MiMo-V2.5-Pro on Xiaomin suuri, tekstipainotteinen mixture-of-experts-malli vaativaan agenttityöhön, monimutkaiseen ohjelmistokehitykseen ja tehtäviin, joissa tarvitaan useita toisiinsa liittyviä vaiheita. Valmistajan mukaan mallissa on yhteensä 1.02 biljoonaa parametria, 42 miljardia aktiivista parametria ja enintään miljoonan tokenin konteksti. Sen tehtävänä on pitää tehtävän ohjeet ja kertynyt näyttö mukana samalla, kun sitä tukeva sovellus tarjoaa työkaluja ja palauttaa niiden tulokset.
Malli yhdistää liukuvan ikkunan huomion ja globaalin huomion suhteessa 6:1. Paikallinen ikkuna on 128 tokenia, kun taas globaalin huomion kerrokset yhdistävät tietoa pidemmästä historiasta. Tämä kuvaa huomioarkkitehtuuria, ei käyttäjän syötteen 128 tokenin rajaa. Runkoverkossa on 70 kerrosta ja harva asiantuntijareititys, jossa kutakin tokenia varten valitaan kahdeksan reititettyä asiantuntijaa. Koulutus- ja inferenssirakenteeseen on integroitu kolme usean tokenin ennustusmoduulia spekulatiivisen dekoodauksen tueksi.
Valmistaja kuvaa esikoulutuksen 27 biljoonalla tokenilla, minkä jälkeen seuraavat ohjattu hienosäätö, alakohtainen vahvistusoppiminen ja usean opettajamallin on-policy-tislaus. Erikoistuneet opettajamallit kattavat esimerkiksi matematiikan, turvallisuuden ja monimutkaisen työkalujen käytön, ja viimeinen vaihe kokoaa niiden ohjauksen yhteen malliin. Tämä koulutuspainotus tukee mallin käyttöä pitkissä ohjelmisto- ja agenttityönkuluissa. Konkreettinen tehtävä tarvitsee silti annetut vaatimukset ja keinon arvioida, onko tulos valmis.
Kun tehtävänä on ohjelmistomuutos, anna asiaankuuluvat tiedostot, havaittu virhe tai toivottu toiminta, projektin käytännöt ja olennaiset tarkistukset. Hyödyllinen ohje on pyytää mallia tunnistamaan muutoksen kohteena oleva toiminta, ehdottamaan rajattua toteutusta ja selittämään, miten sekä toivottu tapaus että olennainen reunatapaus tarkistetaan. Säilytä projektin käyttämät tunnisteet täsmälleen. Jos ympäristö sallii suorituksen, palauta tarkistuksen todellinen tuloste sen sijaan, että pyytäisit mallia olettamaan uskottavan korjauksen toimivaksi.
Pidä pidemmässä agenttitehtävässä tiivistä kirjaa tavoitteesta, tehdyistä päätöksistä ja työkalujen palauttamasta näytöstä. Kerro, mitä kukin toiminto saa muuttaa ja millainen tulos oikeuttaa seuraavaan vaiheeseen. Malli voi auttaa päättelemään näiden vuorovaikutusten pohjalta ja valmistelemaan seuraavan pyynnön, mutta ympäröivä sovellus suorittaa toiminnot. Säilytä virheet ja ratkaisemattomat ehdot loppuraportissa, jotta pitkä vaiheketju ei peitä epäonnistunutta vaihetta sujuvan selityksen alle.
Suuresta kontekstista voi olla hyötyä toteutusten vertailussa tai useiden laajojen asiakirjojen tietojen yhdistämisessä. Merkitse tiedostojen ja asiakirjojen rajat, nimeä osiot, joita vastauksen pitää käyttää, ja kerro vaadittu tulostusmuoto. Pyydä esimerkiksi siirtymäehdotus, joka yhdistää jokaisen muutoksen kohteena olevan komponentin vaatimukseen ja erittelee puuttuvat tiedot. Liitä tulokseen tukevat tekstikohdat tai koodin sijainnit, jotta arvioija voi jäljittää päättelyn sen lähtöaineistoon.
