MiMo-V2.6-Flash ist Xiaomis auf ausgewogene Effizienz ausgelegtes Modell in der MiMo-V2.6-Reihe. Es verbindet Text-, Bild-, Video- und Audioverständnis in einer Architektur mit einer Textantwort, die den nächsten Schritt einer unterstützenden Anwendung anleiten kann. Sein Aufgabenbereich umfasst Softwareentwicklung, allgemeine Agentenarbeit, visuelle Abläufe und Cybersicherheitsanalysen. Flash ist gegenüber V2.6-Pro ein eigenes kleineres Modell mit eigener Parametergröße und nicht einfach eine Einstellung für kürzere Antworten.
Das veröffentlichte Flash-Profil des Herstellers beschreibt ein sparsames Mixture-of-Experts-Modell mit insgesamt 309 Milliarden und 15 Milliarden aktivierten Parametern. Seine Grundarchitektur mit 48 Schichten verbindet lokale Sliding-Window-Attention und globale Attention für die Arbeit mit langen Verläufen. Eigene Bild- und Audioencoder führen die verschiedenen Eingabearten in diese Sprachgrundarchitektur ein. Xiaomi gibt einen Kontext von einer Million Token für Repositories, angesammelte Werkzeugergebnisse und umfangreiche Aufgabenverläufe an. Organisieren Sie diesen Raum anhand des aktuellen Ziels, der relevanten Belege und der konsistent zu haltenden Entscheidungen.
Der V2.6-Trainingsansatz kombiniert Programmierung, allgemeine Agentenaufgaben, visuelle Arbeit und Cybersicherheitsaufgaben im selben Reinforcement-Learning-Lauf. Er variiert außerdem die Agentenumgebungen, statt jede Domäne isoliert zu trainieren. Der Hersteller beschreibt den Vergleich möglicher Abläufe anhand aufgabenspezifischer Kriterien, sodass auch ein erfolgreiches Ergebnis noch hinsichtlich Qualität und Effizienz verbessert werden kann. Das ist ein Modelltrainingsansatz; ein nützlicher Aufgabenauftrag benötigt weiterhin ein klares Abschlusskriterium und Belege dafür, ob das Ergebnis es erfüllt.
Stellen Sie für eine Repository-Aufgabe den beobachteten Fehler, relevante Dateien, das erwartete Verhalten und Einschränkungen der Änderung bereit. Fordern Sie das Modell auf, die Ursache zu bestimmen, einen gezielten Patch vorzuschlagen und die benötigten Prüfungen zu erklären. Geben Sie in einer Umgebung mit Ausführungswerkzeugen deren tatsächliche Ausgabe zurück, damit das Modell den nächsten Schritt verfeinern kann. Halten Sie Befehle, Fehler und Änderungen mit der jeweiligen Datei verbunden. Das fertige Artefakt sollte einen Lösungsvorschlag von einer angewandten und geprüften Änderung unterscheiden.
Stellen Sie für visuelle Arbeit einen gut lesbaren Screenshot oder ein Referenzbild bereit und benennen Sie Layout, Verhalten oder räumliche Beziehung, die nachgebildet werden sollen. Xiaomis V2.6-Veröffentlichung beschreibt Frontend-Oberflächen, Präsentationen, 3D-Szenen und interaktive Welten, die durch Programmierung und Werkzeugeinsatz entstehen. Ein praktisches Ergebnis kann eine Komponentenimplementierung mit einer Liste sichtbarer Details sein, die im gerenderten Ergebnis zu prüfen sind. Bild- und Videoverständnis liefern Belege für diesen Ablauf; die Textausgabe des Modells ist von den Medien der umgebenden Werkzeuge getrennt.
