Perfil del modelo y ediciones
MiMo-V2-Flash es el modelo de lenguaje de Xiaomi para razonamiento y flujos de trabajo con agentes. Su arquitectura de mezcla de expertos tiene 309 mil millones de parámetros totales y 15 mil millones de parámetros activos. El modelo publicado indica una longitud de contexto de 256K tokens; el ejemplo de inferencia del fabricante configura 262,144 tokens. Recibe texto y produce texto, incluidas explicaciones, código y la información necesaria para interactuar con herramientas. Flash-Base y la versión Flash con entrenamiento posterior son ediciones con nombres y funciones distintos.
Atención híbrida y predicción
La arquitectura combina atención de ventana deslizante y atención global en una proporción de 5:1. La ventana de atención local es de 128 tokens, mientras que la atención global mantiene las conexiones a lo largo del material más extenso. El preentrenamiento utiliza una longitud de secuencia nativa de 32K y el modelo publicado admite el contexto más largo de 256K. Un módulo ligero de predicción de múltiples tokens se integra en el entrenamiento y la inferencia. Son propiedades del diseño del modelo; no especifican la rapidez con la que una aplicación concreta devolverá una respuesta.
Entrenamiento posterior para razonamiento y agentes
MiMo-V2-Flash utiliza Multi-Teacher On-Policy Distillation, con modelos maestros específicos de cada dominio que orientan sus propias respuestas generadas, seguido de aprendizaje por refuerzo con agentes a gran escala. El entrenamiento abarca entornos de agentes de código y se amplía a matemáticas y tareas generales con agentes. Durante el entrenamiento para desarrollo web se utiliza un verificador basado en visión para evaluar los resultados ejecutados. Ese verificador forma parte del proceso de entrenamiento y no convierte este modelo de texto en un modelo con entrada de imágenes o vídeo.
Programación y preparación de documentos
Para una tarea de programación, proporciona los archivos pertinentes como texto, el fallo observado, una entrada que lo demuestre y el comportamiento que debe permanecer intacto. Una solicitud ilustrativa puede pedir un parche pequeño, una explicación de las dependencias afectadas y comprobaciones del resultado esperado. Para material textual extenso, identifica las secciones importantes y pide una comparación vinculada a sus pasajes. Mantén concreta la salida: código corregido, una tabla de discrepancias, un cálculo con sus supuestos o una siguiente acción propuesta.
Razonamiento, herramientas e historial de conversación
El ejemplo de razonamiento publicado habilita un modo de razonamiento y el fabricante especifica un analizador dedicado de llamadas a herramientas. En el uso de herramientas de varios turnos, la respuesta puede incluir reasoning_content junto a tool_calls. La siguiente solicitud debe conservar el reasoning_content anterior en el historial de conversación para que la secuencia de razonamiento y herramientas continúe correctamente. La aplicación proporciona y ejecuta las herramientas; el modelo elige cómo utilizar sus resultados. Esto convierte la preparación del historial en un requisito de integración sustancial, en lugar de tratar el último mensaje del usuario como la tarea completa.
Recomendaciones del fabricante y límites
La guía de uso recomienda top_p de 0.95, temperature 0.8 para tareas de matemáticas, escritura y desarrollo web, y temperature 0.3 para tareas con agentes. También recomienda un mensaje de sistema que identifique a MiMo como el asistente de Xiaomi, con la fecha actual y un corte de conocimiento en diciembre de 2024. Aporta hechos recientes cuando la tarea dependa de acontecimientos posteriores. El presupuesto de respuesta de 4096 tokens de la solicitud publicada es un ajuste de ejemplo, no una longitud máxima de salida declarada. MiMo-V2-Flash conserva su propia identidad junto a Flash-Base, Pro y Omni; las especificaciones de contexto o modalidad deben corresponder a cada edición.
