MiMo-V2.5-Pro ist Xiaomis großes, auf Text spezialisiertes Mixture-of-Experts-Modell für anspruchsvolle Agentenaufgaben, komplexe Softwareentwicklung und Aufgaben mit vielen zusammenhängenden Schritten. Der Hersteller nennt insgesamt 1,02 Billionen Parameter, 42 Milliarden aktive Parameter und einen Kontext von bis zu einer Million Token. Das Modell soll die Aufgabenanweisungen und gesammelten Belege im Blick behalten, während eine unterstützende Anwendung Werkzeuge bereitstellt und deren Ergebnisse zurückgibt.
Das Modell kombiniert Sliding-Window-Attention und globale Attention im Verhältnis 6:1. Das lokale Fenster umfasst 128 Token, während Schichten mit globaler Attention Informationen über den längeren Verlauf hinweg verbinden. Dies beschreibt die Attention-Architektur und begrenzt die Nutzereingabe nicht auf 128 Token. Das Grundmodell besitzt 70 Schichten und eine dünn besetzte Expertenauswahl, bei der pro Token acht geroutete Experten ausgewählt werden. Drei Module zur Vorhersage mehrerer Token sind in das Trainings- und Inferenzkonzept integriert, um spekulatives Decoding zu unterstützen.
Der Hersteller beschreibt ein Vortraining mit 27 Billionen Token, gefolgt von überwachtem Fine-Tuning, domänenspezialisiertem Reinforcement Learning und On-Policy-Distillation mit mehreren Lehrermodellen. Die spezialisierten Lehrermodelle decken Bereiche wie Mathematik, Sicherheit und komplexe Werkzeugnutzung ab; die letzte Stufe führt ihre Anleitung in einem Modell zusammen. Dieser Trainingsschwerpunkt unterstützt die Rolle des Modells in langen Software- und Agenten-Workflows. Eine konkrete Aufgabe benötigt dennoch vorgegebene Anforderungen und ein Verfahren, um die Vollständigkeit des Ergebnisses zu bestimmen.
Stellen Sie für eine Softwareänderung die relevanten Dateien, einen beobachteten Fehler oder das gewünschte Verhalten, die Projektkonventionen und die wichtigen Prüfungen bereit. Eine hilfreiche Anweisung lautet, das betroffene Verhalten zu bestimmen, eine gezielte Implementierung vorzuschlagen und zu erklären, wie sowohl der gewünschte Fall als auch ein aussagekräftiger Randfall geprüft werden können. Behalten Sie die genauen Bezeichner des Projekts bei. Wenn die Umgebung eine Ausführung erlaubt, geben Sie die tatsächlichen Prüfausgaben zurück, statt das Modell annehmen zu lassen, dass ein plausibler Patch funktioniert.
Halten Sie für eine längere Agentenaufgabe Ziel, bereits getroffene Entscheidungen und die von Werkzeugen gelieferten Belege knapp fest. Legen Sie fest, was jede Operation ändern darf und welches Ergebnis den nächsten Schritt rechtfertigen würde. Das Modell kann beim Schlussfolgern über diese Interaktionen und beim Vorbereiten der nächsten Anfrage helfen; die umgebende Anwendung führt die Operationen jedoch aus. Bewahren Sie Fehler und ungeklärte Bedingungen im Abschlussbericht, damit eine längere Abfolge keinen fehlgeschlagenen Schritt hinter einer flüssigen Erklärung verbirgt.
Der große Kontext kann beim Vergleichen von Implementierungen oder Zusammenführen mehrerer umfangreicher Dokumente hilfreich sein. Kennzeichnen Sie Datei- und Dokumentgrenzen, benennen Sie die Abschnitte, die die Antwort verwenden muss, und geben Sie das erforderliche Ausgabeformat an. Fordern Sie beispielsweise einen Migrationsvorschlag an, der jede betroffene Komponente einer Anforderung zuordnet und fehlende Informationen gesondert ausweist. Bewahren Sie die belegenden Textstellen oder Codepositionen zusammen mit dem Ergebnis auf, damit Prüfer die Argumentation auf ihre Eingaben zurückführen können.
