MiMo-V2.5-Pro ist Xiaomis großes, textorientiertes Mixture-of-Experts-Modell für anspruchsvolle Agentenaufgaben, komplexe Softwareentwicklung und Aufgaben mit vielen zusammenhängenden Schritten. Der Hersteller nennt insgesamt 1,02 Billionen Parameter, 42 Milliarden aktive Parameter und einen Kontext von bis zu einer Million Token. Das Modell soll die Aufgabenanweisungen und die gesammelten Belege im Blick behalten, während eine unterstützende Anwendung Werkzeuge bereitstellt und deren Ergebnisse zurückgibt.
Das Modell kombiniert Sliding-Window-Attention und globale Attention im Verhältnis 6:1. Das lokale Fenster umfasst 128 Token, während Schichten mit globaler Attention Informationen über den längeren Verlauf hinweg verknüpfen. Das beschreibt die Attention-Architektur und beschränkt die Eingabe des Nutzers nicht auf 128 Token. Die Grundarchitektur besitzt 70 Schichten und ein sparsames Experten-Routing, bei dem pro Token acht geroutete Experten ausgewählt werden. Drei Module zur Vorhersage mehrerer Token sind in das Trainings- und Inferenzkonzept integriert, um spekulatives Decodieren zu unterstützen.
Der Hersteller beschreibt ein Vortraining mit 27 Billionen Token, gefolgt von überwachtem Fine-Tuning, domänenspezifischem Reinforcement Learning und On-Policy-Distillation mit mehreren Lehrermodellen. Die spezialisierten Lehrermodelle decken unter anderem Mathematik, Sicherheit und komplexen Werkzeugeinsatz ab; im letzten Schritt wird ihre Anleitung in einem Modell zusammengeführt. Dieser Trainingsschwerpunkt unterstützt den Einsatz in langen Software- und Agentenabläufen. Eine konkrete Aufgabe benötigt dennoch vorgegebene Anforderungen und eine Möglichkeit, die Vollständigkeit des Ergebnisses festzustellen.
Stellen Sie für eine Softwareänderung die relevanten Dateien, einen beobachteten Fehler oder das gewünschte Verhalten, die Projektkonventionen und die maßgeblichen Prüfungen bereit. Eine hilfreiche Anweisung lautet, das betroffene Verhalten zu bestimmen, eine gezielte Implementierung vorzuschlagen und zu erläutern, wie sich sowohl der gewünschte Fall als auch ein aussagekräftiger Grenzfall überprüfen lassen. Behalten Sie die exakten Bezeichner des Projekts bei. Wenn die Umgebung eine Ausführung erlaubt, geben Sie die tatsächlichen Prüfausgaben zurück, statt das Modell annehmen zu lassen, dass ein plausibler Patch funktioniert.
Halten Sie bei einer längeren Agentenaufgabe Ziel, bereits getroffene Entscheidungen und Werkzeugergebnisse als Belege knapp fest. Geben Sie an, was jede Operation verändern darf und welches Ergebnis den nächsten Schritt rechtfertigen würde. Das Modell kann helfen, diese Interaktionen gemeinsam zu beurteilen und die nächste Anfrage vorzubereiten; die Operationen führt jedoch die umgebende Anwendung aus. Behalten Sie Fehler und ungeklärte Bedingungen im Abschlussbericht bei, damit eine lange Abfolge keinen fehlgeschlagenen Schritt hinter einer flüssigen Erklärung verbirgt.
Der große Kontext kann beim Vergleich von Implementierungen oder beim Zusammenführen mehrerer umfangreicher Dokumente hilfreich sein. Kennzeichnen Sie Datei- und Dokumentgrenzen, benennen Sie die Abschnitte, die die Antwort verwenden muss, und geben Sie das verlangte Ausgabeformat an. Fordern Sie beispielsweise einen Migrationsvorschlag an, der jede betroffene Komponente einer Anforderung zuordnet und fehlende Informationen gesondert ausweist. Bewahren Sie die belegenden Textstellen oder Codepositionen beim Ergebnis auf, damit eine prüfende Person die Argumentation bis zur Eingabe zurückverfolgen kann.