", "aboutText": "Perfil del modelo y ediciones\n\nMiMo-V2-Flash es el modelo de lenguaje de Xiaomi para razonamiento y flujos de trabajo con agentes. Su arquitectura de mezcla de expertos tiene 309 mil millones de parámetros totales y 15 mil millones de parámetros activos. El modelo publicado indica una longitud de contexto de 256K tokens; el ejemplo de inferencia del fabricante configura 262,144 tokens. Recibe texto y produce texto, incluidas explicaciones, código y la información necesaria para interactuar con herramientas. Flash-Base y la versión Flash con entrenamiento posterior son ediciones con nombres y funciones distintos.\n\nAtención híbrida y predicción\n\nLa arquitectura combina atención de ventana deslizante y atención global en una proporción de 5:1. La ventana de atención local es de 128 tokens, mientras que la atención global mantiene las conexiones a lo largo del material más extenso. El preentrenamiento utiliza una longitud de secuencia nativa de 32K y el modelo publicado admite el contexto más largo de 256K. Un módulo ligero de predicción de múltiples tokens se integra en el entrenamiento y la inferencia. Son propiedades del diseño del modelo; no especifican la rapidez con la que una aplicación concreta devolverá una respuesta.\n\nEntrenamiento posterior para razonamiento y agentes\n\nMiMo-V2-Flash utiliza Multi-Teacher On-Policy Distillation, con modelos maestros específicos de cada dominio que orientan sus propias respuestas generadas, seguido de aprendizaje por refuerzo con agentes a gran escala. El entrenamiento abarca entornos de agentes de código y se amplía a matemáticas y tareas generales con agentes. Durante el entrenamiento para desarrollo web se utiliza un verificador basado en visión para evaluar los resultados ejecutados. Ese verificador forma parte del proceso de entrenamiento y no convierte este modelo de texto en un modelo con entrada de imágenes o vídeo.\n\nProgramación y preparación de documentos\n\nPara una tarea de programación, proporciona los archivos pertinentes como texto, el fallo observado, una entrada que lo demuestre y el comportamiento que debe permanecer intacto. Una solicitud ilustrativa puede pedir un parche pequeño, una explicación de las dependencias afectadas y comprobaciones del resultado esperado. Para material textual extenso, identifica las secciones importantes y pide una comparación vinculada a sus pasajes. Mantén concreta la salida: código corregido, una tabla de discrepancias, un cálculo con sus supuestos o una siguiente acción propuesta.\n\nRazonamiento, herramientas e historial de conversación\n\nEl ejemplo de razonamiento publicado habilita un modo de razonamiento y el fabricante especifica un analizador dedicado de llamadas a herramientas. En el uso de herramientas de varios turnos, la respuesta puede incluir reasoning_content junto a tool_calls. La siguiente solicitud debe conservar el reasoning_content anterior en el historial de conversación para que la secuencia de razonamiento y herramientas continúe correctamente. La aplicación proporciona y ejecuta las herramientas; el modelo elige cómo utilizar sus resultados. Esto convierte la preparación del historial en un requisito de integración sustancial, en lugar de tratar el último mensaje del usuario como la tarea completa.\n\nRecomendaciones del fabricante y límites\n\nLa guía de uso recomienda top_p de 0.95, temperature 0.8 para tareas de matemáticas, escritura y desarrollo web, y temperature 0.3 para tareas con agentes. También recomienda un mensaje de sistema que identifique a MiMo como el asistente de Xiaomi, con la fecha actual y un corte de conocimiento en diciembre de 2024. Aporta hechos recientes cuando la tarea dependa de acontecimientos posteriores. El presupuesto de respuesta de 4096 tokens de la solicitud publicada es un ajuste de ejemplo, no una longitud máxima de salida declarada. MiMo-V2-Flash conserva su propia identidad junto a Flash-Base, Pro y Omni; las especificaciones de contexto o modalidad deben corresponder a cada edición.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "4ad570025865e3f0f3b5e90d5953cc0e2caf65b52d2078bc68f552742cf5de87", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "xiaomimimo/mimo-v2-flashMiMo-V2-Flash es el modelo de texto de Xiaomi para razonamiento, programación y trabajo con agentes asistido por herramientas. Su contexto de 256K, la atención híbrida y su versión diferenciada con entrenamiento posterior se adaptan a tareas que conectan material textual extenso con una respuesta concreta, un cambio de código o una siguiente acción.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Perfil del modelo y ediciones
MiMo-V2-Flash es el modelo de lenguaje de Xiaomi para razonamiento y flujos de trabajo con agentes. Su arquitectura de mezcla de expertos tiene 309 mil millones de parámetros totales y 15 mil millones de parámetros activos. El modelo publicado indica una longitud de contexto de 256K tokens; el ejemplo de inferencia del fabricante configura 262,144 tokens. Recibe texto y produce texto, incluidas explicaciones, código y la información necesaria para interactuar con herramientas. Flash-Base y la versión Flash con entrenamiento posterior son ediciones con nombres y funciones distintos.
