Grundlage für Agentenarbeit
MiMo-V2-Pro ist Xiaomis führendes Basismodell für komplexe Agentenaufgaben und Softwareentwicklung. Seine Rolle besteht darin, eine Aufgabe zu durchdenken, die erforderlichen Schritte zu organisieren und von Werkzeugen zurückgegebene Informationen zu nutzen, um auf ein definiertes Ergebnis hinzuarbeiten. Der Schwerpunkt des Modells geht über das Verfassen einer einzelnen Antwort hinaus: Es ist für zusammenhängende Arbeit ausgelegt, bei der frühere Entscheidungen und Beobachtungen beeinflussen, was als Nächstes geschieht.
Größe und effiziente Architektur
Der Hersteller beschreibt mehr als 1 Billion Parameter insgesamt bei 42 Milliarden aktiven Parametern. Pro erweitert den hybriden Aufmerksamkeitsansatz von MiMo-V2-Flash und verwendet ein Verhältnis von 7:1 zwischen Sliding-Window- und globaler Aufmerksamkeit. Eine leichtgewichtige Schicht zur Vorhersage mehrerer Tokens unterstützt die Generierung, und der beworbene Kontext reicht bis zu 1 Million Tokens. Dies sind Architektur- und Kontexteigenschaften von Pro; sie legen weder Ausführungsgeschwindigkeit noch Speicherzuweisung oder Anfragegrenzen einer konkreten Integration fest.
Entwicklungslinie der Veröffentlichung
Xiaomi bezeichnet Hunter Alpha als einen frühen internen Teststand vor MiMo-V2-Pro. Das veröffentlichte Pro-Modell hat einen eigenen Namen sowie Verfeinerungen für die Arbeit mit langem Kontext und die Stabilität in Agentenszenarien. Diese Unterscheidung ist beim Vergleich von Beschreibungen oder beim Bewahren einer Modellidentität wichtig: Ein früherer Teststand, MiMo-V2-Flash und MiMo-V2-Omni haben jeweils eine eigene Rolle und Spezifikation.
Für Agenten entwickelt
Das Modell wird durch überwachtes Lernen und bestärkendes Lernen über unterschiedliche Agentenframeworks hinweg feinabgestimmt, mit Schwerpunkt auf Werkzeugaufrufen und mehrstufigem schlussfolgerndem Denken. Bereiten Sie eine Aufgabe mit einer beobachtbaren Abschlussbedingung und Beschreibungen der verfügbaren Werkzeuge vor. Ein Projektassistent kann beispielsweise eine Änderungsanforderung erhalten, die bereitgestellten Module untersuchen, die betroffenen Komponenten vorschlagen und fortfahren, nachdem ein Werkzeug einen Buildfehler zurückliefert. Die nützliche Ausgabe ist eine Folge von Entscheidungen, die an tatsächliche Beobachtungen gebunden sind, gefolgt vom gewünschten Code, einer Erklärung oder einem Arbeitsbericht. Die verbundene Umgebung führt die Aktionen aus.
Softwareentwicklung und Frontend-Aufgaben
Xiaomi hebt Systementwurf, Aufgabenplanung und codebezogene Problemlösung hervor. Zu seinen Demonstrationen gehören interaktive Webseiten und ein browserbasiertes Spiel, die innerhalb einer Agentenumgebung erzeugt wurden. Ein beispielhaftes Entwicklungsbriefing kann Seitenverhalten, Navigation, Datenzustände und ein responsives Layout festlegen und anschließend eine Implementierung samt Prüfungen gegen diese Anforderungen verlangen. Stellen Sie für ein bestehendes Projekt die aktuellen Dateien, den fehlschlagenden Fall und die Schnittstellen bereit, die unverändert bleiben müssen. Verlangen Sie eine gezielte Änderung und eine Erklärung der betroffenen Abhängigkeiten statt einer sachfremden Ersatzanwendung.
