MiMo-V2.6-Flash er Xiaomis model med afbalanceret effektivitet i MiMo-V2.6-serien. Den kombinerer tekst-, billed-, video- og lydforståelse i én arkitektur med et tekstsvar, der kan vejlede en understøttende applikations næste trin. Opgaveområdet dækker softwareudvikling, generelt agentarbejde, visuelle arbejdsgange og cybersikkerhedsanalyse. Flash er en særskilt mindre model end V2.6-Pro med sin egen parameterstørrelse frem for blot en indstilling til kortere svar.
Producentens frigivne Flash-profil beskriver en sparsom mixture-of-experts-model med 309 milliarder parametre i alt og 15 milliarder aktiverede parametre. Grundarkitekturen med 48 lag kombinerer lokal opmærksomhed i glidende vinduer og global opmærksomhed til arbejde med lange historikker. Dedikerede syns- og lydencodere bringer de forskellige inputtyper ind i sproggrundarkitekturen. Xiaomi angiver en kontekst på en million tokens til koderepositorier, opsamlede værktøjsresultater og længere opgavehistorikker. Organisér pladsen omkring det aktuelle mål, relevant dokumentation og beslutninger, der skal forblive konsistente.
V2.6-træningen blander kodning, generelle agenter, visuelt arbejde og cybersikkerhedsopgaver i samme forstærkningslæringskørsel. Den varierer også agentmiljøerne frem for at træne hvert domæne isoleret. Producenten beskriver sammenligning af kandidatforløb efter opgavespecifikke kriterier, så et bestået resultat stadig kan forbedres i kvalitet og effektivitet. Dette er en tilgang til modeltræning; et nyttigt opgaveoplæg kræver stadig et klart afslutningskriterium og dokumentation for, om resultatet opfylder det.
Ved en repositorieopgave skal du vedlægge den observerede fejl, relevante filer, forventet adfærd og begrænsninger for ændringen. Bed modellen identificere årsagen, foreslå en afgrænset rettelse og forklare de nødvendige kontroller. I et miljø med udførelsesværktøjer skal du give deres faktiske output tilbage, så modellen kan forbedre næste trin. Hold kommandoer, fejl og ændringer knyttet til den relevante fil. Slutresultatet bør skelne mellem en foreslået rettelse og en ændring, der er anvendt og kontrolleret.
Ved visuelt arbejde skal du vedlægge et læseligt skærmbillede eller referencebillede og identificere det layout, den adfærd eller den rumlige relation, der skal genskabes. Xiaomis V2.6-udgivelse beskriver frontendgrænseflader, præsentationer, 3D-scener og interaktive verdener bygget gennem kodning og værktøjsbrug. Et praktisk slutprodukt kan være en komponentimplementering med en liste over synlige detaljer, der skal undersøges i det renderede resultat. Billed- og videoforståelse giver dokumentation til denne arbejdsgang; modellens tekstoutput er adskilt fra de medier, de omgivende værktøjer producerer.
Lyd og video kan give kontekst, der mangler i et skriftligt oplæg. Stil et afgrænset spørgsmål om det vedlagte materiale, og bevar forbindelsen til det ønskede output. Kombinér eksempelvis en optagelse af en grænseflade med de trin, der mislykkedes, og bed om en diagnose knyttet til det observerede forløb. Bevar uklare passager eller hændelser til gennemgang. En flydende forklaring bør ikke ubemærket blive til dokumentation for, at en utydelig lyd, en lille tekstmarkør eller et flygtigt billede blev forstået korrekt.
Xiaomis modelkort anbefaler temperature 1.0 og top_p 0.95 til inferensopskriften og beskriver en decoder med fem lag til forudsigelse af flere tokens. Disse indstillinger og optimeringer tilhører producentens implementering. I længere værktøjsforløb skal du kontrollere, at hvert næste kald tjener et nyt informationsbehov eller reagerer på et ændret resultat. Producenten dokumenterer gentagne værktøjskald som et træningsproblem i V2.6 og skelner mellem RL-checkpoints og de senere MOPD-checkpoints. Gør den valgte udgave og den faktiske fremdriftshistorik eksplicit, når en fuldført opgave gennemgås.
