Modellprofil und Ausgaben
MiMo-V2-Flash ist Xiaomis Sprachmodell für Reasoning und Agentenabläufe. Seine Mixture-of-Experts-Architektur besitzt insgesamt 309 Milliarden Parameter und 15 Milliarden aktive Parameter. Das veröffentlichte Modell nennt eine Kontextlänge von 256K Token; das Inferenzbeispiel des Herstellers konfiguriert 262.144 Token. Es verarbeitet Text und erzeugt Text, einschließlich Erklärungen, Code und Informationen für Werkzeuginteraktionen. Flash-Base und die nachtrainierte Flash-Version sind gesondert benannte Ausgaben mit unterschiedlichen Rollen.
Hybride Attention und Vorhersage
Die Architektur kombiniert Sliding-Window-Attention und globale Attention im Verhältnis 5:1. Das lokale Attention-Fenster umfasst 128 Token, während globale Attention Verbindungen über das längere Material hinweg erhält. Das Vortraining verwendet eine native Sequenzlänge von 32K, und das veröffentlichte Modell unterstützt den längeren 256K-Kontext. Ein leichtgewichtiges Modul zur Vorhersage mehrerer Token ist in Training und Inferenz integriert. Das sind Eigenschaften des Modelldesigns; sie geben nicht an, wie schnell eine bestimmte Anwendung eine Antwort zurückliefert.
Nachtraining für Reasoning und Agenten
MiMo-V2-Flash verwendet Multi-Teacher On-Policy Distillation, bei der domänenspezifische Lehrermodelle seine selbst erzeugten Antworten anleiten, gefolgt von umfangreichem agentengestütztem Reinforcement Learning. Das Training umfasst Code-Agenten-Umgebungen und erstreckt sich auf Mathematik und allgemeine Agentenaufgaben. Beim Webentwicklungstraining wird ein bildbasierter Prüfer eingesetzt, um ausgeführte Ergebnisse zu bewerten. Dieser Prüfer gehört zum Trainingsprozess und macht aus diesem Textmodell kein Modell für Bild- oder Videoeingaben.
Programmierung und Dokumentvorbereitung
Stellen Sie für eine Programmieraufgabe die relevanten Dateien als Text, den beobachteten Fehler, eine ihn demonstrierende Eingabe und das zu erhaltende Verhalten bereit. Eine beispielhafte Anfrage kann einen kleinen Patch, eine Erklärung betroffener Abhängigkeiten und Prüfungen des erwarteten Ergebnisses verlangen. Benennen Sie bei umfangreichem Textmaterial die wichtigen Abschnitte und fordern Sie einen an den Textstellen belegten Vergleich an. Halten Sie die Ausgabe konkret: korrigierter Code, eine Tabelle mit Abweichungen, eine Berechnung mit Annahmen oder eine vorgeschlagene nächste Aktion.
Denken, Werkzeuge und Gesprächsverlauf
Das veröffentlichte Thinking-Beispiel aktiviert einen Reasoning-Modus, und der Hersteller gibt einen eigenen Parser für Werkzeugaufrufe an. Bei Werkzeugnutzung über mehrere Gesprächsrunden kann die Antwort reasoning_content neben tool_calls enthalten. Die nächste Anfrage muss den bisherigen reasoning_content im Gesprächsverlauf beibehalten, damit die Denk- und Werkzeugabfolge korrekt weiterlaufen kann. Die Anwendung stellt Werkzeuge bereit und führt sie aus; das Modell wählt, wie es deren Ergebnisse verwendet. Damit ist die Vorbereitung des Verlaufs eine wesentliche Integrationsanforderung, statt die letzte Nutzernachricht als vollständige Aufgabe zu behandeln.