Xiaomis veröffentlichtes Bereitstellungsbeispiel verwendet eine Kontextkonfiguration mit 1.048.576 Token; die Zusammenfassung beschreibt Unterstützung für bis zu 1M Token. Lassen Sie innerhalb der verwendeten Konfiguration Platz für erzeugten Text und den wachsenden Werkzeugverlauf. Der Hersteller empfiehlt für lokale Inferenz temperature 1.0 und top_p 0.95. Dies sind Angaben aus dem Herstellerrezept, keine Garantie dafür, dass jede Anwendung identische Steuerelemente oder dasselbe nutzbare Fenster bietet.
MiMo-V2.5-Pro unterscheidet sich vom nativ omnimodalen Schwestermodell MiMo-V2.5 und der späteren V2.6-Serie. Verwenden Sie diese Ausgabe für ihren dokumentierten Umfang an Sprach- und Agentenaufgaben, ohne die Bild- oder Audioeigenschaften einer anderen Ausgabe zu übernehmen. Das abschließende Artefakt kann ein Codevorschlag, eine Implementierungserklärung oder eine beleggestützte Analyse sein. Prüfen Sie wichtige Berechnungen, Anforderungen und Werkzeugergebnisse anhand des für die Aufgabe bereitgestellten Materials.
", "aboutText": "MiMo-V2.5-Pro ist Xiaomis großes, auf Text spezialisiertes Mixture-of-Experts-Modell für anspruchsvolle Agentenaufgaben, komplexe Softwareentwicklung und Aufgaben mit vielen zusammenhängenden Schritten. Der Hersteller nennt insgesamt 1,02 Billionen Parameter, 42 Milliarden aktive Parameter und einen Kontext von bis zu einer Million Token. Das Modell soll die Aufgabenanweisungen und gesammelten Belege im Blick behalten, während eine unterstützende Anwendung Werkzeuge bereitstellt und deren Ergebnisse zurückgibt.\n\nDas Modell kombiniert Sliding-Window-Attention und globale Attention im Verhältnis 6:1. Das lokale Fenster umfasst 128 Token, während Schichten mit globaler Attention Informationen über den längeren Verlauf hinweg verbinden. Dies beschreibt die Attention-Architektur und begrenzt die Nutzereingabe nicht auf 128 Token. Das Grundmodell besitzt 70 Schichten und eine dünn besetzte Expertenauswahl, bei der pro Token acht geroutete Experten ausgewählt werden. Drei Module zur Vorhersage mehrerer Token sind in das Trainings- und Inferenzkonzept integriert, um spekulatives Decoding zu unterstützen.\n\nDer Hersteller beschreibt ein Vortraining mit 27 Billionen Token, gefolgt von überwachtem Fine-Tuning, domänenspezialisiertem Reinforcement Learning und On-Policy-Distillation mit mehreren Lehrermodellen. Die spezialisierten Lehrermodelle decken Bereiche wie Mathematik, Sicherheit und komplexe Werkzeugnutzung ab; die letzte Stufe führt ihre Anleitung in einem Modell zusammen. Dieser Trainingsschwerpunkt unterstützt die Rolle des Modells in langen Software- und Agenten-Workflows. Eine konkrete Aufgabe benötigt dennoch vorgegebene Anforderungen und ein Verfahren, um die Vollständigkeit des Ergebnisses zu bestimmen.\n\nStellen Sie für eine Softwareänderung die relevanten Dateien, einen beobachteten Fehler oder das gewünschte Verhalten, die Projektkonventionen und die wichtigen Prüfungen bereit. Eine hilfreiche Anweisung lautet, das betroffene Verhalten zu bestimmen, eine gezielte Implementierung vorzuschlagen und zu erklären, wie sowohl der gewünschte Fall als auch ein aussagekräftiger Randfall geprüft werden können. Behalten Sie die genauen Bezeichner des Projekts bei. Wenn die Umgebung eine Ausführung erlaubt, geben Sie die tatsächlichen Prüfausgaben zurück, statt das Modell annehmen zu lassen, dass ein plausibler Patch funktioniert.