MiMo-V2.5 ist Xiaomis nativ omnimodales Modell zum Verstehen von Text, Bildern, Video und Audio innerhalb einer Architektur. Es verbindet multimodale Wahrnehmung mit Reasoning über langen Kontext und Agentenabläufen. Der Hersteller beschreibt ein dünnbesetztes Mixture-of-Experts-Modell mit insgesamt 310B Parametern und 15B aktivierten Parametern. Seine Antwort ist ein Textartefakt oder eine Werkzeuganweisung, die eine unterstützende Anwendung verwenden kann; das Verstehen einer Audio- oder Bildeingabe ist von der Erzeugung neuer Medien zu unterscheiden.
Der Sprachmodellkern baut auf der MiMo-V2-Flash-Architektur auf und kombiniert Sliding-Window- und globale Aufmerksamkeit im Verhältnis 5:1 mit einem lokalen Fenster von 128 Token. Xiaomi ergänzt einen dedizierten Vision-Transformer mit 729M Parametern und einen Audio-Encoder mit 261M Parametern, der aus MiMo-Audio initialisiert wird. Drei Module für Mehrtoken-Vorhersage unterstützen spekulatives Decoding. Das lokale Aufmerksamkeitsfenster ist ein Architekturdetail; für den gesamten Aufgabenverlauf nennt der Hersteller einen deutlich grösseren Kontext von bis zu einer Million Token.
Stellen Sie für Bildanalysen eine lesbare Quelle bereit und benennen Sie die Beziehung oder das Detail, das die Antwort erklären muss. Eine Dokumentaufgabe kann eine Tabelle beobachteter Felder mit der jeweiligen Seite oder Region verlangen; eine Designaufgabe kann das Layout eines Screenshots mit einer Implementierungsanforderung verbinden. Bewahren Sie das Quellbild auf, damit kleine Texte, Anzahlen oder räumliche Beobachtungen geprüft werden können. Fordern Sie das Modell auf, unklare Belege sichtbar zu lassen, statt aus einer undeutlichen Markierung einen sicheren Wert zu machen.
Verbinden Sie bei Video oder Audio das bereitgestellte Material mit einer gezielten Frage und dem für seine Deutung nötigen Kontext. Ein nützlicher Ablauf erklärt eine Folge von Oberflächenaktionen aus einer Aufnahme, identifiziert die Stelle, an der das beobachtete Verhalten von den vorgesehenen Schritten abweicht, und erstellt eine Diagnose mit Bezug auf das relevante Zeitintervall. Bewahren Sie die Chronologie und die ursprüngliche Aufnahme zur Prüfung auf. Die Textausgabe kann zur Eingabe eines späteren Berichts-, Untertitelungs- oder Bearbeitungsschritts werden, ohne zu behaupten, dass sie selbst ein neu erzeugtes Video oder eine neue Sprachspur sei.
Stellen Sie für eine Agentenaufgabe das Ziel, relevantes Ausgangsmaterial und die Eingabeverträge aller von der Anwendung bereitgestellten Werkzeuge zur Verfügung. Halten Sie tatsächliche Werkzeugausgaben im Verlauf, damit das Modell seinen nächsten Schritt an das Geschehene anpassen kann. Eine Repository-Aufgabe kann Code, einen Screenshot des Ergebnisses und eine Prüfausgabe verbinden, um einen gezielten Änderungsvorschlag zu erzeugen. Halten Sie fest, ob die daraus entstehende Operation ausgeführt wurde und ob das beobachtete Ergebnis das verlangte Verhalten erfüllt.
Die Trainingsfolge des Herstellers beginnt mit Text-Vortraining, wärmt die visuellen und Audio-Projektoren vor und setzt sich mit multimodalem Vortraining fort. Überwachtes Agententraining erweitert den Kontext schrittweise von 32K über 256K auf 1M; Reinforcement Learning und On-Policy-Destillation mit mehreren Lehrmodellen entwickeln danach Wahrnehmung, Reasoning und Agentenverhalten weiter. Der Hersteller nennt rund 48 Billionen Trainingstoken. Diese Trainingsgeschichte erklärt den kombinierten Eingabe- und Aufgabenbereich, ohne eine Garantie für eine bestimmte Aufnahme oder ein bestimmtes Repository zu geben.