Herstellerempfehlungen und Grenzen
Die Nutzungshinweise empfehlen top_p 0.95, temperature 0.8 für Mathematik, Schreiben und Webentwicklung sowie temperature 0.3 für Agentenaufgaben. Empfohlen wird auch eine Systemnachricht, die MiMo als Xiaomis Assistenten bezeichnet, mit aktuellem Datum und einem Wissensstand bis Dezember 2024. Stellen Sie aktuelle Fakten bereit, wenn die Aufgabe von neueren Ereignissen abhängt. Das Antwortbudget von 4096 Token in der veröffentlichten Anfrage ist eine Beispieleinstellung und keine erklärte maximale Ausgabelänge. MiMo-V2-Flash behält neben Flash-Base, Pro und Omni seine eigene Identität; Kontext- und Modalitätsspezifikationen sind der jeweiligen Ausgabe zuzuordnen.
", "aboutText": "Modellprofil und Ausgaben\n\nMiMo-V2-Flash ist Xiaomis Sprachmodell für Reasoning und Agentenabläufe. Seine Mixture-of-Experts-Architektur besitzt insgesamt 309 Milliarden Parameter und 15 Milliarden aktive Parameter. Das veröffentlichte Modell nennt eine Kontextlänge von 256K Token; das Inferenzbeispiel des Herstellers konfiguriert 262.144 Token. Es verarbeitet Text und erzeugt Text, einschließlich Erklärungen, Code und Informationen für Werkzeuginteraktionen. Flash-Base und die nachtrainierte Flash-Version sind gesondert benannte Ausgaben mit unterschiedlichen Rollen.\n\nHybride Attention und Vorhersage\n\nDie Architektur kombiniert Sliding-Window-Attention und globale Attention im Verhältnis 5:1. Das lokale Attention-Fenster umfasst 128 Token, während globale Attention Verbindungen über das längere Material hinweg erhält. Das Vortraining verwendet eine native Sequenzlänge von 32K, und das veröffentlichte Modell unterstützt den längeren 256K-Kontext. Ein leichtgewichtiges Modul zur Vorhersage mehrerer Token ist in Training und Inferenz integriert. Das sind Eigenschaften des Modelldesigns; sie geben nicht an, wie schnell eine bestimmte Anwendung eine Antwort zurückliefert.\n\nNachtraining für Reasoning und Agenten\n\nMiMo-V2-Flash verwendet Multi-Teacher On-Policy Distillation, bei der domänenspezifische Lehrermodelle seine selbst erzeugten Antworten anleiten, gefolgt von umfangreichem agentengestütztem Reinforcement Learning. Das Training umfasst Code-Agenten-Umgebungen und erstreckt sich auf Mathematik und allgemeine Agentenaufgaben. Beim Webentwicklungstraining wird ein bildbasierter Prüfer eingesetzt, um ausgeführte Ergebnisse zu bewerten. Dieser Prüfer gehört zum Trainingsprozess und macht aus diesem Textmodell kein Modell für Bild- oder Videoeingaben.\n\nProgrammierung und Dokumentvorbereitung\n\nStellen Sie für eine Programmieraufgabe die relevanten Dateien als Text, den beobachteten Fehler, eine ihn demonstrierende Eingabe und das zu erhaltende Verhalten bereit. Eine beispielhafte Anfrage kann einen kleinen Patch, eine Erklärung betroffener Abhängigkeiten und Prüfungen des erwarteten Ergebnisses verlangen. Benennen Sie bei umfangreichem Textmaterial die wichtigen Abschnitte und fordern Sie einen an den Textstellen belegten Vergleich an. Halten Sie die Ausgabe konkret: korrigierter Code, eine Tabelle mit Abweichungen, eine Berechnung mit Annahmen oder eine vorgeschlagene nächste Aktion.