Xiaomis veröffentlichtes Bereitstellungsbeispiel verwendet eine Kontextkonfiguration mit 1.048.576 Token, während die Zusammenfassung bis zu 1M Token angibt. Lassen Sie in der verwendeten Konfiguration Platz für den erzeugten Text und den angesammelten Werkzeugverlauf. Für lokale Inferenz empfiehlt der Hersteller temperature 1.0 und top_p 0.95. Das sind Details der Herstelleranleitung und keine Garantie dafür, dass jede Anwendung dieselben Einstellungen oder dasselbe nutzbare Kontextfenster bereitstellt.
MiMo-V2.5-Pro unterscheidet sich vom nativ omnimodalen Schwestermodell MiMo-V2.5 und von der späteren V2.6-Reihe. Verwenden Sie diese Ausgabe für ihren dokumentierten Sprach- und Agentenaufgabenbereich, ohne ihr die Bild- oder Audioeigenschaften einer anderen Ausgabe zuzuschreiben. Das fertige Artefakt kann ein Codevorschlag, eine Erklärung der Implementierung oder eine beleggestützte Analyse sein. Prüfen Sie wichtige Berechnungen, Anforderungen und Werkzeugergebnisse anhand des für die Aufgabe bereitgestellten Materials.
", "aboutText": "MiMo-V2.5-Pro ist Xiaomis großes, textorientiertes Mixture-of-Experts-Modell für anspruchsvolle Agentenaufgaben, komplexe Softwareentwicklung und Aufgaben mit vielen zusammenhängenden Schritten. Der Hersteller nennt insgesamt 1,02 Billionen Parameter, 42 Milliarden aktive Parameter und einen Kontext von bis zu einer Million Token. Das Modell soll die Aufgabenanweisungen und die gesammelten Belege im Blick behalten, während eine unterstützende Anwendung Werkzeuge bereitstellt und deren Ergebnisse zurückgibt.\n\nDas Modell kombiniert Sliding-Window-Attention und globale Attention im Verhältnis 6:1. Das lokale Fenster umfasst 128 Token, während Schichten mit globaler Attention Informationen über den längeren Verlauf hinweg verknüpfen. Das beschreibt die Attention-Architektur und beschränkt die Eingabe des Nutzers nicht auf 128 Token. Die Grundarchitektur besitzt 70 Schichten und ein sparsames Experten-Routing, bei dem pro Token acht geroutete Experten ausgewählt werden. Drei Module zur Vorhersage mehrerer Token sind in das Trainings- und Inferenzkonzept integriert, um spekulatives Decodieren zu unterstützen.\n\nDer Hersteller beschreibt ein Vortraining mit 27 Billionen Token, gefolgt von überwachtem Fine-Tuning, domänenspezifischem Reinforcement Learning und On-Policy-Distillation mit mehreren Lehrermodellen. Die spezialisierten Lehrermodelle decken unter anderem Mathematik, Sicherheit und komplexen Werkzeugeinsatz ab; im letzten Schritt wird ihre Anleitung in einem Modell zusammengeführt. Dieser Trainingsschwerpunkt unterstützt den Einsatz in langen Software- und Agentenabläufen. Eine konkrete Aufgabe benötigt dennoch vorgegebene Anforderungen und eine Möglichkeit, die Vollständigkeit des Ergebnisses festzustellen.\n\nStellen Sie für eine Softwareänderung die relevanten Dateien, einen beobachteten Fehler oder das gewünschte Verhalten, die Projektkonventionen und die maßgeblichen Prüfungen bereit. Eine hilfreiche Anweisung lautet, das betroffene Verhalten zu bestimmen, eine gezielte Implementierung vorzuschlagen und zu erläutern, wie sich sowohl der gewünschte Fall als auch ein aussagekräftiger Grenzfall überprüfen lassen. Behalten Sie die exakten Bezeichner des Projekts bei. Wenn die Umgebung eine Ausführung erlaubt, geben Sie die tatsächlichen Prüfausgaben zurück, statt das Modell annehmen zu lassen, dass ein plausibler Patch funktioniert.