MiMo-V2-Omni ist Xiaomis Modell, das Text, Bilder, Audio und Video gemeinsam versteht und dieses Verständnis in einer agentischen Aufgabe nutzt. Seine Architektur führt eigene Bild-, Video- und Audioencoder in einem gemeinsamen Grundgerüst zusammen. Der zentrale Unterschied ist die gemeinsame Wahrnehmung: Eine Frage kann davon abhängen, was sichtbar ist, was hörbar ist und was der begleitende Text sagt, statt jede Quelle isoliert interpretieren zu müssen. Seine Ausgaben unterstützen schriftliche Analysen und strukturierte Werkzeuganfragen.
Xiaomi beschreibt das Modell als darauf trainiert, Wahrnehmung, Vorausschau und Handlung zu verbinden. Es interpretiert die aktuelle Szene, schlussfolgert, was als Nächstes geschehen könnte, und wählt einen nützlichen nächsten Schritt. Das ist besonders für aufgezeichnetes Material relevant, bei dem die Bedeutung eines Ereignisses von mehr als einer Modalität abhängt. Stellen Sie beispielsweise einen Clip bereit und verlangen Sie, die Abfolge sichtbarer Handlungen, die relevanten Geräusche und ihren Zusammenhang zu benennen. Legen Sie fest, ob Sie eine Ereigniszusammenfassung, eine Szenenerklärung oder eine Beobachtungsliste für eine spätere Prüfung benötigen. Halten Sie beobachtete Fakten von Vorhersagen getrennt: Eine Interpretation dessen, was geschehen könnte, ist kein Beweis dafür, dass das Ereignis eintreten wird.
Das Audioverständnis geht in der Herstellerbeschreibung über Transkription hinaus. Xiaomi hebt die Klassifikation von Umgebungsgeräuschen, die Unterscheidung mehrerer Sprechender und gemeinsames Schlussfolgern über Audio und Bild hervor. Außerdem wird eine strukturierte Zusammenfassung eines langen, ununterbrochenen Podcasts gezeigt. Benennen Sie für eine Audioaufgabe die wichtigen Themen oder Fragen und die benötigte Ausgabe, etwa eine Argumentationsgliederung, Streitpunkte oder eine thematische Zusammenfassung. Verlangen Sie bei einem Video mit Sprache, eine Aussage mit der zugehörigen Handlung oder dem begleitenden Bildschirminhalt zu verbinden. Wenn genauer Wortlaut oder Sprecherzuordnung wichtig sind, verlangen Sie die Kennzeichnung von Mehrdeutigkeit, statt sie stillschweigend aufzulösen.
Auf visueller Seite hebt der Hersteller fachübergreifendes Schlussfolgern über Bilder und komplexe Diagrammanalyse hervor. Stellen Sie ein lesbares Diagramm bereit und erklären Sie die Analysefrage einschließlich der Bedeutung von Achsen, Einheiten und Kategorien, wenn diese im Bild nicht klar ist. Eine beispielhafte Anfrage ist, das Hauptmuster zu beschreiben, eine erkennbare Veränderung zu benennen und direkt im Diagramm sichtbare Werte von einer vorgeschlagenen Erklärung zu unterscheiden. Definieren Sie bei einem Bildvergleich die für Sie wichtigen Unterschiede und verlangen Sie eine Tabelle, die an sichtbare Belege gebunden ist. Bereiten Sie das Ausgangsmaterial so vor, dass Beschriftungen und relevante Details lesbar sind; eine nützliche Analyse hängt davon ab, was die Eingabe tatsächlich enthält.