\n\nDenken, Werkzeuge und Gesprächsverlauf\n\nDas veröffentlichte Thinking-Beispiel aktiviert einen Reasoning-Modus, und der Hersteller gibt einen eigenen Parser für Werkzeugaufrufe an. Bei Werkzeugnutzung über mehrere Gesprächsrunden kann die Antwort reasoning_content neben tool_calls enthalten. Die nächste Anfrage muss den bisherigen reasoning_content im Gesprächsverlauf beibehalten, damit die Denk- und Werkzeugabfolge korrekt weiterlaufen kann. Die Anwendung stellt Werkzeuge bereit und führt sie aus; das Modell wählt, wie es deren Ergebnisse verwendet. Damit ist die Vorbereitung des Verlaufs eine wesentliche Integrationsanforderung, statt die letzte Nutzernachricht als vollständige Aufgabe zu behandeln.\n\nHerstellerempfehlungen und Grenzen\n\nDie Nutzungshinweise empfehlen top_p 0.95, temperature 0.8 für Mathematik, Schreiben und Webentwicklung sowie temperature 0.3 für Agentenaufgaben. Empfohlen wird auch eine Systemnachricht, die MiMo als Xiaomis Assistenten bezeichnet, mit aktuellem Datum und einem Wissensstand bis Dezember 2024. Stellen Sie aktuelle Fakten bereit, wenn die Aufgabe von neueren Ereignissen abhängt. Das Antwortbudget von 4096 Token in der veröffentlichten Anfrage ist eine Beispieleinstellung und keine erklärte maximale Ausgabelänge. MiMo-V2-Flash behält neben Flash-Base, Pro und Omni seine eigene Identität; Kontext- und Modalitätsspezifikationen sind der jeweiligen Ausgabe zuzuordnen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "05e9428812882f242914f1bb6957df4d95d643924801a779cef582ac8f1b3d8f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "xiaomimimo/mimo-v2-flashMiMo-V2-Flash ist Xiaomis Textmodell für Reasoning, Programmierung und werkzeuggestützte Agentenarbeit. Sein 256K-Kontext, die hybride Attention und die eigene nachtrainierte Version eignen sich für Aufgaben, die umfangreiches Textmaterial mit einer konkreten Antwort, Codeänderung oder nächsten Aktion verbinden.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Modellprofil und Ausgaben
MiMo-V2-Flash ist Xiaomis Sprachmodell für Reasoning und Agentenabläufe. Seine Mixture-of-Experts-Architektur besitzt insgesamt 309 Milliarden Parameter und 15 Milliarden aktive Parameter. Das veröffentlichte Modell nennt eine Kontextlänge von 256K Token; das Inferenzbeispiel des Herstellers konfiguriert 262.144 Token. Es verarbeitet Text und erzeugt Text, einschließlich Erklärungen, Code und Informationen für Werkzeuginteraktionen. Flash-Base und die nachtrainierte Flash-Version sind gesondert benannte Ausgaben mit unterschiedlichen Rollen.
Hybride Attention und Vorhersage
Die Architektur kombiniert Sliding-Window-Attention und globale Attention im Verhältnis 5:1. Das lokale Attention-Fenster umfasst 128 Token, während globale Attention Verbindungen über das längere Material hinweg erhält. Das Vortraining verwendet eine native Sequenzlänge von 32K, und das veröffentlichte Modell unterstützt den längeren 256K-Kontext. Ein leichtgewichtiges Modul zur Vorhersage mehrerer Token ist in Training und Inferenz integriert. Das sind Eigenschaften des Modelldesigns; sie geben nicht an, wie schnell eine bestimmte Anwendung eine Antwort zurückliefert.
Nachtraining für Reasoning und Agenten
MiMo-V2-Flash verwendet Multi-Teacher On-Policy Distillation, bei der domänenspezifische Lehrermodelle seine selbst erzeugten Antworten anleiten, gefolgt von umfangreichem agentengestütztem Reinforcement Learning. Das Training umfasst Code-Agenten-Umgebungen und erstreckt sich auf Mathematik und allgemeine Agentenaufgaben. Beim Webentwicklungstraining wird ein bildbasierter Prüfer eingesetzt, um ausgeführte Ergebnisse zu bewerten. Dieser Prüfer gehört zum Trainingsprozess und macht aus diesem Textmodell kein Modell für Bild- oder Videoeingaben.