Audio und Video können Kontext liefern, der in einem schriftlichen Auftrag fehlt. Stellen Sie eine gezielte Frage zum bereitgestellten Material und bewahren Sie seinen Bezug zur angeforderten Ausgabe. Verbinden Sie beispielsweise eine Oberflächenaufnahme mit den fehlgeschlagenen Schritten und fordern Sie eine an der beobachteten Abfolge belegte Diagnose an. Bewahren Sie unklare Passagen oder Ereignisse zur Prüfung. Eine flüssige Erklärung sollte nicht stillschweigend zum Beleg werden, dass ein undeutlicher Ton, eine kleine Beschriftung oder ein flüchtiges Einzelbild korrekt verstanden wurde.
Xiaomis Modellkarte empfiehlt temperature 1.0 und top_p 0.95 für die Inferenzanleitung und beschreibt einen fünfschichtigen Decoder zur Vorhersage mehrerer Token. Diese Einstellungen und Optimierungen gehören zur Herstellerimplementierung. Prüfen Sie bei umfangreichen Werkzeugabläufen, ob jeder weitere Aufruf einen neuen Informationsbedarf erfüllt oder auf ein verändertes Ergebnis reagiert. Der Hersteller dokumentiert wiederholte Werkzeugaufrufe als Problem im V2.6-Training und unterscheidet seine RL- und späteren MOPD-Checkpoints. Halten Sie bei der Begutachtung einer abgeschlossenen Aufgabe die gewählte Ausgabe und den tatsächlichen Fortschrittsnachweis ausdrücklich fest.
", "aboutText": "MiMo-V2.6-Flash ist Xiaomis auf ausgewogene Effizienz ausgelegtes Modell in der MiMo-V2.6-Reihe. Es verbindet Text-, Bild-, Video- und Audioverständnis in einer Architektur mit einer Textantwort, die den nächsten Schritt einer unterstützenden Anwendung anleiten kann. Sein Aufgabenbereich umfasst Softwareentwicklung, allgemeine Agentenarbeit, visuelle Abläufe und Cybersicherheitsanalysen. Flash ist gegenüber V2.6-Pro ein eigenes kleineres Modell mit eigener Parametergröße und nicht einfach eine Einstellung für kürzere Antworten.\n\nDas veröffentlichte Flash-Profil des Herstellers beschreibt ein sparsames Mixture-of-Experts-Modell mit insgesamt 309 Milliarden und 15 Milliarden aktivierten Parametern. Seine Grundarchitektur mit 48 Schichten verbindet lokale Sliding-Window-Attention und globale Attention für die Arbeit mit langen Verläufen. Eigene Bild- und Audioencoder führen die verschiedenen Eingabearten in diese Sprachgrundarchitektur ein. Xiaomi gibt einen Kontext von einer Million Token für Repositories, angesammelte Werkzeugergebnisse und umfangreiche Aufgabenverläufe an. Organisieren Sie diesen Raum anhand des aktuellen Ziels, der relevanten Belege und der konsistent zu haltenden Entscheidungen.\n\nDer V2.6-Trainingsansatz kombiniert Programmierung, allgemeine Agentenaufgaben, visuelle Arbeit und Cybersicherheitsaufgaben im selben Reinforcement-Learning-Lauf. Er variiert außerdem die Agentenumgebungen, statt jede Domäne isoliert zu trainieren. Der Hersteller beschreibt den Vergleich möglicher Abläufe anhand aufgabenspezifischer Kriterien, sodass auch ein erfolgreiches Ergebnis noch hinsichtlich Qualität und Effizienz verbessert werden kann. Das ist ein Modelltrainingsansatz; ein nützlicher Aufgabenauftrag benötigt weiterhin ein klares Abschlusskriterium und Belege dafür, ob das Ergebnis es erfüllt.\n\nStellen Sie für eine Repository-Aufgabe den beobachteten Fehler, relevante Dateien, das erwartete Verhalten und Einschränkungen der Änderung bereit. Fordern Sie das Modell auf, die Ursache zu bestimmen, einen gezielten Patch vorzuschlagen und die benötigten Prüfungen zu erklären. Geben Sie in einer Umgebung mit Ausführungswerkzeugen deren tatsächliche Ausgabe zurück, damit das Modell den nächsten Schritt verfeinern kann. Halten Sie Befehle, Fehler und Änderungen mit der jeweiligen Datei verbunden. Das fertige Artefakt sollte einen Lösungsvorschlag von einer angewandten und geprüften Änderung unterscheiden.