Το MiMo-V2.5-Pro είναι το μεγάλο μοντέλο μείγματος ειδικών της Xiaomi με έμφαση στο κείμενο, για απαιτητικές εργασίες πρακτόρων, σύνθετη ανάπτυξη λογισμικού και εργασίες που απαιτούν πολλά συνδεδεμένα βήματα. Ο κατασκευαστής αναφέρει 1,02 τρισεκατομμύρια συνολικές παραμέτρους, 42 δισεκατομμύρια ενεργές παραμέτρους και παράθυρο συμφραζομένων έως ένα εκατομμύριο tokens. Σκοπός του είναι να διατηρεί τις οδηγίες της εργασίας και τα συγκεντρωμένα τεκμήρια, ενώ μια υποστηρικτική εφαρμογή παρέχει εργαλεία και επιστρέφει τα αποτελέσματά τους.
Το μοντέλο συνδυάζει προσοχή κυλιόμενου παραθύρου με καθολική προσοχή σε αναλογία 6:1. Το τοπικό παράθυρο είναι 128 tokens, ενώ τα επίπεδα καθολικής προσοχής συνδέουν πληροφορίες σε όλο το εκτενέστερο ιστορικό. Πρόκειται για την αρχιτεκτονική προσοχής και όχι για περιορισμό της εισόδου του χρήστη στα 128 tokens. Ο βασικός κορμός διαθέτει 70 επίπεδα και αραιή δρομολόγηση ειδικών, με οκτώ δρομολογούμενους ειδικούς να επιλέγονται ανά token. Τρεις μονάδες πρόβλεψης πολλαπλών tokens ενσωματώνονται στον σχεδιασμό εκπαίδευσης και εκτέλεσης, για να υποστηρίζουν την αποκωδικοποίηση με εικαστική πρόβλεψη.
Ο δημιουργός περιγράφει προεκπαίδευση σε 27 τρισεκατομμύρια tokens, ακολουθούμενη από εποπτευόμενη λεπτομερή προσαρμογή, ενισχυτική μάθηση εξειδικευμένη ανά πεδίο και απόσταξη από πολλούς δασκάλους με την τρέχουσα πολιτική του μοντέλου. Οι εξειδικευμένοι δάσκαλοι καλύπτουν τομείς όπως τα μαθηματικά, η ασφάλεια και η σύνθετη χρήση εργαλείων, και το τελικό στάδιο συγκεντρώνει την καθοδήγησή τους σε ένα μοντέλο. Αυτή η έμφαση στην εκπαίδευση υποστηρίζει τον ρόλο του μοντέλου σε μακρές ροές εργασίας λογισμικού και πρακτόρων· μια συγκεκριμένη εργασία εξακολουθεί να χρειάζεται σαφείς απαιτήσεις και τρόπο προσδιορισμού της ολοκλήρωσης του αποτελέσματός της.
Για μια αλλαγή λογισμικού, δώστε τα σχετικά αρχεία, ένα παρατηρημένο σφάλμα ή την επιθυμητή συμπεριφορά, τις συμβάσεις του έργου και τους ελέγχους που έχουν σημασία. Μια χρήσιμη οδηγία είναι να προσδιορίσει την επηρεαζόμενη συμπεριφορά, να προτείνει μια στοχευμένη υλοποίηση και να εξηγήσει πώς θα επαληθευτούν τόσο η επιθυμητή περίπτωση όσο και μια ουσιαστική οριακή περίπτωση. Διατηρήστε ακριβώς τα αναγνωριστικά που χρησιμοποιεί το έργο. Αν το περιβάλλον επιτρέπει εκτέλεση, επιστρέψτε την πραγματική έξοδο των ελέγχων, αντί να ζητάτε από το μοντέλο να υποθέσει ότι μια εύλογη διόρθωση λειτουργεί.
Για μια μεγαλύτερης διάρκειας εργασία πράκτορα, κρατήστε μια συνοπτική καταγραφή του στόχου, των αποφάσεων που έχουν ήδη ληφθεί και των τεκμηρίων που επέστρεψαν τα εργαλεία. Δηλώστε τι επιτρέπεται να αλλάξει κάθε ενέργεια και ποιο αποτέλεσμα θα δικαιολογούσε το επόμενο βήμα. Το μοντέλο μπορεί να βοηθήσει στη συλλογιστική που συνδέει αυτές τις αλληλεπιδράσεις και να προετοιμάσει το επόμενο αίτημα, αλλά η περιβάλλουσα εφαρμογή εκτελεί τις ενέργειές του. Διατηρήστε τα σφάλματα και τις άλυτες συνθήκες στην τελική αποτίμηση, ώστε μια εκτεταμένη ακολουθία να μην κρύψει ένα αποτυχημένο βήμα πίσω από μια ευφραδή εξήγηση.