Programmierung und Dokumentvorbereitung
Stellen Sie für eine Programmieraufgabe die relevanten Dateien als Text, den beobachteten Fehler, eine ihn demonstrierende Eingabe und das zu erhaltende Verhalten bereit. Eine beispielhafte Anfrage kann einen kleinen Patch, eine Erklärung betroffener Abhängigkeiten und Prüfungen des erwarteten Ergebnisses verlangen. Benennen Sie bei umfangreichem Textmaterial die wichtigen Abschnitte und fordern Sie einen an den Textstellen belegten Vergleich an. Halten Sie die Ausgabe konkret: korrigierter Code, eine Tabelle mit Abweichungen, eine Berechnung mit Annahmen oder eine vorgeschlagene nächste Aktion.
Denken, Werkzeuge und Gesprächsverlauf
Das veröffentlichte Thinking-Beispiel aktiviert einen Reasoning-Modus, und der Hersteller gibt einen eigenen Parser für Werkzeugaufrufe an. Bei Werkzeugnutzung über mehrere Gesprächsrunden kann die Antwort reasoning_content neben tool_calls enthalten. Die nächste Anfrage muss den bisherigen reasoning_content im Gesprächsverlauf beibehalten, damit die Denk- und Werkzeugabfolge korrekt weiterlaufen kann. Die Anwendung stellt Werkzeuge bereit und führt sie aus; das Modell wählt, wie es deren Ergebnisse verwendet. Damit ist die Vorbereitung des Verlaufs eine wesentliche Integrationsanforderung, statt die letzte Nutzernachricht als vollständige Aufgabe zu behandeln.
Herstellerempfehlungen und Grenzen
Die Nutzungshinweise empfehlen top_p 0.95, temperature 0.8 für Mathematik, Schreiben und Webentwicklung sowie temperature 0.3 für Agentenaufgaben. Empfohlen wird auch eine Systemnachricht, die MiMo als Xiaomis Assistenten bezeichnet, mit aktuellem Datum und einem Wissensstand bis Dezember 2024. Stellen Sie aktuelle Fakten bereit, wenn die Aufgabe von neueren Ereignissen abhängt. Das Antwortbudget von 4096 Token in der veröffentlichten Anfrage ist eine Beispieleinstellung und keine erklärte maximale Ausgabelänge. MiMo-V2-Flash behält neben Flash-Base, Pro und Omni seine eigene Identität; Kontext- und Modalitätsspezifikationen sind der jeweiligen Ausgabe zuzuordnen.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits xiaomimimo/mimo-v2-flash | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
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 |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0006 / 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":"xiaomimimo/mimo-v2-flash","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="xiaomimimo/mimo-v2-flash", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson 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 xiaomimimo/mimo-v2-flash
/chat/completions
xiaomimimo/mimo-v2-flashMiMo-V2-Flash ist Xiaomis Textmodell für Reasoning, Programmierung und werkzeuggestützte Agentenarbeit. Sein 256K-Kontext, die hybride Attention und die eigene nachtrainierte Version eignen sich für Aufgaben, die umfangreiches Textmaterial mit einer konkreten Antwort, Codeänderung oder nächsten Aktion verbinden.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Modellprofil und Ausgaben
MiMo-V2-Flash ist Xiaomis Sprachmodell für Reasoning und Agentenabläufe. Seine Mixture-of-Experts-Architektur besitzt insgesamt 309 Milliarden Parameter und 15 Milliarden aktive Parameter. Das veröffentlichte Modell nennt eine Kontextlänge von 256K Token; das Inferenzbeispiel des Herstellers konfiguriert 262.144 Token. Es verarbeitet Text und erzeugt Text, einschließlich Erklärungen, Code und Informationen für Werkzeuginteraktionen. Flash-Base und die nachtrainierte Flash-Version sind gesondert benannte Ausgaben mit unterschiedlichen Rollen.