Die Modellzusammenfassung nennt Unterstützung für bis zu 1M Token, während das veröffentlichte Serving-Beispiel eine Kontextkonfiguration von 262’144 Token verwendet. Unterscheiden Sie die Modellkapazität vom Arbeitsfenster einer gewählten Implementierung und lassen Sie Raum für die erzeugte Antwort und nachfolgende Werkzeugergebnisse. Xiaomi empfiehlt für lokale Inferenz Temperatur 1.0 und top_p 0.95. Medienvorverarbeitung und Anwendungssteuerung sollten der konkreten Schnittstelle folgen, die für die Aufgabe verwendet wird.
MiMo-V2.5 ist das omnimodale Geschwistermodell des grösseren, auf Text ausgerichteten MiMo-V2.5-Pro. Bewahren Sie diese Editionsunterscheidung in einem Ergebnisdatensatz. Das nützliche Endergebnis ist eine Erklärung, Extraktion oder ein Änderungsvorschlag mit Bezug auf bereitgestellten Text und Medien; unsichere Beobachtungen und ungeprüfte Werkzeugergebnisse bleiben für Korrekturen verfügbar.
", "aboutText": "MiMo-V2.5 ist Xiaomis nativ omnimodales Modell zum Verstehen von Text, Bildern, Video und Audio innerhalb einer Architektur. Es verbindet multimodale Wahrnehmung mit Reasoning über langen Kontext und Agentenabläufen. Der Hersteller beschreibt ein dünnbesetztes Mixture-of-Experts-Modell mit insgesamt 310B Parametern und 15B aktivierten Parametern. Seine Antwort ist ein Textartefakt oder eine Werkzeuganweisung, die eine unterstützende Anwendung verwenden kann; das Verstehen einer Audio- oder Bildeingabe ist von der Erzeugung neuer Medien zu unterscheiden.\n\nDer Sprachmodellkern baut auf der MiMo-V2-Flash-Architektur auf und kombiniert Sliding-Window- und globale Aufmerksamkeit im Verhältnis 5:1 mit einem lokalen Fenster von 128 Token. Xiaomi ergänzt einen dedizierten Vision-Transformer mit 729M Parametern und einen Audio-Encoder mit 261M Parametern, der aus MiMo-Audio initialisiert wird. Drei Module für Mehrtoken-Vorhersage unterstützen spekulatives Decoding. Das lokale Aufmerksamkeitsfenster ist ein Architekturdetail; für den gesamten Aufgabenverlauf nennt der Hersteller einen deutlich grösseren Kontext von bis zu einer Million Token.\n\nStellen Sie für Bildanalysen eine lesbare Quelle bereit und benennen Sie die Beziehung oder das Detail, das die Antwort erklären muss. Eine Dokumentaufgabe kann eine Tabelle beobachteter Felder mit der jeweiligen Seite oder Region verlangen; eine Designaufgabe kann das Layout eines Screenshots mit einer Implementierungsanforderung verbinden. Bewahren Sie das Quellbild auf, damit kleine Texte, Anzahlen oder räumliche Beobachtungen geprüft werden können. Fordern Sie das Modell auf, unklare Belege sichtbar zu lassen, statt aus einer undeutlichen Markierung einen sicheren Wert zu machen.\n\nVerbinden Sie bei Video oder Audio das bereitgestellte Material mit einer gezielten Frage und dem für seine Deutung nötigen Kontext. Ein nützlicher Ablauf erklärt eine Folge von Oberflächenaktionen aus einer Aufnahme, identifiziert die Stelle, an der das beobachtete Verhalten von den vorgesehenen Schritten abweicht, und erstellt eine Diagnose mit Bezug auf das relevante Zeitintervall. Bewahren Sie die Chronologie und die ursprüngliche Aufnahme zur Prüfung auf. Die Textausgabe kann zur Eingabe eines späteren Berichts-, Untertitelungs- oder Bearbeitungsschritts werden, ohne zu behaupten, dass sie selbst ein neu erzeugtes Video oder eine neue Sprachspur sei.