Το μεγάλο παράθυρο συμφραζομένων μπορεί να είναι χρήσιμο για τη σύγκριση υλοποιήσεων ή τη σύνθεση πολλών εκτενών εγγράφων. Σημειώστε τα όρια αρχείων και εγγράφων, προσδιορίστε τις ενότητες που πρέπει να χρησιμοποιήσει η απάντηση και δηλώστε την απαιτούμενη μορφή εξόδου. Για παράδειγμα, ζητήστε μια πρόταση μετάβασης που συνδέει κάθε επηρεαζόμενο συστατικό με μια απαίτηση και προσδιορίζει χωριστά τις πληροφορίες που λείπουν. Κρατήστε μαζί με το αποτέλεσμα τα υποστηρικτικά αποσπάσματα ή τις θέσεις στον κώδικα, ώστε ο ελεγκτής να μπορεί να ακολουθήσει τη συλλογιστική μέχρι την είσοδό της.
Το δημοσιευμένο παράδειγμα εξυπηρέτησης της Xiaomi χρησιμοποιεί ρύθμιση συμφραζομένων 1.048.576 tokens, ενώ η σύνοψή της περιγράφει υποστήριξη έως 1 εκατομμύριο tokens. Αφήστε χώρο για το παραγόμενο κείμενο και το συσσωρευμένο ιστορικό εργαλείων μέσα στη ρύθμιση που χρησιμοποιείται. Ο δημιουργός συνιστά temperature 1.0 και top_p 0.95 για τοπική εκτέλεση. Αυτά είναι στοιχεία της συνταγής του παραγωγού, όχι εγγύηση ότι κάθε εφαρμογή εκθέτει πανομοιότυπα στοιχεία ελέγχου ή το ίδιο λειτουργικό παράθυρο.
Το MiMo-V2.5-Pro διαφέρει από το εγγενώς ομνιτροπικό συγγενικό MiMo-V2.5 και τη μεταγενέστερη σειρά V2.6. Χρησιμοποιήστε αυτή την έκδοση για το τεκμηριωμένο πεδίο γλωσσικών εργασιών και εργασιών πρακτόρων, χωρίς να της αποδίδετε τις δυνατότητες εικόνας ή ήχου άλλης έκδοσης. Το τελικό παραδοτέο μπορεί να είναι πρόταση κώδικα, εξήγηση υλοποίησης ή τεκμηριωμένη ανάλυση· ελέγξτε σημαντικούς υπολογισμούς, απαιτήσεις και αποτελέσματα εργαλείων με βάση το υλικό που δόθηκε για την εργασία.
", "aboutText": "Το MiMo-V2.5-Pro είναι το μεγάλο μοντέλο μείγματος ειδικών της Xiaomi με έμφαση στο κείμενο, για απαιτητικές εργασίες πρακτόρων, σύνθετη ανάπτυξη λογισμικού και εργασίες που απαιτούν πολλά συνδεδεμένα βήματα. Ο κατασκευαστής αναφέρει 1,02 τρισεκατομμύρια συνολικές παραμέτρους, 42 δισεκατομμύρια ενεργές παραμέτρους και παράθυρο συμφραζομένων έως ένα εκατομμύριο tokens. Σκοπός του είναι να διατηρεί τις οδηγίες της εργασίας και τα συγκεντρωμένα τεκμήρια, ενώ μια υποστηρικτική εφαρμογή παρέχει εργαλεία και επιστρέφει τα αποτελέσματά τους.\n\nΤο μοντέλο συνδυάζει προσοχή κυλιόμενου παραθύρου με καθολική προσοχή σε αναλογία 6:1. Το τοπικό παράθυρο είναι 128 tokens, ενώ τα επίπεδα καθολικής προσοχής συνδέουν πληροφορίες σε όλο το εκτενέστερο ιστορικό. Πρόκειται για την αρχιτεκτονική προσοχής και όχι για περιορισμό της εισόδου του χρήστη στα 128 tokens. Ο βασικός κορμός διαθέτει 70 επίπεδα και αραιή δρομολόγηση ειδικών, με οκτώ δρομολογούμενους ειδικούς να επιλέγονται ανά token. Τρεις μονάδες πρόβλεψης πολλαπλών tokens ενσωματώνονται στον σχεδιασμό εκπαίδευσης και εκτέλεσης, για να υποστηρίζουν την αποκωδικοποίηση με εικαστική πρόβλεψη.\n\nΟ δημιουργός περιγράφει προεκπαίδευση σε 27 τρισεκατομμύρια tokens, ακολουθούμενη από εποπτευόμενη λεπτομερή προσαρμογή, ενισχυτική μάθηση εξειδικευμένη ανά πεδίο και απόσταξη από πολλούς δασκάλους με την τρέχουσα πολιτική του μοντέλου. Οι εξειδικευμένοι δάσκαλοι καλύπτουν τομείς όπως τα μαθηματικά, η ασφάλεια και η σύνθετη χρήση εργαλείων, και το τελικό στάδιο συγκεντρώνει την καθοδήγησή τους σε ένα μοντέλο. Αυτή η έμφαση στην εκπαίδευση υποστηρίζει τον ρόλο του μοντέλου σε μακρές ροές εργασίας λογισμικού και πρακτόρων· μια συγκεκριμένη εργασία εξακολουθεί να χρειάζεται σαφείς απαιτήσεις και τρόπο προσδιορισμού της ολοκλήρωσης του αποτελέσματός της.