Xiaomin julkaistu palvelinkäytön esimerkki käyttää 1,048,576 tokenin kontekstiasetusta, kun taas yhteenveto kuvaa mallin tukevan enintään 1M tokenia. Jätä käytössä olevan kokoonpanon rajoissa tilaa tuotetulle tekstille ja kertyvälle työkaluhistorialle. Valmistaja suosittelee paikalliseen inferenssiin asetuksia temperature 1.0 ja top_p 0.95. Nämä ovat valmistajan toteutusohjeen yksityiskohtia, eivät takuu siitä, että jokainen sovellus tarjoaa samat säätimet tai saman käytettävissä olevan konteksti-ikkunan.
MiMo-V2.5-Pro on erillinen malli natiivisti omnimodaalisesta MiMo-V2.5-sisarmallista ja myöhemmästä V2.6-sarjasta. Käytä tätä versiota sen dokumentoituun kieli- ja agenttitehtävien käyttötarkoitukseen lainaamatta toisen version kuva- tai äänitoimintojen määrittelyä. Lopputulos voi olla koodiehdotus, toteutuksen selitys tai näyttöön perustuva analyysi. Tarkista tärkeät laskelmat, vaatimukset ja työkalujen tulokset tehtävään annetusta aineistosta.
", "aboutText": "MiMo-V2.5-Pro on Xiaomin suuri, tekstipainotteinen mixture-of-experts-malli vaativaan agenttityöhön, monimutkaiseen ohjelmistokehitykseen ja tehtäviin, joissa tarvitaan useita toisiinsa liittyviä vaiheita. Valmistajan mukaan mallissa on yhteensä 1.02 biljoonaa parametria, 42 miljardia aktiivista parametria ja enintään miljoonan tokenin konteksti. Sen tehtävänä on pitää tehtävän ohjeet ja kertynyt näyttö mukana samalla, kun sitä tukeva sovellus tarjoaa työkaluja ja palauttaa niiden tulokset.\n\nMalli yhdistää liukuvan ikkunan huomion ja globaalin huomion suhteessa 6:1. Paikallinen ikkuna on 128 tokenia, kun taas globaalin huomion kerrokset yhdistävät tietoa pidemmästä historiasta. Tämä kuvaa huomioarkkitehtuuria, ei käyttäjän syötteen 128 tokenin rajaa. Runkoverkossa on 70 kerrosta ja harva asiantuntijareititys, jossa kutakin tokenia varten valitaan kahdeksan reititettyä asiantuntijaa. Koulutus- ja inferenssirakenteeseen on integroitu kolme usean tokenin ennustusmoduulia spekulatiivisen dekoodauksen tueksi.\n\nValmistaja kuvaa esikoulutuksen 27 biljoonalla tokenilla, minkä jälkeen seuraavat ohjattu hienosäätö, alakohtainen vahvistusoppiminen ja usean opettajamallin on-policy-tislaus. Erikoistuneet opettajamallit kattavat esimerkiksi matematiikan, turvallisuuden ja monimutkaisen työkalujen käytön, ja viimeinen vaihe kokoaa niiden ohjauksen yhteen malliin. Tämä koulutuspainotus tukee mallin käyttöä pitkissä ohjelmisto- ja agenttityönkuluissa. Konkreettinen tehtävä tarvitsee silti annetut vaatimukset ja keinon arvioida, onko tulos valmis.\n\nKun tehtävänä on ohjelmistomuutos, anna asiaankuuluvat tiedostot, havaittu virhe tai toivottu toiminta, projektin käytännöt ja olennaiset tarkistukset. Hyödyllinen ohje on pyytää mallia tunnistamaan muutoksen kohteena oleva toiminta, ehdottamaan rajattua toteutusta ja selittämään, miten sekä toivottu tapaus että olennainen reunatapaus tarkistetaan. Säilytä projektin käyttämät tunnisteet täsmälleen. Jos ympäristö sallii suorituksen, palauta tarkistuksen todellinen tuloste sen sijaan, että pyytäisit mallia olettamaan uskottavan korjauksen toimivaksi.