\n\nStellen Sie für eine Agentenaufgabe das Ziel, relevantes Ausgangsmaterial und die Eingabeverträge aller von der Anwendung bereitgestellten Werkzeuge zur Verfügung. Halten Sie tatsächliche Werkzeugausgaben im Verlauf, damit das Modell seinen nächsten Schritt an das Geschehene anpassen kann. Eine Repository-Aufgabe kann Code, einen Screenshot des Ergebnisses und eine Prüfausgabe verbinden, um einen gezielten Änderungsvorschlag zu erzeugen. Halten Sie fest, ob die daraus entstehende Operation ausgeführt wurde und ob das beobachtete Ergebnis das verlangte Verhalten erfüllt.\n\nDie Trainingsfolge des Herstellers beginnt mit Text-Vortraining, wärmt die visuellen und Audio-Projektoren vor und setzt sich mit multimodalem Vortraining fort. Überwachtes Agententraining erweitert den Kontext schrittweise von 32K über 256K auf 1M; Reinforcement Learning und On-Policy-Destillation mit mehreren Lehrmodellen entwickeln danach Wahrnehmung, Reasoning und Agentenverhalten weiter. Der Hersteller nennt rund 48 Billionen Trainingstoken. Diese Trainingsgeschichte erklärt den kombinierten Eingabe- und Aufgabenbereich, ohne eine Garantie für eine bestimmte Aufnahme oder ein bestimmtes Repository zu geben.\n\nDie Modellzusammenfassung nennt Unterstützung für bis zu 1M Token, während das veröffentlichte Serving-Beispiel eine Kontextkonfiguration von 262’144 Token verwendet. Unterscheiden Sie die Modellkapazität vom Arbeitsfenster einer gewählten Implementierung und lassen Sie Raum für die erzeugte Antwort und nachfolgende Werkzeugergebnisse. Xiaomi empfiehlt für lokale Inferenz Temperatur 1.0 und top_p 0.95. Medienvorverarbeitung und Anwendungssteuerung sollten der konkreten Schnittstelle folgen, die für die Aufgabe verwendet wird.\n\nMiMo-V2.5 ist das omnimodale Geschwistermodell des grösseren, auf Text ausgerichteten MiMo-V2.5-Pro. Bewahren Sie diese Editionsunterscheidung in einem Ergebnisdatensatz. Das nützliche Endergebnis ist eine Erklärung, Extraktion oder ein Änderungsvorschlag mit Bezug auf bereitgestellten Text und Medien; unsichere Beobachtungen und ungeprüfte Werkzeugergebnisse bleiben für Korrekturen verfügbar.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Diagnose a workflow from a text timeline\n\nAnalyze this supplied text timeline against the intended order 'select a file, validate it, then import'. Actual log: 00:01 selected sales.csv; 00:02 import started; 00:03 validation failed for missing column; 00:04 import marked complete. Identify the first divergence, explain the inconsistent final state and propose a focused correction with a regression scenario. No recording is attached.A timestamp-linked diagnosis, a correction to stage ordering/state handling and a regression scenario.The diagnosis identifies import before validation and prevents a failed validation from ending in complete status.xiaomi/mimo-v2.5MiMo-V2.5 versteht Text, Bilder, Video und Audio in einem einzigen Modell für multimodale Analysen und Agentenaufgaben. Xiaomi dokumentiert 310B Parameter insgesamt, 15B aktive Parameter und bis zu eine Million Kontexttokens mit eigenen Bild- und Audioencodern.