Langer Kontext und ein überprüfbares Ergebnis
Der Kontext von bis zu 1 Million Tokens ist nützlich, wenn mehrere Dateien, Dokumente, Anweisungen und frühere Beobachtungen zur selben Aufgabe gehören. Ordnen Sie dieses Material nach seiner Rolle: maßgebliche Anforderungen, aktueller Code, Referenzbeispiele und Werkzeugergebnisse. Legen Sie das abschließende Artefakt und seine Abnahmekriterien fest, bevor Sie den Agenten fortfahren lassen. Eine Dokumentationsaufgabe kann einen Vergleich mit offenen Fragen benötigen; eine Entwicklungsaufgabe einen Patch und ein Protokoll der durchgeführten Prüfungen.
Praktische Grenzen und Geltungsbereich der Ausgabe
Ein langer Kontext schafft Platz für Material, garantiert aber weder die Korrektheit eines erzeugten Projekts noch die Erfüllung jeder Anforderung. Geben Sie tatsächliche Fehler und Beobachtungen für den nächsten Schritt zurück und validieren Sie das Ergebnis in der vorgesehenen Umgebung. Der Hersteller beschreibt Robustheit bei komplexen realen Aufgaben ausdrücklich als etwas, das bewertet und verbessert werden muss. Diese Beschreibung behandelt die Text- und Werkzeugagenten-Spezialisierung von MiMo-V2-Pro; Modalitätsfunktionen von Omni und Spezifikationen späterer MiMo-Generationen gehören zu den jeweiligen Modellen. Die Werkzeuge, verfügbaren Parameter und die Verarbeitung der Ausgabe bleiben Eigenschaften der verbundenen Anwendung.
", "aboutText": "Grundlage für Agentenarbeit\n\nMiMo-V2-Pro ist Xiaomis führendes Basismodell für komplexe Agentenaufgaben und Softwareentwicklung. Seine Rolle besteht darin, eine Aufgabe zu durchdenken, die erforderlichen Schritte zu organisieren und von Werkzeugen zurückgegebene Informationen zu nutzen, um auf ein definiertes Ergebnis hinzuarbeiten. Der Schwerpunkt des Modells geht über das Verfassen einer einzelnen Antwort hinaus: Es ist für zusammenhängende Arbeit ausgelegt, bei der frühere Entscheidungen und Beobachtungen beeinflussen, was als Nächstes geschieht.\n\nGröße und effiziente Architektur\n\nDer Hersteller beschreibt mehr als 1 Billion Parameter insgesamt bei 42 Milliarden aktiven Parametern. Pro erweitert den hybriden Aufmerksamkeitsansatz von MiMo-V2-Flash und verwendet ein Verhältnis von 7:1 zwischen Sliding-Window- und globaler Aufmerksamkeit. Eine leichtgewichtige Schicht zur Vorhersage mehrerer Tokens unterstützt die Generierung, und der beworbene Kontext reicht bis zu 1 Million Tokens. Dies sind Architektur- und Kontexteigenschaften von Pro; sie legen weder Ausführungsgeschwindigkeit noch Speicherzuweisung oder Anfragegrenzen einer konkreten Integration fest.\n\nEntwicklungslinie der Veröffentlichung\n\nXiaomi bezeichnet Hunter Alpha als einen frühen internen Teststand vor MiMo-V2-Pro. Das veröffentlichte Pro-Modell hat einen eigenen Namen sowie Verfeinerungen für die Arbeit mit langem Kontext und die Stabilität in Agentenszenarien. Diese Unterscheidung ist beim Vergleich von Beschreibungen oder beim Bewahren einer Modellidentität wichtig: Ein früherer Teststand, MiMo-V2-Flash und MiMo-V2-Omni haben jeweils eine eigene Rolle und Spezifikation.\n\nFür Agenten entwickelt\n\nDas Modell wird durch überwachtes Lernen und bestärkendes Lernen über unterschiedliche Agentenframeworks hinweg feinabgestimmt, mit Schwerpunkt auf Werkzeugaufrufen und mehrstufigem schlussfolgerndem Denken. Bereiten Sie eine Aufgabe mit einer beobachtbaren Abschlussbedingung und Beschreibungen der verfügbaren Werkzeuge vor. Ein Projektassistent kann beispielsweise eine Änderungsanforderung erhalten, die bereitgestellten Module untersuchen, die betroffenen Komponenten vorschlagen und fortfahren, nachdem ein Werkzeug einen Buildfehler zurückliefert. Die nützliche Ausgabe ist eine Folge von Entscheidungen, die an tatsächliche Beobachtungen gebunden sind, gefolgt vom gewünschten Code, einer Erklärung oder einem Arbeitsbericht. Die verbundene Umgebung führt die Aktionen aus.