\n\nHalten Sie bei einer längeren Agentenaufgabe Ziel, bereits getroffene Entscheidungen und Werkzeugergebnisse als Belege knapp fest. Geben Sie an, was jede Operation verändern darf und welches Ergebnis den nächsten Schritt rechtfertigen würde. Das Modell kann helfen, diese Interaktionen gemeinsam zu beurteilen und die nächste Anfrage vorzubereiten; die Operationen führt jedoch die umgebende Anwendung aus. Behalten Sie Fehler und ungeklärte Bedingungen im Abschlussbericht bei, damit eine lange Abfolge keinen fehlgeschlagenen Schritt hinter einer flüssigen Erklärung verbirgt.\n\nDer große Kontext kann beim Vergleich von Implementierungen oder beim Zusammenführen mehrerer umfangreicher Dokumente hilfreich sein. Kennzeichnen Sie Datei- und Dokumentgrenzen, benennen Sie die Abschnitte, die die Antwort verwenden muss, und geben Sie das verlangte Ausgabeformat an. Fordern Sie beispielsweise einen Migrationsvorschlag an, der jede betroffene Komponente einer Anforderung zuordnet und fehlende Informationen gesondert ausweist. Bewahren Sie die belegenden Textstellen oder Codepositionen beim Ergebnis auf, damit eine prüfende Person die Argumentation bis zur Eingabe zurückverfolgen kann.\n\nXiaomis veröffentlichtes Bereitstellungsbeispiel verwendet eine Kontextkonfiguration mit 1.048.576 Token, während die Zusammenfassung bis zu 1M Token angibt. Lassen Sie in der verwendeten Konfiguration Platz für den erzeugten Text und den angesammelten Werkzeugverlauf. Für lokale Inferenz empfiehlt der Hersteller temperature 1.0 und top_p 0.95. Das sind Details der Herstelleranleitung und keine Garantie dafür, dass jede Anwendung dieselben Einstellungen oder dasselbe nutzbare Kontextfenster bereitstellt.\n\nMiMo-V2.5-Pro unterscheidet sich vom nativ omnimodalen Schwestermodell MiMo-V2.5 und von der späteren V2.6-Reihe. Verwenden Sie diese Ausgabe für ihren dokumentierten Sprach- und Agentenaufgabenbereich, ohne ihr die Bild- oder Audioeigenschaften einer anderen Ausgabe zuzuschreiben. Das fertige Artefakt kann ein Codevorschlag, eine Erklärung der Implementierung oder eine beleggestützte Analyse sein. Prüfen Sie wichtige Berechnungen, Anforderungen und Werkzeugergebnisse anhand des für die Aufgabe bereitgestellten Materials.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Correct a two-stage validation flow\n\nTrace this Python flow: validate.py: def valid(row): return bool(row.get('email')); import.py: accepted = [r for r in rows if valid(r) is not None]. A row without email is incorrectly accepted. Propose the smallest correction, retain valid's Boolean contract and supply cases for a missing email and a present email. Separate the proposal from executed checks.A cross-file cause explanation, focused consumer patch and two regression cases.The consumer must reject False rather than treating every non-None Boolean as accepted.xiaomi/mimo-v2.5-proMiMo-V2.5-Pro ist Xiaomis textorientiertes Modell für komplexe Softwareentwicklung und umfangreiche Agentenabläufe. Das veröffentlichte Profil verbindet ein MoE mit 1,02 Billionen Parametern, 42 Milliarden aktiven Parametern und bis zu einer Million Token Kontext mit einem Training, das auf den zusammenhängenden Einsatz von Werkzeugen ausgerichtet ist.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MiMo-V2.5-Pro ist Xiaomis großes, textorientiertes Mixture-of-Experts-Modell für anspruchsvolle Agentenaufgaben, komplexe Softwareentwicklung und Aufgaben mit vielen zusammenhängenden Schritten. Der Hersteller nennt insgesamt 1,02 Billionen Parameter, 42 Milliarden aktive Parameter und einen Kontext von bis zu einer Million Token. Das Modell soll die Aufgabenanweisungen und die gesammelten Belege im Blick behalten, während eine unterstützende Anwendung Werkzeuge bereitstellt und deren Ergebnisse zurückgibt.
