MiMo-V2.5 er Xiaomis native omnimodale model til at forstå tekst, billeder, video og lyd inden for én arkitektur. Den kombinerer multimodal perception med ræsonnering over lange kontekster og agentarbejdsgange. Producenten beskriver en mixture-of-experts-model med sparsom aktivering, i alt 310B parametre og 15B aktiverede parametre. Svaret er et tekstligt resultat eller en anvisning til et værktøj, som en understøttende applikation kan bruge; forståelse af lyd- eller billedinput er adskilt fra at generere nye medier.
Sprogkernen bygger på MiMo-V2-Flash-arkitekturen og kombinerer sliding-window- og global attention i et 5:1-mønster med et lokalt vindue på 128 tokens. Xiaomi tilføjer en særskilt vision-transformer med 729M parametre og en lydencoder med 261M parametre, initialiseret fra MiMo-Audio. Tre moduler til forudsigelse af flere tokens understøtter spekulativ afkodning. Det lokale attention-vindue er en arkitekturdetalje; producenten angiver en langt større kontekst på op til en million tokens for den samlede opgavehistorik.
Giv ved billedanalyse en læsbar kilde, og angiv det forhold eller den detalje, som svaret skal forklare. En dokumentopgave kan bede om en tabel over observerede felter med den tilsvarende side eller region; en designopgave kan forbinde et skærmbilledes layout med et implementeringskrav. Bevar kildebilledet, så små tekster, optællinger eller rumlige observationer kan kontrolleres. Bed modellen lade usikker dokumentation være synlig frem for at omdanne et uklart mærke til en sikker værdi.
Kombinér ved video eller lyd det leverede materiale med et fokuseret spørgsmål og den kontekst, der er nødvendig for at fortolke det. En nyttig arbejdsgang er at forklare en sekvens af grænsefladehandlinger fra en optagelse, identificere, hvor den observerede adfærd afviger fra de tilsigtede trin, og udarbejde en diagnose knyttet til det relevante tidsinterval. Bevar kronologien og den oprindelige optagelse til kontrol. Tekstoutputtet kan blive input til en senere rapport, tekstning eller redigering uden at hævde, at det selv er en nygenereret video eller et stemmespor.
Giv ved en agentopgave målet, det relevante kildemateriale og inputaftalerne for eventuelle værktøjer, som applikationen stiller til rådighed. Hold faktiske værktøjsoutput i historikken, så modellen kan tilpasse sit næste trin til det, der skete. En repositoryopgave kan kombinere kode, et skærmbillede af resultatet og kontroloutput for at skabe et fokuseret ændringsforslag. Registrér, om den resulterende handling blev udført, og om det observerede resultat opfylder den ønskede adfærd.
Producentens træningssekvens starter med tekstfortræning, opvarmer de visuelle og lydmæssige projektorer og fortsætter med multimodal fortræning. Superviseret agenttræning udvider gradvist konteksten fra 32K over 256K til 1M; reinforcement learning og on-policy-distillation med flere lærermodeller udvikler derefter perception, ræsonnering og agentadfærd. Producenten angiver omtrent 48 billioner træningstokens. Denne træningshistorik forklarer det kombinerede input- og opgaveomfang uden at garantere noget om en bestemt optagelse eller et bestemt repository.
Modeloversigten angiver understøttelse af op til 1M tokens, mens det offentliggjorte eksekveringseksempel bruger en kontekstkonfiguration på 262.144 tokens. Hold modellens kapacitet og en valgt implementerings arbejdsvindue adskilt, og efterlad plads til det genererede svar og fortsatte værktøjsresultater. Xiaomi anbefaler temperature 1.0 og top_p 0.95 til lokal inferens. Medieforbehandling og applikationsindstillinger skal følge den specifikke grænseflade, der bruges til opgaven.
