Base para el trabajo de agentes
MiMo-V2-Pro es el modelo fundacional insignia de Xiaomi para cargas complejas de agentes e ingeniería de software. Su función es razonar sobre una tarea, organizar los pasos necesarios y utilizar la información devuelta por herramientas para avanzar hacia un resultado definido. El énfasis del modelo va más allá de redactar una única respuesta: está diseñado para trabajo conectado en el que las decisiones y observaciones anteriores afectan a lo que ocurre después.
Escala y arquitectura eficiente
El fabricante describe más de un billón de parámetros totales y 42 mil millones de parámetros activos. Pro amplía el enfoque de atención híbrida de MiMo-V2-Flash y utiliza una proporción de 7:1 entre atención de ventana deslizante y atención global. Una capa ligera de predicción de múltiples tokens facilita la generación, y el contexto anunciado alcanza un millón de tokens. Estas son propiedades arquitectónicas y de contexto de Pro; no especifican la velocidad de ejecución, la asignación de memoria ni los límites de solicitudes de una integración concreta.
Linaje de la versión
Xiaomi identifica Hunter Alpha como una versión de prueba interna temprana anterior a MiMo-V2-Pro. El modelo Pro publicado tiene su propio nombre y mejoras para el trabajo con contextos largos y la estabilidad en escenarios de agentes. Esta distinción importa al comparar descripciones o conservar la identidad de un modelo: la versión de prueba anterior, MiMo-V2-Flash y MiMo-V2-Omni tienen cada una una función y una especificación propias.
Diseñado para agentes
El modelo se ajusta mediante aprendizaje supervisado y aprendizaje por refuerzo en diversos marcos de agentes, prestando atención a las llamadas a herramientas y al razonamiento de varios pasos. Prepara una tarea con una condición de finalización observable y descripciones de las herramientas disponibles. Por ejemplo, un asistente de proyecto puede recibir una solicitud de cambio, examinar los módulos proporcionados, proponer los componentes afectados y continuar después de que una herramienta devuelva un error de compilación. La salida útil es una secuencia de decisiones vinculadas a observaciones reales, seguida del código, la explicación o el resumen de trabajo solicitado. El entorno conectado realiza las acciones.
Ingeniería de software y tareas de frontend
Xiaomi destaca el diseño de sistemas, la planificación de tareas y la resolución de problemas orientada al código. Sus demostraciones incluyen páginas web interactivas y un juego para navegador producidos dentro de un entorno de agentes. Un encargo de desarrollo ilustrativo puede especificar el comportamiento de una página, la navegación, los estados de datos y un diseño adaptable, y después solicitar una implementación y comprobaciones frente a esos requisitos. Para un proyecto existente, proporciona los archivos actuales, el caso que falla y las interfaces que deben permanecer sin cambios. Pide un cambio delimitado y una explicación de las dependencias que afecta, en lugar de una aplicación sustituta ajena al problema.
Contexto largo y resultado verificable
El contexto de hasta un millón de tokens resulta útil cuando varios archivos, documentos, instrucciones y observaciones previas pertenecen a una misma tarea. Organiza ese material según su función: requisitos que rigen la tarea, código actual, ejemplos de referencia y resultados de herramientas. Especifica el entregable final y sus condiciones de aceptación antes de pedir al agente que continúe. Una tarea de documentación puede necesitar una comparación con preguntas pendientes; una tarea de ingeniería puede necesitar un parche y un registro de lo que se ha comprobado.
Limitaciones prácticas y alcance de la edición
Un contexto largo proporciona espacio para material, pero no garantiza que un proyecto generado sea correcto ni que se hayan satisfecho todos los requisitos. Devuelve los errores y las observaciones reales para el siguiente paso y valida el resultado en el entorno previsto. El fabricante presenta explícitamente la robustez en tareas reales complejas como algo que se debe evaluar y mejorar. Esta descripción cubre la especialización de MiMo-V2-Pro en agentes de texto y herramientas; las capacidades de modalidades de Omni y las especificaciones de generaciones posteriores de MiMo pertenecen a sus respectivos modelos. Las herramientas, los parámetros disponibles y el tratamiento de las salidas siguen siendo propiedades de la aplicación conectada.
