Modelprofil og udgaver
MiMo-V2-Flash er Xiaomis sprogmodel til ræsonnement og agentforløb. Dens mixture-of-experts-arkitektur har 309 milliarder parametre i alt og 15 milliarder aktive parametre. Den frigivne model angiver en kontekstlængde på 256K tokens; producentens inferenseksempel konfigurerer 262.144 tokens. Den modtager tekst og producerer tekst, herunder forklaringer, kode og den information, der kræves til værktøjsinteraktioner. Flash-Base og den eftertrænede Flash-udgave er særskilt navngivne udgaver med forskellige roller.
Hybrid opmærksomhed og forudsigelse
Arkitekturen kombinerer opmærksomhed i et glidende vindue og global opmærksomhed i forholdet 5:1. Det lokale opmærksomhedsvindue er på 128 tokens, mens global opmærksomhed fastholder forbindelser på tværs af det længere materiale. Fortræningen bruger en indbygget sekvenslængde på 32K, og den frigivne model understøtter den længere kontekst på 256K. Et let modul til forudsigelse af flere tokens er integreret i træning og inferens. Dette er egenskaber ved modeldesignet; de angiver ikke, hvor hurtigt en bestemt applikation returnerer et svar.
Eftertræning til ræsonnement og agenter
MiMo-V2-Flash bruger Multi-Teacher On-Policy Distillation, hvor domænespecifikke lærermodeller vejleder dens egne genererede svar, efterfulgt af agentbaseret forstærkningslæring i stor skala. Træningen dækker kodeagentmiljøer og omfatter også matematik og generelle agentopgaver. Under webudviklingstræningen bruges en visionsbaseret verifikator til at vurdere de udførte resultater. Denne verifikator er en del af træningsprocessen og gør ikke tekstmodellen til en model med billed- eller videoinput.
Kodning og dokumentforberedelse
Ved en kodeopgave skal du vedlægge de relevante filer som tekst, den observerede fejl, et input, der demonstrerer den, og den adfærd, der skal bevares. En illustrativ anmodning kan bede om en lille rettelse, en forklaring af berørte afhængigheder og kontroller af det forventede resultat. Ved langt tekstmateriale skal du identificere de vigtige afsnit og bede om en sammenligning knyttet til deres passager. Hold outputtet konkret: rettet kode, en tabel over uoverensstemmelser, en beregning med antagelser eller en foreslået næste handling.
Tænkning, værktøjer og samtalehistorik
Det offentliggjorte tænkningseksempel aktiverer en ræsonnementstilstand, og producenten angiver en dedikeret parser til værktøjskald. Ved værktøjsbrug over flere ture kan svaret indeholde reasoning_content sammen med tool_calls. Næste forespørgsel skal bevare den tidligere reasoning_content i samtalehistorikken, så sekvensen med tænkning og værktøjer kan fortsætte korrekt. Applikationen stiller værktøjerne til rådighed og udfører dem; modellen vælger, hvordan deres resultater bruges. Det gør forberedelsen af historikken til et væsentligt integrationskrav frem for at behandle den sidste brugerbesked som hele opgaven.
Producentens anbefalinger og grænser
Brugsvejledningen anbefaler top_p på 0.95, temperature 0.8 til matematik, skrivning og webudvikling samt temperature 0.3 til agentbaserede opgaver. Den anbefaler også en systembesked, der identificerer MiMo som Xiaomis assistent, med den aktuelle dato og en vidensgrænse i december 2024. Vedlæg nyere fakta, når opgaven afhænger af senere begivenheder. Den offentliggjorte forespørgsels svarbudget på 4096 tokens er en eksempelindstilling og ikke en erklæret maksimal outputlængde. MiMo-V2-Flash bevarer sin egen identitet ved siden af Flash-Base, Pro og Omni; deres kontekst- eller modalitetsspecifikationer bør vælges efter den pågældende udgave.
