Profil du modèle et éditions
MiMo-V2-Flash est le modèle linguistique de Xiaomi pour le raisonnement et les flux de travail d’agents. Son architecture à mélange d’experts compte 309 milliards de paramètres au total et 15 milliards de paramètres actifs. Le modèle publié indique une longueur de contexte de 256K jetons; l’exemple d’inférence du fabricant configure 262 144 jetons. Il reçoit du texte et produit du texte, dont des explications, du code et l’information nécessaire aux interactions avec les outils. Flash-Base et la version Flash postentraînée sont des éditions nommées séparément qui remplissent des rôles différents.
Attention hybride et prédiction
L’architecture combine l’attention à fenêtre glissante et l’attention globale selon un rapport de 5:1. La fenêtre d’attention locale est de 128 jetons, tandis que l’attention globale maintient les liens dans le contenu plus long. Le préentraînement utilise une longueur de séquence native de 32K, et le modèle publié prend en charge le contexte plus long de 256K. Un module léger de prédiction multijeton est intégré à l’entraînement et à l’inférence. Ce sont des propriétés de conception du modèle; elles ne précisent pas la vitesse à laquelle une application donnée renverra une réponse.
Postentraînement pour le raisonnement et les agents
MiMo-V2-Flash utilise la distillation Multi-Teacher On-Policy Distillation, dans laquelle des modèles enseignants propres à chaque domaine guident ses propres réponses générées, suivie d’un apprentissage par renforcement agentique à grande échelle. L’entraînement couvre des environnements d’agents de programmation et s’étend aux mathématiques et aux tâches générales d’agents. Un vérificateur fondé sur la vision est utilisé pendant l’entraînement au développement web pour évaluer les résultats exécutés. Ce vérificateur fait partie du processus d’entraînement et ne transforme pas ce modèle textuel en modèle acceptant des images ou des vidéos.
Programmation et préparation de documents
Pour une tâche de programmation, fournissez les fichiers pertinents sous forme de texte, l’échec observé, une entrée qui le démontre et le comportement qui doit rester intact. Une demande illustrative peut solliciter un petit correctif, une explication des dépendances touchées et des vérifications du résultat attendu. Pour un long contenu textuel, identifiez les sections importantes et demandez une comparaison liée à leurs passages. Gardez la sortie concrète : du code corrigé, un tableau de divergences, un calcul avec ses hypothèses ou une proposition d’action suivante.
Réflexion, outils et historique de conversation
L’exemple publié de réflexion active un mode de raisonnement, et le fabricant précise un analyseur dédié aux appels d’outils. Lors de l’utilisation d’outils sur plusieurs tours, la réponse peut inclure reasoning_content en plus de tool_calls. La requête suivante doit conserver le reasoning_content antérieur dans l’historique de conversation afin que la séquence de réflexion et d’outils se poursuive correctement. L’application fournit et exécute les outils; le modèle choisit comment utiliser leurs résultats. La préparation de l’historique devient ainsi une exigence d’intégration concrète, plutôt que de considérer le dernier message de l’utilisateur comme la tâche complète.
Recommandations du fabricant et limites
Le guide d’utilisation recommande top_p à 0.95, temperature à 0.8 pour les tâches de mathématiques, de rédaction et de développement web, et temperature à 0.3 pour les tâches agentiques. Il recommande aussi un message système identifiant MiMo comme l’assistant de Xiaomi, avec la date actuelle et une limite de connaissances fixée à décembre 2024. Fournissez des faits récents lorsque la tâche dépend d’événements plus nouveaux. Le budget de réponse de 4096 jetons dans la requête publiée est un exemple de paramètre, et non une longueur de sortie maximale déclarée. MiMo-V2-Flash conserve sa propre identité aux côtés de Flash-Base, Pro et Omni; leurs spécifications de contexte ou de modalités doivent être choisies selon l’édition correspondante.
