MiMo-V2.6-Flash ist Xiaomis auf ausgewogene Effizienz ausgerichtetes Modell der MiMo-V2.6-Reihe. Es kombiniert Text-, Bild-, Video- und Audioverständnis in einer Architektur und liefert eine Textantwort, die den nächsten Schritt einer unterstützenden Anwendung anleiten kann. Sein Aufgabenumfang deckt Softwareentwicklung, allgemeine Agentenarbeit, visuelle Abläufe und Cybersicherheitsanalyse ab. Flash ist ein eigenständiges kleineres Modell gegenüber V2.6-Pro mit einer eigenen Parametergrösse und nicht bloss einer Einstellung für kürzere Antworten.
Das veröffentlichte Flash-Profil des Herstellers beschreibt ein spärliches Mixture-of-Experts-Modell mit insgesamt 309B und 15B aktivierten Parametern. Sein 48-schichtiges Grundmodell kombiniert lokale Sliding-Window-Attention und globale Attention für die Arbeit mit langen Verläufen. Eigene Bild- und Audioencoder führen die verschiedenen Eingabearten in dieses Sprachgrundmodell ein. Xiaomi nennt einen Kontext von einer Million Tokens für Repositories, gesammelte Werkzeugergebnisse und umfangreiche Aufgabenverläufe. Organisiere diesen Raum um das aktuelle Ziel, relevante Belege und Entscheidungen, die konsistent bleiben müssen.
Der V2.6-Trainingsansatz mischt Coding, allgemeine Agenten, visuelle Arbeit und Cybersicherheitsaufgaben in demselben Reinforcement-Learning-Lauf. Er variiert auch die Agentenumgebungen, statt jede Domäne isoliert zu trainieren. Der Hersteller beschreibt den Vergleich von Kandidatenverläufen anhand aufgabenspezifischer Kriterien, sodass ein bestandenes Ergebnis bei Qualität und Effizienz noch verbessert werden kann. Das ist ein Modelltrainingsansatz; ein nützliches Aufgabenbriefing braucht weiterhin ein klares Abschlusskriterium und Belege dafür, ob das Ergebnis es erfüllt.
Gib bei einer Repository-Aufgabe den beobachteten Fehler, relevante Dateien, das erwartete Verhalten und die Einschränkungen für die Änderung an. Verlange vom Modell, die Ursache zu ermitteln, einen gezielten Patch vorzuschlagen und die nötigen Prüfungen zu erklären. Gib in einer Umgebung mit Ausführungswerkzeugen deren tatsächliche Ausgaben zurück, damit das Modell den nächsten Schritt verfeinern kann. Halte Befehle, Fehler und Änderungen mit der relevanten Datei verknüpft. Das Endergebnis sollte zwischen einer vorgeschlagenen Korrektur und einer angewandten und geprüften Änderung unterscheiden.
Liefere für visuelle Arbeit einen lesbaren Screenshot oder ein Referenzbild und benenne das zu reproduzierende Layout, Verhalten oder räumliche Verhältnis. Xiaomis V2.6-Veröffentlichung beschreibt Frontend-Oberflächen, Präsentationen, 3D-Szenen und interaktive Welten, die durch Coding und Werkzeugnutzung erstellt werden. 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 durch die umgebenden Werkzeuge erzeugten Medien getrennt.
Audio und Video können Kontext liefern, der in einem schriftlichen Briefing fehlt. Stelle eine gezielte Frage zum bereitgestellten Material und bewahre seinen Bezug zur verlangten Ausgabe. Kombiniere zum Beispiel eine Oberflächenaufnahme mit den fehlgeschlagenen Schritten und verlange eine Diagnose mit Bezug auf die beobachtete Abfolge. Bewahre unklare Passagen oder Ereignisse zur Überprüfung. Eine flüssige Erklärung sollte nicht stillschweigend zum Beleg werden, dass ein undeutliches Geräusch, ein kleines Label oder ein flüchtiges Einzelbild korrekt verstanden wurde.
