MiMo-V2-Omni ist Xiaomis Modell zum gemeinsamen Verstehen von Text, Bildern, Audio und Video und zur Nutzung dieses Verständnisses in einer agentischen Aufgabe. Seine Architektur integriert eigene Bild-, Video- und Audioencoder in ein gemeinsames Backbone. Der zentrale Unterschied ist gemeinsame Wahrnehmung: Eine Frage kann von sichtbaren und hörbaren Inhalten sowie dem begleitenden Text abhängen, statt jede Quelle isoliert interpretieren zu müssen. Seine Ausgaben unterstützen schriftliche Analysen und strukturierte Werkzeuganfragen.
Xiaomi beschreibt, dass das Modell Wahrnehmung, Vorausschau und Handlung zu verbinden lernt. Es interpretiert die aktuelle Szene, denkt über mögliche nächste Ereignisse nach und wählt einen nützlichen nächsten Schritt. Das ist besonders für aufgezeichnetes Material relevant, bei dem die Bedeutung eines Ereignisses von mehreren Modalitäten abhängt. Liefern Sie beispielsweise einen Clip und verlangen Sie die Abfolge sichtbarer Handlungen, die relevanten Geräusche und ihre Beziehungen. Legen Sie fest, ob Sie eine Ereigniszusammenfassung, eine Szenenerklärung oder eine Beobachtungsliste zur späteren Prüfung benötigen. Trennen Sie beobachtete Fakten von Vorhersagen: Eine Interpretation möglicher Ereignisse beweist nicht, dass sie eintreten werden.
Audioverständnis geht in der Herstellerbeschreibung über Transkription hinaus. Xiaomi hebt die Klassifikation von Umgebungsgeräuschen, die Unterscheidung mehrerer Sprecher und gemeinsames Schlussfolgern über Audio und Bild hervor. Es zeigt außerdem eine strukturierte Zusammenfassung eines langen, ununterbrochenen Podcasts. Benennen Sie bei einer Audioaufgabe entscheidende Themen oder Fragen und die benötigte Ausgabe, etwa eine Argumentationsgliederung, Streitpunkte oder eine thematische Zusammenfassung. Lassen Sie bei einem Video mit Sprache eine Aussage mit der begleitenden Handlung oder Bildschirmdarstellung verbinden. Wenn genauer Wortlaut oder Sprecherzuordnung zählen, verlangen Sie die Kennzeichnung von Mehrdeutigkeit statt ihrer stillschweigenden Auflösung.
Auf visueller Seite hebt der Hersteller fachübergreifendes Schlussfolgern über Bilder und komplexe Diagrammanalyse hervor. Liefern Sie ein lesbares Diagramm und erklären Sie die Analysefrage einschließlich Achsen, Einheiten und Kategorien, sofern diese im Bild nicht klar sind. Eine Beispielanfrage verlangt die Beschreibung des Hauptmusters, die Identifizierung einer scheinbaren Veränderung und die Trennung direkt sichtbarer Diagrammwerte von einer vorgeschlagenen Erklärung. Definieren Sie beim Bildvergleich die entscheidenden Unterschiede und verlangen Sie eine an sichtbare Belege gebundene Tabelle. Bereiten Sie das Quellmaterial mit lesbaren Beschriftungen und relevanten Details vor; eine nützliche Analyse hängt vom tatsächlichen Eingabeinhalt ab.
MiMo-V2-Omni unterstützt außerdem strukturierte Werkzeugaufrufe und UI-Verankerung. Die Herstellervorführungen verbinden das Modell mit einer Agentenumgebung, die Browsersteuerung, Dateizugriff und Terminalinteraktion bereitstellt. Das Modell interpretiert den aktuellen Zustand, entscheidet über den nächsten Schritt und gibt eine Aktion aus; die Umgebung führt sie aus und liefert den aktualisierten Zustand zurück. Liefern Sie für eine solche Aufgabe ein klares Ziel, den relevanten Bildschirm oder das Material und Beschreibungen erlaubter Aktionen. Verlangen Sie, jeden nächsten Schritt mit dem beobachteten Zustand zu verbinden und vor der Fortsetzung das zurückgegebene Ergebnis zu verwenden. Eine Werkzeuganfrage und der Ausgang der ausgeführten Aktion sind getrennte Informationen.
