MiMo-V2.5-Pro est le grand modèle de Xiaomi à mélange d’experts, axé sur le texte, pour le travail exigeant des agents, le génie logiciel complexe et les tâches qui nécessitent de nombreuses étapes liées entre elles. Le fabricant décrit 1,02 billion de paramètres au total, 42 milliards de paramètres actifs et un contexte pouvant atteindre un million de jetons. Le modèle vise à conserver les instructions de la tâche et les éléments probants accumulés pendant qu’une application de soutien fournit des outils et renvoie leurs résultats.
Le modèle combine l’attention à fenêtre glissante et l’attention globale selon un rapport de 6:1. La fenêtre locale est de 128 jetons, tandis que les couches d’attention globale relient l’information dans un historique plus long. Il s’agit de l’architecture d’attention, et non d’une limite de 128 jetons imposée à l’entrée de l’utilisateur. L’architecture principale compte 70 couches et un routage parcimonieux des experts, avec huit experts routés sélectionnés par jeton. Trois modules de prédiction multijeton sont intégrés à la conception de l’entraînement et de l’inférence pour prendre en charge le décodage spéculatif.
Le fabricant décrit un préentraînement sur 27 billions de jetons, suivi d’un ajustement fin supervisé, d’un apprentissage par renforcement spécialisé par domaine et d’une distillation à plusieurs modèles enseignants fondée sur la politique courante. Les modèles enseignants spécialisés couvrent des domaines comme les mathématiques, la sécurité et l’utilisation complexe d’outils, et la dernière étape rassemble leurs enseignements dans un seul modèle. Cet entraînement soutient le rôle du modèle dans les longs flux de travail logiciels et d’agents; une tâche concrète exige tout de même des exigences fournies et un moyen de déterminer si son résultat est complet.
Pour une modification logicielle, fournissez les fichiers pertinents, une erreur observée ou le comportement demandé, les conventions du projet et les vérifications importantes. Une consigne utile consiste à identifier le comportement touché, à proposer une implémentation ciblée et à expliquer comment vérifier à la fois le cas souhaité et un cas limite significatif. Conservez les identifiants exacts utilisés par le projet. Si l’environnement permet l’exécution, renvoyez la sortie réelle des vérifications plutôt que de demander au modèle de présumer qu’un correctif plausible fonctionne.
Pour une tâche d’agent plus longue, tenez un relevé concis de l’objectif, des décisions déjà prises et des éléments probants renvoyés par les outils. Précisez ce que chaque opération peut modifier et quel résultat justifierait l’étape suivante. Le modèle peut aider à raisonner sur l’ensemble de ces interactions et à préparer la prochaine requête, mais c’est l’application environnante qui exécute ses opérations. Conservez les erreurs et les conditions non résolues dans le compte rendu final afin qu’une longue séquence ne masque pas une étape échouée derrière une explication fluide.
Le grand contexte peut être utile pour comparer des implémentations ou synthétiser plusieurs documents volumineux. Indiquez les limites des fichiers et des documents, identifiez les sections que la réponse doit utiliser et précisez le format de sortie requis. Par exemple, demandez une proposition de migration qui relie chaque composant touché à une exigence et qui signale séparément l’information manquante. Conservez les passages justificatifs ou les emplacements de code avec le résultat pour qu’un réviseur puisse remonter du raisonnement à l’entrée utilisée.
L’exemple de service publié par Xiaomi utilise une configuration de contexte de 1 048 576 jetons, tandis que son résumé décrit un modèle prenant en charge jusqu’à 1M jetons. Réservez de l’espace pour le texte généré et l’historique des outils accumulé dans la configuration utilisée. Le fabricant recommande temperature 1.0 et top_p 0.95 pour l’inférence locale. Ce sont des détails de la recette du producteur, et non une garantie que chaque application offre les mêmes commandes ou la même fenêtre de travail.