Xiaomis Modellkarte empfiehlt temperature 1.0 und top_p 0.95 für ihre Inferenzkonfiguration und beschreibt einen fünfschichtigen Decoder zur Vorhersage mehrerer Tokens. Diese Einstellungen und Optimierungen gehören zur Herstellerimplementierung. Prüfe bei umfangreichen Werkzeugabläufen, dass jeder nächste Aufruf einem neuen Informationsbedarf dient oder auf ein geändertes Ergebnis reagiert. Der Hersteller dokumentiert wiederholte Werkzeugaufrufe als V2.6-Trainingsproblem und unterscheidet seine RL- und späteren MOPD-Checkpoints. Halte bei der Prüfung einer abgeschlossenen Aufgabe die gewählte Ausgabe und das tatsächliche Fortschrittsprotokoll ausdrücklich fest.
", "aboutText": "MiMo-V2.6-Flash ist Xiaomis auf ausgewogene Effizienz ausgerichtetes Modell der MiMo-V2.6-Reihe. Es kombiniert Text-, Bild-, Video- und Audioverständnis in einer Architektur und liefert eine Textantwort, die den nächsten Schritt einer unterstützenden Anwendung anleiten kann. Sein Aufgabenumfang deckt Softwareentwicklung, allgemeine Agentenarbeit, visuelle Abläufe und Cybersicherheitsanalyse ab. Flash ist ein eigenständiges kleineres Modell gegenüber V2.6-Pro mit einer eigenen Parametergrösse und nicht bloss einer Einstellung für kürzere Antworten.\n\nDas veröffentlichte Flash-Profil des Herstellers beschreibt ein spärliches Mixture-of-Experts-Modell mit insgesamt 309B und 15B aktivierten Parametern. Sein 48-schichtiges Grundmodell kombiniert lokale Sliding-Window-Attention und globale Attention für die Arbeit mit langen Verläufen. Eigene Bild- und Audioencoder führen die verschiedenen Eingabearten in dieses Sprachgrundmodell ein. Xiaomi nennt einen Kontext von einer Million Tokens für Repositories, gesammelte Werkzeugergebnisse und umfangreiche Aufgabenverläufe. Organisiere diesen Raum um das aktuelle Ziel, relevante Belege und Entscheidungen, die konsistent bleiben müssen.\n\nDer V2.6-Trainingsansatz mischt Coding, allgemeine Agenten, visuelle Arbeit und Cybersicherheitsaufgaben in demselben Reinforcement-Learning-Lauf. Er variiert auch die Agentenumgebungen, statt jede Domäne isoliert zu trainieren. Der Hersteller beschreibt den Vergleich von Kandidatenverläufen anhand aufgabenspezifischer Kriterien, sodass ein bestandenes Ergebnis bei Qualität und Effizienz noch verbessert werden kann. Das ist ein Modelltrainingsansatz; ein nützliches Aufgabenbriefing braucht weiterhin ein klares Abschlusskriterium und Belege dafür, ob das Ergebnis es erfüllt.\n\nGib bei einer Repository-Aufgabe den beobachteten Fehler, relevante Dateien, das erwartete Verhalten und die Einschränkungen für die Änderung an. Verlange vom Modell, die Ursache zu ermitteln, einen gezielten Patch vorzuschlagen und die nötigen Prüfungen zu erklären. Gib in einer Umgebung mit Ausführungswerkzeugen deren tatsächliche Ausgaben zurück, damit das Modell den nächsten Schritt verfeinern kann. Halte Befehle, Fehler und Änderungen mit der relevanten Datei verknüpft. Das Endergebnis sollte zwischen einer vorgeschlagenen Korrektur und einer angewandten und geprüften Änderung unterscheiden.\n\nLiefere für visuelle Arbeit einen lesbaren Screenshot oder ein Referenzbild und benenne das zu reproduzierende Layout, Verhalten oder räumliche Verhältnis. Xiaomis V2.6-Veröffentlichung beschreibt Frontend-Oberflächen, Präsentationen, 3D-Szenen und interaktive Welten, die durch Coding und Werkzeugnutzung erstellt werden. 