\n\nHalten Sie für eine längere Agentenaufgabe Ziel, bereits getroffene Entscheidungen und die von Werkzeugen gelieferten Belege knapp fest. Legen Sie fest, was jede Operation ändern darf und welches Ergebnis den nächsten Schritt rechtfertigen würde. Das Modell kann beim Schlussfolgern über diese Interaktionen und beim Vorbereiten der nächsten Anfrage helfen; die umgebende Anwendung führt die Operationen jedoch aus. Bewahren Sie Fehler und ungeklärte Bedingungen im Abschlussbericht, damit eine längere Abfolge keinen fehlgeschlagenen Schritt hinter einer flüssigen Erklärung verbirgt.\n\nDer große Kontext kann beim Vergleichen von Implementierungen oder Zusammenführen mehrerer umfangreicher Dokumente hilfreich sein. Kennzeichnen Sie Datei- und Dokumentgrenzen, benennen Sie die Abschnitte, die die Antwort verwenden muss, und geben Sie das erforderliche Ausgabeformat an. Fordern Sie beispielsweise einen Migrationsvorschlag an, der jede betroffene Komponente einer Anforderung zuordnet und fehlende Informationen gesondert ausweist. Bewahren Sie die belegenden Textstellen oder Codepositionen zusammen mit dem Ergebnis auf, damit Prüfer die Argumentation auf ihre Eingaben zurückführen können.\n\nXiaomis veröffentlichtes Bereitstellungsbeispiel verwendet eine Kontextkonfiguration mit 1.048.576 Token; die Zusammenfassung beschreibt Unterstützung für bis zu 1M Token. Lassen Sie innerhalb der verwendeten Konfiguration Platz für erzeugten Text und den wachsenden Werkzeugverlauf. Der Hersteller empfiehlt für lokale Inferenz temperature 1.0 und top_p 0.95. Dies sind Angaben aus dem Herstellerrezept, keine Garantie dafür, dass jede Anwendung identische Steuerelemente oder dasselbe nutzbare Fenster bietet.\n\nMiMo-V2.5-Pro unterscheidet sich vom nativ omnimodalen Schwestermodell MiMo-V2.5 und der späteren V2.6-Serie. Verwenden Sie diese Ausgabe für ihren dokumentierten Umfang an Sprach- und Agentenaufgaben, ohne die Bild- oder Audioeigenschaften einer anderen Ausgabe zu übernehmen. Das abschließende Artefakt kann ein Codevorschlag, eine Implementierungserklärung oder eine beleggestützte Analyse sein. Prüfen Sie wichtige Berechnungen, Anforderungen und Werkzeugergebnisse anhand des für die Aufgabe bereitgestellten Materials.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Correct a two-stage validation flow\n\nTrace this Python flow: validate.py: def valid(row): return bool(row.get('email')); import.py: accepted = [r for r in rows if valid(r) is not None]. A row without email is incorrectly accepted. Propose the smallest correction, retain valid's Boolean contract and supply cases for a missing email and a present email. Separate the proposal from executed checks.A cross-file cause explanation, focused consumer patch and two regression cases.The consumer must reject False rather than treating every non-None Boolean as accepted.xiaomi/mimo-v2.5-proMiMo-V2.5-Pro ist Xiaomis auf Text spezialisiertes Modell für komplexe Softwareentwicklung und umfangreiche Agenten-Workflows. Das veröffentlichte Profil vereint ein MoE mit 1,02 Billionen Parametern, 42 Milliarden aktiven Parametern und bis zu einer Million Kontext-Token mit einem Training, das auf zusammenhängende Werkzeugnutzung ausgerichtet ist.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MiMo-V2.5-Pro ist Xiaomis großes, auf Text spezialisiertes Mixture-of-Experts-Modell für anspruchsvolle Agentenaufgaben, komplexe Softwareentwicklung und Aufgaben mit vielen zusammenhängenden Schritten. Der Hersteller nennt insgesamt 1,02 Billionen Parameter, 42 Milliarden aktive Parameter und einen Kontext von bis zu einer Million Token. Das Modell soll die Aufgabenanweisungen und gesammelten Belege im Blick behalten, während eine unterstützende Anwendung Werkzeuge bereitstellt und deren Ergebnisse zurückgibt.