Xiaomis Beispiel für Multimediaproduktion folgt derselben Arbeitsteilung: Das Modell gestaltet den Inhalt und steuert einen programmatischen Prozess; Werkzeuge erzeugen und verarbeiten die tatsächlichen Mediendateien. Sie können das Modell für einen Szenenplan, eine schriftliche Erklärung einer Aufnahme oder eine Folge von Werkzeugaktionen einsetzen. Das konkrete Ergebnis sollte zu Beginn definiert werden, einschließlich erforderlicher Inhalte und der Art, wie sein Abschluss erkannt wird. Ordnen Sie Dateierstellung, Rendering und Anwendungsoperationen den ausführenden Werkzeugen zu, statt eine Textantwort als bereits erzeugte Datei zu behandeln.
Liefern Sie für praktische Videoarbeit aufgezeichnete Clips und eine gezielte Frage. Xiaomi unterscheidet diesen Clip-Verarbeitungsablauf in seiner Forschungsplanung von Echtzeitwahrnehmung; kontinuierliche Livesteuerung sollte daher nicht aus einer aufgezeichneten Vorführung abgeleitet werden. Seine Beispiele zeigen zudem anhaltende Aufgaben in einer Agentenumgebung, ohne einen unbegrenzten Planungshorizont oder ein allgemeingültiges Versprechen zur Abschlusszeit zu begründen. Prüfen Sie Szeneninterpretationen, Diagrammwerte, Sprecherzuordnungen und vorgeschlagene Aktionen anhand der ursprünglichen Eingaben. Die nützliche Rolle von MiMo-V2-Omni ist, Modalitäten zu einer begründeten Aufgabeninterpretation zusammenzuführen, deren Belege und Handlungsergebnisse prüfbar sind.
", "aboutText": "MiMo-V2-Omni ist Xiaomis Modell zum gemeinsamen Verstehen von Text, Bildern, Audio und Video und zur Nutzung dieses Verständnisses in einer agentischen Aufgabe. Seine Architektur integriert eigene Bild-, Video- und Audioencoder in ein gemeinsames Backbone. Der zentrale Unterschied ist gemeinsame Wahrnehmung: Eine Frage kann von sichtbaren und hörbaren Inhalten sowie dem begleitenden Text abhängen, statt jede Quelle isoliert interpretieren zu müssen. Seine Ausgaben unterstützen schriftliche Analysen und strukturierte Werkzeuganfragen.\n\nXiaomi beschreibt, dass das Modell Wahrnehmung, Vorausschau und Handlung zu verbinden lernt. Es interpretiert die aktuelle Szene, denkt über mögliche nächste Ereignisse nach und wählt einen nützlichen nächsten Schritt. Das ist besonders für aufgezeichnetes Material relevant, bei dem die Bedeutung eines Ereignisses von mehreren Modalitäten abhängt. Liefern Sie beispielsweise einen Clip und verlangen Sie die Abfolge sichtbarer Handlungen, die relevanten Geräusche und ihre Beziehungen. Legen Sie fest, ob Sie eine Ereigniszusammenfassung, eine Szenenerklärung oder eine Beobachtungsliste zur späteren Prüfung benötigen. Trennen Sie beobachtete Fakten von Vorhersagen: Eine Interpretation möglicher Ereignisse beweist nicht, dass sie eintreten werden.\n\nAudioverständnis geht in der Herstellerbeschreibung über Transkription hinaus. Xiaomi hebt die Klassifikation von Umgebungsgeräuschen, die Unterscheidung mehrerer Sprecher und gemeinsames Schlussfolgern über Audio und Bild hervor. Es zeigt außerdem eine strukturierte Zusammenfassung eines langen, ununterbrochenen Podcasts. Benennen Sie bei einer Audioaufgabe entscheidende Themen oder Fragen und die benötigte Ausgabe, etwa eine Argumentationsgliederung, Streitpunkte oder eine thematische Zusammenfassung. Lassen Sie bei einem Video mit Sprache eine Aussage mit der begleitenden Handlung oder Bildschirmdarstellung verbinden. Wenn genauer Wortlaut oder Sprecherzuordnung zählen, verlangen Sie die Kennzeichnung von Mehrdeutigkeit statt ihrer stillschweigenden Auflösung.\n\nAuf visueller Seite hebt der Hersteller fachübergreifendes Schlussfolgern über Bilder und komplexe Diagrammanalyse hervor. Liefern Sie ein lesbares Diagramm und erklären Sie die Analysefrage einschließlich Achsen, Einheiten und Kategorien, sofern diese im Bild nicht klar sind. Eine Beispielanfrage verlangt die Beschreibung des Hauptmusters, die Identifizierung einer scheinbaren Veränderung und die Trennung direkt sichtbarer Diagrammwerte von einer vorgeschlagenen Erklärung. Definieren Sie beim Bildvergleich die entscheidenden Unterschiede und verlangen Sie eine an sichtbare Belege gebundene Tabelle. Bereiten Sie das Quellmaterial mit lesbaren Beschriftungen und relevanten Details vor; eine nützliche Analyse hängt vom tatsächlichen Eingabeinhalt ab.