Hybride Attention und Vorhersage
Die Architektur kombiniert Sliding-Window-Attention und globale Attention im Verhältnis 5:1. Das lokale Attention-Fenster umfasst 128 Token, während globale Attention Verbindungen über das längere Material hinweg erhält. Das Vortraining verwendet eine native Sequenzlänge von 32K, und das veröffentlichte Modell unterstützt den längeren 256K-Kontext. Ein leichtgewichtiges Modul zur Vorhersage mehrerer Token ist in Training und Inferenz integriert. Das sind Eigenschaften des Modelldesigns; sie geben nicht an, wie schnell eine bestimmte Anwendung eine Antwort zurückliefert.
Nachtraining für Reasoning und Agenten
MiMo-V2-Flash verwendet Multi-Teacher On-Policy Distillation, bei der domänenspezifische Lehrermodelle seine selbst erzeugten Antworten anleiten, gefolgt von umfangreichem agentengestütztem Reinforcement Learning. Das Training umfasst Code-Agenten-Umgebungen und erstreckt sich auf Mathematik und allgemeine Agentenaufgaben. Beim Webentwicklungstraining wird ein bildbasierter Prüfer eingesetzt, um ausgeführte Ergebnisse zu bewerten. Dieser Prüfer gehört zum Trainingsprozess und macht aus diesem Textmodell kein Modell für Bild- oder Videoeingaben.
Programmierung und Dokumentvorbereitung
Stellen Sie für eine Programmieraufgabe die relevanten Dateien als Text, den beobachteten Fehler, eine ihn demonstrierende Eingabe und das zu erhaltende Verhalten bereit. Eine beispielhafte Anfrage kann einen kleinen Patch, eine Erklärung betroffener Abhängigkeiten und Prüfungen des erwarteten Ergebnisses verlangen. Benennen Sie bei umfangreichem Textmaterial die wichtigen Abschnitte und fordern Sie einen an den Textstellen belegten Vergleich an. Halten Sie die Ausgabe konkret: korrigierter Code, eine Tabelle mit Abweichungen, eine Berechnung mit Annahmen oder eine vorgeschlagene nächste Aktion.
Denken, Werkzeuge und Gesprächsverlauf
Das veröffentlichte Thinking-Beispiel aktiviert einen Reasoning-Modus, und der Hersteller gibt einen eigenen Parser für Werkzeugaufrufe an. Bei Werkzeugnutzung über mehrere Gesprächsrunden kann die Antwort reasoning_content neben tool_calls enthalten. Die nächste Anfrage muss den bisherigen reasoning_content im Gesprächsverlauf beibehalten, damit die Denk- und Werkzeugabfolge korrekt weiterlaufen kann. Die Anwendung stellt Werkzeuge bereit und führt sie aus; das Modell wählt, wie es deren Ergebnisse verwendet. Damit ist die Vorbereitung des Verlaufs eine wesentliche Integrationsanforderung, statt die letzte Nutzernachricht als vollständige Aufgabe zu behandeln.
Herstellerempfehlungen und Grenzen
Die Nutzungshinweise empfehlen top_p 0.95, temperature 0.8 für Mathematik, Schreiben und Webentwicklung sowie temperature 0.3 für Agentenaufgaben. Empfohlen wird auch eine Systemnachricht, die MiMo als Xiaomis Assistenten bezeichnet, mit aktuellem Datum und einem Wissensstand bis Dezember 2024. Stellen Sie aktuelle Fakten bereit, wenn die Aufgabe von neueren Ereignissen abhängt. Das Antwortbudget von 4096 Token in der veröffentlichten Anfrage ist eine Beispieleinstellung und keine erklärte maximale Ausgabelänge. MiMo-V2-Flash behält neben Flash-Base, Pro und Omni seine eigene Identität; Kontext- und Modalitätsspezifikationen sind der jeweiligen Ausgabe zuzuordnen.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits xiaomimimo/mimo-v2-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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0006 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "xiaomimimo/mimo-v2-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'xiaomimimo/mimo-v2-flash', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'xiaomimimo/mimo-v2-flash', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 xiaomimimo/mimo-v2-flash
/chat/completions