MiMo-V2.5-Pro es el gran modelo de mezcla de expertos de Xiaomi centrado en texto para trabajo exigente con agentes, ingeniería de software compleja y tareas que requieren muchos pasos conectados. El fabricante describe 1.02 billones de parámetros totales, 42 mil millones de parámetros activos y un contexto de hasta un millón de tokens. Su propósito es mantener las instrucciones de la tarea y las pruebas acumuladas mientras una aplicación de apoyo proporciona herramientas y devuelve sus resultados.
El modelo combina atención de ventana deslizante con atención global en una proporción de 6:1. La ventana local es de 128 tokens, mientras que las capas de atención global conectan información a lo largo del historial más extenso. Se trata de la arquitectura de atención, no de una restricción de 128 tokens sobre la entrada del usuario. La arquitectura base tiene 70 capas y un enrutamiento disperso de expertos, con ocho expertos enrutados seleccionados por token. Tres módulos de predicción de múltiples tokens se integran en el diseño de entrenamiento e inferencia para facilitar la decodificación especulativa.
El fabricante describe un preentrenamiento con 27 billones de tokens, seguido de ajuste fino supervisado, aprendizaje por refuerzo especializado por dominio y destilación on-policy con múltiples modelos maestros. Los maestros especializados abarcan áreas como matemáticas, seguridad y uso complejo de herramientas, y la etapa final reúne sus orientaciones en un único modelo. Ese enfoque de entrenamiento respalda el papel del modelo en flujos de trabajo prolongados de software y agentes; una tarea concreta sigue necesitando requisitos aportados y una forma de determinar si su resultado está completo.
Para un cambio de software, proporciona los archivos pertinentes, un error observado o el comportamiento solicitado, las convenciones del proyecto y las comprobaciones importantes. Una instrucción útil consiste en identificar el comportamiento afectado, proponer una implementación acotada y explicar cómo verificar tanto el caso deseado como un caso límite significativo. Conserva los identificadores exactos que utiliza el proyecto. Si el entorno permite ejecutar código, devuelve la salida real de la comprobación en lugar de pedir al modelo que dé por hecho que un parche plausible funciona.
Para una tarea más prolongada con agentes, mantén un registro conciso del objetivo, las decisiones ya tomadas y las pruebas devueltas por las herramientas. Indica qué puede cambiar cada operación y qué resultado justificaría el siguiente paso. El modelo puede ayudar a razonar sobre esas interacciones y preparar la siguiente solicitud, pero la aplicación que lo rodea ejecuta sus operaciones. Conserva los errores y las condiciones sin resolver en el informe final para que una secuencia prolongada no oculte un paso fallido detrás de una explicación fluida.
El contexto amplio puede resultar útil para comparar implementaciones o sintetizar varios documentos extensos. Marca los límites entre archivos y documentos, identifica las secciones que debe utilizar la respuesta e indica el formato de salida requerido. Por ejemplo, pide una propuesta de migración que relacione cada componente afectado con un requisito e identifique por separado la información que falta. Conserva junto al resultado los pasajes de apoyo o las ubicaciones del código para que quien lo revise pueda seguir el razonamiento hasta la entrada original.
El ejemplo de despliegue publicado por Xiaomi utiliza una configuración de contexto de 1,048,576 tokens, mientras que su resumen describe el modelo como compatible con hasta 1M de tokens. Deja espacio para el texto generado y el historial acumulado de herramientas dentro de la configuración utilizada. El fabricante recomienda temperature 1.0 y top_p 0.95 para la inferencia local. Son detalles de la receta del productor, no una garantía de que todas las aplicaciones expongan controles idénticos o la misma ventana de trabajo.
MiMo-V2.5-Pro es distinto de su modelo hermano nativamente omnimodal MiMo-V2.5 y de la posterior serie V2.6. Utiliza esta edición para su ámbito documentado de tareas lingüísticas y con agentes, sin atribuirle las condiciones de visión o audio de otra edición. El resultado final puede ser una propuesta de código, una explicación de implementación o un análisis basado en pruebas; comprueba los cálculos importantes, los requisitos y los resultados de las herramientas con el material aportado para la tarea.