Atención híbrida y predicción
La arquitectura combina atención de ventana deslizante y atención global en una proporción de 5:1. La ventana de atención local es de 128 tokens, mientras que la atención global mantiene las conexiones a lo largo del material más extenso. El preentrenamiento utiliza una longitud de secuencia nativa de 32K y el modelo publicado admite el contexto más largo de 256K. Un módulo ligero de predicción de múltiples tokens se integra en el entrenamiento y la inferencia. Son propiedades del diseño del modelo; no especifican la rapidez con la que una aplicación concreta devolverá una respuesta.
Entrenamiento posterior para razonamiento y agentes
MiMo-V2-Flash utiliza Multi-Teacher On-Policy Distillation, con modelos maestros específicos de cada dominio que orientan sus propias respuestas generadas, seguido de aprendizaje por refuerzo con agentes a gran escala. El entrenamiento abarca entornos de agentes de código y se amplía a matemáticas y tareas generales con agentes. Durante el entrenamiento para desarrollo web se utiliza un verificador basado en visión para evaluar los resultados ejecutados. Ese verificador forma parte del proceso de entrenamiento y no convierte este modelo de texto en un modelo con entrada de imágenes o vídeo.
Programación y preparación de documentos
Para una tarea de programación, proporciona los archivos pertinentes como texto, el fallo observado, una entrada que lo demuestre y el comportamiento que debe permanecer intacto. Una solicitud ilustrativa puede pedir un parche pequeño, una explicación de las dependencias afectadas y comprobaciones del resultado esperado. Para material textual extenso, identifica las secciones importantes y pide una comparación vinculada a sus pasajes. Mantén concreta la salida: código corregido, una tabla de discrepancias, un cálculo con sus supuestos o una siguiente acción propuesta.
Razonamiento, herramientas e historial de conversación
El ejemplo de razonamiento publicado habilita un modo de razonamiento y el fabricante especifica un analizador dedicado de llamadas a herramientas. En el uso de herramientas de varios turnos, la respuesta puede incluir reasoning_content junto a tool_calls. La siguiente solicitud debe conservar el reasoning_content anterior en el historial de conversación para que la secuencia de razonamiento y herramientas continúe correctamente. La aplicación proporciona y ejecuta las herramientas; el modelo elige cómo utilizar sus resultados. Esto convierte la preparación del historial en un requisito de integración sustancial, en lugar de tratar el último mensaje del usuario como la tarea completa.
Recomendaciones del fabricante y límites
La guía de uso recomienda top_p de 0.95, temperature 0.8 para tareas de matemáticas, escritura y desarrollo web, y temperature 0.3 para tareas con agentes. También recomienda un mensaje de sistema que identifique a MiMo como el asistente de Xiaomi, con la fecha actual y un corte de conocimiento en diciembre de 2024. Aporta hechos recientes cuando la tarea dependa de acontecimientos posteriores. El presupuesto de respuesta de 4096 tokens de la solicitud publicada es un ajuste de ejemplo, no una longitud máxima de salida declarada. MiMo-V2-Flash conserva su propia identidad junto a Flash-Base, Pro y Omni; las especificaciones de contexto o modalidad deben corresponder a cada edición.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites xiaomimimo/mimo-v2-flash | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Conversación textual | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
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 |
Parámetrocontrol_scope | ContratoConversación textual; stream es un booleano y su valor predeterminado es false. |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Alias de método: /chat/completions
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 $0.0002 / 1K tokens Salida · Tokens de salida $0.0006 / 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":"xiaomimimo/mimo-v2-flash","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="xiaomimimo/mimo-v2-flash", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 xiaomimimo/mimo-v2-flash
/chat/completions
xiaomimimo/mimo-v2-flashMiMo-V2-Flash es el modelo de texto de Xiaomi para razonamiento, programación y trabajo con agentes asistido por herramientas. Su contexto de 256K, la atención híbrida y su versión diferenciada con entrenamiento posterior se adaptan a tareas que conectan material textual extenso con una respuesta concreta, un cambio de código o una siguiente acción.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Perfil del modelo y ediciones
MiMo-V2-Flash es el modelo de lenguaje de Xiaomi para razonamiento y flujos de trabajo con agentes. Su arquitectura de mezcla de expertos tiene 309 mil millones de parámetros totales y 15 mil millones de parámetros activos. El modelo publicado indica una longitud de contexto de 256K tokens; el ejemplo de inferencia del fabricante configura 262,144 tokens. Recibe texto y produce texto, incluidas explicaciones, código y la información necesaria para interactuar con herramientas. Flash-Base y la versión Flash con entrenamiento posterior son ediciones con nombres y funciones distintos.