", "aboutText": "Base para el trabajo de agentes\n\nMiMo-V2-Pro es el modelo fundacional insignia de Xiaomi para cargas complejas de agentes e ingeniería de software. Su función es razonar sobre una tarea, organizar los pasos necesarios y utilizar la información devuelta por herramientas para avanzar hacia un resultado definido. El énfasis del modelo va más allá de redactar una única respuesta: está diseñado para trabajo conectado en el que las decisiones y observaciones anteriores afectan a lo que ocurre después.\n\nEscala y arquitectura eficiente\n\nEl fabricante describe más de un billón de parámetros totales y 42 mil millones de parámetros activos. Pro amplía el enfoque de atención híbrida de MiMo-V2-Flash y utiliza una proporción de 7:1 entre atención de ventana deslizante y atención global. Una capa ligera de predicción de múltiples tokens facilita la generación, y el contexto anunciado alcanza un millón de tokens. Estas son propiedades arquitectónicas y de contexto de Pro; no especifican la velocidad de ejecución, la asignación de memoria ni los límites de solicitudes de una integración concreta.\n\nLinaje de la versión\n\nXiaomi identifica Hunter Alpha como una versión de prueba interna temprana anterior a MiMo-V2-Pro. El modelo Pro publicado tiene su propio nombre y mejoras para el trabajo con contextos largos y la estabilidad en escenarios de agentes. Esta distinción importa al comparar descripciones o conservar la identidad de un modelo: la versión de prueba anterior, MiMo-V2-Flash y MiMo-V2-Omni tienen cada una una función y una especificación propias.\n\nDiseñado para agentes\n\nEl modelo se ajusta mediante aprendizaje supervisado y aprendizaje por refuerzo en diversos marcos de agentes, prestando atención a las llamadas a herramientas y al razonamiento de varios pasos. Prepara una tarea con una condición de finalización observable y descripciones de las herramientas disponibles. Por ejemplo, un asistente de proyecto puede recibir una solicitud de cambio, examinar los módulos proporcionados, proponer los componentes afectados y continuar después de que una herramienta devuelva un error de compilación. La salida útil es una secuencia de decisiones vinculadas a observaciones reales, seguida del código, la explicación o el resumen de trabajo solicitado. El entorno conectado realiza las acciones.\n\nIngeniería de software y tareas de frontend\n\nXiaomi destaca el diseño de sistemas, la planificación de tareas y la resolución de problemas orientada al código. Sus demostraciones incluyen páginas web interactivas y un juego para navegador producidos dentro de un entorno de agentes. Un encargo de desarrollo ilustrativo puede especificar el comportamiento de una página, la navegación, los estados de datos y un diseño adaptable, y después solicitar una implementación y comprobaciones frente a esos requisitos. Para un proyecto existente, proporciona los archivos actuales, el caso que falla y las interfaces que deben permanecer sin cambios. Pide un cambio delimitado y una explicación de las dependencias que afecta, en lugar de una aplicación sustituta ajena al problema.\n\nContexto largo y resultado verificable\n\nEl contexto de hasta un millón de tokens resulta útil cuando varios archivos, documentos, instrucciones y observaciones previas pertenecen a una misma tarea. Organiza ese material según su función: requisitos que rigen la tarea, código actual, ejemplos de referencia y resultados de herramientas. Especifica el entregable final y sus condiciones de aceptación antes de pedir al agente que continúe. Una tarea de documentación puede necesitar una comparación con preguntas pendientes; una tarea de ingeniería puede necesitar un parche y un registro de lo que se ha comprobado.\n\nLimitaciones prácticas y alcance de la edición\n\nUn contexto largo proporciona espacio para material, pero no garantiza que un proyecto generado sea correcto ni que se hayan satisfecho todos los requisitos. Devuelve los errores y las observaciones reales para el siguiente paso y valida el resultado en el entorno previsto. El fabricante presenta explícitamente la robustez en tareas reales complejas como algo que se debe evaluar y mejorar. Esta descripción cubre la especialización de MiMo-V2-Pro en agentes de texto y herramientas; las capacidades de modalidades de Omni y las especificaciones de generaciones posteriores de MiMo pertenecen a sus respectivos modelos. Las herramientas, los parámetros disponibles y el tratamiento de las salidas siguen siendo propiedades de la aplicación conectada.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Correct an error-state transition\n\nA text specification says a search box has idle, loading, results and error states. Existing logic sets loading=true before fetch and false only on success, so failures leave the spinner visible. Propose pseudocode that preserves results on success, shows an error on failure and always clears loading. Include the two distinguishing checks.Focused async pseudocode and success/failure checks covering final loading state and visible result or error.Check that loading is cleared in both branches without suppressing the error.mimo-v2-proMiMo-V2-Pro es el modelo de texto de Xiaomi orientado a agentes para ingeniería de software, planificación de varios pasos y trabajo mediante herramientas. Su contexto de hasta un millón de tokens ayuda a mantener un volumen considerable de material del proyecto, restricciones de la tarea y observaciones sucesivas dentro de un flujo de trabajo coherente.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Base para el trabajo de agentes
MiMo-V2-Pro es el modelo fundacional insignia de Xiaomi para cargas complejas de agentes e ingeniería de software. Su función es razonar sobre una tarea, organizar los pasos necesarios y utilizar la información devuelta por herramientas para avanzar hacia un resultado definido. El énfasis del modelo va más allá de redactar una única respuesta: está diseñado para trabajo conectado en el que las decisiones y observaciones anteriores afectan a lo que ocurre después.