MiMo-V2-Omni unterstützt auch strukturierte Werkzeugaufrufe und UI-Grounding. Die Demonstrationen des Herstellers verbinden das Modell mit einer Agentenumgebung, die Browsersteuerung, Dateizugriff und Terminalinteraktion bereitstellt. Das Modell interpretiert den aktuellen Zustand, entscheidet über den nächsten Schritt und gibt eine Handlung aus; die Umgebung führt sie aus und gibt den aktualisierten Zustand zurück. Stellen Sie für eine solche Aufgabe ein klares Ziel, den relevanten Bildschirm oder das Material und Beschreibungen erlaubter Handlungen bereit. Verlangen Sie vom Modell, jeden nächsten Schritt mit dem beobachteten Zustand zu verbinden und das zurückgegebene Ergebnis vor dem Fortfahren zu verwenden. Eine Werkzeuganfrage und das Ergebnis der ausgeführten Handlung sind getrennte Informationen.
Xiaomis Beispiel zur Multimediaproduktion folgt derselben Arbeitsteilung: Das Modell entwirft den Inhalt und steuert einen programmatischen Prozess, während Werkzeuge die tatsächlichen Mediendateien erstellen und verwalten. Sie können das Modell für einen Szenenplan, eine schriftliche Erklärung einer Aufnahme oder eine Folge von Werkzeughandlungen nutzen. Das konkrete Ergebnis sollte zu Beginn festgelegt werden, einschließlich seiner erforderlichen Inhalte und der Erkennung des Abschlusses. Halten Sie Dateierstellung, Rendering und Anwendungsvorgänge an die ausführenden Werkzeuge gebunden, statt eine Textantwort als bereits erstelltes Medium zu behandeln.
Stellen Sie für praktische Videoarbeit aufgezeichnete Clips und eine gezielte Frage bereit. Xiaomi unterscheidet diesen Clipverarbeitungsablauf in seiner Forschungsplanung von Echtzeitwahrnehmung; kontinuierliche Live-Steuerung sollte daher aus einer aufgezeichneten Demonstration nicht vorausgesetzt werden. Seine Beispiele zeigen außerdem ausdauernde Aufgaben über eine Agentenumgebung, statt einen unbegrenzten Planungshorizont oder ein allgemeingültiges Versprechen für Abschlusszeiten zu belegen. Prüfen Sie Szeneninterpretationen, Diagrammwerte, Sprecherzuordnungen und vorgeschlagene Handlungen anhand der ursprünglichen Eingaben. Die nützliche Rolle von MiMo-V2-Omni besteht darin, die Modalitäten in einer begründeten Aufgabeninterpretation zusammenzuführen, mit einem Ergebnis, dessen Belege und Handlungsausgänge überprüft werden können.
", "aboutText": "MiMo-V2-Omni ist Xiaomis Modell, das Text, Bilder, Audio und Video gemeinsam versteht und dieses Verständnis in einer agentischen Aufgabe nutzt. Seine Architektur führt eigene Bild-, Video- und Audioencoder in einem gemeinsamen Grundgerüst zusammen. Der zentrale Unterschied ist die gemeinsame Wahrnehmung: Eine Frage kann davon abhängen, was sichtbar ist, was hörbar ist und was der begleitende Text sagt, statt jede Quelle isoliert interpretieren zu müssen. Seine Ausgaben unterstützen schriftliche Analysen und strukturierte Werkzeuganfragen.\n\nXiaomi beschreibt das Modell als darauf trainiert, Wahrnehmung, Vorausschau und Handlung zu verbinden. Es interpretiert die aktuelle Szene, schlussfolgert, was als Nächstes geschehen könnte, und wählt einen nützlichen nächsten Schritt. Das ist besonders für aufgezeichnetes Material relevant, bei dem die Bedeutung eines Ereignisses von mehr als einer Modalität abhängt. Stellen Sie beispielsweise einen Clip bereit und verlangen Sie, die Abfolge sichtbarer Handlungen, die relevanten Geräusche und ihren Zusammenhang zu benennen. Legen Sie fest, ob Sie eine Ereigniszusammenfassung, eine Szenenerklärung oder eine Beobachtungsliste für eine spätere Prüfung benötigen. Halten Sie beobachtete Fakten von Vorhersagen getrennt: Eine Interpretation dessen, was geschehen könnte, ist kein Beweis dafür, dass das Ereignis eintreten wird.