MiMo-V2.5 er den omnimodale søskendemodel til den større, tekstfokuserede MiMo-V2.5-Pro. Bevar denne forskel mellem udgaverne i en resultatpost. Det nyttige slutresultat er en forklaring, et udtræk eller et ændringsforslag, der hænger sammen med leveret tekst og medier, mens usikre observationer og ikke-verificerede værktøjsresultater fortsat er tilgængelige for rettelse.
", "aboutText": "MiMo-V2.5 er Xiaomis native omnimodale model til at forstå tekst, billeder, video og lyd inden for én arkitektur. Den kombinerer multimodal perception med ræsonnering over lange kontekster og agentarbejdsgange. Producenten beskriver en mixture-of-experts-model med sparsom aktivering, i alt 310B parametre og 15B aktiverede parametre. Svaret er et tekstligt resultat eller en anvisning til et værktøj, som en understøttende applikation kan bruge; forståelse af lyd- eller billedinput er adskilt fra at generere nye medier.\n\nSprogkernen bygger på MiMo-V2-Flash-arkitekturen og kombinerer sliding-window- og global attention i et 5:1-mønster med et lokalt vindue på 128 tokens. Xiaomi tilføjer en særskilt vision-transformer med 729M parametre og en lydencoder med 261M parametre, initialiseret fra MiMo-Audio. Tre moduler til forudsigelse af flere tokens understøtter spekulativ afkodning. Det lokale attention-vindue er en arkitekturdetalje; producenten angiver en langt større kontekst på op til en million tokens for den samlede opgavehistorik.\n\nGiv ved billedanalyse en læsbar kilde, og angiv det forhold eller den detalje, som svaret skal forklare. En dokumentopgave kan bede om en tabel over observerede felter med den tilsvarende side eller region; en designopgave kan forbinde et skærmbilledes layout med et implementeringskrav. Bevar kildebilledet, så små tekster, optællinger eller rumlige observationer kan kontrolleres. Bed modellen lade usikker dokumentation være synlig frem for at omdanne et uklart mærke til en sikker værdi.\n\nKombinér ved video eller lyd det leverede materiale med et fokuseret spørgsmål og den kontekst, der er nødvendig for at fortolke det. En nyttig arbejdsgang er at forklare en sekvens af grænsefladehandlinger fra en optagelse, identificere, hvor den observerede adfærd afviger fra de tilsigtede trin, og udarbejde en diagnose knyttet til det relevante tidsinterval. Bevar kronologien og den oprindelige optagelse til kontrol. Tekstoutputtet kan blive input til en senere rapport, tekstning eller redigering uden at hævde, at det selv er en nygenereret video eller et stemmespor.\n\nGiv ved en agentopgave målet, det relevante kildemateriale og inputaftalerne for eventuelle værktøjer, som applikationen stiller til rådighed. Hold faktiske værktøjsoutput i historikken, så modellen kan tilpasse sit næste trin til det, der skete. En repositoryopgave kan kombinere kode, et skærmbillede af resultatet og kontroloutput for at skabe et fokuseret ændringsforslag. Registrér, om den resulterende handling blev udført, og om det observerede resultat opfylder den ønskede adfærd.\n\nProducentens træningssekvens starter med tekstfortræning, opvarmer de visuelle og lydmæssige projektorer og fortsætter med multimodal fortræning. Superviseret agenttræning udvider gradvist konteksten fra 32K over 256K til 1M; reinforcement learning og on-policy-distillation med flere lærermodeller udvikler derefter perception, ræsonnering og agentadfærd. Producenten angiver omtrent 48 billioner træningstokens. Denne træningshistorik forklarer det kombinerede input- og opgaveomfang uden at garantere noget om en bestemt optagelse eller et bestemt repository.