Das Modell kombiniert Sliding-Window-Attention und globale Attention im Verhältnis 6:1. Das lokale Fenster umfasst 128 Token, während Schichten mit globaler Attention Informationen über den längeren Verlauf hinweg verknüpfen. Das beschreibt die Attention-Architektur und beschränkt die Eingabe des Nutzers nicht auf 128 Token. Die Grundarchitektur besitzt 70 Schichten und ein sparsames Experten-Routing, bei dem pro Token acht geroutete Experten ausgewählt werden. Drei Module zur Vorhersage mehrerer Token sind in das Trainings- und Inferenzkonzept integriert, um spekulatives Decodieren zu unterstützen.
Der Hersteller beschreibt ein Vortraining mit 27 Billionen Token, gefolgt von überwachtem Fine-Tuning, domänenspezifischem Reinforcement Learning und On-Policy-Distillation mit mehreren Lehrermodellen. Die spezialisierten Lehrermodelle decken unter anderem Mathematik, Sicherheit und komplexen Werkzeugeinsatz ab; im letzten Schritt wird ihre Anleitung in einem Modell zusammengeführt. Dieser Trainingsschwerpunkt unterstützt den Einsatz in langen Software- und Agentenabläufen. Eine konkrete Aufgabe benötigt dennoch vorgegebene Anforderungen und eine Möglichkeit, die Vollständigkeit des Ergebnisses festzustellen.
Stellen Sie für eine Softwareänderung die relevanten Dateien, einen beobachteten Fehler oder das gewünschte Verhalten, die Projektkonventionen und die maßgeblichen Prüfungen bereit. Eine hilfreiche Anweisung lautet, das betroffene Verhalten zu bestimmen, eine gezielte Implementierung vorzuschlagen und zu erläutern, wie sich sowohl der gewünschte Fall als auch ein aussagekräftiger Grenzfall überprüfen lassen. Behalten Sie die exakten Bezeichner des Projekts bei. Wenn die Umgebung eine Ausführung erlaubt, geben Sie die tatsächlichen Prüfausgaben zurück, statt das Modell annehmen zu lassen, dass ein plausibler Patch funktioniert.
Halten Sie bei einer längeren Agentenaufgabe Ziel, bereits getroffene Entscheidungen und Werkzeugergebnisse als Belege knapp fest. Geben Sie an, was jede Operation verändern darf und welches Ergebnis den nächsten Schritt rechtfertigen würde. Das Modell kann helfen, diese Interaktionen gemeinsam zu beurteilen und die nächste Anfrage vorzubereiten; die Operationen führt jedoch die umgebende Anwendung aus. Behalten Sie Fehler und ungeklärte Bedingungen im Abschlussbericht bei, damit eine lange Abfolge keinen fehlgeschlagenen Schritt hinter einer flüssigen Erklärung verbirgt.
Der große Kontext kann beim Vergleich von Implementierungen oder beim Zusammenführen mehrerer umfangreicher Dokumente hilfreich sein. Kennzeichnen Sie Datei- und Dokumentgrenzen, benennen Sie die Abschnitte, die die Antwort verwenden muss, und geben Sie das verlangte Ausgabeformat an. Fordern Sie beispielsweise einen Migrationsvorschlag an, der jede betroffene Komponente einer Anforderung zuordnet und fehlende Informationen gesondert ausweist. Bewahren Sie die belegenden Textstellen oder Codepositionen beim Ergebnis auf, damit eine prüfende Person die Argumentation bis zur Eingabe zurückverfolgen kann.
Xiaomis veröffentlichtes Bereitstellungsbeispiel verwendet eine Kontextkonfiguration mit 1.048.576 Token, während die Zusammenfassung bis zu 1M Token angibt. Lassen Sie in der verwendeten Konfiguration Platz für den erzeugten Text und den angesammelten Werkzeugverlauf. Für lokale Inferenz empfiehlt der Hersteller temperature 1.0 und top_p 0.95. Das sind Details der Herstelleranleitung und keine Garantie dafür, dass jede Anwendung dieselben Einstellungen oder dasselbe nutzbare Kontextfenster bereitstellt.