\n\nDas Audioverständnis geht in der Herstellerbeschreibung über Transkription hinaus. Xiaomi hebt die Klassifikation von Umgebungsgeräuschen, die Unterscheidung mehrerer Sprechender und gemeinsames Schlussfolgern über Audio und Bild hervor. Außerdem wird eine strukturierte Zusammenfassung eines langen, ununterbrochenen Podcasts gezeigt. Benennen Sie für eine Audioaufgabe die wichtigen Themen oder Fragen und die benötigte Ausgabe, etwa eine Argumentationsgliederung, Streitpunkte oder eine thematische Zusammenfassung. Verlangen Sie bei einem Video mit Sprache, eine Aussage mit der zugehörigen Handlung oder dem begleitenden Bildschirminhalt zu verbinden. Wenn genauer Wortlaut oder Sprecherzuordnung wichtig sind, verlangen Sie die Kennzeichnung von Mehrdeutigkeit, statt sie stillschweigend aufzulösen.\n\nAuf visueller Seite hebt der Hersteller fachübergreifendes Schlussfolgern über Bilder und komplexe Diagrammanalyse hervor. Stellen Sie ein lesbares Diagramm bereit und erklären Sie die Analysefrage einschließlich der Bedeutung von Achsen, Einheiten und Kategorien, wenn diese im Bild nicht klar ist. Eine beispielhafte Anfrage ist, das Hauptmuster zu beschreiben, eine erkennbare Veränderung zu benennen und direkt im Diagramm sichtbare Werte von einer vorgeschlagenen Erklärung zu unterscheiden. Definieren Sie bei einem Bildvergleich die für Sie wichtigen Unterschiede und verlangen Sie eine Tabelle, die an sichtbare Belege gebunden ist. Bereiten Sie das Ausgangsmaterial so vor, dass Beschriftungen und relevante Details lesbar sind; eine nützliche Analyse hängt davon ab, was die Eingabe tatsächlich enthält.\n\nMiMo-V2-Omni unterstützt auch strukturierte Werkzeugaufrufe und UI-Grounding. Die Demonstrationen des Herstellers verbinden das Modell mit einer Agentenumgebung, die Browsersteuerung, Dateizugriff und Terminalinteraktion bereitstellt. Das Modell interpretiert den aktuellen Zustand, entscheidet über den nächsten Schritt und gibt eine Handlung aus; die Umgebung führt sie aus und gibt den aktualisierten Zustand zurück. Stellen Sie für eine solche Aufgabe ein klares Ziel, den relevanten Bildschirm oder das Material und Beschreibungen erlaubter Handlungen bereit. Verlangen Sie vom Modell, jeden nächsten Schritt mit dem beobachteten Zustand zu verbinden und das zurückgegebene Ergebnis vor dem Fortfahren zu verwenden. Eine Werkzeuganfrage und das Ergebnis der ausgeführten Handlung sind getrennte Informationen.\n\nXiaomis Beispiel zur Multimediaproduktion folgt derselben Arbeitsteilung: Das Modell entwirft den Inhalt und steuert einen programmatischen Prozess, während Werkzeuge die tatsächlichen Mediendateien erstellen und verwalten. Sie können das Modell für einen Szenenplan, eine schriftliche Erklärung einer Aufnahme oder eine Folge von Werkzeughandlungen nutzen. Das konkrete Ergebnis sollte zu Beginn festgelegt werden, einschließlich seiner erforderlichen Inhalte und der Erkennung des Abschlusses. Halten Sie Dateierstellung, Rendering und Anwendungsvorgänge an die ausführenden Werkzeuge gebunden, statt eine Textantwort als bereits erstelltes Medium zu behandeln.\n\nStellen Sie für praktische Videoarbeit aufgezeichnete Clips und eine gezielte Frage bereit. Xiaomi unterscheidet diesen Clipverarbeitungsablauf in seiner Forschungsplanung von Echtzeitwahrnehmung; kontinuierliche Live-Steuerung sollte daher aus einer aufgezeichneten Demonstration nicht vorausgesetzt werden. Seine Beispiele zeigen außerdem ausdauernde Aufgaben über eine Agentenumgebung, statt einen unbegrenzten Planungshorizont oder ein allgemeingültiges Versprechen für Abschlusszeiten zu belegen. Prüfen Sie Szeneninterpretationen, Diagrammwerte, Sprecherzuordnungen und vorgeschlagene Handlungen anhand der ursprünglichen Eingaben. Die nützliche Rolle von MiMo-V2-Omni besteht darin, die Modalitäten in einer begründeten Aufgabeninterpretation zusammenzuführen, mit einem Ergebnis, dessen Belege und Handlungsausgänge überprüft werden können.