\n\nPidä pidemmässä agenttitehtävässä tiivistä kirjaa tavoitteesta, tehdyistä päätöksistä ja työkalujen palauttamasta näytöstä. Kerro, mitä kukin toiminto saa muuttaa ja millainen tulos oikeuttaa seuraavaan vaiheeseen. Malli voi auttaa päättelemään näiden vuorovaikutusten pohjalta ja valmistelemaan seuraavan pyynnön, mutta ympäröivä sovellus suorittaa toiminnot. Säilytä virheet ja ratkaisemattomat ehdot loppuraportissa, jotta pitkä vaiheketju ei peitä epäonnistunutta vaihetta sujuvan selityksen alle.\n\nSuuresta kontekstista voi olla hyötyä toteutusten vertailussa tai useiden laajojen asiakirjojen tietojen yhdistämisessä. Merkitse tiedostojen ja asiakirjojen rajat, nimeä osiot, joita vastauksen pitää käyttää, ja kerro vaadittu tulostusmuoto. Pyydä esimerkiksi siirtymäehdotus, joka yhdistää jokaisen muutoksen kohteena olevan komponentin vaatimukseen ja erittelee puuttuvat tiedot. Liitä tulokseen tukevat tekstikohdat tai koodin sijainnit, jotta arvioija voi jäljittää päättelyn sen lähtöaineistoon.\n\nXiaomin julkaistu palvelinkäytön esimerkki käyttää 1,048,576 tokenin kontekstiasetusta, kun taas yhteenveto kuvaa mallin tukevan enintään 1M tokenia. Jätä käytössä olevan kokoonpanon rajoissa tilaa tuotetulle tekstille ja kertyvälle työkaluhistorialle. Valmistaja suosittelee paikalliseen inferenssiin asetuksia temperature 1.0 ja top_p 0.95. Nämä ovat valmistajan toteutusohjeen yksityiskohtia, eivät takuu siitä, että jokainen sovellus tarjoaa samat säätimet tai saman käytettävissä olevan konteksti-ikkunan.\n\nMiMo-V2.5-Pro on erillinen malli natiivisti omnimodaalisesta MiMo-V2.5-sisarmallista ja myöhemmästä V2.6-sarjasta. Käytä tätä versiota sen dokumentoituun kieli- ja agenttitehtävien käyttötarkoitukseen lainaamatta toisen version kuva- tai äänitoimintojen määrittelyä. Lopputulos voi olla koodiehdotus, toteutuksen selitys tai näyttöön perustuva analyysi. Tarkista tärkeät laskelmat, vaatimukset ja työkalujen tulokset tehtävään annetusta aineistosta.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekninen esimerkki englanniksi
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 on Xiaomin tekstipainotteinen malli vaativaan ohjelmistokehitykseen ja pitkiin agenttityönkulkuihin. Sen julkaistu profiili yhdistää 1.02T parametrin MoE-arkkitehtuurin, 42B aktiivista parametria ja enintään miljoonan tokenin kontekstin. Koulutuksessa painotetaan johdonmukaista työkalujen käyttöä.
Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.
MiMo-V2.5-Pro on Xiaomin suuri, tekstipainotteinen mixture-of-experts-malli vaativaan agenttityöhön, monimutkaiseen ohjelmistokehitykseen ja tehtäviin, joissa tarvitaan useita toisiinsa liittyviä vaiheita. Valmistajan mukaan mallissa on yhteensä 1.02 biljoonaa parametria, 42 miljardia aktiivista parametria ja enintään miljoonan tokenin konteksti. Sen tehtävänä on pitää tehtävän ohjeet ja kertynyt näyttö mukana samalla, kun sitä tukeva sovellus tarjoaa työkaluja ja palauttaa niiden tulokset.
Malli yhdistää liukuvan ikkunan huomion ja globaalin huomion suhteessa 6:1. Paikallinen ikkuna on 128 tokenia, kun taas globaalin huomion kerrokset yhdistävät tietoa pidemmästä historiasta. Tämä kuvaa huomioarkkitehtuuria, ei käyttäjän syötteen 128 tokenin rajaa. Runkoverkossa on 70 kerrosta ja harva asiantuntijareititys, jossa kutakin tokenia varten valitaan kahdeksan reititettyä asiantuntijaa. Koulutus- ja inferenssirakenteeseen on integroitu kolme usean tokenin ennustusmoduulia spekulatiivisen dekoodauksen tueksi.