MiMo-V2.5-Pro unterscheidet sich vom nativ omnimodalen Schwestermodell MiMo-V2.5 und von der späteren V2.6-Reihe. Verwenden Sie diese Ausgabe für ihren dokumentierten Sprach- und Agentenaufgabenbereich, ohne ihr die Bild- oder Audioeigenschaften einer anderen Ausgabe zuzuschreiben. Das fertige Artefakt kann ein Codevorschlag, eine Erklärung der Implementierung oder eine beleggestützte Analyse sein. Prüfen Sie wichtige Berechnungen, Anforderungen und Werkzeugergebnisse anhand des für die Aufgabe bereitgestellten Materials.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits xiaomi/mimo-v2.5-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.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00087 / 1K Tokens Ausgabe · Ausgabetoken $0.00174 / 1K Tokens Eingabe · Cache lesen $0.0000072 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00087 / 1K Tokens Ausgabe · Ausgabetoken $0.00174 / 1K Tokens Eingabe · Cache lesen $0.0000072 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "xiaomi/mimo-v2.5-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='xiaomi/mimo-v2.5-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='xiaomi/mimo-v2.5-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 xiaomi/mimo-v2.5-pro
Verwenden Sie die oben angezeigten Methodenpfade.
xiaomi/mimo-v2.5-proMiMo-V2.5-Pro ist Xiaomis textorientiertes Modell für komplexe Softwareentwicklung und umfangreiche Agentenabläufe. Das veröffentlichte Profil verbindet ein MoE mit 1,02 Billionen Parametern, 42 Milliarden aktiven Parametern und bis zu einer Million Token Kontext mit einem Training, das auf den zusammenhängenden Einsatz von Werkzeugen ausgerichtet ist.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MiMo-V2.5-Pro ist Xiaomis großes, textorientiertes Mixture-of-Experts-Modell für anspruchsvolle Agentenaufgaben, komplexe Softwareentwicklung und Aufgaben mit vielen zusammenhängenden Schritten. Der Hersteller nennt insgesamt 1,02 Billionen Parameter, 42 Milliarden aktive Parameter und einen Kontext von bis zu einer Million Token. Das Modell soll die Aufgabenanweisungen und die gesammelten Belege im Blick behalten, während eine unterstützende Anwendung Werkzeuge bereitstellt und deren Ergebnisse zurückgibt.
Das Modell kombiniert Sliding-Window-Attention und globale Attention im Verhältnis 6:1. Das lokale Fenster umfasst 128 Token, während Schichten mit globaler Attention Informationen über den längeren Verlauf hinweg verknüpfen. Das beschreibt die Attention-Architektur und beschränkt die Eingabe des Nutzers nicht auf 128 Token. Die Grundarchitektur besitzt 70 Schichten und ein sparsames Experten-Routing, bei dem pro Token acht geroutete Experten ausgewählt werden. Drei Module zur Vorhersage mehrerer Token sind in das Trainings- und Inferenzkonzept integriert, um spekulatives Decodieren zu unterstützen.
Der Hersteller beschreibt ein Vortraining mit 27 Billionen Token, gefolgt von überwachtem Fine-Tuning, domänenspezifischem Reinforcement Learning und On-Policy-Distillation mit mehreren Lehrermodellen. Die spezialisierten Lehrermodelle decken unter anderem Mathematik, Sicherheit und komplexen Werkzeugeinsatz ab; im letzten Schritt wird ihre Anleitung in einem Modell zusammengeführt. Dieser Trainingsschwerpunkt unterstützt den Einsatz in langen Software- und Agentenabläufen. Eine konkrete Aufgabe benötigt dennoch vorgegebene Anforderungen und eine Möglichkeit, die Vollständigkeit des Ergebnisses festzustellen.