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 ist Xiaomis nativ omnimodales Modell zum Verstehen von Text, Bildern, Video und Audio innerhalb einer Architektur. Es verbindet multimodale Wahrnehmung mit Reasoning über langen Kontext und Agentenabläufen. Der Hersteller beschreibt ein dünnbesetztes Mixture-of-Experts-Modell mit insgesamt 310B Parametern und 15B aktivierten Parametern. Seine Antwort ist ein Textartefakt oder eine Werkzeuganweisung, die eine unterstützende Anwendung verwenden kann; das Verstehen einer Audio- oder Bildeingabe ist von der Erzeugung neuer Medien zu unterscheiden.
Der Sprachmodellkern baut auf der MiMo-V2-Flash-Architektur auf und kombiniert Sliding-Window- und globale Aufmerksamkeit im Verhältnis 5:1 mit einem lokalen Fenster von 128 Token. Xiaomi ergänzt einen dedizierten Vision-Transformer mit 729M Parametern und einen Audio-Encoder mit 261M Parametern, der aus MiMo-Audio initialisiert wird. Drei Module für Mehrtoken-Vorhersage unterstützen spekulatives Decoding. Das lokale Aufmerksamkeitsfenster ist ein Architekturdetail; für den gesamten Aufgabenverlauf nennt der Hersteller einen deutlich grösseren Kontext von bis zu einer Million Token.
Stellen Sie für Bildanalysen eine lesbare Quelle bereit und benennen Sie die Beziehung oder das Detail, das die Antwort erklären muss. Eine Dokumentaufgabe kann eine Tabelle beobachteter Felder mit der jeweiligen Seite oder Region verlangen; eine Designaufgabe kann das Layout eines Screenshots mit einer Implementierungsanforderung verbinden. Bewahren Sie das Quellbild auf, damit kleine Texte, Anzahlen oder räumliche Beobachtungen geprüft werden können. Fordern Sie das Modell auf, unklare Belege sichtbar zu lassen, statt aus einer undeutlichen Markierung einen sicheren Wert zu machen.
Verbinden Sie bei Video oder Audio das bereitgestellte Material mit einer gezielten Frage und dem für seine Deutung nötigen Kontext. Ein nützlicher Ablauf erklärt eine Folge von Oberflächenaktionen aus einer Aufnahme, identifiziert die Stelle, an der das beobachtete Verhalten von den vorgesehenen Schritten abweicht, und erstellt eine Diagnose mit Bezug auf das relevante Zeitintervall. Bewahren Sie die Chronologie und die ursprüngliche Aufnahme zur Prüfung auf. Die Textausgabe kann zur Eingabe eines späteren Berichts-, Untertitelungs- oder Bearbeitungsschritts werden, ohne zu behaupten, dass sie selbst ein neu erzeugtes Video oder eine neue Sprachspur sei.
Stellen Sie für eine Agentenaufgabe das Ziel, relevantes Ausgangsmaterial und die Eingabeverträge aller von der Anwendung bereitgestellten Werkzeuge zur Verfügung. Halten Sie tatsächliche Werkzeugausgaben im Verlauf, damit das Modell seinen nächsten Schritt an das Geschehene anpassen kann. Eine Repository-Aufgabe kann Code, einen Screenshot des Ergebnisses und eine Prüfausgabe verbinden, um einen gezielten Änderungsvorschlag zu erzeugen. Halten Sie fest, ob die daraus entstehende Operation ausgeführt wurde und ob das beobachtete Ergebnis das verlangte Verhalten erfüllt.
Die Trainingsfolge des Herstellers beginnt mit Text-Vortraining, wärmt die visuellen und Audio-Projektoren vor und setzt sich mit multimodalem Vortraining fort. Überwachtes Agententraining erweitert den Kontext schrittweise von 32K über 256K auf 1M; Reinforcement Learning und On-Policy-Destillation mit mehreren Lehrmodellen entwickeln danach Wahrnehmung, Reasoning und Agentenverhalten weiter. Der Hersteller nennt rund 48 Billionen Trainingstoken. Diese Trainingsgeschichte erklärt den kombinierten Eingabe- und Aufgabenbereich, ohne eine Garantie für eine bestimmte Aufnahme oder ein bestimmtes Repository zu geben.