Valmistaja kuvaa esikoulutuksen 27 biljoonalla tokenilla, minkä jälkeen seuraavat ohjattu hienosäätö, alakohtainen vahvistusoppiminen ja usean opettajamallin on-policy-tislaus. Erikoistuneet opettajamallit kattavat esimerkiksi matematiikan, turvallisuuden ja monimutkaisen työkalujen käytön, ja viimeinen vaihe kokoaa niiden ohjauksen yhteen malliin. Tämä koulutuspainotus tukee mallin käyttöä pitkissä ohjelmisto- ja agenttityönkuluissa. Konkreettinen tehtävä tarvitsee silti annetut vaatimukset ja keinon arvioida, onko tulos valmis.
Kun tehtävänä on ohjelmistomuutos, anna asiaankuuluvat tiedostot, havaittu virhe tai toivottu toiminta, projektin käytännöt ja olennaiset tarkistukset. Hyödyllinen ohje on pyytää mallia tunnistamaan muutoksen kohteena oleva toiminta, ehdottamaan rajattua toteutusta ja selittämään, miten sekä toivottu tapaus että olennainen reunatapaus tarkistetaan. Säilytä projektin käyttämät tunnisteet täsmälleen. Jos ympäristö sallii suorituksen, palauta tarkistuksen todellinen tuloste sen sijaan, että pyytäisit mallia olettamaan uskottavan korjauksen toimivaksi.
Pidä pidemmässä agenttitehtävässä tiivistä kirjaa tavoitteesta, tehdyistä päätöksistä ja työkalujen palauttamasta näytöstä. Kerro, mitä kukin toiminto saa muuttaa ja millainen tulos oikeuttaa seuraavaan vaiheeseen. Malli voi auttaa päättelemään näiden vuorovaikutusten pohjalta ja valmistelemaan seuraavan pyynnön, mutta ympäröivä sovellus suorittaa toiminnot. Säilytä virheet ja ratkaisemattomat ehdot loppuraportissa, jotta pitkä vaiheketju ei peitä epäonnistunutta vaihetta sujuvan selityksen alle.
Suuresta kontekstista voi olla hyötyä toteutusten vertailussa tai useiden laajojen asiakirjojen tietojen yhdistämisessä. Merkitse tiedostojen ja asiakirjojen rajat, nimeä osiot, joita vastauksen pitää käyttää, ja kerro vaadittu tulostusmuoto. Pyydä esimerkiksi siirtymäehdotus, joka yhdistää jokaisen muutoksen kohteena olevan komponentin vaatimukseen ja erittelee puuttuvat tiedot. Liitä tulokseen tukevat tekstikohdat tai koodin sijainnit, jotta arvioija voi jäljittää päättelyn sen lähtöaineistoon.
Xiaomin julkaistu palvelinkäytön esimerkki käyttää 1,048,576 tokenin kontekstiasetusta, kun taas yhteenveto kuvaa mallin tukevan enintään 1M tokenia. Jätä käytössä olevan kokoonpanon rajoissa tilaa tuotetulle tekstille ja kertyvälle työkaluhistorialle. Valmistaja suosittelee paikalliseen inferenssiin asetuksia temperature 1.0 ja top_p 0.95. Nämä ovat valmistajan toteutusohjeen yksityiskohtia, eivät takuu siitä, että jokainen sovellus tarjoaa samat säätimet tai saman käytettävissä olevan konteksti-ikkunan.
MiMo-V2.5-Pro on erillinen malli natiivisti omnimodaalisesta MiMo-V2.5-sisarmallista ja myöhemmästä V2.6-sarjasta. Käytä tätä versiota sen dokumentoituun kieli- ja agenttitehtävien käyttötarkoitukseen lainaamatta toisen version kuva- tai äänitoimintojen määrittelyä. Lopputulos voi olla koodiehdotus, toteutuksen selitys tai näyttöön perustuva analyysi. Tarkista tärkeät laskelmat, vaatimukset ja työkalujen tulokset tehtävään annetusta aineistosta.