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Summarize a supplied podcast transcript\n\nSummarize this podcast transcript by theme. Speaker A: Smaller batches reduced our queue, but we measured only one week. Speaker B: Returns rose that week; we have not linked them to batch size. Speaker A: We should compare another week before expanding. Return agreements, unresolved relationships and the proposed next step, preserving speaker attribution.A theme-based summary with speaker labels, the agreed next step and unresolved causal claims.Check that the summary does not attribute the rise in returns to batch size or report a multi-week measurement.mimo-v2-omniMiMo-V2-Omni ist Xiaomis Modell für gemeinsames Text-, Bild-, Audio- und Videoverständnis. Es verbindet Wahrnehmung mit strukturierten Werkzeuganfragen und der Zuordnung von Oberflächenelementen und unterstützt Szenenanalyse, Diagramminterpretation und agentische Abläufe mit tatsächlichen Werkzeugergebnissen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MiMo-V2-Omni ist Xiaomis Modell, das Text, Bilder, Audio und Video gemeinsam versteht und dieses Verständnis in einer agentischen Aufgabe nutzt. Seine Architektur führt eigene Bild-, Video- und Audioencoder in einem gemeinsamen Grundgerüst zusammen. Der zentrale Unterschied ist die gemeinsame Wahrnehmung: Eine Frage kann davon abhängen, was sichtbar ist, was hörbar ist und was der begleitende Text sagt, statt jede Quelle isoliert interpretieren zu müssen. Seine Ausgaben unterstützen schriftliche Analysen und strukturierte Werkzeuganfragen.
Xiaomi beschreibt das Modell als darauf trainiert, Wahrnehmung, Vorausschau und Handlung zu verbinden. Es interpretiert die aktuelle Szene, schlussfolgert, was als Nächstes geschehen könnte, und wählt einen nützlichen nächsten Schritt. Das ist besonders für aufgezeichnetes Material relevant, bei dem die Bedeutung eines Ereignisses von mehr als einer Modalität abhängt. Stellen Sie beispielsweise einen Clip bereit und verlangen Sie, die Abfolge sichtbarer Handlungen, die relevanten Geräusche und ihren Zusammenhang zu benennen. Legen Sie fest, ob Sie eine Ereigniszusammenfassung, eine Szenenerklärung oder eine Beobachtungsliste für eine spätere Prüfung benötigen. Halten Sie beobachtete Fakten von Vorhersagen getrennt: Eine Interpretation dessen, was geschehen könnte, ist kein Beweis dafür, dass das Ereignis eintreten wird.
Das Audioverständnis geht in der Herstellerbeschreibung über Transkription hinaus. Xiaomi hebt die Klassifikation von Umgebungsgeräuschen, die Unterscheidung mehrerer Sprechender und gemeinsames Schlussfolgern über Audio und Bild hervor. Außerdem wird eine strukturierte Zusammenfassung eines langen, ununterbrochenen Podcasts gezeigt. Benennen Sie für eine Audioaufgabe die wichtigen Themen oder Fragen und die benötigte Ausgabe, etwa eine Argumentationsgliederung, Streitpunkte oder eine thematische Zusammenfassung. Verlangen Sie bei einem Video mit Sprache, eine Aussage mit der zugehörigen Handlung oder dem begleitenden Bildschirminhalt zu verbinden. Wenn genauer Wortlaut oder Sprecherzuordnung wichtig sind, verlangen Sie die Kennzeichnung von Mehrdeutigkeit, statt sie stillschweigend aufzulösen.