\n\nΓια μια αλλαγή λογισμικού, δώστε τα σχετικά αρχεία, ένα παρατηρημένο σφάλμα ή την επιθυμητή συμπεριφορά, τις συμβάσεις του έργου και τους ελέγχους που έχουν σημασία. Μια χρήσιμη οδηγία είναι να προσδιορίσει την επηρεαζόμενη συμπεριφορά, να προτείνει μια στοχευμένη υλοποίηση και να εξηγήσει πώς θα επαληθευτούν τόσο η επιθυμητή περίπτωση όσο και μια ουσιαστική οριακή περίπτωση. Διατηρήστε ακριβώς τα αναγνωριστικά που χρησιμοποιεί το έργο. Αν το περιβάλλον επιτρέπει εκτέλεση, επιστρέψτε την πραγματική έξοδο των ελέγχων, αντί να ζητάτε από το μοντέλο να υποθέσει ότι μια εύλογη διόρθωση λειτουργεί.\n\nΓια μια μεγαλύτερης διάρκειας εργασία πράκτορα, κρατήστε μια συνοπτική καταγραφή του στόχου, των αποφάσεων που έχουν ήδη ληφθεί και των τεκμηρίων που επέστρεψαν τα εργαλεία. Δηλώστε τι επιτρέπεται να αλλάξει κάθε ενέργεια και ποιο αποτέλεσμα θα δικαιολογούσε το επόμενο βήμα. Το μοντέλο μπορεί να βοηθήσει στη συλλογιστική που συνδέει αυτές τις αλληλεπιδράσεις και να προετοιμάσει το επόμενο αίτημα, αλλά η περιβάλλουσα εφαρμογή εκτελεί τις ενέργειές του. Διατηρήστε τα σφάλματα και τις άλυτες συνθήκες στην τελική αποτίμηση, ώστε μια εκτεταμένη ακολουθία να μην κρύψει ένα αποτυχημένο βήμα πίσω από μια ευφραδή εξήγηση.\n\nΤο μεγάλο παράθυρο συμφραζομένων μπορεί να είναι χρήσιμο για τη σύγκριση υλοποιήσεων ή τη σύνθεση πολλών εκτενών εγγράφων. Σημειώστε τα όρια αρχείων και εγγράφων, προσδιορίστε τις ενότητες που πρέπει να χρησιμοποιήσει η απάντηση και δηλώστε την απαιτούμενη μορφή εξόδου. Για παράδειγμα, ζητήστε μια πρόταση μετάβασης που συνδέει κάθε επηρεαζόμενο συστατικό με μια απαίτηση και προσδιορίζει χωριστά τις πληροφορίες που λείπουν. Κρατήστε μαζί με το αποτέλεσμα τα υποστηρικτικά αποσπάσματα ή τις θέσεις στον κώδικα, ώστε ο ελεγκτής να μπορεί να ακολουθήσει τη συλλογιστική μέχρι την είσοδό της.\n\nΤο δημοσιευμένο παράδειγμα εξυπηρέτησης της Xiaomi χρησιμοποιεί ρύθμιση συμφραζομένων 1.048.576 tokens, ενώ η σύνοψή της περιγράφει υποστήριξη έως 1 εκατομμύριο tokens. Αφήστε χώρο για το παραγόμενο κείμενο και το συσσωρευμένο ιστορικό εργαλείων μέσα στη ρύθμιση που χρησιμοποιείται. Ο δημιουργός συνιστά temperature 1.0 και top_p 0.95 για τοπική εκτέλεση. Αυτά είναι στοιχεία της συνταγής του παραγωγού, όχι εγγύηση ότι κάθε εφαρμογή εκθέτει πανομοιότυπα στοιχεία ελέγχου ή το ίδιο λειτουργικό παράθυρο.\n\nΤο MiMo-V2.5-Pro διαφέρει από το εγγενώς ομνιτροπικό συγγενικό MiMo-V2.5 και τη μεταγενέστερη σειρά V2.6. Χρησιμοποιήστε αυτή την έκδοση για το τεκμηριωμένο πεδίο γλωσσικών εργασιών και εργασιών πρακτόρων, χωρίς να της αποδίδετε τις δυνατότητες εικόνας ή ήχου άλλης έκδοσης. Το τελικό παραδοτέο μπορεί να είναι πρόταση κώδικα, εξήγηση υλοποίησης ή τεκμηριωμένη ανάλυση· ελέγξτε σημαντικούς υπολογισμούς, απαιτήσεις και αποτελέσματα εργαλείων με βάση το υλικό που δόθηκε για την εργασία.", "editorialOverlay": { "copy_fields": { "practical_html": "Τεχνικό παράδειγμα στα αγγλικά
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-proΤο MiMo-V2.5-Pro είναι το μοντέλο της Xiaomi με έμφαση στο κείμενο, για σύνθετες εργασίες ανάπτυξης λογισμικού και εκτεταμένες ροές εργασίας με πράκτορες. Το δημοσιευμένο προφίλ του συνδυάζει αρχιτεκτονική MoE με 1,02 τρισ. παραμέτρους, 42 δισ. ενεργές παραμέτρους και παράθυρο συμφραζομένων έως ένα εκατομμύριο tokens, με εκπαίδευση που εστιάζει στη συνεκτική χρήση εργαλείων.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το MiMo-V2.5-Pro είναι το μεγάλο μοντέλο μείγματος ειδικών της Xiaomi με έμφαση στο κείμενο, για απαιτητικές εργασίες πρακτόρων, σύνθετη ανάπτυξη λογισμικού και εργασίες που απαιτούν πολλά συνδεδεμένα βήματα. Ο κατασκευαστής αναφέρει 1,02 τρισεκατομμύρια συνολικές παραμέτρους, 42 δισεκατομμύρια ενεργές παραμέτρους και παράθυρο συμφραζομένων έως ένα εκατομμύριο tokens. Σκοπός του είναι να διατηρεί τις οδηγίες της εργασίας και τα συγκεντρωμένα τεκμήρια, ενώ μια υποστηρικτική εφαρμογή παρέχει εργαλεία και επιστρέφει τα αποτελέσματά τους.