Das Modell kombiniert Sliding-Window-Attention und globale Attention im Verhältnis 6:1. Das lokale Fenster umfasst 128 Token, während Schichten mit globaler Attention Informationen über den längeren Verlauf hinweg verbinden. Dies beschreibt die Attention-Architektur und begrenzt die Nutzereingabe nicht auf 128 Token. Das Grundmodell besitzt 70 Schichten und eine dünn besetzte Expertenauswahl, bei der pro Token acht geroutete Experten ausgewählt werden. Drei Module zur Vorhersage mehrerer Token sind in das Trainings- und Inferenzkonzept integriert, um spekulatives Decoding zu unterstützen.
Der Hersteller beschreibt ein Vortraining mit 27 Billionen Token, gefolgt von überwachtem Fine-Tuning, domänenspezialisiertem Reinforcement Learning und On-Policy-Distillation mit mehreren Lehrermodellen. Die spezialisierten Lehrermodelle decken Bereiche wie Mathematik, Sicherheit und komplexe Werkzeugnutzung ab; die letzte Stufe führt ihre Anleitung in einem Modell zusammen. Dieser Trainingsschwerpunkt unterstützt die Rolle des Modells in langen Software- und Agenten-Workflows. Eine konkrete Aufgabe benötigt dennoch vorgegebene Anforderungen und ein Verfahren, um die Vollständigkeit des Ergebnisses zu bestimmen.
Stellen Sie für eine Softwareänderung die relevanten Dateien, einen beobachteten Fehler oder das gewünschte Verhalten, die Projektkonventionen und die wichtigen Prüfungen bereit. Eine hilfreiche Anweisung lautet, das betroffene Verhalten zu bestimmen, eine gezielte Implementierung vorzuschlagen und zu erklären, wie sowohl der gewünschte Fall als auch ein aussagekräftiger Randfall geprüft werden können. Behalten Sie die genauen Bezeichner des Projekts bei. Wenn die Umgebung eine Ausführung erlaubt, geben Sie die tatsächlichen Prüfausgaben zurück, statt das Modell annehmen zu lassen, dass ein plausibler Patch funktioniert.
Halten Sie für eine längere Agentenaufgabe Ziel, bereits getroffene Entscheidungen und die von Werkzeugen gelieferten Belege knapp fest. Legen Sie fest, was jede Operation ändern darf und welches Ergebnis den nächsten Schritt rechtfertigen würde. Das Modell kann beim Schlussfolgern über diese Interaktionen und beim Vorbereiten der nächsten Anfrage helfen; die umgebende Anwendung führt die Operationen jedoch aus. Bewahren Sie Fehler und ungeklärte Bedingungen im Abschlussbericht, damit eine längere Abfolge keinen fehlgeschlagenen Schritt hinter einer flüssigen Erklärung verbirgt.
Der große Kontext kann beim Vergleichen von Implementierungen oder Zusammenführen mehrerer umfangreicher Dokumente hilfreich sein. Kennzeichnen Sie Datei- und Dokumentgrenzen, benennen Sie die Abschnitte, die die Antwort verwenden muss, und geben Sie das erforderliche Ausgabeformat an. Fordern Sie beispielsweise einen Migrationsvorschlag an, der jede betroffene Komponente einer Anforderung zuordnet und fehlende Informationen gesondert ausweist. Bewahren Sie die belegenden Textstellen oder Codepositionen zusammen mit dem Ergebnis auf, damit Prüfer die Argumentation auf ihre Eingaben zurückführen können.
Xiaomis veröffentlichtes Bereitstellungsbeispiel verwendet eine Kontextkonfiguration mit 1.048.576 Token; die Zusammenfassung beschreibt Unterstützung für bis zu 1M Token. Lassen Sie innerhalb der verwendeten Konfiguration Platz für erzeugten Text und den wachsenden Werkzeugverlauf. Der Hersteller empfiehlt für lokale Inferenz temperature 1.0 und top_p 0.95. Dies sind Angaben aus dem Herstellerrezept, keine Garantie dafür, dass jede Anwendung identische Steuerelemente oder dasselbe nutzbare Fenster bietet.