\n\nModeloversigten angiver understøttelse af op til 1M tokens, mens det offentliggjorte eksekveringseksempel bruger en kontekstkonfiguration på 262.144 tokens. Hold modellens kapacitet og en valgt implementerings arbejdsvindue adskilt, og efterlad plads til det genererede svar og fortsatte værktøjsresultater. Xiaomi anbefaler temperature 1.0 og top_p 0.95 til lokal inferens. Medieforbehandling og applikationsindstillinger skal følge den specifikke grænseflade, der bruges til opgaven.\n\nMiMo-V2.5 er den omnimodale søskendemodel til den større, tekstfokuserede MiMo-V2.5-Pro. Bevar denne forskel mellem udgaverne i en resultatpost. Det nyttige slutresultat er en forklaring, et udtræk eller et ændringsforslag, der hænger sammen med leveret tekst og medier, mens usikre observationer og ikke-verificerede værktøjsresultater fortsat er tilgængelige for rettelse.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Diagnose a workflow from a text timeline\n\nAnalyze this supplied text timeline against the intended order 'select a file, validate it, then import'. Actual log: 00:01 selected sales.csv; 00:02 import started; 00:03 validation failed for missing column; 00:04 import marked complete. Identify the first divergence, explain the inconsistent final state and propose a focused correction with a regression scenario. No recording is attached.A timestamp-linked diagnosis, a correction to stage ordering/state handling and a regression scenario.The diagnosis identifies import before validation and prevents a failed validation from ending in complete status.xiaomi/mimo-v2.5MiMo-V2.5 forstår tekst, billeder, video og lyd i én model til multimodal analyse og agentopgaver. Xiaomi dokumenterer 310 milliarder parametre i alt, 15 milliarder aktive parametre og op til en million tokens kontekst med særskilte encodere til syn og lyd.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
MiMo-V2.5 er Xiaomis native omnimodale model til at forstå tekst, billeder, video og lyd inden for én arkitektur. Den kombinerer multimodal perception med ræsonnering over lange kontekster og agentarbejdsgange. Producenten beskriver en mixture-of-experts-model med sparsom aktivering, i alt 310B parametre og 15B aktiverede parametre. Svaret er et tekstligt resultat eller en anvisning til et værktøj, som en understøttende applikation kan bruge; forståelse af lyd- eller billedinput er adskilt fra at generere nye medier.
Sprogkernen bygger på MiMo-V2-Flash-arkitekturen og kombinerer sliding-window- og global attention i et 5:1-mønster med et lokalt vindue på 128 tokens. Xiaomi tilføjer en særskilt vision-transformer med 729M parametre og en lydencoder med 261M parametre, initialiseret fra MiMo-Audio. Tre moduler til forudsigelse af flere tokens understøtter spekulativ afkodning. Det lokale attention-vindue er en arkitekturdetalje; producenten angiver en langt større kontekst på op til en million tokens for den samlede opgavehistorik.
Giv ved billedanalyse en læsbar kilde, og angiv det forhold eller den detalje, som svaret skal forklare. En dokumentopgave kan bede om en tabel over observerede felter med den tilsvarende side eller region; en designopgave kan forbinde et skærmbilledes layout med et implementeringskrav. Bevar kildebilledet, så små tekster, optællinger eller rumlige observationer kan kontrolleres. Bed modellen lade usikker dokumentation være synlig frem for at omdanne et uklart mærke til en sikker værdi.
Kombinér ved video eller lyd det leverede materiale med et fokuseret spørgsmål og den kontekst, der er nødvendig for at fortolke det. En nyttig arbejdsgang er at forklare en sekvens af grænsefladehandlinger fra en optagelse, identificere, hvor den observerede adfærd afviger fra de tilsigtede trin, og udarbejde en diagnose knyttet til det relevante tidsinterval. Bevar kronologien og den oprindelige optagelse til kontrol. Tekstoutputtet kan blive input til en senere rapport, tekstning eller redigering uden at hævde, at det selv er en nygenereret video eller et stemmespor.