", "aboutText": "Modelprofil og udgaver\n\nMiMo-V2-Flash er Xiaomis sprogmodel til ræsonnement og agentforløb. Dens mixture-of-experts-arkitektur har 309 milliarder parametre i alt og 15 milliarder aktive parametre. Den frigivne model angiver en kontekstlængde på 256K tokens; producentens inferenseksempel konfigurerer 262.144 tokens. Den modtager tekst og producerer tekst, herunder forklaringer, kode og den information, der kræves til værktøjsinteraktioner. Flash-Base og den eftertrænede Flash-udgave er særskilt navngivne udgaver med forskellige roller.\n\nHybrid opmærksomhed og forudsigelse\n\nArkitekturen kombinerer opmærksomhed i et glidende vindue og global opmærksomhed i forholdet 5:1. Det lokale opmærksomhedsvindue er på 128 tokens, mens global opmærksomhed fastholder forbindelser på tværs af det længere materiale. Fortræningen bruger en indbygget sekvenslængde på 32K, og den frigivne model understøtter den længere kontekst på 256K. Et let modul til forudsigelse af flere tokens er integreret i træning og inferens. Dette er egenskaber ved modeldesignet; de angiver ikke, hvor hurtigt en bestemt applikation returnerer et svar.\n\nEftertræning til ræsonnement og agenter\n\nMiMo-V2-Flash bruger Multi-Teacher On-Policy Distillation, hvor domænespecifikke lærermodeller vejleder dens egne genererede svar, efterfulgt af agentbaseret forstærkningslæring i stor skala. Træningen dækker kodeagentmiljøer og omfatter også matematik og generelle agentopgaver. Under webudviklingstræningen bruges en visionsbaseret verifikator til at vurdere de udførte resultater. Denne verifikator er en del af træningsprocessen og gør ikke tekstmodellen til en model med billed- eller videoinput.\n\nKodning og dokumentforberedelse\n\nVed en kodeopgave skal du vedlægge de relevante filer som tekst, den observerede fejl, et input, der demonstrerer den, og den adfærd, der skal bevares. En illustrativ anmodning kan bede om en lille rettelse, en forklaring af berørte afhængigheder og kontroller af det forventede resultat. Ved langt tekstmateriale skal du identificere de vigtige afsnit og bede om en sammenligning knyttet til deres passager. Hold outputtet konkret: rettet kode, en tabel over uoverensstemmelser, en beregning med antagelser eller en foreslået næste handling.\n\nTænkning, værktøjer og samtalehistorik\n\nDet offentliggjorte tænkningseksempel aktiverer en ræsonnementstilstand, og producenten angiver en dedikeret parser til værktøjskald. Ved værktøjsbrug over flere ture kan svaret indeholde reasoning_content sammen med tool_calls. Næste forespørgsel skal bevare den tidligere reasoning_content i samtalehistorikken, så sekvensen med tænkning og værktøjer kan fortsætte korrekt. Applikationen stiller værktøjerne til rådighed og udfører dem; modellen vælger, hvordan deres resultater bruges. Det gør forberedelsen af historikken til et væsentligt integrationskrav frem for at behandle den sidste brugerbesked som hele opgaven.\n\nProducentens anbefalinger og grænser\n\nBrugsvejledningen anbefaler top_p på 0.95, temperature 0.8 til matematik, skrivning og webudvikling samt temperature 0.3 til agentbaserede opgaver. Den anbefaler også en systembesked, der identificerer MiMo som Xiaomis assistent, med den aktuelle dato og en vidensgrænse i december 2024. Vedlæg nyere fakta, når opgaven afhænger af senere begivenheder. Den offentliggjorte forespørgsels svarbudget på 4096 tokens er en eksempelindstilling og ikke en erklæret maksimal outputlængde. MiMo-V2-Flash bevarer sin egen identitet ved siden af Flash-Base, Pro og Omni; deres kontekst- eller modalitetsspecifikationer bør vælges efter den pågældende udgave.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2f826b85edd1106f3aa3be8895eef37e02c25e1039feec6476f45ae187ef9bd4", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "xiaomimimo/mimo-v2-flashMiMo-V2-Flash er Xiaomis tekstmodel til ræsonnement, kodning og værktøjsunderstøttet agentarbejde. Dens kontekst på 256K, hybride opmærksomhed og særskilte eftertrænede udgave passer til opgaver, der forbinder omfattende tekstmateriale med et bestemt svar, en kodeændring eller en næste handling.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Modelprofil og udgaver
MiMo-V2-Flash er Xiaomis sprogmodel til ræsonnement og agentforløb. Dens mixture-of-experts-arkitektur har 309 milliarder parametre i alt og 15 milliarder aktive parametre. Den frigivne model angiver en kontekstlængde på 256K tokens; producentens inferenseksempel konfigurerer 262.144 tokens. Den modtager tekst og producerer tekst, herunder forklaringer, kode og den information, der kræves til værktøjsinteraktioner. Flash-Base og den eftertrænede Flash-udgave er særskilt navngivne udgaver med forskellige roller.