Die Modellzusammenfassung nennt Unterstützung für bis zu 1M Token, während das veröffentlichte Serving-Beispiel eine Kontextkonfiguration von 262’144 Token verwendet. Unterscheiden Sie die Modellkapazität vom Arbeitsfenster einer gewählten Implementierung und lassen Sie Raum für die erzeugte Antwort und nachfolgende Werkzeugergebnisse. Xiaomi empfiehlt für lokale Inferenz Temperatur 1.0 und top_p 0.95. Medienvorverarbeitung und Anwendungssteuerung sollten der konkreten Schnittstelle folgen, die für die Aufgabe verwendet wird.
MiMo-V2.5 ist das omnimodale Geschwistermodell des grösseren, auf Text ausgerichteten MiMo-V2.5-Pro. Bewahren Sie diese Editionsunterscheidung in einem Ergebnisdatensatz. Das nützliche Endergebnis ist eine Erklärung, Extraktion oder ein Änderungsvorschlag mit Bezug auf bereitgestellten Text und Medien; unsichere Beobachtungen und ungeprüfte Werkzeugergebnisse bleiben für Korrekturen verfügbar.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits xiaomi/mimo-v2.5 | 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 · Cache schreiben — / 1K Tokens Eingabe · 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 $0.0000056 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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", "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',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',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
Verwenden Sie die oben angezeigten Methodenpfade.
xiaomi/mimo-v2.5MiMo-V2.5 versteht Text, Bilder, Video und Audio in einem einzigen Modell für multimodale Analysen und Agentenaufgaben. Xiaomi dokumentiert 310B Parameter insgesamt, 15B aktive Parameter und bis zu eine Million Kontexttokens mit eigenen Bild- und Audioencodern.
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 ist Xiaomis nativ omnimodales Modell zum Verstehen von Text, Bildern, Video und Audio innerhalb einer Architektur. Es verbindet multimodale Wahrnehmung mit Reasoning über langen Kontext und Agentenabläufen. Der Hersteller beschreibt ein dünnbesetztes Mixture-of-Experts-Modell mit insgesamt 310B Parametern und 15B aktivierten Parametern. Seine Antwort ist ein Textartefakt oder eine Werkzeuganweisung, die eine unterstützende Anwendung verwenden kann; das Verstehen einer Audio- oder Bildeingabe ist von der Erzeugung neuer Medien zu unterscheiden.
Der Sprachmodellkern baut auf der MiMo-V2-Flash-Architektur auf und kombiniert Sliding-Window- und globale Aufmerksamkeit im Verhältnis 5:1 mit einem lokalen Fenster von 128 Token. Xiaomi ergänzt einen dedizierten Vision-Transformer mit 729M Parametern und einen Audio-Encoder mit 261M Parametern, der aus MiMo-Audio initialisiert wird. Drei Module für Mehrtoken-Vorhersage unterstützen spekulatives Decoding. Das lokale Aufmerksamkeitsfenster ist ein Architekturdetail; für den gesamten Aufgabenverlauf nennt der Hersteller einen deutlich grösseren Kontext von bis zu einer Million Token.
Stellen Sie für Bildanalysen eine lesbare Quelle bereit und benennen Sie die Beziehung oder das Detail, das die Antwort erklären muss. Eine Dokumentaufgabe kann eine Tabelle beobachteter Felder mit der jeweiligen Seite oder Region verlangen; eine Designaufgabe kann das Layout eines Screenshots mit einer Implementierungsanforderung verbinden. Bewahren Sie das Quellbild auf, damit kleine Texte, Anzahlen oder räumliche Beobachtungen geprüft werden können. Fordern Sie das Modell auf, unklare Belege sichtbar zu lassen, statt aus einer undeutlichen Markierung einen sicheren Wert zu machen.