POST /v1/chat/completionstexttext| Kenttä | Tyyppi | Vaatimus | Arvot & rajat | Oletus |
|---|---|---|---|---|
Kenttämodel | Tyyppistring | VaatimusPakollinen | Arvot & rajat xiaomi/mimo-v2.5-pro | Oletus— |
Kenttämessages | Tyyppimessage[] | VaatimusPakollinen | Arvot & rajat Kohteiden vähimmäismäärä: 1 | Oletus— |
Kenttämessages[].role | Tyyppistring | VaatimusPakollinen | Arvot & rajat Esimerkit: system, user, assistant, tool, function Ehdot: Nämä roolit esitetään nimenomaisesti lähdekoodin yhteensopivuustyypeissä; mallin täsmällinen roolijoukko pysyy mallikohtaisena. Riippuu mallista | Oletus— |
Kenttämessages[].content | Tyyppistring|content_part[]|null | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttämessages[].tool_calls | Tyyppitool_call[] | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttämessages[].tool_call_id | Tyyppistring | VaatimusValinnainen | Arvot & rajat Sovelletaan, kun: role=tool; käytä todella palautettua ID:tä | Oletus— |
Kenttämessages[].name | Tyyppistring | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttämessages[].reasoning_content | Tyyppistring | VaatimusValinnainen | Arvot & rajat Sovelletaan, kun: Palauta todella saatu päättely takaisin mallille, kun kyseinen malli käyttää sitä | Oletus— |
Kenttämessages[].reasoning_details | Tyyppiobject|array | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttämax_tokens | Tyyppiinteger | VaatimusValinnainen | Arvot & rajat Vähimmäismäärä: 1 Riippuu mallista | Oletus— |
Kenttämax_completion_tokens | Tyyppiinteger | VaatimusValinnainen | Arvot & rajat Vähimmäismäärä: 1 Riippuu mallista | Oletus— |
Kenttästream | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat | Oletusfalse |
Kenttästream_options.include_usage | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttätemperature | Tyyppinumber | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttätop_p | Tyyppinumber | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttästop | Tyyppistring|string[] | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttätools | Tyyppifunction_tool[] | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttätools[].type | Tyyppistring | VaatimusValinnainen | Arvot & rajat function Riippuu mallista | Oletus— |
Kenttätools[].function.name | Tyyppistring | VaatimusPakollinen | Arvot & rajat Sovelletaan, kun: funktiotyökalu annettu | Oletus— |
Kenttätools[].function.description | Tyyppistring | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttätools[].function.parameters | TyyppiJSON_schema | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttätool_choice | Tyyppistring|object | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäparallel_tool_calls | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäresponse_format | Tyyppiobject | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäreasoning_effort | Tyyppistring | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäreasoning | Tyyppiobject | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäservice_tier | Tyyppistring | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäinstructions | Tyyppistring | VaatimusValinnainen | Arvot & rajat Yhteensopivuuskenttä | Oletus— |
Kenttäfunctions | Tyyppifunction[] | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäfunction_call | Tyyppistring|object | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäprompt_cache_options | Tyyppiobject | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttämodalities | Tyyppistring[] | VaatimusValinnainen | Arvot & rajat text | Oletus— |
Kenttäprovider | Tyyppiobject | VaatimusValinnainen | Arvot & rajat Ehdot: provider.options hylätään tällä Ultran tekstireitillä | Oletus— |
Kenttäcache_control.ttl | Tyyppistring | VaatimusValinnainen | Arvot & rajat Ehdot: 1h hylätään varsinaisissa kehotevälimuistin kohdissa | Oletus— |
Teksti · UTF8-teksti
messages[].content
| Parametri | Sopimus |
|---|---|
Parametricontent_type | Sopimusapplication/json |
Parametrirequired | Sopimusmodel, messages |
Parametrimaterial_types | Sopimustext |
Parametrimessages | Sopimusviestitaulukko role/content-rakenteella |
Parametrifile_material | Sopimusvarsinainen UTF-8-asiakirja lisätään sellaisenaan tekstinä; tiedoston ID:tä ei päätellä |
Parametrioptional_controls | Sopimusstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametricontrol_scope | Sopimusmallikohtainen; käyttäjän funktiotyökalut eroavat palvelun isännöimistä työkaluista |
Parametrioutput_modalities | Sopimustext |
Parametrihosted_operations | Sopimusfalse |
Parametrimultimodal_input_binding | Sopimusnull |
Elinkaari: synchronous_or_streamed
Lähetä mallin täsmällinen ID yhdessä messages-kentän kanssa.
Kontekstin pituus ei ole tuloksen yläraja.
Tekstitiedosto voi antaa tekstiä sellaisenaan; kuva-, ääni- ja tiedosto-objektisyötteet tarvitsevat täsmällisen sidonnan.