", "aboutText": "MiMo-V2.6-Flash er Xiaomis model med afbalanceret effektivitet i MiMo-V2.6-serien. Den kombinerer tekst-, billed-, video- og lydforståelse i én arkitektur med et tekstsvar, der kan vejlede en understøttende applikations næste trin. Opgaveområdet dækker softwareudvikling, generelt agentarbejde, visuelle arbejdsgange og cybersikkerhedsanalyse. Flash er en særskilt mindre model end V2.6-Pro med sin egen parameterstørrelse frem for blot en indstilling til kortere svar.\n\nProducentens frigivne Flash-profil beskriver en sparsom mixture-of-experts-model med 309 milliarder parametre i alt og 15 milliarder aktiverede parametre. Grundarkitekturen med 48 lag kombinerer lokal opmærksomhed i glidende vinduer og global opmærksomhed til arbejde med lange historikker. Dedikerede syns- og lydencodere bringer de forskellige inputtyper ind i sproggrundarkitekturen. Xiaomi angiver en kontekst på en million tokens til koderepositorier, opsamlede værktøjsresultater og længere opgavehistorikker. Organisér pladsen omkring det aktuelle mål, relevant dokumentation og beslutninger, der skal forblive konsistente.\n\nV2.6-træningen blander kodning, generelle agenter, visuelt arbejde og cybersikkerhedsopgaver i samme forstærkningslæringskørsel. Den varierer også agentmiljøerne frem for at træne hvert domæne isoleret. Producenten beskriver sammenligning af kandidatforløb efter opgavespecifikke kriterier, så et bestået resultat stadig kan forbedres i kvalitet og effektivitet. Dette er en tilgang til modeltræning; et nyttigt opgaveoplæg kræver stadig et klart afslutningskriterium og dokumentation for, om resultatet opfylder det.\n\nVed en repositorieopgave skal du vedlægge den observerede fejl, relevante filer, forventet adfærd og begrænsninger for ændringen. Bed modellen identificere årsagen, foreslå en afgrænset rettelse og forklare de nødvendige kontroller. I et miljø med udførelsesværktøjer skal du give deres faktiske output tilbage, så modellen kan forbedre næste trin. Hold kommandoer, fejl og ændringer knyttet til den relevante fil. Slutresultatet bør skelne mellem en foreslået rettelse og en ændring, der er anvendt og kontrolleret.\n\nVed visuelt arbejde skal du vedlægge et læseligt skærmbillede eller referencebillede og identificere det layout, den adfærd eller den rumlige relation, der skal genskabes. Xiaomis V2.6-udgivelse beskriver frontendgrænseflader, præsentationer, 3D-scener og interaktive verdener bygget gennem kodning og værktøjsbrug. Et praktisk slutprodukt kan være en komponentimplementering med en liste over synlige detaljer, der skal undersøges i det renderede resultat. Billed- og videoforståelse giver dokumentation til denne arbejdsgang; modellens tekstoutput er adskilt fra de medier, de omgivende værktøjer producerer.\n\nLyd og video kan give kontekst, der mangler i et skriftligt oplæg. Stil et afgrænset spørgsmål om det vedlagte materiale, og bevar forbindelsen til det ønskede output. Kombinér eksempelvis en optagelse af en grænseflade med de trin, der mislykkedes, og bed om en diagnose knyttet til det observerede forløb. Bevar uklare passager eller hændelser til gennemgang. En flydende forklaring bør ikke ubemærket blive til dokumentation for, at en utydelig lyd, en lille tekstmarkør eller et flygtigt billede blev forstået korrekt.\n\nXiaomis modelkort anbefaler temperature 1.0 og top_p 0.95 til inferensopskriften og beskriver en decoder med fem lag til forudsigelse af flere tokens. Disse indstillinger og optimeringer tilhører producentens implementering. I længere værktøjsforløb skal du kontrollere, at hvert næste kald tjener et nyt informationsbehov eller reagerer på et ændret resultat. Producenten dokumenterer gentagne værktøjskald som et træningsproblem i V2.6 og skelner mellem RL-checkpoints og de senere MOPD-checkpoints. Gør den valgte udgave og den faktiske fremdriftshistorik eksplicit, når en fuldført opgave gennemgås.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Repair a CSV field serializer\n\nBug report: serialize(['Ada, Inc','plain']) returns 'Ada, Inc,plain', creating three columns. Current function: fields.join(','). Required rules: quote fields containing commas, quotes or line breaks, and double embedded quotes. Propose a focused JavaScript serializer and regression cases for the reported row, an embedded quote and an empty field. Do not claim the code ran.A serializer implementation, explanation of escaping and three regression cases with expected CSV text.Check embedded quotes are doubled inside a quoted field and commas within one field do not create extra columns.xiaomi/mimo-v2.6-flashMiMo-V2.6-Flash kombinerer tekst-, billed-, video- og lydforståelse til kodning og længere agentforløb. Den offentliggjorte modelprofil bruger 309 milliarder parametre i alt, 15 milliarder aktive pr. token og en kontekst på en million tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
MiMo-V2.6-Flash er Xiaomis model med afbalanceret effektivitet i MiMo-V2.6-serien. Den kombinerer tekst-, billed-, video- og lydforståelse i én arkitektur med et tekstsvar, der kan vejlede en understøttende applikations næste trin. Opgaveområdet dækker softwareudvikling, generelt agentarbejde, visuelle arbejdsgange og cybersikkerhedsanalyse. Flash er en særskilt mindre model end V2.6-Pro med sin egen parameterstørrelse frem for blot en indstilling til kortere svar.