Verbinden Sie bei Video oder Audio das bereitgestellte Material mit einer gezielten Frage und dem für seine Deutung nötigen Kontext. Ein nützlicher Ablauf erklärt eine Folge von Oberflächenaktionen aus einer Aufnahme, identifiziert die Stelle, an der das beobachtete Verhalten von den vorgesehenen Schritten abweicht, und erstellt eine Diagnose mit Bezug auf das relevante Zeitintervall. Bewahren Sie die Chronologie und die ursprüngliche Aufnahme zur Prüfung auf. Die Textausgabe kann zur Eingabe eines späteren Berichts-, Untertitelungs- oder Bearbeitungsschritts werden, ohne zu behaupten, dass sie selbst ein neu erzeugtes Video oder eine neue Sprachspur sei.
Stellen Sie für eine Agentenaufgabe das Ziel, relevantes Ausgangsmaterial und die Eingabeverträge aller von der Anwendung bereitgestellten Werkzeuge zur Verfügung. Halten Sie tatsächliche Werkzeugausgaben im Verlauf, damit das Modell seinen nächsten Schritt an das Geschehene anpassen kann. Eine Repository-Aufgabe kann Code, einen Screenshot des Ergebnisses und eine Prüfausgabe verbinden, um einen gezielten Änderungsvorschlag zu erzeugen. Halten Sie fest, ob die daraus entstehende Operation ausgeführt wurde und ob das beobachtete Ergebnis das verlangte Verhalten erfüllt.
Die Trainingsfolge des Herstellers beginnt mit Text-Vortraining, wärmt die visuellen und Audio-Projektoren vor und setzt sich mit multimodalem Vortraining fort. Überwachtes Agententraining erweitert den Kontext schrittweise von 32K über 256K auf 1M; Reinforcement Learning und On-Policy-Destillation mit mehreren Lehrmodellen entwickeln danach Wahrnehmung, Reasoning und Agentenverhalten weiter. Der Hersteller nennt rund 48 Billionen Trainingstoken. Diese Trainingsgeschichte erklärt den kombinierten Eingabe- und Aufgabenbereich, ohne eine Garantie für eine bestimmte Aufnahme oder ein bestimmtes Repository zu geben.
Die Modellzusammenfassung nennt Unterstützung für bis zu 1M Token, während das veröffentlichte Serving-Beispiel eine Kontextkonfiguration von 262’144 Token verwendet. Unterscheiden Sie die Modellkapazität vom Arbeitsfenster einer gewählten Implementierung und lassen Sie Raum für die erzeugte Antwort und nachfolgende Werkzeugergebnisse. Xiaomi empfiehlt für lokale Inferenz Temperatur 1.0 und top_p 0.95. Medienvorverarbeitung und Anwendungssteuerung sollten der konkreten Schnittstelle folgen, die für die Aufgabe verwendet wird.
MiMo-V2.5 ist das omnimodale Geschwistermodell des grösseren, auf Text ausgerichteten MiMo-V2.5-Pro. Bewahren Sie diese Editionsunterscheidung in einem Ergebnisdatensatz. Das nützliche Endergebnis ist eine Erklärung, Extraktion oder ein Änderungsvorschlag mit Bezug auf bereitgestellten Text und Medien; unsichere Beobachtungen und ungeprüfte Werkzeugergebnisse bleiben für Korrekturen verfügbar.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits xiaomi/mimo-v2.5 | 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 · Cache schreiben — / 1K Tokens Eingabe · 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 $0.0000056 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "xiaomi/mimo-v2.5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Diagnose a workflow from a text timeline\n\nAnalyze this supplied text timeline against the intended order 'select a file, validate it, then import'. Actual log: 00:01 selected sales.csv; 00:02 import started; 00:03 validation failed for missing column; 00:04 import marked complete. Identify the first divergence, explain the inconsistent final state and propose a focused correction with a regression scenario. No recording is attached.A timestamp-linked diagnosis, a correction to stage ordering/state handling and a regression scenario.The diagnosis identifies import before validation and prevents a failed validation from ending in complete status.