MiMo-V2.5-Pro unterscheidet sich vom nativ omnimodalen Schwestermodell MiMo-V2.5 und der späteren V2.6-Serie. Verwenden Sie diese Ausgabe für ihren dokumentierten Umfang an Sprach- und Agentenaufgaben, ohne die Bild- oder Audioeigenschaften einer anderen Ausgabe zu übernehmen. Das abschließende Artefakt kann ein Codevorschlag, eine Implementierungserklärung oder eine beleggestützte Analyse sein. Prüfen Sie wichtige Berechnungen, Anforderungen und Werkzeugergebnisse anhand des für die Aufgabe bereitgestellten Materials.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits xiaomi/mimo-v2.5-pro | 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 $0.00087 / 1K Token Ausgabe · Ausgabetoken $0.00174 / 1K Token Eingabe · Cache-Lesen $0.0000072 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00087 / 1K Token Ausgabe · Ausgabetoken $0.00174 / 1K Token Eingabe · Cache-Lesen $0.0000072 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "xiaomi/mimo-v2.5-pro", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='xiaomi/mimo-v2.5-pro',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='xiaomi/mimo-v2.5-pro',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra xiaomi/mimo-v2.5-pro
Verwenden Sie die oben angezeigten Methodenpfade.
xiaomi/mimo-v2.5-proMiMo-V2.5-Pro ist Xiaomis auf Text spezialisiertes Modell für komplexe Softwareentwicklung und umfangreiche Agenten-Workflows. Das veröffentlichte Profil vereint ein MoE mit 1,02 Billionen Parametern, 42 Milliarden aktiven Parametern und bis zu einer Million Kontext-Token mit einem Training, das auf zusammenhängende Werkzeugnutzung ausgerichtet ist.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
MiMo-V2.5-Pro ist Xiaomis großes, auf Text spezialisiertes Mixture-of-Experts-Modell für anspruchsvolle Agentenaufgaben, komplexe Softwareentwicklung und Aufgaben mit vielen zusammenhängenden Schritten. Der Hersteller nennt insgesamt 1,02 Billionen Parameter, 42 Milliarden aktive Parameter und einen Kontext von bis zu einer Million Token. Das Modell soll die Aufgabenanweisungen und gesammelten Belege im Blick behalten, während eine unterstützende Anwendung Werkzeuge bereitstellt und deren Ergebnisse zurückgibt.
Das Modell kombiniert Sliding-Window-Attention und globale Attention im Verhältnis 6:1. Das lokale Fenster umfasst 128 Token, während Schichten mit globaler Attention Informationen über den längeren Verlauf hinweg verbinden. Dies beschreibt die Attention-Architektur und begrenzt die Nutzereingabe nicht auf 128 Token. Das Grundmodell besitzt 70 Schichten und eine dünn besetzte Expertenauswahl, bei der pro Token acht geroutete Experten ausgewählt werden. Drei Module zur Vorhersage mehrerer Token sind in das Trainings- und Inferenzkonzept integriert, um spekulatives Decoding zu unterstützen.
Der Hersteller beschreibt ein Vortraining mit 27 Billionen Token, gefolgt von überwachtem Fine-Tuning, domänenspezialisiertem Reinforcement Learning und On-Policy-Distillation mit mehreren Lehrermodellen. Die spezialisierten Lehrermodelle decken Bereiche wie Mathematik, Sicherheit und komplexe Werkzeugnutzung ab; die letzte Stufe führt ihre Anleitung in einem Modell zusammen. Dieser Trainingsschwerpunkt unterstützt die Rolle des Modells in langen Software- und Agenten-Workflows. Eine konkrete Aufgabe benötigt dennoch vorgegebene Anforderungen und ein Verfahren, um die Vollständigkeit des Ergebnisses zu bestimmen.