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 durch die umgebenden Werkzeuge erzeugten Medien getrennt.\n\nAudio und Video können Kontext liefern, der in einem schriftlichen Briefing fehlt. Stelle eine gezielte Frage zum bereitgestellten Material und bewahre seinen Bezug zur verlangten Ausgabe. Kombiniere zum Beispiel eine Oberflächenaufnahme mit den fehlgeschlagenen Schritten und verlange eine Diagnose mit Bezug auf die beobachtete Abfolge. Bewahre unklare Passagen oder Ereignisse zur Überprüfung. Eine flüssige Erklärung sollte nicht stillschweigend zum Beleg werden, dass ein undeutliches Geräusch, ein kleines Label oder ein flüchtiges Einzelbild korrekt verstanden wurde.\n\nXiaomis Modellkarte empfiehlt temperature 1.0 und top_p 0.95 für ihre Inferenzkonfiguration und beschreibt einen fünfschichtigen Decoder zur Vorhersage mehrerer Tokens. Diese Einstellungen und Optimierungen gehören zur Herstellerimplementierung. Prüfe bei umfangreichen Werkzeugabläufen, dass jeder nächste Aufruf einem neuen Informationsbedarf dient oder auf ein geändertes Ergebnis reagiert. Der Hersteller dokumentiert wiederholte Werkzeugaufrufe als V2.6-Trainingsproblem und unterscheidet seine RL- und späteren MOPD-Checkpoints. Halte bei der Prüfung einer abgeschlossenen Aufgabe die gewählte Ausgabe und das tatsächliche Fortschrittsprotokoll 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 kombiniert Text-, Bild-, Video- und Audioverständnis für Coding und umfangreiche Agentenabläufe. Sein veröffentlichtes Modellprofil nutzt insgesamt 309B Parameter, 15B aktive Parameter pro Token und einen Kontext von einer Million Tokens.
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 ausgerichtetes Modell der MiMo-V2.6-Reihe. Es kombiniert Text-, Bild-, Video- und Audioverständnis in einer Architektur und liefert eine Textantwort, die den nächsten Schritt einer unterstützenden Anwendung anleiten kann. Sein Aufgabenumfang deckt Softwareentwicklung, allgemeine Agentenarbeit, visuelle Abläufe und Cybersicherheitsanalyse ab. Flash ist ein eigenständiges kleineres Modell gegenüber V2.6-Pro mit einer eigenen Parametergrösse und nicht bloss einer Einstellung für kürzere Antworten.
Das veröffentlichte Flash-Profil des Herstellers beschreibt ein spärliches Mixture-of-Experts-Modell mit insgesamt 309B und 15B aktivierten Parametern. Sein 48-schichtiges Grundmodell kombiniert lokale Sliding-Window-Attention und globale Attention für die Arbeit mit langen Verläufen. Eigene Bild- und Audioencoder führen die verschiedenen Eingabearten in dieses Sprachgrundmodell ein. Xiaomi nennt einen Kontext von einer Million Tokens für Repositories, gesammelte Werkzeugergebnisse und umfangreiche Aufgabenverläufe. Organisiere diesen Raum um das aktuelle Ziel, relevante Belege und Entscheidungen, die konsistent bleiben müssen.
Der V2.6-Trainingsansatz mischt Coding, allgemeine Agenten, visuelle Arbeit und Cybersicherheitsaufgaben in demselben Reinforcement-Learning-Lauf. Er variiert auch die Agentenumgebungen, statt jede Domäne isoliert zu trainieren. Der Hersteller beschreibt den Vergleich von Kandidatenverläufen anhand aufgabenspezifischer Kriterien, sodass ein bestandenes Ergebnis bei Qualität und Effizienz noch verbessert werden kann. Das ist ein Modelltrainingsansatz; ein nützliches Aufgabenbriefing braucht weiterhin ein klares Abschlusskriterium und Belege dafür, ob das Ergebnis es erfüllt.