Auf visueller Seite hebt der Hersteller fachübergreifendes Schlussfolgern über Bilder und komplexe Diagrammanalyse hervor. Stellen Sie ein lesbares Diagramm bereit und erklären Sie die Analysefrage einschließlich der Bedeutung von Achsen, Einheiten und Kategorien, wenn diese im Bild nicht klar ist. Eine beispielhafte Anfrage ist, das Hauptmuster zu beschreiben, eine erkennbare Veränderung zu benennen und direkt im Diagramm sichtbare Werte von einer vorgeschlagenen Erklärung zu unterscheiden. Definieren Sie bei einem Bildvergleich die für Sie wichtigen Unterschiede und verlangen Sie eine Tabelle, die an sichtbare Belege gebunden ist. Bereiten Sie das Ausgangsmaterial so vor, dass Beschriftungen und relevante Details lesbar sind; eine nützliche Analyse hängt davon ab, was die Eingabe tatsächlich enthält.
MiMo-V2-Omni unterstützt auch strukturierte Werkzeugaufrufe und UI-Grounding. Die Demonstrationen des Herstellers verbinden das Modell mit einer Agentenumgebung, die Browsersteuerung, Dateizugriff und Terminalinteraktion bereitstellt. Das Modell interpretiert den aktuellen Zustand, entscheidet über den nächsten Schritt und gibt eine Handlung aus; die Umgebung führt sie aus und gibt den aktualisierten Zustand zurück. Stellen Sie für eine solche Aufgabe ein klares Ziel, den relevanten Bildschirm oder das Material und Beschreibungen erlaubter Handlungen bereit. Verlangen Sie vom Modell, jeden nächsten Schritt mit dem beobachteten Zustand zu verbinden und das zurückgegebene Ergebnis vor dem Fortfahren zu verwenden. Eine Werkzeuganfrage und das Ergebnis der ausgeführten Handlung sind getrennte Informationen.
Xiaomis Beispiel zur Multimediaproduktion folgt derselben Arbeitsteilung: Das Modell entwirft den Inhalt und steuert einen programmatischen Prozess, während Werkzeuge die tatsächlichen Mediendateien erstellen und verwalten. Sie können das Modell für einen Szenenplan, eine schriftliche Erklärung einer Aufnahme oder eine Folge von Werkzeughandlungen nutzen. Das konkrete Ergebnis sollte zu Beginn festgelegt werden, einschließlich seiner erforderlichen Inhalte und der Erkennung des Abschlusses. Halten Sie Dateierstellung, Rendering und Anwendungsvorgänge an die ausführenden Werkzeuge gebunden, statt eine Textantwort als bereits erstelltes Medium zu behandeln.
Stellen Sie für praktische Videoarbeit aufgezeichnete Clips und eine gezielte Frage bereit. Xiaomi unterscheidet diesen Clipverarbeitungsablauf in seiner Forschungsplanung von Echtzeitwahrnehmung; kontinuierliche Live-Steuerung sollte daher aus einer aufgezeichneten Demonstration nicht vorausgesetzt werden. Seine Beispiele zeigen außerdem ausdauernde Aufgaben über eine Agentenumgebung, statt einen unbegrenzten Planungshorizont oder ein allgemeingültiges Versprechen für Abschlusszeiten zu belegen. Prüfen Sie Szeneninterpretationen, Diagrammwerte, Sprecherzuordnungen und vorgeschlagene Handlungen anhand der ursprünglichen Eingaben. Die nützliche Rolle von MiMo-V2-Omni besteht darin, die Modalitäten in einer begründeten Aufgabeninterpretation zusammenzuführen, mit einem Ergebnis, dessen Belege und Handlungsausgänge überprüft werden können.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mimo-v2-omni | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00088 / 1K Tokens Ausgabe · Ausgabetoken $0.0044 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mimo-v2-omni", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mimo-v2-omni',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mimo-v2-omni',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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra mimo-v2-omni
Verwenden Sie die oben angezeigten Methodenpfade.