Giv ved en agentopgave målet, det relevante kildemateriale og inputaftalerne for eventuelle værktøjer, som applikationen stiller til rådighed. Hold faktiske værktøjsoutput i historikken, så modellen kan tilpasse sit næste trin til det, der skete. En repositoryopgave kan kombinere kode, et skærmbillede af resultatet og kontroloutput for at skabe et fokuseret ændringsforslag. Registrér, om den resulterende handling blev udført, og om det observerede resultat opfylder den ønskede adfærd.
Producentens træningssekvens starter med tekstfortræning, opvarmer de visuelle og lydmæssige projektorer og fortsætter med multimodal fortræning. Superviseret agenttræning udvider gradvist konteksten fra 32K over 256K til 1M; reinforcement learning og on-policy-distillation med flere lærermodeller udvikler derefter perception, ræsonnering og agentadfærd. Producenten angiver omtrent 48 billioner træningstokens. Denne træningshistorik forklarer det kombinerede input- og opgaveomfang uden at garantere noget om en bestemt optagelse eller et bestemt repository.
Modeloversigten angiver understøttelse af op til 1M tokens, mens det offentliggjorte eksekveringseksempel bruger en kontekstkonfiguration på 262.144 tokens. Hold modellens kapacitet og en valgt implementerings arbejdsvindue adskilt, og efterlad plads til det genererede svar og fortsatte værktøjsresultater. Xiaomi anbefaler temperature 1.0 og top_p 0.95 til lokal inferens. Medieforbehandling og applikationsindstillinger skal følge den specifikke grænseflade, der bruges til opgaven.
MiMo-V2.5 er den omnimodale søskendemodel til den større, tekstfokuserede MiMo-V2.5-Pro. Bevar denne forskel mellem udgaverne i en resultatpost. Det nyttige slutresultat er en forklaring, et udtræk eller et ændringsforslag, der hænger sammen med leveret tekst og medier, mens usikre observationer og ikke-verificerede værktøjsresultater fortsat er tilgængelige for rettelse.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser xiaomi/mimo-v2.5 | 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 $0.00028 / 1K tokens Output · Outputtokens $0.00056 / 1K tokens Input · Cachelæsning $0.0000056 / 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 $0.00028 / 1K tokens Output · Outputtokens $0.00056 / 1K tokens Input · Cachelæsning $0.0000056 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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", "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',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',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
Brug metodestierne vist ovenfor.
xiaomi/mimo-v2.5MiMo-V2.5 forstår tekst, billeder, video og lyd i én model til multimodal analyse og agentopgaver. Xiaomi dokumenterer 310 milliarder parametre i alt, 15 milliarder aktive parametre og op til en million tokens kontekst med særskilte encodere til syn og lyd.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
MiMo-V2.5 er Xiaomis native omnimodale model til at forstå tekst, billeder, video og lyd inden for én arkitektur. Den kombinerer multimodal perception med ræsonnering over lange kontekster og agentarbejdsgange. Producenten beskriver en mixture-of-experts-model med sparsom aktivering, i alt 310B parametre og 15B aktiverede parametre. Svaret er et tekstligt resultat eller en anvisning til et værktøj, som en understøttende applikation kan bruge; forståelse af lyd- eller billedinput er adskilt fra at generere nye medier.
Sprogkernen bygger på MiMo-V2-Flash-arkitekturen og kombinerer sliding-window- og global attention i et 5:1-mønster med et lokalt vindue på 128 tokens. Xiaomi tilføjer en særskilt vision-transformer med 729M parametre og en lydencoder med 261M parametre, initialiseret fra MiMo-Audio. Tre moduler til forudsigelse af flere tokens understøtter spekulativ afkodning. Det lokale attention-vindue er en arkitekturdetalje; producenten angiver en langt større kontekst på op til en million tokens for den samlede opgavehistorik.