\n\nStellen Sie für visuelle Arbeit einen gut lesbaren Screenshot oder ein Referenzbild bereit und benennen Sie Layout, Verhalten oder räumliche Beziehung, die nachgebildet werden sollen. Xiaomis V2.6-Veröffentlichung beschreibt Frontend-Oberflächen, Präsentationen, 3D-Szenen und interaktive Welten, die durch Programmierung und Werkzeugeinsatz entstehen. Ein praktisches Ergebnis kann eine Komponentenimplementierung mit einer Liste sichtbarer Details sein, die im gerenderten Ergebnis zu prüfen sind. Bild- und Videoverständnis liefern Belege für diesen Ablauf; die Textausgabe des Modells ist von den Medien der umgebenden Werkzeuge getrennt.\n\nAudio und Video können Kontext liefern, der in einem schriftlichen Auftrag fehlt. Stellen Sie eine gezielte Frage zum bereitgestellten Material und bewahren Sie seinen Bezug zur angeforderten Ausgabe. Verbinden Sie beispielsweise eine Oberflächenaufnahme mit den fehlgeschlagenen Schritten und fordern Sie eine an der beobachteten Abfolge belegte Diagnose an. Bewahren Sie unklare Passagen oder Ereignisse zur Prüfung. Eine flüssige Erklärung sollte nicht stillschweigend zum Beleg werden, dass ein undeutlicher Ton, eine kleine Beschriftung oder ein flüchtiges Einzelbild korrekt verstanden wurde.\n\nXiaomis Modellkarte empfiehlt temperature 1.0 und top_p 0.95 für die Inferenzanleitung und beschreibt einen fünfschichtigen Decoder zur Vorhersage mehrerer Token. Diese Einstellungen und Optimierungen gehören zur Herstellerimplementierung. Prüfen Sie bei umfangreichen Werkzeugabläufen, ob jeder weitere Aufruf einen neuen Informationsbedarf erfüllt oder auf ein verändertes Ergebnis reagiert. Der Hersteller dokumentiert wiederholte Werkzeugaufrufe als Problem im V2.6-Training und unterscheidet seine RL- und späteren MOPD-Checkpoints. Halten Sie bei der Begutachtung einer abgeschlossenen Aufgabe die gewählte Ausgabe und den tatsächlichen Fortschrittsnachweis ausdrücklich fest.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Repair a CSV field serializer\n\nBug report: serialize(['Ada, Inc','plain']) returns 'Ada, Inc,plain', creating three columns. Current function: fields.join(','). Required rules: quote fields containing commas, quotes or line breaks, and double embedded quotes. Propose a focused JavaScript serializer and regression cases for the reported row, an embedded quote and an empty field. Do not claim the code ran.A serializer implementation, explanation of escaping and three regression cases with expected CSV text.Check embedded quotes are doubled inside a quoted field and commas within one field do not create extra columns.xiaomi/mimo-v2.6-flashMiMo-V2.6-Flash verbindet Text-, Bild-, Video- und Audioverständnis für Programmierung und umfangreiche Agentenabläufe. Sein veröffentlichtes Modellprofil nennt insgesamt 309 Milliarden Parameter, 15 Milliarden aktive Parameter pro Token und einen Kontext von einer Million Token.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MiMo-V2.6-Flash ist Xiaomis auf ausgewogene Effizienz ausgelegtes Modell in der MiMo-V2.6-Reihe. Es verbindet Text-, Bild-, Video- und Audioverständnis in einer Architektur mit einer Textantwort, die den nächsten Schritt einer unterstützenden Anwendung anleiten kann. Sein Aufgabenbereich umfasst Softwareentwicklung, allgemeine Agentenarbeit, visuelle Abläufe und Cybersicherheitsanalysen. Flash ist gegenüber V2.6-Pro ein eigenes kleineres Modell mit eigener Parametergröße und nicht einfach eine Einstellung für kürzere Antworten.