", "aboutText": "MiMo-V2.5-Pro es el gran modelo de mezcla de expertos de Xiaomi centrado en texto para trabajo exigente con agentes, ingeniería de software compleja y tareas que requieren muchos pasos conectados. El fabricante describe 1.02 billones de parámetros totales, 42 mil millones de parámetros activos y un contexto de hasta un millón de tokens. Su propósito es mantener las instrucciones de la tarea y las pruebas acumuladas mientras una aplicación de apoyo proporciona herramientas y devuelve sus resultados.\n\nEl modelo combina atención de ventana deslizante con atención global en una proporción de 6:1. La ventana local es de 128 tokens, mientras que las capas de atención global conectan información a lo largo del historial más extenso. Se trata de la arquitectura de atención, no de una restricción de 128 tokens sobre la entrada del usuario. La arquitectura base tiene 70 capas y un enrutamiento disperso de expertos, con ocho expertos enrutados seleccionados por token. Tres módulos de predicción de múltiples tokens se integran en el diseño de entrenamiento e inferencia para facilitar la decodificación especulativa.\n\nEl fabricante describe un preentrenamiento con 27 billones de tokens, seguido de ajuste fino supervisado, aprendizaje por refuerzo especializado por dominio y destilación on-policy con múltiples modelos maestros. Los maestros especializados abarcan áreas como matemáticas, seguridad y uso complejo de herramientas, y la etapa final reúne sus orientaciones en un único modelo. Ese enfoque de entrenamiento respalda el papel del modelo en flujos de trabajo prolongados de software y agentes; una tarea concreta sigue necesitando requisitos aportados y una forma de determinar si su resultado está completo.\n\nPara un cambio de software, proporciona los archivos pertinentes, un error observado o el comportamiento solicitado, las convenciones del proyecto y las comprobaciones importantes. Una instrucción útil consiste en identificar el comportamiento afectado, proponer una implementación acotada y explicar cómo verificar tanto el caso deseado como un caso límite significativo. Conserva los identificadores exactos que utiliza el proyecto. Si el entorno permite ejecutar código, devuelve la salida real de la comprobación en lugar de pedir al modelo que dé por hecho que un parche plausible funciona.\n\nPara una tarea más prolongada con agentes, mantén un registro conciso del objetivo, las decisiones ya tomadas y las pruebas devueltas por las herramientas. Indica qué puede cambiar cada operación y qué resultado justificaría el siguiente paso. El modelo puede ayudar a razonar sobre esas interacciones y preparar la siguiente solicitud, pero la aplicación que lo rodea ejecuta sus operaciones. Conserva los errores y las condiciones sin resolver en el informe final para que una secuencia prolongada no oculte un paso fallido detrás de una explicación fluida.\n\nEl contexto amplio puede resultar útil para comparar implementaciones o sintetizar varios documentos extensos. Marca los límites entre archivos y documentos, identifica las secciones que debe utilizar la respuesta e indica el formato de salida requerido. Por ejemplo, pide una propuesta de migración que relacione cada componente afectado con un requisito e identifique por separado la información que falta. Conserva junto al resultado los pasajes de apoyo o las ubicaciones del código para que quien lo revise pueda seguir el razonamiento hasta la entrada original.\n\nEl ejemplo de despliegue publicado por Xiaomi utiliza una configuración de contexto de 1,048,576 tokens, mientras que su resumen describe el modelo como compatible con hasta 1M de tokens. Deja espacio para el texto generado y el historial acumulado de herramientas dentro de la configuración utilizada. El fabricante recomienda temperature 1.0 y top_p 0.95 para la inferencia local. Son detalles de la receta del productor, no una garantía de que todas las aplicaciones expongan controles idénticos o la misma ventana de trabajo.\n\nMiMo-V2.5-Pro es distinto de su modelo hermano nativamente omnimodal MiMo-V2.5 y de la posterior serie V2.6. Utiliza esta edición para su ámbito documentado de tareas lingüísticas y con agentes, sin atribuirle las condiciones de visión o audio de otra edición. El resultado final puede ser una propuesta de código, una explicación de implementación o un análisis basado en pruebas; comprueba los cálculos importantes, los requisitos y los resultados de las herramientas con el material aportado para la tarea.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
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 es el modelo de Xiaomi centrado en texto para ingeniería de software compleja y flujos de trabajo prolongados con agentes. Su perfil publicado combina una arquitectura MoE de 1.02T de parámetros, 42B de parámetros activos y hasta un millón de tokens de contexto, con un entrenamiento orientado al uso coherente de herramientas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
MiMo-V2.5-Pro es el gran modelo de mezcla de expertos de Xiaomi centrado en texto para trabajo exigente con agentes, ingeniería de software compleja y tareas que requieren muchos pasos conectados. El fabricante describe 1.02 billones de parámetros totales, 42 mil millones de parámetros activos y un contexto de hasta un millón de tokens. Su propósito es mantener las instrucciones de la tarea y las pruebas acumuladas mientras una aplicación de apoyo proporciona herramientas y devuelve sus resultados.