Gib bei einer Repository-Aufgabe den beobachteten Fehler, relevante Dateien, das erwartete Verhalten und die Einschränkungen für die Änderung an. Verlange vom Modell, die Ursache zu ermitteln, einen gezielten Patch vorzuschlagen und die nötigen Prüfungen zu erklären. Gib in einer Umgebung mit Ausführungswerkzeugen deren tatsächliche Ausgaben zurück, damit das Modell den nächsten Schritt verfeinern kann. Halte Befehle, Fehler und Änderungen mit der relevanten Datei verknüpft. Das Endergebnis sollte zwischen einer vorgeschlagenen Korrektur und einer angewandten und geprüften Änderung unterscheiden.
Liefere für visuelle Arbeit einen lesbaren Screenshot oder ein Referenzbild und benenne das zu reproduzierende Layout, Verhalten oder räumliche Verhältnis. Xiaomis V2.6-Veröffentlichung beschreibt Frontend-Oberflächen, Präsentationen, 3D-Szenen und interaktive Welten, die durch Coding und Werkzeugnutzung erstellt werden. 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 durch die umgebenden Werkzeuge erzeugten Medien getrennt.
Audio und Video können Kontext liefern, der in einem schriftlichen Briefing fehlt. Stelle eine gezielte Frage zum bereitgestellten Material und bewahre seinen Bezug zur verlangten Ausgabe. Kombiniere zum Beispiel eine Oberflächenaufnahme mit den fehlgeschlagenen Schritten und verlange eine Diagnose mit Bezug auf die beobachtete Abfolge. Bewahre unklare Passagen oder Ereignisse zur Überprüfung. Eine flüssige Erklärung sollte nicht stillschweigend zum Beleg werden, dass ein undeutliches Geräusch, ein kleines Label oder ein flüchtiges Einzelbild korrekt verstanden wurde.
Xiaomis Modellkarte empfiehlt temperature 1.0 und top_p 0.95 für ihre Inferenzkonfiguration und beschreibt einen fünfschichtigen Decoder zur Vorhersage mehrerer Tokens. Diese Einstellungen und Optimierungen gehören zur Herstellerimplementierung. Prüfe bei umfangreichen Werkzeugabläufen, dass jeder nächste Aufruf einem neuen Informationsbedarf dient oder auf ein geändertes Ergebnis reagiert. Der Hersteller dokumentiert wiederholte Werkzeugaufrufe als V2.6-Trainingsproblem und unterscheidet seine RL- und späteren MOPD-Checkpoints. Halte bei der Prüfung einer abgeschlossenen Aufgabe die gewählte Ausgabe und das tatsächliche Fortschrittsprotokoll 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 · 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-v2.6-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 kombiniert Text-, Bild-, Video- und Audioverständnis für Coding und umfangreiche Agentenabläufe. Sein veröffentlichtes Modellprofil nutzt insgesamt 309B Parameter, 15B aktive Parameter pro Token und einen Kontext von einer Million Tokens.
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 ausgerichtetes Modell der MiMo-V2.6-Reihe. Es kombiniert Text-, Bild-, Video- und Audioverständnis in einer Architektur und liefert eine Textantwort, die den nächsten Schritt einer unterstützenden Anwendung anleiten kann. Sein Aufgabenumfang deckt Softwareentwicklung, allgemeine Agentenarbeit, visuelle Abläufe und Cybersicherheitsanalyse ab. Flash ist ein eigenständiges kleineres Modell gegenüber V2.6-Pro mit einer eigenen Parametergrösse und nicht bloss einer Einstellung für kürzere Antworten.