Hybrid opmærksomhed og forudsigelse
Arkitekturen kombinerer opmærksomhed i et glidende vindue og global opmærksomhed i forholdet 5:1. Det lokale opmærksomhedsvindue er på 128 tokens, mens global opmærksomhed fastholder forbindelser på tværs af det længere materiale. Fortræningen bruger en indbygget sekvenslængde på 32K, og den frigivne model understøtter den længere kontekst på 256K. Et let modul til forudsigelse af flere tokens er integreret i træning og inferens. Dette er egenskaber ved modeldesignet; de angiver ikke, hvor hurtigt en bestemt applikation returnerer et svar.
Eftertræning til ræsonnement og agenter
MiMo-V2-Flash bruger Multi-Teacher On-Policy Distillation, hvor domænespecifikke lærermodeller vejleder dens egne genererede svar, efterfulgt af agentbaseret forstærkningslæring i stor skala. Træningen dækker kodeagentmiljøer og omfatter også matematik og generelle agentopgaver. Under webudviklingstræningen bruges en visionsbaseret verifikator til at vurdere de udførte resultater. Denne verifikator er en del af træningsprocessen og gør ikke tekstmodellen til en model med billed- eller videoinput.
Kodning og dokumentforberedelse
Ved en kodeopgave skal du vedlægge de relevante filer som tekst, den observerede fejl, et input, der demonstrerer den, og den adfærd, der skal bevares. En illustrativ anmodning kan bede om en lille rettelse, en forklaring af berørte afhængigheder og kontroller af det forventede resultat. Ved langt tekstmateriale skal du identificere de vigtige afsnit og bede om en sammenligning knyttet til deres passager. Hold outputtet konkret: rettet kode, en tabel over uoverensstemmelser, en beregning med antagelser eller en foreslået næste handling.
Tænkning, værktøjer og samtalehistorik
Det offentliggjorte tænkningseksempel aktiverer en ræsonnementstilstand, og producenten angiver en dedikeret parser til værktøjskald. Ved værktøjsbrug over flere ture kan svaret indeholde reasoning_content sammen med tool_calls. Næste forespørgsel skal bevare den tidligere reasoning_content i samtalehistorikken, så sekvensen med tænkning og værktøjer kan fortsætte korrekt. Applikationen stiller værktøjerne til rådighed og udfører dem; modellen vælger, hvordan deres resultater bruges. Det gør forberedelsen af historikken til et væsentligt integrationskrav frem for at behandle den sidste brugerbesked som hele opgaven.
Producentens anbefalinger og grænser
Brugsvejledningen anbefaler top_p på 0.95, temperature 0.8 til matematik, skrivning og webudvikling samt temperature 0.3 til agentbaserede opgaver. Den anbefaler også en systembesked, der identificerer MiMo som Xiaomis assistent, med den aktuelle dato og en vidensgrænse i december 2024. Vedlæg nyere fakta, når opgaven afhænger af senere begivenheder. Den offentliggjorte forespørgsels svarbudget på 4096 tokens er en eksempelindstilling og ikke en erklæret maksimal outputlængde. MiMo-V2-Flash bevarer sin egen identitet ved siden af Flash-Base, Pro og Omni; deres kontekst- eller modalitetsspecifikationer bør vælges efter den pågældende udgave.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser xiaomimimo/mimo-v2-flash | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
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 |
Parametercontrol_scope | KontraktTekstsamtale; stream er en boolesk værdi og er som standard false. |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Metodealiaser: /chat/completions
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0006 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"xiaomimimo/mimo-v2-flash","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="xiaomimimo/mimo-v2-flash", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 xiaomimimo/mimo-v2-flash
/chat/completions
xiaomimimo/mimo-v2-flashMiMo-V2-Flash er Xiaomis tekstmodel til ræsonnement, kodning og værktøjsunderstøttet agentarbejde. Dens kontekst på 256K, hybride opmærksomhed og særskilte eftertrænede udgave passer til opgaver, der forbinder omfattende tekstmateriale med et bestemt svar, en kodeændring eller en næste handling.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Modelprofil og udgaver
MiMo-V2-Flash er Xiaomis sprogmodel til ræsonnement og agentforløb. Dens mixture-of-experts-arkitektur har 309 milliarder parametre i alt og 15 milliarder aktive parametre. Den frigivne model angiver en kontekstlængde på 256K tokens; producentens inferenseksempel konfigurerer 262.144 tokens. Den modtager tekst og producerer tekst, herunder forklaringer, kode og den information, der kræves til værktøjsinteraktioner. Flash-Base og den eftertrænede Flash-udgave er særskilt navngivne udgaver med forskellige roller.