Stellen Sie für eine Softwareänderung die relevanten Dateien, einen beobachteten Fehler oder das gewünschte Verhalten, die Projektkonventionen und die maßgeblichen Prüfungen bereit. Eine hilfreiche Anweisung lautet, das betroffene Verhalten zu bestimmen, eine gezielte Implementierung vorzuschlagen und zu erläutern, wie sich sowohl der gewünschte Fall als auch ein aussagekräftiger Grenzfall überprüfen lassen. Behalten Sie die exakten Bezeichner des Projekts bei. Wenn die Umgebung eine Ausführung erlaubt, geben Sie die tatsächlichen Prüfausgaben zurück, statt das Modell annehmen zu lassen, dass ein plausibler Patch funktioniert.
Halten Sie bei einer längeren Agentenaufgabe Ziel, bereits getroffene Entscheidungen und Werkzeugergebnisse als Belege knapp fest. Geben Sie an, was jede Operation verändern darf und welches Ergebnis den nächsten Schritt rechtfertigen würde. Das Modell kann helfen, diese Interaktionen gemeinsam zu beurteilen und die nächste Anfrage vorzubereiten; die Operationen führt jedoch die umgebende Anwendung aus. Behalten Sie Fehler und ungeklärte Bedingungen im Abschlussbericht bei, damit eine lange Abfolge keinen fehlgeschlagenen Schritt hinter einer flüssigen Erklärung verbirgt.
Der große Kontext kann beim Vergleich von Implementierungen oder beim Zusammenführen mehrerer umfangreicher Dokumente hilfreich sein. Kennzeichnen Sie Datei- und Dokumentgrenzen, benennen Sie die Abschnitte, die die Antwort verwenden muss, und geben Sie das verlangte Ausgabeformat an. Fordern Sie beispielsweise einen Migrationsvorschlag an, der jede betroffene Komponente einer Anforderung zuordnet und fehlende Informationen gesondert ausweist. Bewahren Sie die belegenden Textstellen oder Codepositionen beim Ergebnis auf, damit eine prüfende Person die Argumentation bis zur Eingabe zurückverfolgen kann.
Xiaomis veröffentlichtes Bereitstellungsbeispiel verwendet eine Kontextkonfiguration mit 1.048.576 Token, während die Zusammenfassung bis zu 1M Token angibt. Lassen Sie in der verwendeten Konfiguration Platz für den erzeugten Text und den angesammelten Werkzeugverlauf. Für lokale Inferenz empfiehlt der Hersteller temperature 1.0 und top_p 0.95. Das sind Details der Herstelleranleitung und keine Garantie dafür, dass jede Anwendung dieselben Einstellungen oder dasselbe nutzbare Kontextfenster bereitstellt.
MiMo-V2.5-Pro unterscheidet sich vom nativ omnimodalen Schwestermodell MiMo-V2.5 und von der späteren V2.6-Reihe. Verwenden Sie diese Ausgabe für ihren dokumentierten Sprach- und Agentenaufgabenbereich, ohne ihr die Bild- oder Audioeigenschaften einer anderen Ausgabe zuzuschreiben. Das fertige Artefakt kann ein Codevorschlag, eine Erklärung der Implementierung oder eine beleggestützte Analyse sein. Prüfen Sie wichtige Berechnungen, Anforderungen und Werkzeugergebnisse anhand des für die Aufgabe bereitgestellten Materials.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits xiaomi/mimo-v2.5-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.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00087 / 1K Tokens Ausgabe · Ausgabetoken $0.00174 / 1K Tokens Eingabe · Cache lesen $0.0000072 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00087 / 1K Tokens Ausgabe · Ausgabetoken $0.00174 / 1K Tokens Eingabe · Cache lesen $0.0000072 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "xiaomi/mimo-v2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'xiaomi/mimo-v2.5-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': 'xiaomi/mimo-v2.5-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 xiaomi/mimo-v2.5-pro
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Correct a two-stage validation flow\n\nTrace this Python flow: validate.py: def valid(row): return bool(row.get('email')); import.py: accepted = [r for r in rows if valid(r) is not None]. A row without email is incorrectly accepted. Propose the smallest correction, retain valid's Boolean contract and supply cases for a missing email and a present email. Separate the proposal from executed checks.A cross-file cause explanation, focused consumer patch and two regression cases.The consumer must reject False rather than treating every non-None Boolean as accepted.