Escala y arquitectura eficiente
El fabricante describe más de un billón de parámetros totales y 42 mil millones de parámetros activos. Pro amplía el enfoque de atención híbrida de MiMo-V2-Flash y utiliza una proporción de 7:1 entre atención de ventana deslizante y atención global. Una capa ligera de predicción de múltiples tokens facilita la generación, y el contexto anunciado alcanza un millón de tokens. Estas son propiedades arquitectónicas y de contexto de Pro; no especifican la velocidad de ejecución, la asignación de memoria ni los límites de solicitudes de una integración concreta.
Linaje de la versión
Xiaomi identifica Hunter Alpha como una versión de prueba interna temprana anterior a MiMo-V2-Pro. El modelo Pro publicado tiene su propio nombre y mejoras para el trabajo con contextos largos y la estabilidad en escenarios de agentes. Esta distinción importa al comparar descripciones o conservar la identidad de un modelo: la versión de prueba anterior, MiMo-V2-Flash y MiMo-V2-Omni tienen cada una una función y una especificación propias.
Diseñado para agentes
El modelo se ajusta mediante aprendizaje supervisado y aprendizaje por refuerzo en diversos marcos de agentes, prestando atención a las llamadas a herramientas y al razonamiento de varios pasos. Prepara una tarea con una condición de finalización observable y descripciones de las herramientas disponibles. Por ejemplo, un asistente de proyecto puede recibir una solicitud de cambio, examinar los módulos proporcionados, proponer los componentes afectados y continuar después de que una herramienta devuelva un error de compilación. La salida útil es una secuencia de decisiones vinculadas a observaciones reales, seguida del código, la explicación o el resumen de trabajo solicitado. El entorno conectado realiza las acciones.
Ingeniería de software y tareas de frontend
Xiaomi destaca el diseño de sistemas, la planificación de tareas y la resolución de problemas orientada al código. Sus demostraciones incluyen páginas web interactivas y un juego para navegador producidos dentro de un entorno de agentes. Un encargo de desarrollo ilustrativo puede especificar el comportamiento de una página, la navegación, los estados de datos y un diseño adaptable, y después solicitar una implementación y comprobaciones frente a esos requisitos. Para un proyecto existente, proporciona los archivos actuales, el caso que falla y las interfaces que deben permanecer sin cambios. Pide un cambio delimitado y una explicación de las dependencias que afecta, en lugar de una aplicación sustituta ajena al problema.
Contexto largo y resultado verificable
El contexto de hasta un millón de tokens resulta útil cuando varios archivos, documentos, instrucciones y observaciones previas pertenecen a una misma tarea. Organiza ese material según su función: requisitos que rigen la tarea, código actual, ejemplos de referencia y resultados de herramientas. Especifica el entregable final y sus condiciones de aceptación antes de pedir al agente que continúe. Una tarea de documentación puede necesitar una comparación con preguntas pendientes; una tarea de ingeniería puede necesitar un parche y un registro de lo que se ha comprobado.
Limitaciones prácticas y alcance de la edición
Un contexto largo proporciona espacio para material, pero no garantiza que un proyecto generado sea correcto ni que se hayan satisfecho todos los requisitos. Devuelve los errores y las observaciones reales para el siguiente paso y valida el resultado en el entorno previsto. El fabricante presenta explícitamente la robustez en tareas reales complejas como algo que se debe evaluar y mejorar. Esta descripción cubre la especialización de MiMo-V2-Pro en agentes de texto y herramientas; las capacidades de modalidades de Omni y las especificaciones de generaciones posteriores de MiMo pertenecen a sus respectivos modelos. Las herramientas, los parámetros disponibles y el tratamiento de las salidas siguen siendo propiedades de la aplicación conectada.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mimo-v2-pro | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0022 / 1K tokens Salida · Tokens de salida $0.0066 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mimo-v2-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='mimo-v2-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='mimo-v2-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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra mimo-v2-pro
Usa las rutas de método indicadas arriba.
mimo-v2-proMiMo-V2-Pro es el modelo de texto de Xiaomi orientado a agentes para ingeniería de software, planificación de varios pasos y trabajo mediante herramientas. Su contexto de hasta un millón de tokens ayuda a mantener un volumen considerable de material del proyecto, restricciones de la tarea y observaciones sucesivas dentro de un flujo de trabajo coherente.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Base para el trabajo de agentes
MiMo-V2-Pro es el modelo fundacional insignia de Xiaomi para cargas complejas de agentes e ingeniería de software. Su función es razonar sobre una tarea, organizar los pasos necesarios y utilizar la información devuelta por herramientas para avanzar hacia un resultado definido. El énfasis del modelo va más allá de redactar una única respuesta: está diseñado para trabajo conectado en el que las decisiones y observaciones anteriores afectan a lo que ocurre después.