Το μοντέλο συνδυάζει προσοχή κυλιόμενου παραθύρου με καθολική προσοχή σε αναλογία 6:1. Το τοπικό παράθυρο είναι 128 tokens, ενώ τα επίπεδα καθολικής προσοχής συνδέουν πληροφορίες σε όλο το εκτενέστερο ιστορικό. Πρόκειται για την αρχιτεκτονική προσοχής και όχι για περιορισμό της εισόδου του χρήστη στα 128 tokens. Ο βασικός κορμός διαθέτει 70 επίπεδα και αραιή δρομολόγηση ειδικών, με οκτώ δρομολογούμενους ειδικούς να επιλέγονται ανά token. Τρεις μονάδες πρόβλεψης πολλαπλών tokens ενσωματώνονται στον σχεδιασμό εκπαίδευσης και εκτέλεσης, για να υποστηρίζουν την αποκωδικοποίηση με εικαστική πρόβλεψη.
Ο δημιουργός περιγράφει προεκπαίδευση σε 27 τρισεκατομμύρια tokens, ακολουθούμενη από εποπτευόμενη λεπτομερή προσαρμογή, ενισχυτική μάθηση εξειδικευμένη ανά πεδίο και απόσταξη από πολλούς δασκάλους με την τρέχουσα πολιτική του μοντέλου. Οι εξειδικευμένοι δάσκαλοι καλύπτουν τομείς όπως τα μαθηματικά, η ασφάλεια και η σύνθετη χρήση εργαλείων, και το τελικό στάδιο συγκεντρώνει την καθοδήγησή τους σε ένα μοντέλο. Αυτή η έμφαση στην εκπαίδευση υποστηρίζει τον ρόλο του μοντέλου σε μακρές ροές εργασίας λογισμικού και πρακτόρων· μια συγκεκριμένη εργασία εξακολουθεί να χρειάζεται σαφείς απαιτήσεις και τρόπο προσδιορισμού της ολοκλήρωσης του αποτελέσματός της.
Για μια αλλαγή λογισμικού, δώστε τα σχετικά αρχεία, ένα παρατηρημένο σφάλμα ή την επιθυμητή συμπεριφορά, τις συμβάσεις του έργου και τους ελέγχους που έχουν σημασία. Μια χρήσιμη οδηγία είναι να προσδιορίσει την επηρεαζόμενη συμπεριφορά, να προτείνει μια στοχευμένη υλοποίηση και να εξηγήσει πώς θα επαληθευτούν τόσο η επιθυμητή περίπτωση όσο και μια ουσιαστική οριακή περίπτωση. Διατηρήστε ακριβώς τα αναγνωριστικά που χρησιμοποιεί το έργο. Αν το περιβάλλον επιτρέπει εκτέλεση, επιστρέψτε την πραγματική έξοδο των ελέγχων, αντί να ζητάτε από το μοντέλο να υποθέσει ότι μια εύλογη διόρθωση λειτουργεί.
Για μια μεγαλύτερης διάρκειας εργασία πράκτορα, κρατήστε μια συνοπτική καταγραφή του στόχου, των αποφάσεων που έχουν ήδη ληφθεί και των τεκμηρίων που επέστρεψαν τα εργαλεία. Δηλώστε τι επιτρέπεται να αλλάξει κάθε ενέργεια και ποιο αποτέλεσμα θα δικαιολογούσε το επόμενο βήμα. Το μοντέλο μπορεί να βοηθήσει στη συλλογιστική που συνδέει αυτές τις αλληλεπιδράσεις και να προετοιμάσει το επόμενο αίτημα, αλλά η περιβάλλουσα εφαρμογή εκτελεί τις ενέργειές του. Διατηρήστε τα σφάλματα και τις άλυτες συνθήκες στην τελική αποτίμηση, ώστε μια εκτεταμένη ακολουθία να μην κρύψει ένα αποτυχημένο βήμα πίσω από μια ευφραδή εξήγηση.