Das veröffentlichte Flash-Profil des Herstellers beschreibt ein sparsames Mixture-of-Experts-Modell mit insgesamt 309 Milliarden und 15 Milliarden aktivierten Parametern. Seine Grundarchitektur mit 48 Schichten verbindet lokale Sliding-Window-Attention und globale Attention für die Arbeit mit langen Verläufen. Eigene Bild- und Audioencoder führen die verschiedenen Eingabearten in diese Sprachgrundarchitektur ein. Xiaomi gibt einen Kontext von einer Million Token für Repositories, angesammelte Werkzeugergebnisse und umfangreiche Aufgabenverläufe an. Organisieren Sie diesen Raum anhand des aktuellen Ziels, der relevanten Belege und der konsistent zu haltenden Entscheidungen.
Der V2.6-Trainingsansatz kombiniert Programmierung, allgemeine Agentenaufgaben, visuelle Arbeit und Cybersicherheitsaufgaben im selben Reinforcement-Learning-Lauf. Er variiert außerdem die Agentenumgebungen, statt jede Domäne isoliert zu trainieren. Der Hersteller beschreibt den Vergleich möglicher Abläufe anhand aufgabenspezifischer Kriterien, sodass auch ein erfolgreiches Ergebnis noch hinsichtlich Qualität und Effizienz verbessert werden kann. Das ist ein Modelltrainingsansatz; ein nützlicher Aufgabenauftrag benötigt weiterhin ein klares Abschlusskriterium und Belege dafür, ob das Ergebnis es erfüllt.
Stellen Sie für eine Repository-Aufgabe den beobachteten Fehler, relevante Dateien, das erwartete Verhalten und Einschränkungen der Änderung bereit. Fordern Sie das Modell auf, die Ursache zu bestimmen, einen gezielten Patch vorzuschlagen und die benötigten Prüfungen zu erklären. Geben Sie in einer Umgebung mit Ausführungswerkzeugen deren tatsächliche Ausgabe zurück, damit das Modell den nächsten Schritt verfeinern kann. Halten Sie Befehle, Fehler und Änderungen mit der jeweiligen Datei verbunden. Das fertige Artefakt sollte einen Lösungsvorschlag von einer angewandten und geprüften Änderung unterscheiden.
Stellen Sie für visuelle Arbeit einen gut lesbaren Screenshot oder ein Referenzbild bereit und benennen Sie Layout, Verhalten oder räumliche Beziehung, die nachgebildet werden sollen. Xiaomis V2.6-Veröffentlichung beschreibt Frontend-Oberflächen, Präsentationen, 3D-Szenen und interaktive Welten, die durch Programmierung und Werkzeugeinsatz entstehen. Ein praktisches Ergebnis kann eine Komponentenimplementierung mit einer Liste sichtbarer Details sein, die im gerenderten Ergebnis zu prüfen sind. Bild- und Videoverständnis liefern Belege für diesen Ablauf; die Textausgabe des Modells ist von den Medien der umgebenden Werkzeuge getrennt.
Audio und Video können Kontext liefern, der in einem schriftlichen Auftrag fehlt. Stellen Sie eine gezielte Frage zum bereitgestellten Material und bewahren Sie seinen Bezug zur angeforderten Ausgabe. Verbinden Sie beispielsweise eine Oberflächenaufnahme mit den fehlgeschlagenen Schritten und fordern Sie eine an der beobachteten Abfolge belegte Diagnose an. Bewahren Sie unklare Passagen oder Ereignisse zur Prüfung. Eine flüssige Erklärung sollte nicht stillschweigend zum Beleg werden, dass ein undeutlicher Ton, eine kleine Beschriftung oder ein flüchtiges Einzelbild korrekt verstanden wurde.