\n\nSoftwareentwicklung und Frontend-Aufgaben\n\nXiaomi hebt Systementwurf, Aufgabenplanung und codebezogene Problemlösung hervor. Zu seinen Demonstrationen gehören interaktive Webseiten und ein browserbasiertes Spiel, die innerhalb einer Agentenumgebung erzeugt wurden. Ein beispielhaftes Entwicklungsbriefing kann Seitenverhalten, Navigation, Datenzustände und ein responsives Layout festlegen und anschließend eine Implementierung samt Prüfungen gegen diese Anforderungen verlangen. Stellen Sie für ein bestehendes Projekt die aktuellen Dateien, den fehlschlagenden Fall und die Schnittstellen bereit, die unverändert bleiben müssen. Verlangen Sie eine gezielte Änderung und eine Erklärung der betroffenen Abhängigkeiten statt einer sachfremden Ersatzanwendung.\n\nLanger Kontext und ein überprüfbares Ergebnis\n\nDer Kontext von bis zu 1 Million Tokens ist nützlich, wenn mehrere Dateien, Dokumente, Anweisungen und frühere Beobachtungen zur selben Aufgabe gehören. Ordnen Sie dieses Material nach seiner Rolle: maßgebliche Anforderungen, aktueller Code, Referenzbeispiele und Werkzeugergebnisse. Legen Sie das abschließende Artefakt und seine Abnahmekriterien fest, bevor Sie den Agenten fortfahren lassen. Eine Dokumentationsaufgabe kann einen Vergleich mit offenen Fragen benötigen; eine Entwicklungsaufgabe einen Patch und ein Protokoll der durchgeführten Prüfungen.\n\nPraktische Grenzen und Geltungsbereich der Ausgabe\n\nEin langer Kontext schafft Platz für Material, garantiert aber weder die Korrektheit eines erzeugten Projekts noch die Erfüllung jeder Anforderung. Geben Sie tatsächliche Fehler und Beobachtungen für den nächsten Schritt zurück und validieren Sie das Ergebnis in der vorgesehenen Umgebung. Der Hersteller beschreibt Robustheit bei komplexen realen Aufgaben ausdrücklich als etwas, das bewertet und verbessert werden muss. Diese Beschreibung behandelt die Text- und Werkzeugagenten-Spezialisierung von MiMo-V2-Pro; Modalitätsfunktionen von Omni und Spezifikationen späterer MiMo-Generationen gehören zu den jeweiligen Modellen. Die Werkzeuge, verfügbaren Parameter und die Verarbeitung der Ausgabe bleiben Eigenschaften der verbundenen Anwendung.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Correct an error-state transition\n\nA text specification says a search box has idle, loading, results and error states. Existing logic sets loading=true before fetch and false only on success, so failures leave the spinner visible. Propose pseudocode that preserves results on success, shows an error on failure and always clears loading. Include the two distinguishing checks.Focused async pseudocode and success/failure checks covering final loading state and visible result or error.Check that loading is cleared in both branches without suppressing the error.mimo-v2-proMiMo-V2-Pro ist Xiaomis auf Agenten ausgerichtetes Textmodell für Softwareentwicklung, mehrstufige Planung und werkzeuggestützte Arbeit. Sein Kontext von bis zu 1 Million Tokens hilft dabei, umfangreiches Projektmaterial, Aufgabenvorgaben und aufeinanderfolgende Beobachtungen in einem zusammenhängenden Arbeitsablauf zu halten.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Grundlage für Agentenarbeit
MiMo-V2-Pro ist Xiaomis führendes Basismodell für komplexe Agentenaufgaben und Softwareentwicklung. Seine Rolle besteht darin, eine Aufgabe zu durchdenken, die erforderlichen Schritte zu organisieren und von Werkzeugen zurückgegebene Informationen zu nutzen, um auf ein definiertes Ergebnis hinzuarbeiten. Der Schwerpunkt des Modells geht über das Verfassen einer einzelnen Antwort hinaus: Es ist für zusammenhängende Arbeit ausgelegt, bei der frühere Entscheidungen und Beobachtungen beeinflussen, was als Nächstes geschieht.