Το μεγάλο παράθυρο συμφραζομένων μπορεί να είναι χρήσιμο για τη σύγκριση υλοποιήσεων ή τη σύνθεση πολλών εκτενών εγγράφων. Σημειώστε τα όρια αρχείων και εγγράφων, προσδιορίστε τις ενότητες που πρέπει να χρησιμοποιήσει η απάντηση και δηλώστε την απαιτούμενη μορφή εξόδου. Για παράδειγμα, ζητήστε μια πρόταση μετάβασης που συνδέει κάθε επηρεαζόμενο συστατικό με μια απαίτηση και προσδιορίζει χωριστά τις πληροφορίες που λείπουν. Κρατήστε μαζί με το αποτέλεσμα τα υποστηρικτικά αποσπάσματα ή τις θέσεις στον κώδικα, ώστε ο ελεγκτής να μπορεί να ακολουθήσει τη συλλογιστική μέχρι την είσοδό της.
Το δημοσιευμένο παράδειγμα εξυπηρέτησης της Xiaomi χρησιμοποιεί ρύθμιση συμφραζομένων 1.048.576 tokens, ενώ η σύνοψή της περιγράφει υποστήριξη έως 1 εκατομμύριο tokens. Αφήστε χώρο για το παραγόμενο κείμενο και το συσσωρευμένο ιστορικό εργαλείων μέσα στη ρύθμιση που χρησιμοποιείται. Ο δημιουργός συνιστά temperature 1.0 και top_p 0.95 για τοπική εκτέλεση. Αυτά είναι στοιχεία της συνταγής του παραγωγού, όχι εγγύηση ότι κάθε εφαρμογή εκθέτει πανομοιότυπα στοιχεία ελέγχου ή το ίδιο λειτουργικό παράθυρο.
Το MiMo-V2.5-Pro διαφέρει από το εγγενώς ομνιτροπικό συγγενικό MiMo-V2.5 και τη μεταγενέστερη σειρά V2.6. Χρησιμοποιήστε αυτή την έκδοση για το τεκμηριωμένο πεδίο γλωσσικών εργασιών και εργασιών πρακτόρων, χωρίς να της αποδίδετε τις δυνατότητες εικόνας ή ήχου άλλης έκδοσης. Το τελικό παραδοτέο μπορεί να είναι πρόταση κώδικα, εξήγηση υλοποίησης ή τεκμηριωμένη ανάλυση· ελέγξτε σημαντικούς υπολογισμούς, απαιτήσεις και αποτελέσματα εργαλείων με βάση το υλικό που δόθηκε για την εργασία.
POST /v1/chat/completionstexttext| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια xiaomi/mimo-v2.5-pro | Προεπιλογή— |
Πεδίοmessages | Τύποςmessage[] | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Ελάχιστο πλήθος στοιχείων: 1 | Προεπιλογή— |
Πεδίοmessages[].role | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Παραδείγματα: system, user, assistant, tool, function Συνθήκες: Αυτοί οι ρόλοι αναπαρίστανται ρητά από τους τύπους συμβατότητας του πηγαίου κώδικα· το ακριβές σύνολο ρόλων παραμένει ειδικό για κάθε μοντέλο. Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοmessages[].content | Τύποςstring|content_part[]|null | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοmessages[].tool_calls | Τύποςtool_call[] | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοmessages[].tool_call_id | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εφαρμόζεται όταν: role=tool· χρησιμοποιήστε το πραγματικό ID που επιστράφηκε | Προεπιλογή— |
Πεδίοmessages[].name | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοmessages[].reasoning_content | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εφαρμόζεται όταν: Επαναποστείλετε το πραγματικό περιεχόμενο συλλογιστικής που επιστράφηκε, όταν το μοντέλο το χρησιμοποιεί | Προεπιλογή— |
Πεδίοmessages[].reasoning_details | Τύποςobject|array | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοmax_tokens | Τύποςinteger | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Ελάχιστο: 1 Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοmax_completion_tokens | Τύποςinteger | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Ελάχιστο: 1 Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοstream | Τύποςboolean | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογήfalse |
Πεδίοstream_options.include_usage | Τύποςboolean | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοtemperature | Τύποςnumber | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοtop_p | Τύποςnumber | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοstop | Τύποςstring|string[] | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοtools | Τύποςfunction_tool[] | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοtools[].type | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια function Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοtools[].function.name | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Εφαρμόζεται όταν: Παρεχόμενο εργαλείο τύπου συνάρτησης | Προεπιλογή— |
Πεδίοtools[].function.description | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοtools[].function.parameters | ΤύποςJSON_schema | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοtool_choice | Τύποςstring|object | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοparallel_tool_calls | Τύποςboolean | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοresponse_format | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοreasoning_effort | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοreasoning | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοservice_tier | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοinstructions | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Πεδίο συμβατότητας | Προεπιλογή— |
Πεδίοfunctions | Τύποςfunction[] | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοfunction_call | Τύποςstring|object | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοprompt_cache_options | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοmodalities | Τύποςstring[] | ΑπαίτησηΠροαιρετικό | Τιμές και όρια text | Προεπιλογή— |
Πεδίοprovider | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Το provider.options απορρίπτεται σε αυτή τη διαδρομή κειμένου Ultra | Προεπιλογή— |
Πεδίοcache_control.ttl | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Το 1h απορρίπτεται στα πραγματικά πεδία κρυφής μνήμης προτροπών | Προεπιλογή— |
Κείμενο · Κείμενο UTF8
messages[].content
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςcontent_type | Σύμβασηapplication/json |
Παράμετροςrequired | Σύμβασηmodel, messages |
Παράμετροςmaterial_types | Σύμβασηtext |
Παράμετροςmessages | ΣύμβασηΠίνακας μηνυμάτων με δομή role/content |
Παράμετροςfile_material | Σύμβασηπραγματικό έγγραφο UTF-8 που εισάγεται ως αυτούσιο κείμενο· δεν συνάγεται ID αρχείου |
Παράμετροςoptional_controls | Σύμβασηstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Παράμετροςcontrol_scope | Σύμβασηεξαρτάται από το μοντέλο· τα εργαλεία συναρτήσεων του χρήστη διαφέρουν από τα φιλοξενούμενα εργαλεία |
Παράμετροςoutput_modalities | Σύμβασηtext |
Παράμετροςhosted_operations | Σύμβασηfalse |
Παράμετροςmultimodal_input_binding | Σύμβασηnull |
Κύκλος ζωής: synchronous_or_streamed
Στείλτε το ακριβές ID μοντέλου μαζί με το messages.