MiMo-V2.5-Pro se distingue du modèle frère nativement omnimodal MiMo-V2.5 et de la série V2.6 ultérieure. Utilisez cette édition pour son périmètre documenté de tâches linguistiques et d’agents sans lui attribuer les capacités de vision ou d’audio d’une autre édition. Le livrable final peut être une proposition de code, une explication d’implémentation ou une analyse fondée sur des éléments probants; vérifiez les calculs importants, les exigences et les résultats des outils par rapport au matériel fourni pour la tâche.
", "aboutText": "MiMo-V2.5-Pro est le grand modèle de Xiaomi à mélange d’experts, axé sur le texte, pour le travail exigeant des agents, le génie logiciel complexe et les tâches qui nécessitent de nombreuses étapes liées entre elles. Le fabricant décrit 1,02 billion de paramètres au total, 42 milliards de paramètres actifs et un contexte pouvant atteindre un million de jetons. Le modèle vise à conserver les instructions de la tâche et les éléments probants accumulés pendant qu’une application de soutien fournit des outils et renvoie leurs résultats.\n\nLe modèle combine l’attention à fenêtre glissante et l’attention globale selon un rapport de 6:1. La fenêtre locale est de 128 jetons, tandis que les couches d’attention globale relient l’information dans un historique plus long. Il s’agit de l’architecture d’attention, et non d’une limite de 128 jetons imposée à l’entrée de l’utilisateur. L’architecture principale compte 70 couches et un routage parcimonieux des experts, avec huit experts routés sélectionnés par jeton. Trois modules de prédiction multijeton sont intégrés à la conception de l’entraînement et de l’inférence pour prendre en charge le décodage spéculatif.\n\nLe fabricant décrit un préentraînement sur 27 billions de jetons, suivi d’un ajustement fin supervisé, d’un apprentissage par renforcement spécialisé par domaine et d’une distillation à plusieurs modèles enseignants fondée sur la politique courante. Les modèles enseignants spécialisés couvrent des domaines comme les mathématiques, la sécurité et l’utilisation complexe d’outils, et la dernière étape rassemble leurs enseignements dans un seul modèle. Cet entraînement soutient le rôle du modèle dans les longs flux de travail logiciels et d’agents; une tâche concrète exige tout de même des exigences fournies et un moyen de déterminer si son résultat est complet.\n\nPour une modification logicielle, fournissez les fichiers pertinents, une erreur observée ou le comportement demandé, les conventions du projet et les vérifications importantes. Une consigne utile consiste à identifier le comportement touché, à proposer une implémentation ciblée et à expliquer comment vérifier à la fois le cas souhaité et un cas limite significatif. Conservez les identifiants exacts utilisés par le projet. Si l’environnement permet l’exécution, renvoyez la sortie réelle des vérifications plutôt que de demander au modèle de présumer qu’un correctif plausible fonctionne.\n\nPour une tâche d’agent plus longue, tenez un relevé concis de l’objectif, des décisions déjà prises et des éléments probants renvoyés par les outils. Précisez ce que chaque opération peut modifier et quel résultat justifierait l’étape suivante. Le modèle peut aider à raisonner sur l’ensemble de ces interactions et à préparer la prochaine requête, mais c’est l’application environnante qui exécute ses opérations. Conservez les erreurs et les conditions non résolues dans le compte rendu final afin qu’une longue séquence ne masque pas une étape échouée derrière une explication fluide.\n\nLe grand contexte peut être utile pour comparer des implémentations ou synthétiser plusieurs documents volumineux. Indiquez les limites des fichiers et des documents, identifiez les sections que la réponse doit utiliser et précisez le format de sortie requis. Par exemple, demandez une proposition de migration qui relie chaque composant touché à une exigence et qui signale séparément l’information manquante. Conservez les passages justificatifs ou les emplacements de code avec le résultat pour qu’un réviseur puisse remonter du raisonnement à l’entrée utilisée.