Modellprofil und Ausgaben
MiMo-V2-Flash ist Xiaomis Sprachmodell für Reasoning und Agentenabläufe. Seine Mixture-of-Experts-Architektur hat insgesamt 309 Milliarden Parameter und 15 Milliarden aktive Parameter. Das veröffentlichte Modell nennt eine Kontextlänge von 256K Tokens; das Inferenzbeispiel des Herstellers konfiguriert 262,144 Tokens. Es nimmt Text entgegen und erzeugt Text, darunter Erklärungen, Code und die für Werkzeuginteraktionen benötigten Informationen. Flash-Base und die nachtrainierte Flash-Version sind separat 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 Tokens, während globale Attention Verbindungen über das längere Material hinweg erhält. Das Vortraining nutzt eine native Sequenzlänge von 32K, und das veröffentlichte Modell unterstützt den längeren 256K-Kontext. Ein schlankes Modul zur Vorhersage mehrerer Tokens ist in Training und Inferenz integriert. Das sind Eigenschaften des Modelldesigns; sie legen nicht fest, wie schnell eine bestimmte Anwendung eine Antwort liefert.
Nachtraining für Reasoning und Agenten
MiMo-V2-Flash verwendet Multi-Teacher On-Policy Distillation, bei der domänenspezifische Lehrermodelle die selbst erzeugten Antworten anleiten, gefolgt von umfangreichem agentischem Reinforcement Learning. Das Training umfasst Code-Agent-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 das Textmodell nicht zu einem Modell mit Bild- oder Videoeingaben.
Coding und Dokumentvorbereitung
Gib für eine Coding-Aufgabe die relevanten Dateien als Text, den beobachteten Fehler, eine ihn demonstrierende Eingabe und das zu bewahrende Verhalten vor. Eine beispielhafte Anfrage kann einen kleinen Patch, eine Erklärung betroffener Abhängigkeiten und Prüfungen für das erwartete Ergebnis verlangen. Benenne bei langem Textmaterial die wichtigen Abschnitte und verlange einen Vergleich mit Bezug auf deren Textstellen. Halte die Ausgabe konkret: korrigierter Code, eine Tabelle von Abweichungen, eine Berechnung mit Annahmen oder eine vorgeschlagene nächste Aktion.
Thinking, Werkzeuge und Gesprächsverlauf
Das veröffentlichte Thinking-Beispiel aktiviert einen Reasoning-Modus, und der Hersteller nennt einen eigenen Parser für Werkzeugaufrufe. Bei Werkzeugnutzung über mehrere Gesprächsrunden kann die Antwort reasoning_content zusammen mit tool_calls enthalten. Die nächste Anfrage muss den früheren reasoning_content im Gesprächsverlauf bewahren, damit die Thinking- und Werkzeugsequenz korrekt fortgesetzt werden kann. Die Anwendung stellt die Werkzeuge bereit und führt sie aus; das Modell wählt, wie es ihre Ergebnisse nutzt. 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-, Schreib- und Webentwicklungsaufgaben sowie temperature 0.3 für agentische Aufgaben. Sie empfehlen auch eine Systemnachricht, die MiMo als Xiaomis Assistenten bezeichnet und das aktuelle Datum sowie einen Wissensstand bis Dezember 2024 nennt. Liefere aktuelle Fakten, wenn die Aufgabe von neueren Ereignissen abhängt. Das Antwortbudget von 4096 Tokens 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- oder Modalitätsspezifikationen sind anhand der jeweiligen Ausgabe auszuwählen.