\n\nMiMo-V2-Omni unterstützt außerdem strukturierte Werkzeugaufrufe und UI-Verankerung. Die Herstellervorführungen verbinden das Modell mit einer Agentenumgebung, die Browsersteuerung, Dateizugriff und Terminalinteraktion bereitstellt. Das Modell interpretiert den aktuellen Zustand, entscheidet über den nächsten Schritt und gibt eine Aktion aus; die Umgebung führt sie aus und liefert den aktualisierten Zustand zurück. Liefern Sie für eine solche Aufgabe ein klares Ziel, den relevanten Bildschirm oder das Material und Beschreibungen erlaubter Aktionen. Verlangen Sie, jeden nächsten Schritt mit dem beobachteten Zustand zu verbinden und vor der Fortsetzung das zurückgegebene Ergebnis zu verwenden. Eine Werkzeuganfrage und der Ausgang der ausgeführten Aktion sind getrennte Informationen.\n\nXiaomis Beispiel für Multimediaproduktion folgt derselben Arbeitsteilung: Das Modell gestaltet den Inhalt und steuert einen programmatischen Prozess; Werkzeuge erzeugen und verarbeiten die tatsächlichen Mediendateien. Sie können das Modell für einen Szenenplan, eine schriftliche Erklärung einer Aufnahme oder eine Folge von Werkzeugaktionen einsetzen. Das konkrete Ergebnis sollte zu Beginn definiert werden, einschließlich erforderlicher Inhalte und der Art, wie sein Abschluss erkannt wird. Ordnen Sie Dateierstellung, Rendering und Anwendungsoperationen den ausführenden Werkzeugen zu, statt eine Textantwort als bereits erzeugte Datei zu behandeln.\n\nLiefern Sie für praktische Videoarbeit aufgezeichnete Clips und eine gezielte Frage. Xiaomi unterscheidet diesen Clip-Verarbeitungsablauf in seiner Forschungsplanung von Echtzeitwahrnehmung; kontinuierliche Livesteuerung sollte daher nicht aus einer aufgezeichneten Vorführung abgeleitet werden. Seine Beispiele zeigen zudem anhaltende Aufgaben in einer Agentenumgebung, ohne einen unbegrenzten Planungshorizont oder ein allgemeingültiges Versprechen zur Abschlusszeit zu begründen. Prüfen Sie Szeneninterpretationen, Diagrammwerte, Sprecherzuordnungen und vorgeschlagene Aktionen anhand der ursprünglichen Eingaben. Die nützliche Rolle von MiMo-V2-Omni ist, Modalitäten zu einer begründeten Aufgabeninterpretation zusammenzuführen, deren Belege und Handlungsergebnisse prüfbar sind.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Summarize a supplied podcast transcript\n\nSummarize this podcast transcript by theme. Speaker A: Smaller batches reduced our queue, but we measured only one week. Speaker B: Returns rose that week; we have not linked them to batch size. Speaker A: We should compare another week before expanding. Return agreements, unresolved relationships and the proposed next step, preserving speaker attribution.A theme-based summary with speaker labels, the agreed next step and unresolved causal claims.Check that the summary does not attribute the rise in returns to batch size or report a multi-week measurement.mimo-v2-omniMiMo-V2-Omni ist Xiaomis Modell für gemeinsames Text-, Bild-, Audio- und Videoverständnis. Es verbindet Wahrnehmung mit strukturierten Werkzeuganfragen und Oberflächenverankerung und unterstützt Szenenanalyse, Diagrammdeutung und agentische Abläufe mit tatsächlichen Werkzeugergebnissen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MiMo-V2-Omni ist Xiaomis Modell zum gemeinsamen Verstehen von Text, Bildern, Audio und Video und zur Nutzung dieses Verständnisses in einer agentischen Aufgabe. Seine Architektur integriert eigene Bild-, Video- und Audioencoder in ein gemeinsames Backbone. Der zentrale Unterschied ist gemeinsame Wahrnehmung: Eine Frage kann von sichtbaren und hörbaren Inhalten sowie dem begleitenden Text abhängen, statt jede Quelle isoliert interpretieren zu müssen. Seine Ausgaben unterstützen schriftliche Analysen und strukturierte Werkzeuganfragen.