Το μήκος συμφραζομένων δεν είναι ανώτατο όριο εξόδου.
Ένα αρχείο κειμένου μπορεί να παρέχει αυτούσιο κείμενο· οι είσοδοι εικόνας/ήχου/αντικειμένων αρχείων χρειάζονται ακριβή αντιστοίχιση.
Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.
Αντιστοιχίστε κάθε χρέωση στις συνθήκες που εμφανίζονται. Χρησιμοποιήστε μία χρέωση ανά σύνολο εναλλακτικών διαμορφώσεων.
| Διαμόρφωση | Πίνακας χρεώσεων | Token συμφραζομένων, πάνω από | Token συμφραζομένων, έως και | Χρέωση |
|---|---|---|---|---|
| ΔιαμόρφωσηΒασικές χρεώσεις ανά token | Πίνακας χρεώσεωνΒασική χρέωση | Token συμφραζομένων, πάνω από— | Token συμφραζομένων, έως καιΧωρίς ανώτατο όριο | Χρέωση Είσοδος · Token εισόδου $0.00087 / 1K token Έξοδος · Token εξόδου $0.00174 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη $0.0000072 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token |
| ΔιαμόρφωσηΕπίπεδο 1 βάσει μήκους αιτήματος | Πίνακας χρεώσεων— | Token συμφραζομένων, πάνω από0 | Token συμφραζομένων, έως καιΧωρίς ανώτατο όριο | Χρέωση Είσοδος · Token εισόδου $0.00087 / 1K token Έξοδος · Token εξόδου $0.00174 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη $0.0000072 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token |
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
set -eu\n: "${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 ή SSE
Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.
Διατηρήστε κάθε επιλογή και το περιεχόμενο/τις κλήσεις εργαλείων/το περιεχόμενο συλλογιστικής της. Στο SSE συνθέστε τις διαφορικές ενημερώσεις ανά δείκτη επιλογής/εργαλείου και κρατήστε την τελική αιτία τερματισμού και τα στοιχεία χρήσης.
Διατηρήστε τα ID αιτήματος/απάντησης και τις κεφαλίδες. Δεν παρέχεται γενικό URL ανάκτησης εργασιών κειμένου.
| Πεδίο | Τύπος |
|---|---|
Πεδίοchoices[].index | Τύποςinteger |
Πεδίοchoices[].message.content | Τύποςstring|null |
Πεδίοchoices[].message.tool_calls | Τύποςtool_call[] |
Πεδίοchoices[].message.reasoning_content | Τύποςstring |
Πεδίοchoices[].message.reasoning_details | Τύποςobject|array |
Πεδίοchoices[].finish_reason | Τύποςstring|null |
Πεδίοusage | Τύποςobject |
| Απάντηση | Συνθήκη | Επόμενο βήμα |
|---|---|---|
Απάντηση400 · invalid_request_error | ΣυνθήκηΜη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου | Επόμενο βήμαΔιορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας. |
Ailoot Ultra xiaomi/mimo-v2.5-pro
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.
xiaomi/mimo-v2.5-proΤο MiMo-V2.5-Pro είναι το μοντέλο της Xiaomi με έμφαση στο κείμενο, για σύνθετες εργασίες ανάπτυξης λογισμικού και εκτεταμένες ροές εργασίας με πράκτορες. Το δημοσιευμένο προφίλ του συνδυάζει αρχιτεκτονική MoE με 1,02 τρισ. παραμέτρους, 42 δισ. ενεργές παραμέτρους και παράθυρο συμφραζομένων έως ένα εκατομμύριο tokens, με εκπαίδευση που εστιάζει στη συνεκτική χρήση εργαλείων.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το MiMo-V2.5-Pro είναι το μεγάλο μοντέλο μείγματος ειδικών της Xiaomi με έμφαση στο κείμενο, για απαιτητικές εργασίες πρακτόρων, σύνθετη ανάπτυξη λογισμικού και εργασίες που απαιτούν πολλά συνδεδεμένα βήματα. Ο κατασκευαστής αναφέρει 1,02 τρισεκατομμύρια συνολικές παραμέτρους, 42 δισεκατομμύρια ενεργές παραμέτρους και παράθυρο συμφραζομένων έως ένα εκατομμύριο tokens. Σκοπός του είναι να διατηρεί τις οδηγίες της εργασίας και τα συγκεντρωμένα τεκμήρια, ενώ μια υποστηρικτική εφαρμογή παρέχει εργαλεία και επιστρέφει τα αποτελέσματά τους.