\n\nL’exemple de service publié par Xiaomi utilise une configuration de contexte de 1 048 576 jetons, tandis que son résumé décrit un modèle prenant en charge jusqu’à 1M jetons. Réservez de l’espace pour le texte généré et l’historique des outils accumulé dans la configuration utilisée. Le fabricant recommande temperature 1.0 et top_p 0.95 pour l’inférence locale. Ce sont des détails de la recette du producteur, et non une garantie que chaque application offre les mêmes commandes ou la même fenêtre de travail.\n\nMiMo-V2.5-Pro se distingue du modèle frère nativement omnimodal MiMo-V2.5 et de la série V2.6 ultérieure. Utilisez cette édition pour son périmètre documenté de tâches linguistiques et d’agents sans lui attribuer les capacités de vision ou d’audio d’une autre édition. Le livrable final peut être une proposition de code, une explication d’implémentation ou une analyse fondée sur des éléments probants; vérifiez les calculs importants, les exigences et les résultats des outils par rapport au matériel fourni pour la tâche.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
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 est le modèle de Xiaomi axé sur le texte pour le génie logiciel complexe et les longs flux de travail d’agents. Son profil publié combine une architecture MoE de 1,02 billion de paramètres, 42 milliards de paramètres actifs et jusqu’à un million de jetons de contexte, avec un entraînement axé sur une utilisation cohérente des outils.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
MiMo-V2.5-Pro est le grand modèle de Xiaomi à mélange d’experts, axé sur le texte, pour le travail exigeant des agents, le génie logiciel complexe et les tâches qui nécessitent de nombreuses étapes liées entre elles. Le fabricant décrit 1,02 billion de paramètres au total, 42 milliards de paramètres actifs et un contexte pouvant atteindre un million de jetons. Le modèle vise à conserver les instructions de la tâche et les éléments probants accumulés pendant qu’une application de soutien fournit des outils et renvoie leurs résultats.
Le modèle combine l’attention à fenêtre glissante et l’attention globale selon un rapport de 6:1. La fenêtre locale est de 128 jetons, tandis que les couches d’attention globale relient l’information dans un historique plus long. Il s’agit de l’architecture d’attention, et non d’une limite de 128 jetons imposée à l’entrée de l’utilisateur. L’architecture principale compte 70 couches et un routage parcimonieux des experts, avec huit experts routés sélectionnés par jeton. Trois modules de prédiction multijeton sont intégrés à la conception de l’entraînement et de l’inférence pour prendre en charge le décodage spéculatif.
Le fabricant décrit un préentraînement sur 27 billions de jetons, suivi d’un ajustement fin supervisé, d’un apprentissage par renforcement spécialisé par domaine et d’une distillation à plusieurs modèles enseignants fondée sur la politique courante. Les modèles enseignants spécialisés couvrent des domaines comme les mathématiques, la sécurité et l’utilisation complexe d’outils, et la dernière étape rassemble leurs enseignements dans un seul modèle. Cet entraînement soutient le rôle du modèle dans les longs flux de travail logiciels et d’agents; une tâche concrète exige tout de même des exigences fournies et un moyen de déterminer si son résultat est complet.
Pour une modification logicielle, fournissez les fichiers pertinents, une erreur observée ou le comportement demandé, les conventions du projet et les vérifications importantes. Une consigne utile consiste à identifier le comportement touché, à proposer une implémentation ciblée et à expliquer comment vérifier à la fois le cas souhaité et un cas limite significatif. Conservez les identifiants exacts utilisés par le projet. Si l’environnement permet l’exécution, renvoyez la sortie réelle des vérifications plutôt que de demander au modèle de présumer qu’un correctif plausible fonctionne.