Xiaomi beschreibt, dass das Modell Wahrnehmung, Vorausschau und Handlung zu verbinden lernt. Es interpretiert die aktuelle Szene, denkt über mögliche nächste Ereignisse nach und wählt einen nützlichen nächsten Schritt. Das ist besonders für aufgezeichnetes Material relevant, bei dem die Bedeutung eines Ereignisses von mehreren Modalitäten abhängt. Liefern Sie beispielsweise einen Clip und verlangen Sie die Abfolge sichtbarer Handlungen, die relevanten Geräusche und ihre Beziehungen. Legen Sie fest, ob Sie eine Ereigniszusammenfassung, eine Szenenerklärung oder eine Beobachtungsliste zur späteren Prüfung benötigen. Trennen Sie beobachtete Fakten von Vorhersagen: Eine Interpretation möglicher Ereignisse beweist nicht, dass sie eintreten werden.
Audioverständnis geht in der Herstellerbeschreibung über Transkription hinaus. Xiaomi hebt die Klassifikation von Umgebungsgeräuschen, die Unterscheidung mehrerer Sprecher und gemeinsames Schlussfolgern über Audio und Bild hervor. Es zeigt außerdem eine strukturierte Zusammenfassung eines langen, ununterbrochenen Podcasts. Benennen Sie bei einer Audioaufgabe entscheidende Themen oder Fragen und die benötigte Ausgabe, etwa eine Argumentationsgliederung, Streitpunkte oder eine thematische Zusammenfassung. Lassen Sie bei einem Video mit Sprache eine Aussage mit der begleitenden Handlung oder Bildschirmdarstellung verbinden. Wenn genauer Wortlaut oder Sprecherzuordnung zählen, verlangen Sie die Kennzeichnung von Mehrdeutigkeit statt ihrer stillschweigenden Auflösung.
Auf visueller Seite hebt der Hersteller fachübergreifendes Schlussfolgern über Bilder und komplexe Diagrammanalyse hervor. Liefern Sie ein lesbares Diagramm und erklären Sie die Analysefrage einschließlich Achsen, Einheiten und Kategorien, sofern diese im Bild nicht klar sind. Eine Beispielanfrage verlangt die Beschreibung des Hauptmusters, die Identifizierung einer scheinbaren Veränderung und die Trennung direkt sichtbarer Diagrammwerte von einer vorgeschlagenen Erklärung. Definieren Sie beim Bildvergleich die entscheidenden Unterschiede und verlangen Sie eine an sichtbare Belege gebundene Tabelle. Bereiten Sie das Quellmaterial mit lesbaren Beschriftungen und relevanten Details vor; eine nützliche Analyse hängt vom tatsächlichen Eingabeinhalt ab.
MiMo-V2-Omni unterstützt außerdem strukturierte Werkzeugaufrufe und UI-Verankerung. Die Herstellervorführungen verbinden das Modell mit einer Agentenumgebung, die Browsersteuerung, Dateizugriff und Terminalinteraktion bereitstellt. Das Modell interpretiert den aktuellen Zustand, entscheidet über den nächsten Schritt und gibt eine Aktion aus; die Umgebung führt sie aus und liefert den aktualisierten Zustand zurück. Liefern Sie für eine solche Aufgabe ein klares Ziel, den relevanten Bildschirm oder das Material und Beschreibungen erlaubter Aktionen. Verlangen Sie, jeden nächsten Schritt mit dem beobachteten Zustand zu verbinden und vor der Fortsetzung das zurückgegebene Ergebnis zu verwenden. Eine Werkzeuganfrage und der Ausgang der ausgeführten Aktion sind getrennte Informationen.