Hintatiedot eivät lisää pyyntövalintoja. Tuetut parametrit on lueteltu valitulle menetelmälle.
Kohdista kukin veloitus näytettyihin ehtoihin. Käytä yhtä hintaa kutakin vaihtoehtoisten asetusten ryhmää kohden.
| Asetukset | Hinnasto | Kontekstin tokenit, enemmän kuin | Kontekstin tokenit, enintään raja-arvo mukaan lukien | Veloitus |
|---|---|---|---|---|
| AsetuksetTokenien perushinnat | HinnastoPerushinta | Kontekstin tokenit, enemmän kuin— | Kontekstin tokenit, enintään raja-arvo mukaan lukienEi ylärajaa | Veloitus Syöte · Syötetokenit $0.00087 / 1K tokenia Tuloste · Tulostokenit $0.00174 / 1K tokenia Syöte · Välimuistin luku $0.0000072 / 1K tokenia Syöte · Välimuistiin kirjoitus — / 1K tokenia Syöte · Välimuistiin kirjoitus, 1 tunti — / 1K tokenia |
| AsetuksetPyynnön pituusluokka 1 | Hinnasto— | Kontekstin tokenit, enemmän kuin0 | Kontekstin tokenit, enintään raja-arvo mukaan lukienEi ylärajaa | Veloitus Syöte · Syötetokenit $0.00087 / 1K tokenia Tuloste · Tulostokenit $0.00174 / 1K tokenia Syöte · Välimuistin luku $0.0000072 / 1K tokenia Syöte · Välimuistiin kirjoitus — / 1K tokenia Syöte · Välimuistiin kirjoitus, 1 tunti — / 1K tokenia |
Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →
set -eu\n: "${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 tai SSE
Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.
Säilytä jokainen vastausvaihtoehto sisältöineen, työkalukutsuineen ja päättelyineen. Kokoa SSE:ssä muutokset vastausvaihtoehdon ja työkalun indeksin mukaan ja säilytä lopullinen päättymissyy sekä käyttötiedot.
Säilytä pyyntöjen/vastausten ID:t ja otsakkeet. Yleistä tekstityön haku-URL:ää ei anneta.
| Kenttä | Tyyppi |
|---|---|
Kenttächoices[].index | Tyyppiinteger |
Kenttächoices[].message.content | Tyyppistring|null |
Kenttächoices[].message.tool_calls | Tyyppitool_call[] |
Kenttächoices[].message.reasoning_content | Tyyppistring |
Kenttächoices[].message.reasoning_details | Tyyppiobject|array |
Kenttächoices[].finish_reason | Tyyppistring|null |
Kenttäusage | Tyyppiobject |
| Vastaus | Ehto | Seuraava vaihe |
|---|---|---|
Vastaus400 · invalid_request_error | EhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo | Seuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä. |
Ailoot Ultra xiaomi/mimo-v2.5-pro
Käytä yllä näytettyjä menetelmäpolkuja.
xiaomi/mimo-v2.5-proMiMo-V2.5-Pro on Xiaomin tekstipainotteinen malli vaativaan ohjelmistokehitykseen ja pitkiin agenttityönkulkuihin. Sen julkaistu profiili yhdistää 1.02T parametrin MoE-arkkitehtuurin, 42B aktiivista parametria ja enintään miljoonan tokenin kontekstin. Koulutuksessa painotetaan johdonmukaista työkalujen käyttöä.
Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.
MiMo-V2.5-Pro on Xiaomin suuri, tekstipainotteinen mixture-of-experts-malli vaativaan agenttityöhön, monimutkaiseen ohjelmistokehitykseen ja tehtäviin, joissa tarvitaan useita toisiinsa liittyviä vaiheita. Valmistajan mukaan mallissa on yhteensä 1.02 biljoonaa parametria, 42 miljardia aktiivista parametria ja enintään miljoonan tokenin konteksti. Sen tehtävänä on pitää tehtävän ohjeet ja kertynyt näyttö mukana samalla, kun sitä tukeva sovellus tarjoaa työkaluja ja palauttaa niiden tulokset.
