver opmærksomhedsarkitekturen og er ikke en begrænsning af brugerens input til 128 tokens. Grundarkitekturen har 70 lag og sparsom ekspertrouting, hvor otte routede eksperter vælges for hvert token. Tre moduler til forudsigelse af flere tokens er integreret i trænings- og inferensdesignet for at understøtte spekulativ afkodning.
Producenten beskriver fortræning på 27 billioner tokens efterfulgt af superviseret finjustering, domænespecialiseret forstærkningslæring og on-policy-destillation fra flere lærermodeller. De specialiserede lærermodeller dækker områder som matematik, sikkerhed og kompleks værktøjsbrug, og i den sidste fase samles deres vejledning i én model. Dette træningsfokus understøtter modellens rolle i lange software- og agentforløb; en konkret opgave kræver stadig angivne krav og en måde at afgøre, om resultatet er fuldstændigt.
Ved en softwareændring skal du angive de relevante filer, en observeret fejl eller den ønskede adfærd, projektets konventioner og de kontroller, der er vigtige. En nyttig instruktion er at identificere den berørte adfærd, foreslå en afgrænset implementering og forklare, hvordan både det ønskede tilfælde og et meningsfuldt grænsetilfælde kan kontrolleres. Bevar projektets præcise identifikatorer. Hvis miljøet tillader kørsel, skal du returnere det faktiske kontroloutput frem for at bede modellen antage, at en plausibel rettelse virker.
Ved en længere agentopgave skal du føre en kortfattet oversigt over målet, de allerede trufne beslutninger og den dokumentation, værktøjerne har returneret. Angiv, hvad hver operation må ændre, og hvilket resultat der vil berettige næste trin. Modellen kan hjælpe med at ræsonnere på tværs af disse interaktioner og forberede næste forespørgsel, men den omgivende applikation udfører operationerne. Bevar fejl og uafklarede forhold i den afsluttende redegørelse, så et langt forløb ikke skjuler et mislykket trin bag en flydende forklaring.
Den store kontekst kan være nyttig til at sammenligne implementeringer eller sammenfatte flere omfattende dokumenter. Markér grænserne mellem filer og dokumenter, identificér de afsnit, svaret skal bruge, og angiv det ønskede outputformat. Bed eksempelvis om et migrationsforslag, der knytter hver berørt komponent til et krav og særskilt angiver manglende information. Bevar de understøttende passager eller kodeplaceringer sammen med resultatet, så en reviewer kan følge begrundelsen tilbage til inputtet.
Xiaomis offentliggjorte eksempel på modeldrift bruger en kontekstkonfiguration på 1.048.576 tokens, mens oversigten beskriver modellen som understøttende op til 1M tokens. Giv plads til genereret tekst og opsamlet værktøjshistorik inden for den anvendte konfiguration. Producenten anbefaler temperature 1.0 og top_p 0.95 til lokal inferens. Det er detaljer fra producentens opskrift og ingen garanti for, at alle applikationer stiller identiske indstillinger eller det samme arbejdsområde til rådighed.
MiMo-V2.5-Pro adskiller sig fra den nativt omnimodale søstermodel MiMo-V2.5 og den senere V2.6-serie. Brug denne udgave til dens dokumenterede sprog- og agentopgaver uden at overføre en anden udgaves specifikationer for syn eller lyd. Slutresultatet kan være et kodeforslag, en implementeringsforklaring eller en evidensbaseret analyse; kontrollér vigtige beregninger, krav og værktøjsresultater mod det materiale, der er leveret til opgaven.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser xiaomi/mimo-v2.5-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.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00087 / 1K tokens Output · Outputtokens $0.00174 / 1K tokens Input · Cachelæsning $0.0000072 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00087 / 1K tokens Output · Outputtokens $0.00174 / 1K tokens Input · Cachelæsning $0.0000072 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "xiaomi/mimo-v2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'xiaomi/mimo-v2.5-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': 'xiaomi/mimo-v2.5-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 xiaomi/mimo-v2.5-pro
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Correct a two-stage validation flow\n\nTrace this Python flow: validate.py: def valid(row): return bool(row.get('email')); import.py: accepted = [r for r in rows if valid(r) is not None]. A row without email is incorrectly accepted. Propose the smallest correction, retain valid's Boolean contract and supply cases for a missing email and a present email. Separate the proposal from executed checks.A cross-file cause explanation, focused consumer patch and two regression cases.The consumer must reject False rather than treating every non-None Boolean as accepted.