mimo-v2-omniMiMo-V2-Omni ist Xiaomis Modell für gemeinsames Text-, Bild-, Audio- und Videoverständnis. Es verbindet Wahrnehmung mit strukturierten Werkzeuganfragen und der Zuordnung von Oberflächenelementen und unterstützt Szenenanalyse, Diagramminterpretation und agentische Abläufe mit tatsächlichen Werkzeugergebnissen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MiMo-V2-Omni ist Xiaomis Modell, das Text, Bilder, Audio und Video gemeinsam versteht und dieses Verständnis in einer agentischen Aufgabe nutzt. Seine Architektur führt eigene Bild-, Video- und Audioencoder in einem gemeinsamen Grundgerüst zusammen. Der zentrale Unterschied ist die gemeinsame Wahrnehmung: Eine Frage kann davon abhängen, was sichtbar ist, was hörbar ist und was der begleitende Text sagt, statt jede Quelle isoliert interpretieren zu müssen. Seine Ausgaben unterstützen schriftliche Analysen und strukturierte Werkzeuganfragen.
Xiaomi beschreibt das Modell als darauf trainiert, Wahrnehmung, Vorausschau und Handlung zu verbinden. Es interpretiert die aktuelle Szene, schlussfolgert, was als Nächstes geschehen könnte, und wählt einen nützlichen nächsten Schritt. Das ist besonders für aufgezeichnetes Material relevant, bei dem die Bedeutung eines Ereignisses von mehr als einer Modalität abhängt. Stellen Sie beispielsweise einen Clip bereit und verlangen Sie, die Abfolge sichtbarer Handlungen, die relevanten Geräusche und ihren Zusammenhang zu benennen. Legen Sie fest, ob Sie eine Ereigniszusammenfassung, eine Szenenerklärung oder eine Beobachtungsliste für eine spätere Prüfung benötigen. Halten Sie beobachtete Fakten von Vorhersagen getrennt: Eine Interpretation dessen, was geschehen könnte, ist kein Beweis dafür, dass das Ereignis eintreten wird.
Das Audioverständnis geht in der Herstellerbeschreibung über Transkription hinaus. Xiaomi hebt die Klassifikation von Umgebungsgeräuschen, die Unterscheidung mehrerer Sprechender und gemeinsames Schlussfolgern über Audio und Bild hervor. Außerdem wird eine strukturierte Zusammenfassung eines langen, ununterbrochenen Podcasts gezeigt. Benennen Sie für eine Audioaufgabe die wichtigen Themen oder Fragen und die benötigte Ausgabe, etwa eine Argumentationsgliederung, Streitpunkte oder eine thematische Zusammenfassung. Verlangen Sie bei einem Video mit Sprache, eine Aussage mit der zugehörigen Handlung oder dem begleitenden Bildschirminhalt zu verbinden. Wenn genauer Wortlaut oder Sprecherzuordnung wichtig sind, verlangen Sie die Kennzeichnung von Mehrdeutigkeit, statt sie stillschweigend aufzulösen.
Auf visueller Seite hebt der Hersteller fachübergreifendes Schlussfolgern über Bilder und komplexe Diagrammanalyse hervor. Stellen Sie ein lesbares Diagramm bereit und erklären Sie die Analysefrage einschließlich der Bedeutung von Achsen, Einheiten und Kategorien, wenn diese im Bild nicht klar ist. Eine beispielhafte Anfrage ist, das Hauptmuster zu beschreiben, eine erkennbare Veränderung zu benennen und direkt im Diagramm sichtbare Werte von einer vorgeschlagenen Erklärung zu unterscheiden. Definieren Sie bei einem Bildvergleich die für Sie wichtigen Unterschiede und verlangen Sie eine Tabelle, die an sichtbare Belege gebunden ist. Bereiten Sie das Ausgangsmaterial so vor, dass Beschriftungen und relevante Details lesbar sind; eine nützliche Analyse hängt davon ab, was die Eingabe tatsächlich enthält.