El modelo combina atención de ventana deslizante con atención global en una proporción de 6:1. La ventana local es de 128 tokens, mientras que las capas de atención global conectan información a lo largo del historial más extenso. Se trata de la arquitectura de atención, no de una restricción de 128 tokens sobre la entrada del usuario. La arquitectura base tiene 70 capas y un enrutamiento disperso de expertos, con ocho expertos enrutados seleccionados por token. Tres módulos de predicción de múltiples tokens se integran en el diseño de entrenamiento e inferencia para facilitar la decodificación especulativa.
El fabricante describe un preentrenamiento con 27 billones de tokens, seguido de ajuste fino supervisado, aprendizaje por refuerzo especializado por dominio y destilación on-policy con múltiples modelos maestros. Los maestros especializados abarcan áreas como matemáticas, seguridad y uso complejo de herramientas, y la etapa final reúne sus orientaciones en un único modelo. Ese enfoque de entrenamiento respalda el papel del modelo en flujos de trabajo prolongados de software y agentes; una tarea concreta sigue necesitando requisitos aportados y una forma de determinar si su resultado está completo.
Para un cambio de software, proporciona los archivos pertinentes, un error observado o el comportamiento solicitado, las convenciones del proyecto y las comprobaciones importantes. Una instrucción útil consiste en identificar el comportamiento afectado, proponer una implementación acotada y explicar cómo verificar tanto el caso deseado como un caso límite significativo. Conserva los identificadores exactos que utiliza el proyecto. Si el entorno permite ejecutar código, devuelve la salida real de la comprobación en lugar de pedir al modelo que dé por hecho que un parche plausible funciona.
Para una tarea más prolongada con agentes, mantén un registro conciso del objetivo, las decisiones ya tomadas y las pruebas devueltas por las herramientas. Indica qué puede cambiar cada operación y qué resultado justificaría el siguiente paso. El modelo puede ayudar a razonar sobre esas interacciones y preparar la siguiente solicitud, pero la aplicación que lo rodea ejecuta sus operaciones. Conserva los errores y las condiciones sin resolver en el informe final para que una secuencia prolongada no oculte un paso fallido detrás de una explicación fluida.
El contexto amplio puede resultar útil para comparar implementaciones o sintetizar varios documentos extensos. Marca los límites entre archivos y documentos, identifica las secciones que debe utilizar la respuesta e indica el formato de salida requerido. Por ejemplo, pide una propuesta de migración que relacione cada componente afectado con un requisito e identifique por separado la información que falta. Conserva junto al resultado los pasajes de apoyo o las ubicaciones del código para que quien lo revise pueda seguir el razonamiento hasta la entrada original.
El ejemplo de despliegue publicado por Xiaomi utiliza una configuración de contexto de 1,048,576 tokens, mientras que su resumen describe el modelo como compatible con hasta 1M de tokens. Deja espacio para el texto generado y el historial acumulado de herramientas dentro de la configuración utilizada. El fabricante recomienda temperature 1.0 y top_p 0.95 para la inferencia local. Son detalles de la receta del productor, no una garantía de que todas las aplicaciones expongan controles idénticos o la misma ventana de trabajo.
MiMo-V2.5-Pro es distinto de su modelo hermano nativamente omnimodal MiMo-V2.5 y de la posterior serie V2.6. Utiliza esta edición para su ámbito documentado de tareas lingüísticas y con agentes, sin atribuirle las condiciones de visión o audio de otra edición. El resultado final puede ser una propuesta de código, una explicación de implementación o un análisis basado en pruebas; comprueba los cálculos importantes, los requisitos y los resultados de las herramientas con el material aportado para la tarea.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites xiaomi/mimo-v2.5-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.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00087 / 1K tokens Salida · Tokens de salida $0.00174 / 1K tokens Entrada · Lectura de caché $0.0000072 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00087 / 1K tokens Salida · Tokens de salida $0.00174 / 1K tokens Entrada · Lectura de caché $0.0000072 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "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 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 xiaomi/mimo-v2.5-pro
Usa las rutas de método indicadas arriba.
xiaomi/mimo-v2.5-proMiMo-V2.5-Pro es el modelo de Xiaomi centrado en texto para ingeniería de software compleja y flujos de trabajo prolongados con agentes. Su perfil publicado combina una arquitectura MoE de 1.02T de parámetros, 42B de parámetros activos y hasta un millón de tokens de contexto, con un entrenamiento orientado al uso coherente de herramientas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
MiMo-V2.5-Pro es el gran modelo de mezcla de expertos de Xiaomi centrado en texto para trabajo exigente con agentes, ingeniería de software compleja y tareas que requieren muchos pasos conectados. El fabricante describe 1.02 billones de parámetros totales, 42 mil millones de parámetros activos y un contexto de hasta un millón de tokens. Su propósito es mantener las instrucciones de la tarea y las pruebas acumuladas mientras una aplicación de apoyo proporciona herramientas y devuelve sus resultados.