Das veröffentlichte Flash-Profil des Herstellers beschreibt ein spärliches Mixture-of-Experts-Modell mit insgesamt 309B und 15B aktivierten Parametern. Sein 48-schichtiges Grundmodell kombiniert lokale Sliding-Window-Attention und globale Attention für die Arbeit mit langen Verläufen. Eigene Bild- und Audioencoder führen die verschiedenen Eingabearten in dieses Sprachgrundmodell ein. Xiaomi nennt einen Kontext von einer Million Tokens für Repositories, gesammelte Werkzeugergebnisse und umfangreiche Aufgabenverläufe. Organisiere diesen Raum um das aktuelle Ziel, relevante Belege und Entscheidungen, die konsistent bleiben müssen.
Der V2.6-Trainingsansatz mischt Coding, allgemeine Agenten, visuelle Arbeit und Cybersicherheitsaufgaben in demselben Reinforcement-Learning-Lauf. Er variiert auch die Agentenumgebungen, statt jede Domäne isoliert zu trainieren. Der Hersteller beschreibt den Vergleich von Kandidatenverläufen anhand aufgabenspezifischer Kriterien, sodass ein bestandenes Ergebnis bei Qualität und Effizienz noch verbessert werden kann. Das ist ein Modelltrainingsansatz; ein nützliches Aufgabenbriefing braucht weiterhin ein klares Abschlusskriterium und Belege dafür, ob das Ergebnis es erfüllt.
Gib bei einer Repository-Aufgabe den beobachteten Fehler, relevante Dateien, das erwartete Verhalten und die Einschränkungen für die Änderung an. Verlange vom Modell, die Ursache zu ermitteln, einen gezielten Patch vorzuschlagen und die nötigen Prüfungen zu erklären. Gib in einer Umgebung mit Ausführungswerkzeugen deren tatsächliche Ausgaben zurück, damit das Modell den nächsten Schritt verfeinern kann. Halte Befehle, Fehler und Änderungen mit der relevanten Datei verknüpft. Das Endergebnis sollte zwischen einer vorgeschlagenen Korrektur und einer angewandten und geprüften Änderung unterscheiden.
Liefere für visuelle Arbeit einen lesbaren Screenshot oder ein Referenzbild und benenne das zu reproduzierende Layout, Verhalten oder räumliche Verhältnis. Xiaomis V2.6-Veröffentlichung beschreibt Frontend-Oberflächen, Präsentationen, 3D-Szenen und interaktive Welten, die durch Coding und Werkzeugnutzung erstellt werden. 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 durch die umgebenden Werkzeuge erzeugten Medien getrennt.
Audio und Video können Kontext liefern, der in einem schriftlichen Briefing fehlt. Stelle eine gezielte Frage zum bereitgestellten Material und bewahre seinen Bezug zur verlangten Ausgabe. Kombiniere zum Beispiel eine Oberflächenaufnahme mit den fehlgeschlagenen Schritten und verlange eine Diagnose mit Bezug auf die beobachtete Abfolge. Bewahre unklare Passagen oder Ereignisse zur Überprüfung. Eine flüssige Erklärung sollte nicht stillschweigend zum Beleg werden, dass ein undeutliches Geräusch, ein kleines Label oder ein flüchtiges Einzelbild korrekt verstanden wurde.
Xiaomis Modellkarte empfiehlt temperature 1.0 und top_p 0.95 für ihre Inferenzkonfiguration und beschreibt einen fünfschichtigen Decoder zur Vorhersage mehrerer Tokens. Diese Einstellungen und Optimierungen gehören zur Herstellerimplementierung. Prüfe bei umfangreichen Werkzeugabläufen, dass jeder nächste Aufruf einem neuen Informationsbedarf dient oder auf ein geändertes Ergebnis reagiert. Der Hersteller dokumentiert wiederholte Werkzeugaufrufe als V2.6-Trainingsproblem und unterscheidet seine RL- und späteren MOPD-Checkpoints. Halte bei der Prüfung einer abgeschlossenen Aufgabe die gewählte Ausgabe und das tatsächliche Fortschrittsprotokoll 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 · 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 $0.0000056 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "xiaomi/mimo-v2.6-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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.