Το μοντέλο συνδυάζει προσοχή κυλιόμενου παραθύρου με καθολική προσοχή σε αναλογία 6:1. Το τοπικό παράθυρο είναι 128 tokens, ενώ τα επίπεδα καθολικής προσοχής συνδέουν πληροφορίες σε όλο το εκτενέστερο ιστορικό. Πρόκειται για την αρχιτεκτονική προσοχής και όχι για περιορισμό της εισόδου του χρήστη στα 128 tokens. Ο βασικός κορμός διαθέτει 70 επίπεδα και αραιή δρομολόγηση ειδικών, με οκτώ δρομολογούμενους ειδικούς να επιλέγονται ανά token. Τρεις μονάδες πρόβλεψης πολλαπλών tokens ενσωματώνονται στον σχεδιασμό εκπαίδευσης και εκτέλεσης, για να υποστηρίζουν την αποκωδικοποίηση με εικαστική πρόβλεψη.
Ο δημιουργός περιγράφει προεκπαίδευση σε 27 τρισεκατομμύρια tokens, ακολουθούμενη από εποπτευόμενη λεπτομερή προσαρμογή, ενισχυτική μάθηση εξειδικευμένη ανά πεδίο και απόσταξη από πολλούς δασκάλους με την τρέχουσα πολιτική του μοντέλου. Οι εξειδικευμένοι δάσκαλοι καλύπτουν τομείς όπως τα μαθηματικά, η ασφάλεια και η σύνθετη χρήση εργαλείων, και το τελικό στάδιο συγκεντρώνει την καθοδήγησή τους σε ένα μοντέλο. Αυτή η έμφαση στην εκπαίδευση υποστηρίζει τον ρόλο του μοντέλου σε μακρές ροές εργασίας λογισμικού και πρακτόρων· μια συγκεκριμένη εργασία εξακολουθεί να χρειάζεται σαφείς απαιτήσεις και τρόπο προσδιορισμού της ολοκλήρωσης του αποτελέσματός της.
Για μια αλλαγή λογισμικού, δώστε τα σχετικά αρχεία, ένα παρατηρημένο σφάλμα ή την επιθυμητή συμπεριφορά, τις συμβάσεις του έργου και τους ελέγχους που έχουν σημασία. Μια χρήσιμη οδηγία είναι να προσδιορίσει την επηρεαζόμενη συμπεριφορά, να προτείνει μια στοχευμένη υλοποίηση και να εξηγήσει πώς θα επαληθευτούν τόσο η επιθυμητή περίπτωση όσο και μια ουσιαστική οριακή περίπτωση. Διατηρήστε ακριβώς τα αναγνωριστικά που χρησιμοποιεί το έργο. Αν το περιβάλλον επιτρέπει εκτέλεση, επιστρέψτε την πραγματική έξοδο των ελέγχων, αντί να ζητάτε από το μοντέλο να υποθέσει ότι μια εύλογη διόρθωση λειτουργεί.
Για μια μεγαλύτερης διάρκειας εργασία πράκτορα, κρατήστε μια συνοπτική καταγραφή του στόχου, των αποφάσεων που έχουν ήδη ληφθεί και των τεκμηρίων που επέστρεψαν τα εργαλεία. Δηλώστε τι επιτρέπεται να αλλάξει κάθε ενέργεια και ποιο αποτέλεσμα θα δικαιολογούσε το επόμενο βήμα. Το μοντέλο μπορεί να βοηθήσει στη συλλογιστική που συνδέει αυτές τις αλληλεπιδράσεις και να προετοιμάσει το επόμενο αίτημα, αλλά η περιβάλλουσα εφαρμογή εκτελεί τις ενέργειές του. Διατηρήστε τα σφάλματα και τις άλυτες συνθήκες στην τελική αποτίμηση, ώστε μια εκτεταμένη ακολουθία να μην κρύψει ένα αποτυχημένο βήμα πίσω από μια ευφραδή εξήγηση.
Το μεγάλο παράθυρο συμφραζομένων μπορεί να είναι χρήσιμο για τη σύγκριση υλοποιήσεων ή τη σύνθεση πολλών εκτενών εγγράφων. Σημειώστε τα όρια αρχείων και εγγράφων, προσδιορίστε τις ενότητες που πρέπει να χρησιμοποιήσει η απάντηση και δηλώστε την απαιτούμενη μορφή εξόδου. Για παράδειγμα, ζητήστε μια πρόταση μετάβασης που συνδέει κάθε επηρεαζόμενο συστατικό με μια απαίτηση και προσδιορίζει χωριστά τις πληροφορίες που λείπουν. Κρατήστε μαζί με το αποτέλεσμα τα υποστηρικτικά αποσπάσματα ή τις θέσεις στον κώδικα, ώστε ο ελεγκτής να μπορεί να ακολουθήσει τη συλλογιστική μέχρι την είσοδό της.