Hybrid opmærksomhed og forudsigelse
Arkitekturen kombinerer opmærksomhed i et glidende vindue og global opmærksomhed i forholdet 5:1. Det lokale opmærksomhedsvindue er på 128 tokens, mens global opmærksomhed fastholder forbindelser på tværs af det længere materiale. Fortræningen bruger en indbygget sekvenslængde på 32K, og den frigivne model understøtter den længere kontekst på 256K. Et let modul til forudsigelse af flere tokens er integreret i træning og inferens. Dette er egenskaber ved modeldesignet; de angiver ikke, hvor hurtigt en bestemt applikation returnerer et svar.
Eftertræning til ræsonnement og agenter
MiMo-V2-Flash bruger Multi-Teacher On-Policy Distillation, hvor domænespecifikke lærermodeller vejleder dens egne genererede svar, efterfulgt af agentbaseret forstærkningslæring i stor skala. Træningen dækker kodeagentmiljøer og omfatter også matematik og generelle agentopgaver. Under webudviklingstræningen bruges en visionsbaseret verifikator til at vurdere de udførte resultater. Denne verifikator er en del af træningsprocessen og gør ikke tekstmodellen til en model med billed- eller videoinput.
Kodning og dokumentforberedelse
Ved en kodeopgave skal du vedlægge de relevante filer som tekst, den observerede fejl, et input, der demonstrerer den, og den adfærd, der skal bevares. En illustrativ anmodning kan bede om en lille rettelse, en forklaring af berørte afhængigheder og kontroller af det forventede resultat. Ved langt tekstmateriale skal du identificere de vigtige afsnit og bede om en sammenligning knyttet til deres passager. Hold outputtet konkret: rettet kode, en tabel over uoverensstemmelser, en beregning med antagelser eller en foreslået næste handling.
Tænkning, værktøjer og samtalehistorik
Det offentliggjorte tænkningseksempel aktiverer en ræsonnementstilstand, og producenten angiver en dedikeret parser til værktøjskald. Ved værktøjsbrug over flere ture kan svaret indeholde reasoning_content sammen med tool_calls. Næste forespørgsel skal bevare den tidligere reasoning_content i samtalehistorikken, så sekvensen med tænkning og værktøjer kan fortsætte korrekt. Applikationen stiller værktøjerne til rådighed og udfører dem; modellen vælger, hvordan deres resultater bruges. Det gør forberedelsen af historikken til et væsentligt integrationskrav frem for at behandle den sidste brugerbesked som hele opgaven.
Producentens anbefalinger og grænser
Brugsvejledningen anbefaler top_p på 0.95, temperature 0.8 til matematik, skrivning og webudvikling samt temperature 0.3 til agentbaserede opgaver. Den anbefaler også en systembesked, der identificerer MiMo som Xiaomis assistent, med den aktuelle dato og en vidensgrænse i december 2024. Vedlæg nyere fakta, når opgaven afhænger af senere begivenheder. Den offentliggjorte forespørgsels svarbudget på 4096 tokens er en eksempelindstilling og ikke en erklæret maksimal outputlængde. MiMo-V2-Flash bevarer sin egen identitet ved siden af Flash-Base, Pro og Omni; deres kontekst- eller modalitetsspecifikationer bør vælges efter den pågældende udgave.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser xiaomimimo/mimo-v2-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.
| Konfiguration | Takstplan | Beløb |
|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0006 / 1K tokens Input · Cachelæsning $0 / 1K tokens Input · Cacheskrivning $0 / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "xiaomimimo/mimo-v2-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'xiaomimimo/mimo-v2-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': 'xiaomimimo/mimo-v2-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 xiaomimimo/mimo-v2-flash
/chat/completions