Malli yhdistää liukuvan ikkunan huomion ja globaalin huomion suhteessa 6:1. Paikallinen ikkuna on 128 tokenia, kun taas globaalin huomion kerrokset yhdistävät tietoa pidemmästä historiasta. Tämä kuvaa huomioarkkitehtuuria, ei käyttäjän syötteen 128 tokenin rajaa. Runkoverkossa on 70 kerrosta ja harva asiantuntijareititys, jossa kutakin tokenia varten valitaan kahdeksan reititettyä asiantuntijaa. Koulutus- ja inferenssirakenteeseen on integroitu kolme usean tokenin ennustusmoduulia spekulatiivisen dekoodauksen tueksi.
Valmistaja kuvaa esikoulutuksen 27 biljoonalla tokenilla, minkä jälkeen seuraavat ohjattu hienosäätö, alakohtainen vahvistusoppiminen ja usean opettajamallin on-policy-tislaus. Erikoistuneet opettajamallit kattavat esimerkiksi matematiikan, turvallisuuden ja monimutkaisen työkalujen käytön, ja viimeinen vaihe kokoaa niiden ohjauksen yhteen malliin. Tämä koulutuspainotus tukee mallin käyttöä pitkissä ohjelmisto- ja agenttityönkuluissa. Konkreettinen tehtävä tarvitsee silti annetut vaatimukset ja keinon arvioida, onko tulos valmis.
Kun tehtävänä on ohjelmistomuutos, anna asiaankuuluvat tiedostot, havaittu virhe tai toivottu toiminta, projektin käytännöt ja olennaiset tarkistukset. Hyödyllinen ohje on pyytää mallia tunnistamaan muutoksen kohteena oleva toiminta, ehdottamaan rajattua toteutusta ja selittämään, miten sekä toivottu tapaus että olennainen reunatapaus tarkistetaan. Säilytä projektin käyttämät tunnisteet täsmälleen. Jos ympäristö sallii suorituksen, palauta tarkistuksen todellinen tuloste sen sijaan, että pyytäisit mallia olettamaan uskottavan korjauksen toimivaksi.
Pidä pidemmässä agenttitehtävässä tiivistä kirjaa tavoitteesta, tehdyistä päätöksistä ja työkalujen palauttamasta näytöstä. Kerro, mitä kukin toiminto saa muuttaa ja millainen tulos oikeuttaa seuraavaan vaiheeseen. Malli voi auttaa päättelemään näiden vuorovaikutusten pohjalta ja valmistelemaan seuraavan pyynnön, mutta ympäröivä sovellus suorittaa toiminnot. Säilytä virheet ja ratkaisemattomat ehdot loppuraportissa, jotta pitkä vaiheketju ei peitä epäonnistunutta vaihetta sujuvan selityksen alle.
Suuresta kontekstista voi olla hyötyä toteutusten vertailussa tai useiden laajojen asiakirjojen tietojen yhdistämisessä. Merkitse tiedostojen ja asiakirjojen rajat, nimeä osiot, joita vastauksen pitää käyttää, ja kerro vaadittu tulostusmuoto. Pyydä esimerkiksi siirtymäehdotus, joka yhdistää jokaisen muutoksen kohteena olevan komponentin vaatimukseen ja erittelee puuttuvat tiedot. Liitä tulokseen tukevat tekstikohdat tai koodin sijainnit, jotta arvioija voi jäljittää päättelyn sen lähtöaineistoon.
Xiaomin julkaistu palvelinkäytön esimerkki käyttää 1,048,576 tokenin kontekstiasetusta, kun taas yhteenveto kuvaa mallin tukevan enintään 1M tokenia. Jätä käytössä olevan kokoonpanon rajoissa tilaa tuotetulle tekstille ja kertyvälle työkaluhistorialle. Valmistaja suosittelee paikalliseen inferenssiin asetuksia temperature 1.0 ja top_p 0.95. Nämä ovat valmistajan toteutusohjeen yksityiskohtia, eivät takuu siitä, että jokainen sovellus tarjoaa samat säätimet tai saman käytettävissä olevan konteksti-ikkunan.
MiMo-V2.5-Pro on erillinen malli natiivisti omnimodaalisesta MiMo-V2.5-sisarmallista ja myöhemmästä V2.6-sarjasta. Käytä tätä versiota sen dokumentoituun kieli- ja agenttitehtävien käyttötarkoitukseen lainaamatta toisen version kuva- tai äänitoimintojen määrittelyä. Lopputulos voi olla koodiehdotus, toteutuksen selitys tai näyttöön perustuva analyysi. Tarkista tärkeät laskelmat, vaatimukset ja työkalujen tulokset tehtävään annetusta aineistosta.