Xiaomis Beispiel für Multimediaproduktion folgt derselben Arbeitsteilung: Das Modell gestaltet den Inhalt und steuert einen programmatischen Prozess; Werkzeuge erzeugen und verarbeiten die tatsächlichen Mediendateien. Sie können das Modell für einen Szenenplan, eine schriftliche Erklärung einer Aufnahme oder eine Folge von Werkzeugaktionen einsetzen. Das konkrete Ergebnis sollte zu Beginn definiert werden, einschließlich erforderlicher Inhalte und der Art, wie sein Abschluss erkannt wird. Ordnen Sie Dateierstellung, Rendering und Anwendungsoperationen den ausführenden Werkzeugen zu, statt eine Textantwort als bereits erzeugte Datei zu behandeln.
Liefern Sie für praktische Videoarbeit aufgezeichnete Clips und eine gezielte Frage. Xiaomi unterscheidet diesen Clip-Verarbeitungsablauf in seiner Forschungsplanung von Echtzeitwahrnehmung; kontinuierliche Livesteuerung sollte daher nicht aus einer aufgezeichneten Vorführung abgeleitet werden. Seine Beispiele zeigen zudem anhaltende Aufgaben in einer Agentenumgebung, ohne einen unbegrenzten Planungshorizont oder ein allgemeingültiges Versprechen zur Abschlusszeit zu begründen. Prüfen Sie Szeneninterpretationen, Diagrammwerte, Sprecherzuordnungen und vorgeschlagene Aktionen anhand der ursprünglichen Eingaben. Die nützliche Rolle von MiMo-V2-Omni ist, Modalitäten zu einer begründeten Aufgabeninterpretation zusammenzuführen, deren Belege und Handlungsergebnisse prüfbar sind.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mimo-v2-omni | 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.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00088 / 1K Token Ausgabe · Ausgabetoken $0.0044 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mimo-v2-omni", "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='mimo-v2-omni',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='mimo-v2-omni',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 mimo-v2-omni
Verwenden Sie die oben angezeigten Methodenpfade.
mimo-v2-omniMiMo-V2-Omni ist Xiaomis Modell für gemeinsames Text-, Bild-, Audio- und Videoverständnis. Es verbindet Wahrnehmung mit strukturierten Werkzeuganfragen und Oberflächenverankerung und unterstützt Szenenanalyse, Diagrammdeutung und agentische Abläufe mit tatsächlichen Werkzeugergebnissen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MiMo-V2-Omni ist Xiaomis Modell zum gemeinsamen Verstehen von Text, Bildern, Audio und Video und zur Nutzung dieses Verständnisses in einer agentischen Aufgabe. Seine Architektur integriert eigene Bild-, Video- und Audioencoder in ein gemeinsames Backbone. Der zentrale Unterschied ist gemeinsame Wahrnehmung: Eine Frage kann von sichtbaren und hörbaren Inhalten sowie dem begleitenden Text abhängen, statt jede Quelle isoliert interpretieren zu müssen. Seine Ausgaben unterstützen schriftliche Analysen und strukturierte Werkzeuganfragen.
Xiaomi beschreibt, dass das Modell Wahrnehmung, Vorausschau und Handlung zu verbinden lernt. Es interpretiert die aktuelle Szene, denkt über mögliche nächste Ereignisse nach und wählt einen nützlichen nächsten Schritt. Das ist besonders für aufgezeichnetes Material relevant, bei dem die Bedeutung eines Ereignisses von mehreren Modalitäten abhängt. Liefern Sie beispielsweise einen Clip und verlangen Sie die Abfolge sichtbarer Handlungen, die relevanten Geräusche und ihre Beziehungen. Legen Sie fest, ob Sie eine Ereigniszusammenfassung, eine Szenenerklärung oder eine Beobachtungsliste zur späteren Prüfung benötigen. Trennen Sie beobachtete Fakten von Vorhersagen: Eine Interpretation möglicher Ereignisse beweist nicht, dass sie eintreten werden.
Audioverständnis geht in der Herstellerbeschreibung über Transkription hinaus. Xiaomi hebt die Klassifikation von Umgebungsgeräuschen, die Unterscheidung mehrerer Sprecher und gemeinsames Schlussfolgern über Audio und Bild hervor. Es zeigt außerdem eine strukturierte Zusammenfassung eines langen, ununterbrochenen Podcasts. Benennen Sie bei einer Audioaufgabe entscheidende Themen oder Fragen und die benötigte Ausgabe, etwa eine Argumentationsgliederung, Streitpunkte oder eine thematische Zusammenfassung. Lassen Sie bei einem Video mit Sprache eine Aussage mit der begleitenden Handlung oder Bildschirmdarstellung verbinden. Wenn genauer Wortlaut oder Sprecherzuordnung zählen, verlangen Sie die Kennzeichnung von Mehrdeutigkeit statt ihrer stillschweigenden Auflösung.