Größe und effiziente Architektur
Der Hersteller beschreibt mehr als 1 Billion Parameter insgesamt bei 42 Milliarden aktiven Parametern. Pro erweitert den hybriden Aufmerksamkeitsansatz von MiMo-V2-Flash und verwendet ein Verhältnis von 7:1 zwischen Sliding-Window- und globaler Aufmerksamkeit. Eine leichtgewichtige Schicht zur Vorhersage mehrerer Tokens unterstützt die Generierung, und der beworbene Kontext reicht bis zu 1 Million Tokens. Dies sind Architektur- und Kontexteigenschaften von Pro; sie legen weder Ausführungsgeschwindigkeit noch Speicherzuweisung oder Anfragegrenzen einer konkreten Integration fest.
Entwicklungslinie der Veröffentlichung
Xiaomi bezeichnet Hunter Alpha als einen frühen internen Teststand vor MiMo-V2-Pro. Das veröffentlichte Pro-Modell hat einen eigenen Namen sowie Verfeinerungen für die Arbeit mit langem Kontext und die Stabilität in Agentenszenarien. Diese Unterscheidung ist beim Vergleich von Beschreibungen oder beim Bewahren einer Modellidentität wichtig: Ein früherer Teststand, MiMo-V2-Flash und MiMo-V2-Omni haben jeweils eine eigene Rolle und Spezifikation.
Für Agenten entwickelt
Das Modell wird durch überwachtes Lernen und bestärkendes Lernen über unterschiedliche Agentenframeworks hinweg feinabgestimmt, mit Schwerpunkt auf Werkzeugaufrufen und mehrstufigem schlussfolgerndem Denken. Bereiten Sie eine Aufgabe mit einer beobachtbaren Abschlussbedingung und Beschreibungen der verfügbaren Werkzeuge vor. Ein Projektassistent kann beispielsweise eine Änderungsanforderung erhalten, die bereitgestellten Module untersuchen, die betroffenen Komponenten vorschlagen und fortfahren, nachdem ein Werkzeug einen Buildfehler zurückliefert. Die nützliche Ausgabe ist eine Folge von Entscheidungen, die an tatsächliche Beobachtungen gebunden sind, gefolgt vom gewünschten Code, einer Erklärung oder einem Arbeitsbericht. Die verbundene Umgebung führt die Aktionen aus.
Softwareentwicklung und Frontend-Aufgaben
Xiaomi hebt Systementwurf, Aufgabenplanung und codebezogene Problemlösung hervor. Zu seinen Demonstrationen gehören interaktive Webseiten und ein browserbasiertes Spiel, die innerhalb einer Agentenumgebung erzeugt wurden. Ein beispielhaftes Entwicklungsbriefing kann Seitenverhalten, Navigation, Datenzustände und ein responsives Layout festlegen und anschließend eine Implementierung samt Prüfungen gegen diese Anforderungen verlangen. Stellen Sie für ein bestehendes Projekt die aktuellen Dateien, den fehlschlagenden Fall und die Schnittstellen bereit, die unverändert bleiben müssen. Verlangen Sie eine gezielte Änderung und eine Erklärung der betroffenen Abhängigkeiten statt einer sachfremden Ersatzanwendung.
Langer Kontext und ein überprüfbares Ergebnis
Der Kontext von bis zu 1 Million Tokens ist nützlich, wenn mehrere Dateien, Dokumente, Anweisungen und frühere Beobachtungen zur selben Aufgabe gehören. Ordnen Sie dieses Material nach seiner Rolle: maßgebliche Anforderungen, aktueller Code, Referenzbeispiele und Werkzeugergebnisse. Legen Sie das abschließende Artefakt und seine Abnahmekriterien fest, bevor Sie den Agenten fortfahren lassen. Eine Dokumentationsaufgabe kann einen Vergleich mit offenen Fragen benötigen; eine Entwicklungsaufgabe einen Patch und ein Protokoll der durchgeführten Prüfungen.