", "aboutText": "Modellprofil und Ausgaben\n\nMiMo-V2-Flash ist Xiaomis Sprachmodell für Reasoning und Agentenabläufe. Seine Mixture-of-Experts-Architektur hat insgesamt 309 Milliarden Parameter und 15 Milliarden aktive Parameter. Das veröffentlichte Modell nennt eine Kontextlänge von 256K Tokens; das Inferenzbeispiel des Herstellers konfiguriert 262,144 Tokens. Es nimmt Text entgegen und erzeugt Text, darunter Erklärungen, Code und die für Werkzeuginteraktionen benötigten Informationen. Flash-Base und die nachtrainierte Flash-Version sind separat 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 Tokens, während globale Attention Verbindungen über das längere Material hinweg erhält. Das Vortraining nutzt eine native Sequenzlänge von 32K, und das veröffentlichte Modell unterstützt den längeren 256K-Kontext. Ein schlankes Modul zur Vorhersage mehrerer Tokens ist in Training und Inferenz integriert. Das sind Eigenschaften des Modelldesigns; sie legen nicht fest, wie schnell eine bestimmte Anwendung eine Antwort liefert.\n\nNachtraining für Reasoning und Agenten\n\nMiMo-V2-Flash verwendet Multi-Teacher On-Policy Distillation, bei der domänenspezifische Lehrermodelle die selbst erzeugten Antworten anleiten, gefolgt von umfangreichem agentischem Reinforcement Learning. Das Training umfasst Code-Agent-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 das Textmodell nicht zu einem Modell mit Bild- oder Videoeingaben.\n\nCoding und Dokumentvorbereitung\n\nGib für eine Coding-Aufgabe die relevanten Dateien als Text, den beobachteten Fehler, eine ihn demonstrierende Eingabe und das zu bewahrende Verhalten vor. Eine beispielhafte Anfrage kann einen kleinen Patch, eine Erklärung betroffener Abhängigkeiten und Prüfungen für das erwartete Ergebnis verlangen. Benenne bei langem Textmaterial die wichtigen Abschnitte und verlange einen Vergleich mit Bezug auf deren Textstellen. Halte die Ausgabe konkret: korrigierter Code, eine Tabelle von Abweichungen, eine Berechnung mit Annahmen oder eine vorgeschlagene nächste Aktion.\n\nThinking, Werkzeuge und Gesprächsverlauf\n\nDas veröffentlichte Thinking-Beispiel aktiviert einen Reasoning-Modus, und der Hersteller nennt einen eigenen Parser für Werkzeugaufrufe. Bei Werkzeugnutzung über mehrere Gesprächsrunden kann die Antwort reasoning_content zusammen mit tool_calls enthalten. Die nächste Anfrage muss den früheren reasoning_content im Gesprächsverlauf bewahren, damit die Thinking- und Werkzeugsequenz korrekt fortgesetzt werden kann. Die Anwendung stellt die Werkzeuge bereit und führt sie aus; das Modell wählt, wie es ihre Ergebnisse nutzt. 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-, Schreib- und Webentwicklungsaufgaben sowie temperature 0.3 für agentische Aufgaben. Sie empfehlen auch eine Systemnachricht, die MiMo als Xiaomis Assistenten bezeichnet und das aktuelle Datum sowie einen Wissensstand bis Dezember 2024 nennt. Liefere aktuelle Fakten, wenn die Aufgabe von neueren Ereignissen abhängt. Das Antwortbudget von 4096 Tokens 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- oder Modalitätsspezifikationen sind anhand der jeweiligen Ausgabe auszuwählen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "96b8142567688788e165b8c8753d6a0d842d597c7999fb5022408d8fd46bbab3", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "xiaomimimo/mimo-v2-flashMiMo-V2-Flash ist Xiaomis Textmodell für Reasoning, Coding und werkzeuggestützte Agentenarbeit. Sein 256K-Kontext, die hybride Attention und die eigenständige 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 hat insgesamt 309 Milliarden Parameter und 15 Milliarden aktive Parameter. Das veröffentlichte Modell nennt eine Kontextlänge von 256K Tokens; das Inferenzbeispiel des Herstellers konfiguriert 262,144 Tokens. Es nimmt Text entgegen und erzeugt Text, darunter Erklärungen, Code und die für Werkzeuginteraktionen benötigten Informationen. Flash-Base und die nachtrainierte Flash-Version sind separat 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 Tokens, während globale Attention Verbindungen über das längere Material hinweg erhält. Das Vortraining nutzt eine native Sequenzlänge von 32K, und das veröffentlichte Modell unterstützt den längeren 256K-Kontext. Ein schlankes Modul zur Vorhersage mehrerer Tokens ist in Training und Inferenz integriert. Das sind Eigenschaften des Modelldesigns; sie legen nicht fest, wie schnell eine bestimmte Anwendung eine Antwort liefert.
Nachtraining für Reasoning und Agenten
MiMo-V2-Flash verwendet Multi-Teacher On-Policy Distillation, bei der domänenspezifische Lehrermodelle die selbst erzeugten Antworten anleiten, gefolgt von umfangreichem agentischem Reinforcement Learning. Das Training umfasst Code-Agent-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 das Textmodell nicht zu einem Modell mit Bild- oder Videoeingaben.
Coding und Dokumentvorbereitung
Gib für eine Coding-Aufgabe die relevanten Dateien als Text, den beobachteten Fehler, eine ihn demonstrierende Eingabe und das zu bewahrende Verhalten vor. Eine beispielhafte Anfrage kann einen kleinen Patch, eine Erklärung betroffener Abhängigkeiten und Prüfungen für das erwartete Ergebnis verlangen. Benenne bei langem Textmaterial die wichtigen Abschnitte und verlange einen Vergleich mit Bezug auf deren Textstellen. Halte die Ausgabe konkret: korrigierter Code, eine Tabelle von Abweichungen, eine Berechnung mit Annahmen oder eine vorgeschlagene nächste Aktion.