Xiaomis Modellkarte empfiehlt temperature 1.0 und top_p 0.95 für die Inferenzanleitung und beschreibt einen fünfschichtigen Decoder zur Vorhersage mehrerer Token. Diese Einstellungen und Optimierungen gehören zur Herstellerimplementierung. Prüfen Sie bei umfangreichen Werkzeugabläufen, ob jeder weitere Aufruf einen neuen Informationsbedarf erfüllt oder auf ein verändertes Ergebnis reagiert. Der Hersteller dokumentiert wiederholte Werkzeugaufrufe als Problem im V2.6-Training und unterscheidet seine RL- und späteren MOPD-Checkpoints. Halten Sie bei der Begutachtung einer abgeschlossenen Aufgabe die gewählte Ausgabe und den tatsächlichen Fortschrittsnachweis ausdrücklich fest.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits xiaomi/mimo-v2.6-flash | 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 $0.00028 / 1K Tokens Ausgabe · Ausgabetoken $0.00056 / 1K Tokens Eingabe · Cache lesen $0.0000056 / 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 $0.00028 / 1K Tokens Ausgabe · Ausgabetoken $0.00056 / 1K Tokens Eingabe · Cache lesen $0.0000056 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "xiaomi/mimo-v2.6-flash", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='xiaomi/mimo-v2.6-flash',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='xiaomi/mimo-v2.6-flash',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-v2.6-flash
Verwenden Sie die oben angezeigten Methodenpfade.
xiaomi/mimo-v2.6-flashMiMo-V2.6-Flash verbindet Text-, Bild-, Video- und Audioverständnis für Programmierung und umfangreiche Agentenabläufe. Sein veröffentlichtes Modellprofil nennt insgesamt 309 Milliarden Parameter, 15 Milliarden aktive Parameter pro Token und einen Kontext von einer Million Token.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MiMo-V2.6-Flash ist Xiaomis auf ausgewogene Effizienz ausgelegtes Modell in der MiMo-V2.6-Reihe. Es verbindet Text-, Bild-, Video- und Audioverständnis in einer Architektur mit einer Textantwort, die den nächsten Schritt einer unterstützenden Anwendung anleiten kann. Sein Aufgabenbereich umfasst Softwareentwicklung, allgemeine Agentenarbeit, visuelle Abläufe und Cybersicherheitsanalysen. Flash ist gegenüber V2.6-Pro ein eigenes kleineres Modell mit eigener Parametergröße und nicht einfach eine Einstellung für kürzere Antworten.
Das veröffentlichte Flash-Profil des Herstellers beschreibt ein sparsames Mixture-of-Experts-Modell mit insgesamt 309 Milliarden und 15 Milliarden aktivierten Parametern. Seine Grundarchitektur mit 48 Schichten verbindet lokale Sliding-Window-Attention und globale Attention für die Arbeit mit langen Verläufen. Eigene Bild- und Audioencoder führen die verschiedenen Eingabearten in diese Sprachgrundarchitektur ein. Xiaomi gibt einen Kontext von einer Million Token für Repositories, angesammelte Werkzeugergebnisse und umfangreiche Aufgabenverläufe an. Organisieren Sie diesen Raum anhand des aktuellen Ziels, der relevanten Belege und der konsistent zu haltenden Entscheidungen.
Der V2.6-Trainingsansatz kombiniert Programmierung, allgemeine Agentenaufgaben, visuelle Arbeit und Cybersicherheitsaufgaben im selben Reinforcement-Learning-Lauf. Er variiert außerdem die Agentenumgebungen, statt jede Domäne isoliert zu trainieren. Der Hersteller beschreibt den Vergleich möglicher Abläufe anhand aufgabenspezifischer Kriterien, sodass auch ein erfolgreiches Ergebnis noch hinsichtlich Qualität und Effizienz verbessert werden kann. Das ist ein Modelltrainingsansatz; ein nützlicher Aufgabenauftrag benötigt weiterhin ein klares Abschlusskriterium und Belege dafür, ob das Ergebnis es erfüllt.