Pour une tâche d’agent plus longue, tenez un relevé concis de l’objectif, des décisions déjà prises et des éléments probants renvoyés par les outils. Précisez ce que chaque opération peut modifier et quel résultat justifierait l’étape suivante. Le modèle peut aider à raisonner sur l’ensemble de ces interactions et à préparer la prochaine requête, mais c’est l’application environnante qui exécute ses opérations. Conservez les erreurs et les conditions non résolues dans le compte rendu final afin qu’une longue séquence ne masque pas une étape échouée derrière une explication fluide.
Le grand contexte peut être utile pour comparer des implémentations ou synthétiser plusieurs documents volumineux. Indiquez les limites des fichiers et des documents, identifiez les sections que la réponse doit utiliser et précisez le format de sortie requis. Par exemple, demandez une proposition de migration qui relie chaque composant touché à une exigence et qui signale séparément l’information manquante. Conservez les passages justificatifs ou les emplacements de code avec le résultat pour qu’un réviseur puisse remonter du raisonnement à l’entrée utilisée.
L’exemple de service publié par Xiaomi utilise une configuration de contexte de 1 048 576 jetons, tandis que son résumé décrit un modèle prenant en charge jusqu’à 1M jetons. Réservez de l’espace pour le texte généré et l’historique des outils accumulé dans la configuration utilisée. Le fabricant recommande temperature 1.0 et top_p 0.95 pour l’inférence locale. Ce sont des détails de la recette du producteur, et non une garantie que chaque application offre les mêmes commandes ou la même fenêtre de travail.
MiMo-V2.5-Pro se distingue du modèle frère nativement omnimodal MiMo-V2.5 et de la série V2.6 ultérieure. Utilisez cette édition pour son périmètre documenté de tâches linguistiques et d’agents sans lui attribuer les capacités de vision ou d’audio d’une autre édition. Le livrable final peut être une proposition de code, une explication d’implémentation ou une analyse fondée sur des éléments probants; vérifiez les calculs importants, les exigences et les résultats des outils par rapport au matériel fourni pour la tâche.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites xiaomi/mimo-v2.5-pro | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’ID réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: Fonction fournie comme outil | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | ContratTableau de messages avec une structure role/content |
Paramètrefile_material | ContratDocument UTF-8 réel inséré comme texte littéral ; aucun ID de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | ContratPropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’ID exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objet fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.00087 / 1K jetons Sortie · Jetons en sortie $0.00174 / 1K jetons Entrée · Lecture du cache $0.0000072 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.00087 / 1K jetons Sortie · Jetons en sortie $0.00174 / 1K jetons Entrée · Lecture du cache $0.0000072 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra xiaomi/mimo-v2.5-pro
Utilisez les chemins de méthode indiqués ci-dessus.
xiaomi/mimo-v2.5-proMiMo-V2.5-Pro est le modèle de Xiaomi axé sur le texte pour le génie logiciel complexe et les longs flux de travail d’agents. Son profil publié combine une architecture MoE de 1,02 billion de paramètres, 42 milliards de paramètres actifs et jusqu’à un million de jetons de contexte, avec un entraînement axé sur une utilisation cohérente des outils.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
MiMo-V2.5-Pro est le grand modèle de Xiaomi à mélange d’experts, axé sur le texte, pour le travail exigeant des agents, le génie logiciel complexe et les tâches qui nécessitent de nombreuses étapes liées entre elles. Le fabricant décrit 1,02 billion de paramètres au total, 42 milliards de paramètres actifs et un contexte pouvant atteindre un million de jetons. Le modèle vise à conserver les instructions de la tâche et les éléments probants accumulés pendant qu’une application de soutien fournit des outils et renvoie leurs résultats.
Le modèle combine l’attention à fenêtre glissante et l’attention globale selon un rapport de 6:1. La fenêtre locale est de 128 jetons, tandis que les couches d’attention globale relient l’information dans un historique plus long. Il s’agit de l’architecture d’attention, et non d’une limite de 128 jetons imposée à l’entrée de l’utilisateur. L’architecture principale compte 70 couches et un routage parcimonieux des experts, avec huit experts routés sélectionnés par jeton. Trois modules de prédiction multijeton sont intégrés à la conception de l’entraînement et de l’inférence pour prendre en charge le décodage spéculatif.