Atención híbrida y predicción
La arquitectura combina atención de ventana deslizante y atención global en una proporción de 5:1. La ventana de atención local es de 128 tokens, mientras que la atención global mantiene las conexiones a lo largo del material más extenso. El preentrenamiento utiliza una longitud de secuencia nativa de 32K y el modelo publicado admite el contexto más largo de 256K. Un módulo ligero de predicción de múltiples tokens se integra en el entrenamiento y la inferencia. Son propiedades del diseño del modelo; no especifican la rapidez con la que una aplicación concreta devolverá una respuesta.
Entrenamiento posterior para razonamiento y agentes
MiMo-V2-Flash utiliza Multi-Teacher On-Policy Distillation, con modelos maestros específicos de cada dominio que orientan sus propias respuestas generadas, seguido de aprendizaje por refuerzo con agentes a gran escala. El entrenamiento abarca entornos de agentes de código y se amplía a matemáticas y tareas generales con agentes. Durante el entrenamiento para desarrollo web se utiliza un verificador basado en visión para evaluar los resultados ejecutados. Ese verificador forma parte del proceso de entrenamiento y no convierte este modelo de texto en un modelo con entrada de imágenes o vídeo.
Programación y preparación de documentos
Para una tarea de programación, proporciona los archivos pertinentes como texto, el fallo observado, una entrada que lo demuestre y el comportamiento que debe permanecer intacto. Una solicitud ilustrativa puede pedir un parche pequeño, una explicación de las dependencias afectadas y comprobaciones del resultado esperado. Para material textual extenso, identifica las secciones importantes y pide una comparación vinculada a sus pasajes. Mantén concreta la salida: código corregido, una tabla de discrepancias, un cálculo con sus supuestos o una siguiente acción propuesta.
Razonamiento, herramientas e historial de conversación
El ejemplo de razonamiento publicado habilita un modo de razonamiento y el fabricante especifica un analizador dedicado de llamadas a herramientas. En el uso de herramientas de varios turnos, la respuesta puede incluir reasoning_content junto a tool_calls. La siguiente solicitud debe conservar el reasoning_content anterior en el historial de conversación para que la secuencia de razonamiento y herramientas continúe correctamente. La aplicación proporciona y ejecuta las herramientas; el modelo elige cómo utilizar sus resultados. Esto convierte la preparación del historial en un requisito de integración sustancial, en lugar de tratar el último mensaje del usuario como la tarea completa.
Recomendaciones del fabricante y límites
La guía de uso recomienda top_p de 0.95, temperature 0.8 para tareas de matemáticas, escritura y desarrollo web, y temperature 0.3 para tareas con agentes. También recomienda un mensaje de sistema que identifique a MiMo como el asistente de Xiaomi, con la fecha actual y un corte de conocimiento en diciembre de 2024. Aporta hechos recientes cuando la tarea dependa de acontecimientos posteriores. El presupuesto de respuesta de 4096 tokens de la solicitud publicada es un ajuste de ejemplo, no una longitud máxima de salida declarada. MiMo-V2-Flash conserva su propia identidad junto a Flash-Base, Pro y Omni; las especificaciones de contexto o modalidad deben corresponder a cada edición.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites xiaomimimo/mimo-v2-flash | 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 $0.0002 / 1K tokens Salida · Tokens de salida $0.0006 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "xiaomimimo/mimo-v2-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'xiaomimimo/mimo-v2-flash', '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': 'xiaomimimo/mimo-v2-flash', '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 xiaomimimo/mimo-v2-flash
/chat/completions