Escala y arquitectura eficiente
El fabricante describe más de un billón de parámetros totales y 42 mil millones de parámetros activos. Pro amplía el enfoque de atención híbrida de MiMo-V2-Flash y utiliza una proporción de 7:1 entre atención de ventana deslizante y atención global. Una capa ligera de predicción de múltiples tokens facilita la generación, y el contexto anunciado alcanza un millón de tokens. Estas son propiedades arquitectónicas y de contexto de Pro; no especifican la velocidad de ejecución, la asignación de memoria ni los límites de solicitudes de una integración concreta.
Linaje de la versión
Xiaomi identifica Hunter Alpha como una versión de prueba interna temprana anterior a MiMo-V2-Pro. El modelo Pro publicado tiene su propio nombre y mejoras para el trabajo con contextos largos y la estabilidad en escenarios de agentes. Esta distinción importa al comparar descripciones o conservar la identidad de un modelo: la versión de prueba anterior, MiMo-V2-Flash y MiMo-V2-Omni tienen cada una una función y una especificación propias.
Diseñado para agentes
El modelo se ajusta mediante aprendizaje supervisado y aprendizaje por refuerzo en diversos marcos de agentes, prestando atención a las llamadas a herramientas y al razonamiento de varios pasos. Prepara una tarea con una condición de finalización observable y descripciones de las herramientas disponibles. Por ejemplo, un asistente de proyecto puede recibir una solicitud de cambio, examinar los módulos proporcionados, proponer los componentes afectados y continuar después de que una herramienta devuelva un error de compilación. La salida útil es una secuencia de decisiones vinculadas a observaciones reales, seguida del código, la explicación o el resumen de trabajo solicitado. El entorno conectado realiza las acciones.
Ingeniería de software y tareas de frontend
Xiaomi destaca el diseño de sistemas, la planificación de tareas y la resolución de problemas orientada al código. Sus demostraciones incluyen páginas web interactivas y un juego para navegador producidos dentro de un entorno de agentes. Un encargo de desarrollo ilustrativo puede especificar el comportamiento de una página, la navegación, los estados de datos y un diseño adaptable, y después solicitar una implementación y comprobaciones frente a esos requisitos. Para un proyecto existente, proporciona los archivos actuales, el caso que falla y las interfaces que deben permanecer sin cambios. Pide un cambio delimitado y una explicación de las dependencias que afecta, en lugar de una aplicación sustituta ajena al problema.
Contexto largo y resultado verificable
El contexto de hasta un millón de tokens resulta útil cuando varios archivos, documentos, instrucciones y observaciones previas pertenecen a una misma tarea. Organiza ese material según su función: requisitos que rigen la tarea, código actual, ejemplos de referencia y resultados de herramientas. Especifica el entregable final y sus condiciones de aceptación antes de pedir al agente que continúe. Una tarea de documentación puede necesitar una comparación con preguntas pendientes; una tarea de ingeniería puede necesitar un parche y un registro de lo que se ha comprobado.
Limitaciones prácticas y alcance de la edición
Un contexto largo proporciona espacio para material, pero no garantiza que un proyecto generado sea correcto ni que se hayan satisfecho todos los requisitos. Devuelve los errores y las observaciones reales para el siguiente paso y valida el resultado en el entorno previsto. El fabricante presenta explícitamente la robustez en tareas reales complejas como algo que se debe evaluar y mejorar. Esta descripción cubre la especialización de MiMo-V2-Pro en agentes de texto y herramientas; las capacidades de modalidades de Omni y las especificaciones de generaciones posteriores de MiMo pertenecen a sus respectivos modelos. Las herramientas, los parámetros disponibles y el tratamiento de las salidas siguen siendo propiedades de la aplicación conectada.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mimo-v2-pro | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0022 / 1K tokens Salida · Tokens de salida $0.0066 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "mimo-v2-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mimo-v2-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': 'mimo-v2-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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra mimo-v2-pro
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Correct an error-state transition\n\nA text specification says a search box has idle, loading, results and error states. Existing logic sets loading=true before fetch and false only on success, so failures leave the spinner visible. Propose pseudocode that preserves results on success, shows an error on failure and always clears loading. Include the two distinguishing checks.Focused async pseudocode and success/failure checks covering final loading state and visible result or error.Check that loading is cleared in both branches without suppressing the error.