Le fabricant décrit un préentraînement sur 27 billions de jetons, suivi d’un ajustement fin supervisé, d’un apprentissage par renforcement spécialisé par domaine et d’une distillation à plusieurs modèles enseignants fondée sur la politique courante. Les modèles enseignants spécialisés couvrent des domaines comme les mathématiques, la sécurité et l’utilisation complexe d’outils, et la dernière étape rassemble leurs enseignements dans un seul modèle. Cet entraînement soutient le rôle du modèle dans les longs flux de travail logiciels et d’agents; une tâche concrète exige tout de même des exigences fournies et un moyen de déterminer si son résultat est complet.
Pour une modification logicielle, fournissez les fichiers pertinents, une erreur observée ou le comportement demandé, les conventions du projet et les vérifications importantes. Une consigne utile consiste à identifier le comportement touché, à proposer une implémentation ciblée et à expliquer comment vérifier à la fois le cas souhaité et un cas limite significatif. Conservez les identifiants exacts utilisés par le projet. Si l’environnement permet l’exécution, renvoyez la sortie réelle des vérifications plutôt que de demander au modèle de présumer qu’un correctif plausible fonctionne.
Pour une tâche d’agent plus longue, tenez un relevé concis de l’objectif, des décisions déjà prises et des éléments probants renvoyés par les outils. Précisez ce que chaque opération peut modifier et quel résultat justifierait l’étape suivante. Le modèle peut aider à raisonner sur l’ensemble de ces interactions et à préparer la prochaine requête, mais c’est l’application environnante qui exécute ses opérations. Conservez les erreurs et les conditions non résolues dans le compte rendu final afin qu’une longue séquence ne masque pas une étape échouée derrière une explication fluide.
Le grand contexte peut être utile pour comparer des implémentations ou synthétiser plusieurs documents volumineux. Indiquez les limites des fichiers et des documents, identifiez les sections que la réponse doit utiliser et précisez le format de sortie requis. Par exemple, demandez une proposition de migration qui relie chaque composant touché à une exigence et qui signale séparément l’information manquante. Conservez les passages justificatifs ou les emplacements de code avec le résultat pour qu’un réviseur puisse remonter du raisonnement à l’entrée utilisée.
L’exemple de service publié par Xiaomi utilise une configuration de contexte de 1 048 576 jetons, tandis que son résumé décrit un modèle prenant en charge jusqu’à 1M jetons. Réservez de l’espace pour le texte généré et l’historique des outils accumulé dans la configuration utilisée. Le fabricant recommande temperature 1.0 et top_p 0.95 pour l’inférence locale. Ce sont des détails de la recette du producteur, et non une garantie que chaque application offre les mêmes commandes ou la même fenêtre de travail.
MiMo-V2.5-Pro se distingue du modèle frère nativement omnimodal MiMo-V2.5 et de la série V2.6 ultérieure. Utilisez cette édition pour son périmètre documenté de tâches linguistiques et d’agents sans lui attribuer les capacités de vision ou d’audio d’une autre édition. Le livrable final peut être une proposition de code, une explication d’implémentation ou une analyse fondée sur des éléments probants; vérifiez les calculs importants, les exigences et les résultats des outils par rapport au matériel fourni pour la tâche.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites xiaomi/mimo-v2.5-pro | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
Chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.00087 / 1K jetons Sortie · Jetons en sortie $0.00174 / 1K jetons Entrée · Lecture du cache $0.0000072 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.00087 / 1K jetons Sortie · Jetons en sortie $0.00174 / 1K jetons Entrée · Lecture du cache $0.0000072 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "xiaomi/mimo-v2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les ID réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra xiaomi/mimo-v2.5-pro
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
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.