Producentens frigivne Flash-profil beskriver en sparsom mixture-of-experts-model med 309 milliarder parametre i alt og 15 milliarder aktiverede parametre. Grundarkitekturen med 48 lag kombinerer lokal opmærksomhed i glidende vinduer og global opmærksomhed til arbejde med lange historikker. Dedikerede syns- og lydencodere bringer de forskellige inputtyper ind i sproggrundarkitekturen. Xiaomi angiver en kontekst på en million tokens til koderepositorier, opsamlede værktøjsresultater og længere opgavehistorikker. Organisér pladsen omkring det aktuelle mål, relevant dokumentation og beslutninger, der skal forblive konsistente.
V2.6-træningen blander kodning, generelle agenter, visuelt arbejde og cybersikkerhedsopgaver i samme forstærkningslæringskørsel. Den varierer også agentmiljøerne frem for at træne hvert domæne isoleret. Producenten beskriver sammenligning af kandidatforløb efter opgavespecifikke kriterier, så et bestået resultat stadig kan forbedres i kvalitet og effektivitet. Dette er en tilgang til modeltræning; et nyttigt opgaveoplæg kræver stadig et klart afslutningskriterium og dokumentation for, om resultatet opfylder det.
Ved en repositorieopgave skal du vedlægge den observerede fejl, relevante filer, forventet adfærd og begrænsninger for ændringen. Bed modellen identificere årsagen, foreslå en afgrænset rettelse og forklare de nødvendige kontroller. I et miljø med udførelsesværktøjer skal du give deres faktiske output tilbage, så modellen kan forbedre næste trin. Hold kommandoer, fejl og ændringer knyttet til den relevante fil. Slutresultatet bør skelne mellem en foreslået rettelse og en ændring, der er anvendt og kontrolleret.
Ved visuelt arbejde skal du vedlægge et læseligt skærmbillede eller referencebillede og identificere det layout, den adfærd eller den rumlige relation, der skal genskabes. Xiaomis V2.6-udgivelse beskriver frontendgrænseflader, præsentationer, 3D-scener og interaktive verdener bygget gennem kodning og værktøjsbrug. Et praktisk slutprodukt kan være en komponentimplementering med en liste over synlige detaljer, der skal undersøges i det renderede resultat. Billed- og videoforståelse giver dokumentation til denne arbejdsgang; modellens tekstoutput er adskilt fra de medier, de omgivende værktøjer producerer.
Lyd og video kan give kontekst, der mangler i et skriftligt oplæg. Stil et afgrænset spørgsmål om det vedlagte materiale, og bevar forbindelsen til det ønskede output. Kombinér eksempelvis en optagelse af en grænseflade med de trin, der mislykkedes, og bed om en diagnose knyttet til det observerede forløb. Bevar uklare passager eller hændelser til gennemgang. En flydende forklaring bør ikke ubemærket blive til dokumentation for, at en utydelig lyd, en lille tekstmarkør eller et flygtigt billede blev forstået korrekt.
Xiaomis modelkort anbefaler temperature 1.0 og top_p 0.95 til inferensopskriften og beskriver en decoder med fem lag til forudsigelse af flere tokens. Disse indstillinger og optimeringer tilhører producentens implementering. I længere værktøjsforløb skal du kontrollere, at hvert næste kald tjener et nyt informationsbehov eller reagerer på et ændret resultat. Producenten dokumenterer gentagne værktøjskald som et træningsproblem i V2.6 og skelner mellem RL-checkpoints og de senere MOPD-checkpoints. Gør den valgte udgave og den faktiske fremdriftshistorik eksplicit, når en fuldført opgave gennemgås.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser xiaomi/mimo-v2.6-flash | 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-v2.6-flash", "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-v2.6-flash',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-v2.6-flash',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-v2.6-flash
Brug metodestierne vist ovenfor.
xiaomi/mimo-v2.6-flashMiMo-V2.6-Flash kombinerer tekst-, billed-, video- og lydforståelse til kodning og længere agentforløb. Den offentliggjorte modelprofil bruger 309 milliarder parametre i alt, 15 milliarder aktive pr. token og en kontekst på en million tokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
MiMo-V2.6-Flash er Xiaomis model med afbalanceret effektivitet i MiMo-V2.6-serien. Den kombinerer tekst-, billed-, video- og lydforståelse i én arkitektur med et tekstsvar, der kan vejlede en understøttende applikations næste trin. Opgaveområdet dækker softwareudvikling, generelt agentarbejde, visuelle arbejdsgange og cybersikkerhedsanalyse. Flash er en særskilt mindre model end V2.6-Pro med sin egen parameterstørrelse frem for blot en indstilling til kortere svar.