Το δημοσιευμένο παράδειγμα εξυπηρέτησης της Xiaomi χρησιμοποιεί ρύθμιση συμφραζομένων 1.048.576 tokens, ενώ η σύνοψή της περιγράφει υποστήριξη έως 1 εκατομμύριο tokens. Αφήστε χώρο για το παραγόμενο κείμενο και το συσσωρευμένο ιστορικό εργαλείων μέσα στη ρύθμιση που χρησιμοποιείται. Ο δημιουργός συνιστά temperature 1.0 και top_p 0.95 για τοπική εκτέλεση. Αυτά είναι στοιχεία της συνταγής του παραγωγού, όχι εγγύηση ότι κάθε εφαρμογή εκθέτει πανομοιότυπα στοιχεία ελέγχου ή το ίδιο λειτουργικό παράθυρο.
Το MiMo-V2.5-Pro διαφέρει από το εγγενώς ομνιτροπικό συγγενικό MiMo-V2.5 και τη μεταγενέστερη σειρά V2.6. Χρησιμοποιήστε αυτή την έκδοση για το τεκμηριωμένο πεδίο γλωσσικών εργασιών και εργασιών πρακτόρων, χωρίς να της αποδίδετε τις δυνατότητες εικόνας ή ήχου άλλης έκδοσης. Το τελικό παραδοτέο μπορεί να είναι πρόταση κώδικα, εξήγηση υλοποίησης ή τεκμηριωμένη ανάλυση· ελέγξτε σημαντικούς υπολογισμούς, απαιτήσεις και αποτελέσματα εργαλείων με βάση το υλικό που δόθηκε για την εργασία.
POST /v1/messagestextjson, sse| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια xiaomi/mimo-v2.5-pro | Προεπιλογή— |
Πεδίοmessages | Τύποςmessage[] | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοmessages[].role | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια user, assistant | Προεπιλογή— |
Πεδίοmessages[].content | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοmax_tokens | Τύποςinteger | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοstream | Τύποςboolean | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογήfalse |
Κείμενο · Κείμενο UTF-8
Συμβολοσειρά messages[].content
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςcontent_type | Σύμβασηapplication/json |
Παράμετροςrequired | Σύμβασηmodel, messages, max_tokens |
Παράμετροςoptional_controls | Σύμβασηstream |
Παράμετροςmaterial_types | Σύμβασηtext |
Παράμετροςtext_file_material | ΣύμβασηΔιαβάστε το πραγματικό έγγραφο UTF-8 και τοποθετήστε το κείμενό του στην υποδεικνυόμενη συμβολοσειρά εισόδου ή περιεχομένου του μηνύματος. |
Κύκλος ζωής: synchronous_or_streamed
Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.
Αντιστοιχίστε κάθε χρέωση στις συνθήκες που εμφανίζονται. Χρησιμοποιήστε μία χρέωση ανά σύνολο εναλλακτικών διαμορφώσεων.
| Διαμόρφωση | Πίνακας χρεώσεων | Token συμφραζομένων, πάνω από | Token συμφραζομένων, έως και | Χρέωση |
|---|---|---|---|---|
| ΔιαμόρφωσηΒασικές χρεώσεις ανά token | Πίνακας χρεώσεωνΒασική χρέωση | Token συμφραζομένων, πάνω από— | Token συμφραζομένων, έως καιΧωρίς ανώτατο όριο | Χρέωση Είσοδος · Token εισόδου $0.00087 / 1K token Έξοδος · Token εξόδου $0.00174 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη $0.0000072 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token |
| ΔιαμόρφωσηΕπίπεδο 1 βάσει μήκους αιτήματος | Πίνακας χρεώσεων— | Token συμφραζομένων, πάνω από0 | Token συμφραζομένων, έως καιΧωρίς ανώτατο όριο | Χρέωση Είσοδος · Token εισόδου $0.00087 / 1K token Έξοδος · Token εξόδου $0.00174 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη $0.0000072 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη — / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token |
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
{\n "model": "xiaomi/mimo-v2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ή SSE
Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.
Διατηρήστε όλα τα μπλοκ περιεχομένου, τις υπογραφές συλλογιστικής και τα πραγματικά ID χρήσης εργαλείων. Συνθέστε όλες τις διαφορικές ενημερώσεις μπλοκ SSE· το πρώτο μπλοκ κειμένου δεν είναι η πλήρης έξοδος.
Διατηρήστε τα ID αιτήματος/απάντησης και τις κεφαλίδες. Δεν παρέχεται γενικό URL ανάκτησης εργασιών κειμένου.
| Πεδίο | Τύπος |
|---|---|
Πεδίοid | Τύποςstring |
Πεδίοmodel | Τύποςstring |
Πεδίοcontent[] | Τύποςtext|thinking|tool_use|other content block |
Πεδίοstop_reason | Τύποςstring|null |
Πεδίοusage | Τύποςobject |
| Απάντηση | Συνθήκη | Επόμενο βήμα |
|---|---|---|
Απάντηση400 · invalid_request_error | ΣυνθήκηΜη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου | Επόμενο βήμαΔιορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας. |
Ailoot Ultra xiaomi/mimo-v2.5-pro
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.
Τεχνικό παράδειγμα στα αγγλικά
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.