", "aboutText": "Profil du modèle et éditions\n\nMiMo-V2-Flash est le modèle linguistique de Xiaomi pour le raisonnement et les flux de travail d’agents. Son architecture à mélange d’experts compte 309 milliards de paramètres au total et 15 milliards de paramètres actifs. Le modèle publié indique une longueur de contexte de 256K jetons; l’exemple d’inférence du fabricant configure 262 144 jetons. Il reçoit du texte et produit du texte, dont des explications, du code et l’information nécessaire aux interactions avec les outils. Flash-Base et la version Flash postentraînée sont des éditions nommées séparément qui remplissent des rôles différents.\n\nAttention hybride et prédiction\n\nL’architecture combine l’attention à fenêtre glissante et l’attention globale selon un rapport de 5:1. La fenêtre d’attention locale est de 128 jetons, tandis que l’attention globale maintient les liens dans le contenu plus long. Le préentraînement utilise une longueur de séquence native de 32K, et le modèle publié prend en charge le contexte plus long de 256K. Un module léger de prédiction multijeton est intégré à l’entraînement et à l’inférence. Ce sont des propriétés de conception du modèle; elles ne précisent pas la vitesse à laquelle une application donnée renverra une réponse.\n\nPostentraînement pour le raisonnement et les agents\n\nMiMo-V2-Flash utilise la distillation Multi-Teacher On-Policy Distillation, dans laquelle des modèles enseignants propres à chaque domaine guident ses propres réponses générées, suivie d’un apprentissage par renforcement agentique à grande échelle. L’entraînement couvre des environnements d’agents de programmation et s’étend aux mathématiques et aux tâches générales d’agents. Un vérificateur fondé sur la vision est utilisé pendant l’entraînement au développement web pour évaluer les résultats exécutés. Ce vérificateur fait partie du processus d’entraînement et ne transforme pas ce modèle textuel en modèle acceptant des images ou des vidéos.\n\nProgrammation et préparation de documents\n\nPour une tâche de programmation, fournissez les fichiers pertinents sous forme de texte, l’échec observé, une entrée qui le démontre et le comportement qui doit rester intact. Une demande illustrative peut solliciter un petit correctif, une explication des dépendances touchées et des vérifications du résultat attendu. Pour un long contenu textuel, identifiez les sections importantes et demandez une comparaison liée à leurs passages. Gardez la sortie concrète : du code corrigé, un tableau de divergences, un calcul avec ses hypothèses ou une proposition d’action suivante.\n\nRéflexion, outils et historique de conversation\n\nL’exemple publié de réflexion active un mode de raisonnement, et le fabricant précise un analyseur dédié aux appels d’outils. Lors de l’utilisation d’outils sur plusieurs tours, la réponse peut inclure reasoning_content en plus de tool_calls. La requête suivante doit conserver le reasoning_content antérieur dans l’historique de conversation afin que la séquence de réflexion et d’outils se poursuive correctement. L’application fournit et exécute les outils; le modèle choisit comment utiliser leurs résultats. La préparation de l’historique devient ainsi une exigence d’intégration concrète, plutôt que de considérer le dernier message de l’utilisateur comme la tâche complète.\n\nRecommandations du fabricant et limites\n\nLe guide d’utilisation recommande top_p à 0.95, temperature à 0.8 pour les tâches de mathématiques, de rédaction et de développement web, et temperature à 0.3 pour les tâches agentiques. Il recommande aussi un message système identifiant MiMo comme l’assistant de Xiaomi, avec la date actuelle et une limite de connaissances fixée à décembre 2024. Fournissez des faits récents lorsque la tâche dépend d’événements plus nouveaux. Le budget de réponse de 4096 jetons dans la requête publiée est un exemple de paramètre, et non une longueur de sortie maximale déclarée. MiMo-V2-Flash conserve sa propre identité aux côtés de Flash-Base, Pro et Omni; leurs spécifications de contexte ou de modalités doivent être choisies selon l’édition correspondante.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7aa0f2f8d42d159f5ede9bf03a59e1d6bfe881aab223a639eec02060b7bdc982", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "xiaomimimo/mimo-v2-flashMiMo-V2-Flash est le modèle textuel de Xiaomi pour le raisonnement, la programmation et le travail d’agents assisté par des outils. Son contexte de 256K, son attention hybride et sa version postentraînée distincte conviennent aux tâches qui relient un contenu textuel substantiel à une réponse précise, à une modification de code ou à l’action suivante.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Profil du modèle et éditions
MiMo-V2-Flash est le modèle linguistique de Xiaomi pour le raisonnement et les flux de travail d’agents. Son architecture à mélange d’experts compte 309 milliards de paramètres au total et 15 milliards de paramètres actifs. Le modèle publié indique une longueur de contexte de 256K jetons; l’exemple d’inférence du fabricant configure 262 144 jetons. Il reçoit du texte et produit du texte, dont des explications, du code et l’information nécessaire aux interactions avec les outils. Flash-Base et la version Flash postentraînée sont des éditions nommées séparément qui remplissent des rôles différents.
Attention hybride et prédiction
L’architecture combine l’attention à fenêtre glissante et l’attention globale selon un rapport de 5:1. La fenêtre d’attention locale est de 128 jetons, tandis que l’attention globale maintient les liens dans le contenu plus long. Le préentraînement utilise une longueur de séquence native de 32K, et le modèle publié prend en charge le contexte plus long de 256K. Un module léger de prédiction multijeton est intégré à l’entraînement et à l’inférence. Ce sont des propriétés de conception du modèle; elles ne précisent pas la vitesse à laquelle une application donnée renverra une réponse.