Thinking, Werkzeuge und Gesprächsverlauf
Das veröffentlichte Thinking-Beispiel aktiviert einen Reasoning-Modus, und der Hersteller nennt einen eigenen Parser für Werkzeugaufrufe. Bei Werkzeugnutzung über mehrere Gesprächsrunden kann die Antwort reasoning_content zusammen mit tool_calls enthalten. Die nächste Anfrage muss den früheren reasoning_content im Gesprächsverlauf bewahren, damit die Thinking- und Werkzeugsequenz korrekt fortgesetzt werden kann. Die Anwendung stellt die Werkzeuge bereit und führt sie aus; das Modell wählt, wie es ihre Ergebnisse nutzt. 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-, Schreib- und Webentwicklungsaufgaben sowie temperature 0.3 für agentische Aufgaben. Sie empfehlen auch eine Systemnachricht, die MiMo als Xiaomis Assistenten bezeichnet und das aktuelle Datum sowie einen Wissensstand bis Dezember 2024 nennt. Liefere aktuelle Fakten, wenn die Aufgabe von neueren Ereignissen abhängt. Das Antwortbudget von 4096 Tokens 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- oder Modalitätsspezifikationen sind anhand der jeweiligen Ausgabe auszuwählen.
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 · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"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, Coding und werkzeuggestützte Agentenarbeit. Sein 256K-Kontext, die hybride Attention und die eigenständige 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 hat insgesamt 309 Milliarden Parameter und 15 Milliarden aktive Parameter. Das veröffentlichte Modell nennt eine Kontextlänge von 256K Tokens; das Inferenzbeispiel des Herstellers konfiguriert 262,144 Tokens. Es nimmt Text entgegen und erzeugt Text, darunter Erklärungen, Code und die für Werkzeuginteraktionen benötigten Informationen. Flash-Base und die nachtrainierte Flash-Version sind separat 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 Tokens, während globale Attention Verbindungen über das längere Material hinweg erhält. Das Vortraining nutzt eine native Sequenzlänge von 32K, und das veröffentlichte Modell unterstützt den längeren 256K-Kontext. Ein schlankes Modul zur Vorhersage mehrerer Tokens ist in Training und Inferenz integriert. Das sind Eigenschaften des Modelldesigns; sie legen nicht fest, wie schnell eine bestimmte Anwendung eine Antwort liefert.
Nachtraining für Reasoning und Agenten
MiMo-V2-Flash verwendet Multi-Teacher On-Policy Distillation, bei der domänenspezifische Lehrermodelle die selbst erzeugten Antworten anleiten, gefolgt von umfangreichem agentischem Reinforcement Learning. Das Training umfasst Code-Agent-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 das Textmodell nicht zu einem Modell mit Bild- oder Videoeingaben.
Coding und Dokumentvorbereitung
Gib für eine Coding-Aufgabe die relevanten Dateien als Text, den beobachteten Fehler, eine ihn demonstrierende Eingabe und das zu bewahrende Verhalten vor. Eine beispielhafte Anfrage kann einen kleinen Patch, eine Erklärung betroffener Abhängigkeiten und Prüfungen für das erwartete Ergebnis verlangen. Benenne bei langem Textmaterial die wichtigen Abschnitte und verlange einen Vergleich mit Bezug auf deren Textstellen. Halte die Ausgabe konkret: korrigierter Code, eine Tabelle von Abweichungen, eine Berechnung mit Annahmen oder eine vorgeschlagene nächste Aktion.
Thinking, Werkzeuge und Gesprächsverlauf
Das veröffentlichte Thinking-Beispiel aktiviert einen Reasoning-Modus, und der Hersteller nennt einen eigenen Parser für Werkzeugaufrufe. Bei Werkzeugnutzung über mehrere Gesprächsrunden kann die Antwort reasoning_content zusammen mit tool_calls enthalten. Die nächste Anfrage muss den früheren reasoning_content im Gesprächsverlauf bewahren, damit die Thinking- und Werkzeugsequenz korrekt fortgesetzt werden kann. Die Anwendung stellt die Werkzeuge bereit und führt sie aus; das Modell wählt, wie es ihre Ergebnisse nutzt. 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-, Schreib- und Webentwicklungsaufgaben sowie temperature 0.3 für agentische Aufgaben. Sie empfehlen auch eine Systemnachricht, die MiMo als Xiaomis Assistenten bezeichnet und das aktuelle Datum sowie einen Wissensstand bis Dezember 2024 nennt. Liefere aktuelle Fakten, wenn die Aufgabe von neueren Ereignissen abhängt. Das Antwortbudget von 4096 Tokens 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- oder Modalitätsspezifikationen sind anhand der jeweiligen Ausgabe auszuwählen.
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 · Cache schreiben $0 / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "xiaomimimo/mimo-v2-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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