Giv ved billedanalyse en læsbar kilde, og angiv det forhold eller den detalje, som svaret skal forklare. En dokumentopgave kan bede om en tabel over observerede felter med den tilsvarende side eller region; en designopgave kan forbinde et skærmbilledes layout med et implementeringskrav. Bevar kildebilledet, så små tekster, optællinger eller rumlige observationer kan kontrolleres. Bed modellen lade usikker dokumentation være synlig frem for at omdanne et uklart mærke til en sikker værdi.
Kombinér ved video eller lyd det leverede materiale med et fokuseret spørgsmål og den kontekst, der er nødvendig for at fortolke det. En nyttig arbejdsgang er at forklare en sekvens af grænsefladehandlinger fra en optagelse, identificere, hvor den observerede adfærd afviger fra de tilsigtede trin, og udarbejde en diagnose knyttet til det relevante tidsinterval. Bevar kronologien og den oprindelige optagelse til kontrol. Tekstoutputtet kan blive input til en senere rapport, tekstning eller redigering uden at hævde, at det selv er en nygenereret video eller et stemmespor.
Giv ved en agentopgave målet, det relevante kildemateriale og inputaftalerne for eventuelle værktøjer, som applikationen stiller til rådighed. Hold faktiske værktøjsoutput i historikken, så modellen kan tilpasse sit næste trin til det, der skete. En repositoryopgave kan kombinere kode, et skærmbillede af resultatet og kontroloutput for at skabe et fokuseret ændringsforslag. Registrér, om den resulterende handling blev udført, og om det observerede resultat opfylder den ønskede adfærd.
Producentens træningssekvens starter med tekstfortræning, opvarmer de visuelle og lydmæssige projektorer og fortsætter med multimodal fortræning. Superviseret agenttræning udvider gradvist konteksten fra 32K over 256K til 1M; reinforcement learning og on-policy-distillation med flere lærermodeller udvikler derefter perception, ræsonnering og agentadfærd. Producenten angiver omtrent 48 billioner træningstokens. Denne træningshistorik forklarer det kombinerede input- og opgaveomfang uden at garantere noget om en bestemt optagelse eller et bestemt repository.
Modeloversigten angiver understøttelse af op til 1M tokens, mens det offentliggjorte eksekveringseksempel bruger en kontekstkonfiguration på 262.144 tokens. Hold modellens kapacitet og en valgt implementerings arbejdsvindue adskilt, og efterlad plads til det genererede svar og fortsatte værktøjsresultater. Xiaomi anbefaler temperature 1.0 og top_p 0.95 til lokal inferens. Medieforbehandling og applikationsindstillinger skal følge den specifikke grænseflade, der bruges til opgaven.
MiMo-V2.5 er den omnimodale søskendemodel til den større, tekstfokuserede MiMo-V2.5-Pro. Bevar denne forskel mellem udgaverne i en resultatpost. Det nyttige slutresultat er en forklaring, et udtræk eller et ændringsforslag, der hænger sammen med leveret tekst og medier, mens usikre observationer og ikke-verificerede værktøjsresultater fortsat er tilgængelige for rettelse.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser xiaomi/mimo-v2.5 | 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 $0.00028 / 1K tokens Output · Outputtokens $0.00056 / 1K tokens Input · Cachelæsning $0.0000056 / 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 $0.00028 / 1K tokens Output · Outputtokens $0.00056 / 1K tokens Input · Cachelæsning $0.0000056 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "xiaomi/mimo-v2.5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Diagnose a workflow from a text timeline\n\nAnalyze this supplied text timeline against the intended order 'select a file, validate it, then import'. Actual log: 00:01 selected sales.csv; 00:02 import started; 00:03 validation failed for missing column; 00:04 import marked complete. Identify the first divergence, explain the inconsistent final state and propose a focused correction with a regression scenario. No recording is attached.A timestamp-linked diagnosis, a correction to stage ordering/state handling and a regression scenario.The diagnosis identifies import before validation and prevents a failed validation from ending in complete status.