Praktische Grenzen und Geltungsbereich der Ausgabe
Ein langer Kontext schafft Platz für Material, garantiert aber weder die Korrektheit eines erzeugten Projekts noch die Erfüllung jeder Anforderung. Geben Sie tatsächliche Fehler und Beobachtungen für den nächsten Schritt zurück und validieren Sie das Ergebnis in der vorgesehenen Umgebung. Der Hersteller beschreibt Robustheit bei komplexen realen Aufgaben ausdrücklich als etwas, das bewertet und verbessert werden muss. Diese Beschreibung behandelt die Text- und Werkzeugagenten-Spezialisierung von MiMo-V2-Pro; Modalitätsfunktionen von Omni und Spezifikationen späterer MiMo-Generationen gehören zu den jeweiligen Modellen. Die Werkzeuge, verfügbaren Parameter und die Verarbeitung der Ausgabe bleiben Eigenschaften der verbundenen Anwendung.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mimo-v2-pro | 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 $0.0022 / 1K Tokens Ausgabe · Ausgabetoken $0.0066 / 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-pro", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mimo-v2-pro',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mimo-v2-pro',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-pro
Verwenden Sie die oben angezeigten Methodenpfade.
mimo-v2-proMiMo-V2-Pro ist Xiaomis auf Agenten ausgerichtetes Textmodell für Softwareentwicklung, mehrstufige Planung und werkzeuggestützte Arbeit. Sein Kontext von bis zu 1 Million Tokens hilft dabei, umfangreiches Projektmaterial, Aufgabenvorgaben und aufeinanderfolgende Beobachtungen in einem zusammenhängenden Arbeitsablauf zu halten.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Grundlage für Agentenarbeit
MiMo-V2-Pro ist Xiaomis führendes Basismodell für komplexe Agentenaufgaben und Softwareentwicklung. Seine Rolle besteht darin, eine Aufgabe zu durchdenken, die erforderlichen Schritte zu organisieren und von Werkzeugen zurückgegebene Informationen zu nutzen, um auf ein definiertes Ergebnis hinzuarbeiten. Der Schwerpunkt des Modells geht über das Verfassen einer einzelnen Antwort hinaus: Es ist für zusammenhängende Arbeit ausgelegt, bei der frühere Entscheidungen und Beobachtungen beeinflussen, was als Nächstes geschieht.
Größe und effiziente Architektur
Der Hersteller beschreibt mehr als 1 Billion Parameter insgesamt bei 42 Milliarden aktiven Parametern. Pro erweitert den hybriden Aufmerksamkeitsansatz von MiMo-V2-Flash und verwendet ein Verhältnis von 7:1 zwischen Sliding-Window- und globaler Aufmerksamkeit. Eine leichtgewichtige Schicht zur Vorhersage mehrerer Tokens unterstützt die Generierung, und der beworbene Kontext reicht bis zu 1 Million Tokens. Dies sind Architektur- und Kontexteigenschaften von Pro; sie legen weder Ausführungsgeschwindigkeit noch Speicherzuweisung oder Anfragegrenzen einer konkreten Integration fest.
Entwicklungslinie der Veröffentlichung
Xiaomi bezeichnet Hunter Alpha als einen frühen internen Teststand vor MiMo-V2-Pro. Das veröffentlichte Pro-Modell hat einen eigenen Namen sowie Verfeinerungen für die Arbeit mit langem Kontext und die Stabilität in Agentenszenarien. Diese Unterscheidung ist beim Vergleich von Beschreibungen oder beim Bewahren einer Modellidentität wichtig: Ein früherer Teststand, MiMo-V2-Flash und MiMo-V2-Omni haben jeweils eine eigene Rolle und Spezifikation.