Stellen Sie für eine Repository-Aufgabe den beobachteten Fehler, relevante Dateien, das erwartete Verhalten und Einschränkungen der Änderung bereit. Fordern Sie das Modell auf, die Ursache zu bestimmen, einen gezielten Patch vorzuschlagen und die benötigten Prüfungen zu erklären. Geben Sie in einer Umgebung mit Ausführungswerkzeugen deren tatsächliche Ausgabe zurück, damit das Modell den nächsten Schritt verfeinern kann. Halten Sie Befehle, Fehler und Änderungen mit der jeweiligen Datei verbunden. Das fertige Artefakt sollte einen Lösungsvorschlag von einer angewandten und geprüften Änderung unterscheiden.
Stellen Sie für visuelle Arbeit einen gut lesbaren Screenshot oder ein Referenzbild bereit und benennen Sie Layout, Verhalten oder räumliche Beziehung, die nachgebildet werden sollen. Xiaomis V2.6-Veröffentlichung beschreibt Frontend-Oberflächen, Präsentationen, 3D-Szenen und interaktive Welten, die durch Programmierung und Werkzeugeinsatz entstehen. Ein praktisches Ergebnis kann eine Komponentenimplementierung mit einer Liste sichtbarer Details sein, die im gerenderten Ergebnis zu prüfen sind. Bild- und Videoverständnis liefern Belege für diesen Ablauf; die Textausgabe des Modells ist von den Medien der umgebenden Werkzeuge getrennt.
Audio und Video können Kontext liefern, der in einem schriftlichen Auftrag fehlt. Stellen Sie eine gezielte Frage zum bereitgestellten Material und bewahren Sie seinen Bezug zur angeforderten Ausgabe. Verbinden Sie beispielsweise eine Oberflächenaufnahme mit den fehlgeschlagenen Schritten und fordern Sie eine an der beobachteten Abfolge belegte Diagnose an. Bewahren Sie unklare Passagen oder Ereignisse zur Prüfung. Eine flüssige Erklärung sollte nicht stillschweigend zum Beleg werden, dass ein undeutlicher Ton, eine kleine Beschriftung oder ein flüchtiges Einzelbild korrekt verstanden wurde.
Xiaomis Modellkarte empfiehlt temperature 1.0 und top_p 0.95 für die Inferenzanleitung und beschreibt einen fünfschichtigen Decoder zur Vorhersage mehrerer Token. Diese Einstellungen und Optimierungen gehören zur Herstellerimplementierung. Prüfen Sie bei umfangreichen Werkzeugabläufen, ob jeder weitere Aufruf einen neuen Informationsbedarf erfüllt oder auf ein verändertes Ergebnis reagiert. Der Hersteller dokumentiert wiederholte Werkzeugaufrufe als Problem im V2.6-Training und unterscheidet seine RL- und späteren MOPD-Checkpoints. Halten Sie bei der Begutachtung einer abgeschlossenen Aufgabe die gewählte Ausgabe und den tatsächlichen Fortschrittsnachweis ausdrücklich fest.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits xiaomi/mimo-v2.6-flash | 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 $0.00028 / 1K Tokens Ausgabe · Ausgabetoken $0.00056 / 1K Tokens Eingabe · Cache lesen $0.0000056 / 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 $0.00028 / 1K Tokens Ausgabe · Ausgabetoken $0.00056 / 1K Tokens Eingabe · Cache lesen $0.0000056 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "xiaomi/mimo-v2.6-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'xiaomi/mimo-v2.6-flash', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'xiaomi/mimo-v2.6-flash', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-v2.6-flash
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Repair a CSV field serializer\n\nBug report: serialize(['Ada, Inc','plain']) returns 'Ada, Inc,plain', creating three columns. Current function: fields.join(','). Required rules: quote fields containing commas, quotes or line breaks, and double embedded quotes. Propose a focused JavaScript serializer and regression cases for the reported row, an embedded quote and an empty field. Do not claim the code ran.A serializer implementation, explanation of escaping and three regression cases with expected CSV text.Check embedded quotes are doubled inside a quoted field and commas within one field do not create extra columns.