Stellen Sie für eine Softwareänderung die relevanten Dateien, einen beobachteten Fehler oder das gewünschte Verhalten, die Projektkonventionen und die wichtigen Prüfungen bereit. Eine hilfreiche Anweisung lautet, das betroffene Verhalten zu bestimmen, eine gezielte Implementierung vorzuschlagen und zu erklären, wie sowohl der gewünschte Fall als auch ein aussagekräftiger Randfall geprüft werden können. Behalten Sie die genauen Bezeichner des Projekts bei. Wenn die Umgebung eine Ausführung erlaubt, geben Sie die tatsächlichen Prüfausgaben zurück, statt das Modell annehmen zu lassen, dass ein plausibler Patch funktioniert.
Halten Sie für eine längere Agentenaufgabe Ziel, bereits getroffene Entscheidungen und die von Werkzeugen gelieferten Belege knapp fest. Legen Sie fest, was jede Operation ändern darf und welches Ergebnis den nächsten Schritt rechtfertigen würde. Das Modell kann beim Schlussfolgern über diese Interaktionen und beim Vorbereiten der nächsten Anfrage helfen; die umgebende Anwendung führt die Operationen jedoch aus. Bewahren Sie Fehler und ungeklärte Bedingungen im Abschlussbericht, damit eine längere Abfolge keinen fehlgeschlagenen Schritt hinter einer flüssigen Erklärung verbirgt.
Der große Kontext kann beim Vergleichen von Implementierungen oder Zusammenführen mehrerer umfangreicher Dokumente hilfreich sein. Kennzeichnen Sie Datei- und Dokumentgrenzen, benennen Sie die Abschnitte, die die Antwort verwenden muss, und geben Sie das erforderliche Ausgabeformat an. Fordern Sie beispielsweise einen Migrationsvorschlag an, der jede betroffene Komponente einer Anforderung zuordnet und fehlende Informationen gesondert ausweist. Bewahren Sie die belegenden Textstellen oder Codepositionen zusammen mit dem Ergebnis auf, damit Prüfer die Argumentation auf ihre Eingaben zurückführen können.
Xiaomis veröffentlichtes Bereitstellungsbeispiel verwendet eine Kontextkonfiguration mit 1.048.576 Token; die Zusammenfassung beschreibt Unterstützung für bis zu 1M Token. Lassen Sie innerhalb der verwendeten Konfiguration Platz für erzeugten Text und den wachsenden Werkzeugverlauf. Der Hersteller empfiehlt für lokale Inferenz temperature 1.0 und top_p 0.95. Dies sind Angaben aus dem Herstellerrezept, keine Garantie dafür, dass jede Anwendung identische Steuerelemente oder dasselbe nutzbare Fenster bietet.
MiMo-V2.5-Pro unterscheidet sich vom nativ omnimodalen Schwestermodell MiMo-V2.5 und der späteren V2.6-Serie. Verwenden Sie diese Ausgabe für ihren dokumentierten Umfang an Sprach- und Agentenaufgaben, ohne die Bild- oder Audioeigenschaften einer anderen Ausgabe zu übernehmen. Das abschließende Artefakt kann ein Codevorschlag, eine Implementierungserklärung oder eine beleggestützte Analyse sein. Prüfen Sie wichtige Berechnungen, Anforderungen und Werkzeugergebnisse anhand des für die Aufgabe bereitgestellten Materials.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits xiaomi/mimo-v2.5-pro | 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 $0.00087 / 1K Token Ausgabe · Ausgabetoken $0.00174 / 1K Token Eingabe · Cache-Lesen $0.0000072 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00087 / 1K Token Ausgabe · Ausgabetoken $0.00174 / 1K Token Eingabe · Cache-Lesen $0.0000072 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "xiaomi/mimo-v2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'xiaomi/mimo-v2.5-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'xiaomi/mimo-v2.5-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra xiaomi/mimo-v2.5-pro
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Correct a two-stage validation flow\n\nTrace this Python flow: validate.py: def valid(row): return bool(row.get('email')); import.py: accepted = [r for r in rows if valid(r) is not None]. A row without email is incorrectly accepted. Propose the smallest correction, retain valid's Boolean contract and supply cases for a missing email and a present email. Separate the proposal from executed checks.A cross-file cause explanation, focused consumer patch and two regression cases.The consumer must reject False rather than treating every non-None Boolean as accepted.