Auf visueller Seite hebt der Hersteller fachübergreifendes Schlussfolgern über Bilder und komplexe Diagrammanalyse hervor. Liefern Sie ein lesbares Diagramm und erklären Sie die Analysefrage einschließlich Achsen, Einheiten und Kategorien, sofern diese im Bild nicht klar sind. Eine Beispielanfrage verlangt die Beschreibung des Hauptmusters, die Identifizierung einer scheinbaren Veränderung und die Trennung direkt sichtbarer Diagrammwerte von einer vorgeschlagenen Erklärung. Definieren Sie beim Bildvergleich die entscheidenden Unterschiede und verlangen Sie eine an sichtbare Belege gebundene Tabelle. Bereiten Sie das Quellmaterial mit lesbaren Beschriftungen und relevanten Details vor; eine nützliche Analyse hängt vom tatsächlichen Eingabeinhalt ab.
MiMo-V2-Omni unterstützt außerdem strukturierte Werkzeugaufrufe und UI-Verankerung. Die Herstellervorführungen verbinden das Modell mit einer Agentenumgebung, die Browsersteuerung, Dateizugriff und Terminalinteraktion bereitstellt. Das Modell interpretiert den aktuellen Zustand, entscheidet über den nächsten Schritt und gibt eine Aktion aus; die Umgebung führt sie aus und liefert den aktualisierten Zustand zurück. Liefern Sie für eine solche Aufgabe ein klares Ziel, den relevanten Bildschirm oder das Material und Beschreibungen erlaubter Aktionen. Verlangen Sie, jeden nächsten Schritt mit dem beobachteten Zustand zu verbinden und vor der Fortsetzung das zurückgegebene Ergebnis zu verwenden. Eine Werkzeuganfrage und der Ausgang der ausgeführten Aktion sind getrennte Informationen.
Xiaomis Beispiel für Multimediaproduktion folgt derselben Arbeitsteilung: Das Modell gestaltet den Inhalt und steuert einen programmatischen Prozess; Werkzeuge erzeugen und verarbeiten die tatsächlichen Mediendateien. Sie können das Modell für einen Szenenplan, eine schriftliche Erklärung einer Aufnahme oder eine Folge von Werkzeugaktionen einsetzen. Das konkrete Ergebnis sollte zu Beginn definiert werden, einschließlich erforderlicher Inhalte und der Art, wie sein Abschluss erkannt wird. Ordnen Sie Dateierstellung, Rendering und Anwendungsoperationen den ausführenden Werkzeugen zu, statt eine Textantwort als bereits erzeugte Datei zu behandeln.
Liefern Sie für praktische Videoarbeit aufgezeichnete Clips und eine gezielte Frage. Xiaomi unterscheidet diesen Clip-Verarbeitungsablauf in seiner Forschungsplanung von Echtzeitwahrnehmung; kontinuierliche Livesteuerung sollte daher nicht aus einer aufgezeichneten Vorführung abgeleitet werden. Seine Beispiele zeigen zudem anhaltende Aufgaben in einer Agentenumgebung, ohne einen unbegrenzten Planungshorizont oder ein allgemeingültiges Versprechen zur Abschlusszeit zu begründen. Prüfen Sie Szeneninterpretationen, Diagrammwerte, Sprecherzuordnungen und vorgeschlagene Aktionen anhand der ursprünglichen Eingaben. Die nützliche Rolle von MiMo-V2-Omni ist, Modalitäten zu einer begründeten Aufgabeninterpretation zusammenzuführen, deren Belege und Handlungsergebnisse prüfbar sind.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mimo-v2-omni | 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 $0.00088 / 1K Token Ausgabe · Ausgabetoken $0.0044 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mimo-v2-omni",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mimo-v2-omni', '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': 'mimo-v2-omni', '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 mimo-v2-omni
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Summarize a supplied podcast transcript\n\nSummarize this podcast transcript by theme. Speaker A: Smaller batches reduced our queue, but we measured only one week. Speaker B: Returns rose that week; we have not linked them to batch size. Speaker A: We should compare another week before expanding. Return agreements, unresolved relationships and the proposed next step, preserving speaker attribution.A theme-based summary with speaker labels, the agreed next step and unresolved causal claims.Check that the summary does not attribute the rise in returns to batch size or report a multi-week measurement.