POST /v1/messagestextjson, sse| Kenttä | Tyyppi | Vaatimus | Arvot & rajat | Oletus |
|---|---|---|---|---|
Kenttämodel | Tyyppistring | VaatimusPakollinen | Arvot & rajat xiaomi/mimo-v2.5-pro | Oletus— |
Kenttämessages | Tyyppimessage[] | VaatimusPakollinen | Arvot & rajat | Oletus— |
Kenttämessages[].role | Tyyppistring | VaatimusPakollinen | Arvot & rajat user, assistant | Oletus— |
Kenttämessages[].content | Tyyppistring | VaatimusPakollinen | Arvot & rajat | Oletus— |
Kenttämax_tokens | Tyyppiinteger | VaatimusPakollinen | Arvot & rajat | Oletus— |
Kenttästream | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat | Oletusfalse |
Teksti · UTF-8-teksti
messages[].content-merkkijono
| Parametri | Sopimus |
|---|---|
Parametricontent_type | Sopimusapplication/json |
Parametrirequired | Sopimusmodel, messages, max_tokens |
Parametrioptional_controls | Sopimusstream |
Parametrimaterial_types | Sopimustext |
Parametritext_file_material | SopimusLue varsinainen UTF-8-asiakirja ja sijoita sen teksti ilmoitettuun syöte- tai viestisisällön merkkijonoon. |
Elinkaari: synchronous_or_streamed
Hintatiedot eivät lisää pyyntövalintoja. Tuetut parametrit on lueteltu valitulle menetelmälle.
Kohdista kukin veloitus näytettyihin ehtoihin. Käytä yhtä hintaa kutakin vaihtoehtoisten asetusten ryhmää kohden.
| Asetukset | Hinnasto | Kontekstin tokenit, enemmän kuin | Kontekstin tokenit, enintään raja-arvo mukaan lukien | Veloitus |
|---|---|---|---|---|
| AsetuksetTokenien perushinnat | HinnastoPerushinta | Kontekstin tokenit, enemmän kuin— | Kontekstin tokenit, enintään raja-arvo mukaan lukienEi ylärajaa | Veloitus Syöte · Syötetokenit $0.00087 / 1K tokenia Tuloste · Tulostokenit $0.00174 / 1K tokenia Syöte · Välimuistin luku $0.0000072 / 1K tokenia Syöte · Välimuistiin kirjoitus — / 1K tokenia Syöte · Välimuistiin kirjoitus, 1 tunti — / 1K tokenia |
| AsetuksetPyynnön pituusluokka 1 | Hinnasto— | Kontekstin tokenit, enemmän kuin0 | Kontekstin tokenit, enintään raja-arvo mukaan lukienEi ylärajaa | Veloitus Syöte · Syötetokenit $0.00087 / 1K tokenia Tuloste · Tulostokenit $0.00174 / 1K tokenia Syöte · Välimuistin luku $0.0000072 / 1K tokenia Syöte · Välimuistiin kirjoitus — / 1K tokenia Syöte · Välimuistiin kirjoitus, 1 tunti — / 1K tokenia |
Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →
{\n "model": "xiaomi/mimo-v2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 tai SSE
Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.
Säilytä kaikki sisältölohkot, päättelyallekirjoitukset ja todelliset työkalukäytön ID:t. Kokoa kaikki SSE-lohkomuutokset; ensimmäinen tekstilohko ei ole koko tulos.
Säilytä pyyntöjen/vastausten ID:t ja otsakkeet. Yleistä tekstityön haku-URL:ää ei anneta.
| Kenttä | Tyyppi |
|---|---|
Kenttäid | Tyyppistring |
Kenttämodel | Tyyppistring |
Kenttäcontent[] | Tyyppitext|thinking|tool_use|other content block |
Kenttästop_reason | Tyyppistring|null |
Kenttäusage | Tyyppiobject |
| Vastaus | Ehto | Seuraava vaihe |
|---|---|---|
Vastaus400 · invalid_request_error | EhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo | Seuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä. |
Ailoot Ultra xiaomi/mimo-v2.5-pro
Käytä yllä näytettyjä menetelmäpolkuja.
Tekninen esimerkki englanniksi
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.