El modelo combina atención de ventana deslizante con atención global en una proporción de 6:1. La ventana local es de 128 tokens, mientras que las capas de atención global conectan información a lo largo del historial más extenso. Se trata de la arquitectura de atención, no de una restricción de 128 tokens sobre la entrada del usuario. La arquitectura base tiene 70 capas y un enrutamiento disperso de expertos, con ocho expertos enrutados seleccionados por token. Tres módulos de predicción de múltiples tokens se integran en el diseño de entrenamiento e inferencia para facilitar la decodificación especulativa.
El fabricante describe un preentrenamiento con 27 billones de tokens, seguido de ajuste fino supervisado, aprendizaje por refuerzo especializado por dominio y destilación on-policy con múltiples modelos maestros. Los maestros especializados abarcan áreas como matemáticas, seguridad y uso complejo de herramientas, y la etapa final reúne sus orientaciones en un único modelo. Ese enfoque de entrenamiento respalda el papel del modelo en flujos de trabajo prolongados de software y agentes; una tarea concreta sigue necesitando requisitos aportados y una forma de determinar si su resultado está completo.
Para un cambio de software, proporciona los archivos pertinentes, un error observado o el comportamiento solicitado, las convenciones del proyecto y las comprobaciones importantes. Una instrucción útil consiste en identificar el comportamiento afectado, proponer una implementación acotada y explicar cómo verificar tanto el caso deseado como un caso límite significativo. Conserva los identificadores exactos que utiliza el proyecto. Si el entorno permite ejecutar código, devuelve la salida real de la comprobación en lugar de pedir al modelo que dé por hecho que un parche plausible funciona.
Para una tarea más prolongada con agentes, mantén un registro conciso del objetivo, las decisiones ya tomadas y las pruebas devueltas por las herramientas. Indica qué puede cambiar cada operación y qué resultado justificaría el siguiente paso. El modelo puede ayudar a razonar sobre esas interacciones y preparar la siguiente solicitud, pero la aplicación que lo rodea ejecuta sus operaciones. Conserva los errores y las condiciones sin resolver en el informe final para que una secuencia prolongada no oculte un paso fallido detrás de una explicación fluida.
El contexto amplio puede resultar útil para comparar implementaciones o sintetizar varios documentos extensos. Marca los límites entre archivos y documentos, identifica las secciones que debe utilizar la respuesta e indica el formato de salida requerido. Por ejemplo, pide una propuesta de migración que relacione cada componente afectado con un requisito e identifique por separado la información que falta. Conserva junto al resultado los pasajes de apoyo o las ubicaciones del código para que quien lo revise pueda seguir el razonamiento hasta la entrada original.
El ejemplo de despliegue publicado por Xiaomi utiliza una configuración de contexto de 1,048,576 tokens, mientras que su resumen describe el modelo como compatible con hasta 1M de tokens. Deja espacio para el texto generado y el historial acumulado de herramientas dentro de la configuración utilizada. El fabricante recomienda temperature 1.0 y top_p 0.95 para la inferencia local. Son detalles de la receta del productor, no una garantía de que todas las aplicaciones expongan controles idénticos o la misma ventana de trabajo.
MiMo-V2.5-Pro es distinto de su modelo hermano nativamente omnimodal MiMo-V2.5 y de la posterior serie V2.6. Utiliza esta edición para su ámbito documentado de tareas lingüísticas y con agentes, sin atribuirle las condiciones de visión o audio de otra edición. El resultado final puede ser una propuesta de código, una explicación de implementación o un análisis basado en pruebas; comprueba los cálculos importantes, los requisitos y los resultados de las herramientas con el material aportado para la tarea.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites xiaomi/mimo-v2.5-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.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00087 / 1K tokens Salida · Tokens de salida $0.00174 / 1K tokens Entrada · Lectura de caché $0.0000072 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00087 / 1K tokens Salida · Tokens de salida $0.00174 / 1K tokens Entrada · Lectura de caché $0.0000072 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "xiaomi/mimo-v2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 xiaomi/mimo-v2.5-pro
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
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.