Für Agenten entwickelt
Das Modell wird durch überwachtes Lernen und bestärkendes Lernen über unterschiedliche Agentenframeworks hinweg feinabgestimmt, mit Schwerpunkt auf Werkzeugaufrufen und mehrstufigem schlussfolgerndem Denken. Bereiten Sie eine Aufgabe mit einer beobachtbaren Abschlussbedingung und Beschreibungen der verfügbaren Werkzeuge vor. Ein Projektassistent kann beispielsweise eine Änderungsanforderung erhalten, die bereitgestellten Module untersuchen, die betroffenen Komponenten vorschlagen und fortfahren, nachdem ein Werkzeug einen Buildfehler zurückliefert. Die nützliche Ausgabe ist eine Folge von Entscheidungen, die an tatsächliche Beobachtungen gebunden sind, gefolgt vom gewünschten Code, einer Erklärung oder einem Arbeitsbericht. Die verbundene Umgebung führt die Aktionen aus.
Softwareentwicklung und Frontend-Aufgaben
Xiaomi hebt Systementwurf, Aufgabenplanung und codebezogene Problemlösung hervor. Zu seinen Demonstrationen gehören interaktive Webseiten und ein browserbasiertes Spiel, die innerhalb einer Agentenumgebung erzeugt wurden. Ein beispielhaftes Entwicklungsbriefing kann Seitenverhalten, Navigation, Datenzustände und ein responsives Layout festlegen und anschließend eine Implementierung samt Prüfungen gegen diese Anforderungen verlangen. Stellen Sie für ein bestehendes Projekt die aktuellen Dateien, den fehlschlagenden Fall und die Schnittstellen bereit, die unverändert bleiben müssen. Verlangen Sie eine gezielte Änderung und eine Erklärung der betroffenen Abhängigkeiten statt einer sachfremden Ersatzanwendung.
Langer Kontext und ein überprüfbares Ergebnis
Der Kontext von bis zu 1 Million Tokens ist nützlich, wenn mehrere Dateien, Dokumente, Anweisungen und frühere Beobachtungen zur selben Aufgabe gehören. Ordnen Sie dieses Material nach seiner Rolle: maßgebliche Anforderungen, aktueller Code, Referenzbeispiele und Werkzeugergebnisse. Legen Sie das abschließende Artefakt und seine Abnahmekriterien fest, bevor Sie den Agenten fortfahren lassen. Eine Dokumentationsaufgabe kann einen Vergleich mit offenen Fragen benötigen; eine Entwicklungsaufgabe einen Patch und ein Protokoll der durchgeführten Prüfungen.
Praktische Grenzen und Geltungsbereich der Ausgabe
Ein langer Kontext schafft Platz für Material, garantiert aber weder die Korrektheit eines erzeugten Projekts noch die Erfüllung jeder Anforderung. Geben Sie tatsächliche Fehler und Beobachtungen für den nächsten Schritt zurück und validieren Sie das Ergebnis in der vorgesehenen Umgebung. Der Hersteller beschreibt Robustheit bei komplexen realen Aufgaben ausdrücklich als etwas, das bewertet und verbessert werden muss. Diese Beschreibung behandelt die Text- und Werkzeugagenten-Spezialisierung von MiMo-V2-Pro; Modalitätsfunktionen von Omni und Spezifikationen späterer MiMo-Generationen gehören zu den jeweiligen Modellen. Die Werkzeuge, verfügbaren Parameter und die Verarbeitung der Ausgabe bleiben Eigenschaften der verbundenen Anwendung.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mimo-v2-pro | 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 $0.0022 / 1K Tokens Ausgabe · Ausgabetoken $0.0066 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mimo-v2-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mimo-v2-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mimo-v2-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-pro
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Correct an error-state transition\n\nA text specification says a search box has idle, loading, results and error states. Existing logic sets loading=true before fetch and false only on success, so failures leave the spinner visible. Propose pseudocode that preserves results on success, shows an error on failure and always clears loading. Include the two distinguishing checks.Focused async pseudocode and success/failure checks covering final loading state and visible result or error.Check that loading is cleared in both branches without suppressing the error.