MiMo-V2-Omni unterstützt auch strukturierte Werkzeugaufrufe und UI-Grounding. Die Demonstrationen des Herstellers verbinden das Modell mit einer Agentenumgebung, die Browsersteuerung, Dateizugriff und Terminalinteraktion bereitstellt. Das Modell interpretiert den aktuellen Zustand, entscheidet über den nächsten Schritt und gibt eine Handlung aus; die Umgebung führt sie aus und gibt den aktualisierten Zustand zurück. Stellen Sie für eine solche Aufgabe ein klares Ziel, den relevanten Bildschirm oder das Material und Beschreibungen erlaubter Handlungen bereit. Verlangen Sie vom Modell, jeden nächsten Schritt mit dem beobachteten Zustand zu verbinden und das zurückgegebene Ergebnis vor dem Fortfahren zu verwenden. Eine Werkzeuganfrage und das Ergebnis der ausgeführten Handlung sind getrennte Informationen.
Xiaomis Beispiel zur Multimediaproduktion folgt derselben Arbeitsteilung: Das Modell entwirft den Inhalt und steuert einen programmatischen Prozess, während Werkzeuge die tatsächlichen Mediendateien erstellen und verwalten. Sie können das Modell für einen Szenenplan, eine schriftliche Erklärung einer Aufnahme oder eine Folge von Werkzeughandlungen nutzen. Das konkrete Ergebnis sollte zu Beginn festgelegt werden, einschließlich seiner erforderlichen Inhalte und der Erkennung des Abschlusses. Halten Sie Dateierstellung, Rendering und Anwendungsvorgänge an die ausführenden Werkzeuge gebunden, statt eine Textantwort als bereits erstelltes Medium zu behandeln.
Stellen Sie für praktische Videoarbeit aufgezeichnete Clips und eine gezielte Frage bereit. Xiaomi unterscheidet diesen Clipverarbeitungsablauf in seiner Forschungsplanung von Echtzeitwahrnehmung; kontinuierliche Live-Steuerung sollte daher aus einer aufgezeichneten Demonstration nicht vorausgesetzt werden. Seine Beispiele zeigen außerdem ausdauernde Aufgaben über eine Agentenumgebung, statt einen unbegrenzten Planungshorizont oder ein allgemeingültiges Versprechen für Abschlusszeiten zu belegen. Prüfen Sie Szeneninterpretationen, Diagrammwerte, Sprecherzuordnungen und vorgeschlagene Handlungen anhand der ursprünglichen Eingaben. Die nützliche Rolle von MiMo-V2-Omni besteht darin, die Modalitäten in einer begründeten Aufgabeninterpretation zusammenzuführen, mit einem Ergebnis, dessen Belege und Handlungsausgänge überprüft werden können.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mimo-v2-omni | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00088 / 1K Tokens Ausgabe · Ausgabetoken $0.0044 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mimo-v2-omni",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mimo-v2-omni', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mimo-v2-omni', '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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra mimo-v2-omni
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Summarize a supplied podcast transcript\n\nSummarize this podcast transcript by theme. Speaker A: Smaller batches reduced our queue, but we measured only one week. Speaker B: Returns rose that week; we have not linked them to batch size. Speaker A: We should compare another week before expanding. Return agreements, unresolved relationships and the proposed next step, preserving speaker attribution.A theme-based summary with speaker labels, the agreed next step and unresolved causal claims.Check that the summary does not attribute the rise in returns to batch size or report a multi-week measurement.