Producentens frigivne Flash-profil beskriver en sparsom mixture-of-experts-model med 309 milliarder parametre i alt og 15 milliarder aktiverede parametre. Grundarkitekturen med 48 lag kombinerer lokal opmærksomhed i glidende vinduer og global opmærksomhed til arbejde med lange historikker. Dedikerede syns- og lydencodere bringer de forskellige inputtyper ind i sproggrundarkitekturen. Xiaomi angiver en kontekst på en million tokens til koderepositorier, opsamlede værktøjsresultater og længere opgavehistorikker. Organisér pladsen omkring det aktuelle mål, relevant dokumentation og beslutninger, der skal forblive konsistente.
V2.6-træningen blander kodning, generelle agenter, visuelt arbejde og cybersikkerhedsopgaver i samme forstærkningslæringskørsel. Den varierer også agentmiljøerne frem for at træne hvert domæne isoleret. Producenten beskriver sammenligning af kandidatforløb efter opgavespecifikke kriterier, så et bestået resultat stadig kan forbedres i kvalitet og effektivitet. Dette er en tilgang til modeltræning; et nyttigt opgaveoplæg kræver stadig et klart afslutningskriterium og dokumentation for, om resultatet opfylder det.
Ved en repositorieopgave skal du vedlægge den observerede fejl, relevante filer, forventet adfærd og begrænsninger for ændringen. Bed modellen identificere årsagen, foreslå en afgrænset rettelse og forklare de nødvendige kontroller. I et miljø med udførelsesværktøjer skal du give deres faktiske output tilbage, så modellen kan forbedre næste trin. Hold kommandoer, fejl og ændringer knyttet til den relevante fil. Slutresultatet bør skelne mellem en foreslået rettelse og en ændring, der er anvendt og kontrolleret.
Ved visuelt arbejde skal du vedlægge et læseligt skærmbillede eller referencebillede og identificere det layout, den adfærd eller den rumlige relation, der skal genskabes. Xiaomis V2.6-udgivelse beskriver frontendgrænseflader, præsentationer, 3D-scener og interaktive verdener bygget gennem kodning og værktøjsbrug. Et praktisk slutprodukt kan være en komponentimplementering med en liste over synlige detaljer, der skal undersøges i det renderede resultat. Billed- og videoforståelse giver dokumentation til denne arbejdsgang; modellens tekstoutput er adskilt fra de medier, de omgivende værktøjer producerer.
Lyd og video kan give kontekst, der mangler i et skriftligt oplæg. Stil et afgrænset spørgsmål om det vedlagte materiale, og bevar forbindelsen til det ønskede output. Kombinér eksempelvis en optagelse af en grænseflade med de trin, der mislykkedes, og bed om en diagnose knyttet til det observerede forløb. Bevar uklare passager eller hændelser til gennemgang. En flydende forklaring bør ikke ubemærket blive til dokumentation for, at en utydelig lyd, en lille tekstmarkør eller et flygtigt billede blev forstået korrekt.
Xiaomis modelkort anbefaler temperature 1.0 og top_p 0.95 til inferensopskriften og beskriver en decoder med fem lag til forudsigelse af flere tokens. Disse indstillinger og optimeringer tilhører producentens implementering. I længere værktøjsforløb skal du kontrollere, at hvert næste kald tjener et nyt informationsbehov eller reagerer på et ændret resultat. Producenten dokumenterer gentagne værktøjskald som et træningsproblem i V2.6 og skelner mellem RL-checkpoints og de senere MOPD-checkpoints. Gør den valgte udgave og den faktiske fremdriftshistorik eksplicit, når en fuldført opgave gennemgås.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser xiaomi/mimo-v2.6-flash | 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 $0.0000056 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "xiaomi/mimo-v2.6-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-v2.6-flash', '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-v2.6-flash', '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-v2.6-flash
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Repair a CSV field serializer\n\nBug report: serialize(['Ada, Inc','plain']) returns 'Ada, Inc,plain', creating three columns. Current function: fields.join(','). Required rules: quote fields containing commas, quotes or line breaks, and double embedded quotes. Propose a focused JavaScript serializer and regression cases for the reported row, an embedded quote and an empty field. Do not claim the code ran.A serializer implementation, explanation of escaping and three regression cases with expected CSV text.Check embedded quotes are doubled inside a quoted field and commas within one field do not create extra columns.