Postentraînement pour le raisonnement et les agents
MiMo-V2-Flash utilise la distillation Multi-Teacher On-Policy Distillation, dans laquelle des modèles enseignants propres à chaque domaine guident ses propres réponses générées, suivie d’un apprentissage par renforcement agentique à grande échelle. L’entraînement couvre des environnements d’agents de programmation et s’étend aux mathématiques et aux tâches générales d’agents. Un vérificateur fondé sur la vision est utilisé pendant l’entraînement au développement web pour évaluer les résultats exécutés. Ce vérificateur fait partie du processus d’entraînement et ne transforme pas ce modèle textuel en modèle acceptant des images ou des vidéos.
Programmation et préparation de documents
Pour une tâche de programmation, fournissez les fichiers pertinents sous forme de texte, l’échec observé, une entrée qui le démontre et le comportement qui doit rester intact. Une demande illustrative peut solliciter un petit correctif, une explication des dépendances touchées et des vérifications du résultat attendu. Pour un long contenu textuel, identifiez les sections importantes et demandez une comparaison liée à leurs passages. Gardez la sortie concrète : du code corrigé, un tableau de divergences, un calcul avec ses hypothèses ou une proposition d’action suivante.
Réflexion, outils et historique de conversation
L’exemple publié de réflexion active un mode de raisonnement, et le fabricant précise un analyseur dédié aux appels d’outils. Lors de l’utilisation d’outils sur plusieurs tours, la réponse peut inclure reasoning_content en plus de tool_calls. La requête suivante doit conserver le reasoning_content antérieur dans l’historique de conversation afin que la séquence de réflexion et d’outils se poursuive correctement. L’application fournit et exécute les outils; le modèle choisit comment utiliser leurs résultats. La préparation de l’historique devient ainsi une exigence d’intégration concrète, plutôt que de considérer le dernier message de l’utilisateur comme la tâche complète.
Recommandations du fabricant et limites
Le guide d’utilisation recommande top_p à 0.95, temperature à 0.8 pour les tâches de mathématiques, de rédaction et de développement web, et temperature à 0.3 pour les tâches agentiques. Il recommande aussi un message système identifiant MiMo comme l’assistant de Xiaomi, avec la date actuelle et une limite de connaissances fixée à décembre 2024. Fournissez des faits récents lorsque la tâche dépend d’événements plus nouveaux. Le budget de réponse de 4096 jetons dans la requête publiée est un exemple de paramètre, et non une longueur de sortie maximale déclarée. MiMo-V2-Flash conserve sa propre identité aux côtés de Flash-Base, Pro et Omni; leurs spécifications de contexte ou de modalités doivent être choisies selon l’édition correspondante.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites xiaomimimo/mimo-v2-flash | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
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 |
Paramètrecontrol_scope | ContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false. |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Alias de méthode : /chat/completions
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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0006 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"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 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 xiaomimimo/mimo-v2-flash
/chat/completions
xiaomimimo/mimo-v2-flashMiMo-V2-Flash est le modèle textuel de Xiaomi pour le raisonnement, la programmation et le travail d’agents assisté par des outils. Son contexte de 256K, son attention hybride et sa version postentraînée distincte conviennent aux tâches qui relient un contenu textuel substantiel à une réponse précise, à une modification de code ou à l’action suivante.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Profil du modèle et éditions
MiMo-V2-Flash est le modèle linguistique de Xiaomi pour le raisonnement et les flux de travail d’agents. Son architecture à mélange d’experts compte 309 milliards de paramètres au total et 15 milliards de paramètres actifs. Le modèle publié indique une longueur de contexte de 256K jetons; l’exemple d’inférence du fabricant configure 262 144 jetons. Il reçoit du texte et produit du texte, dont des explications, du code et l’information nécessaire aux interactions avec les outils. Flash-Base et la version Flash postentraînée sont des éditions nommées séparément qui remplissent des rôles différents.
Attention hybride et prédiction
L’architecture combine l’attention à fenêtre glissante et l’attention globale selon un rapport de 5:1. La fenêtre d’attention locale est de 128 jetons, tandis que l’attention globale maintient les liens dans le contenu plus long. Le préentraînement utilise une longueur de séquence native de 32K, et le modèle publié prend en charge le contexte plus long de 256K. Un module léger de prédiction multijeton est intégré à l’entraînement et à l’inférence. Ce sont des propriétés de conception du modèle; elles ne précisent pas la vitesse à laquelle une application donnée renverra une réponse.
Postentraînement pour le raisonnement et les agents
MiMo-V2-Flash utilise la distillation Multi-Teacher On-Policy Distillation, dans laquelle des modèles enseignants propres à chaque domaine guident ses propres réponses générées, suivie d’un apprentissage par renforcement agentique à grande échelle. L’entraînement couvre des environnements d’agents de programmation et s’étend aux mathématiques et aux tâches générales d’agents. Un vérificateur fondé sur la vision est utilisé pendant l’entraînement au développement web pour évaluer les résultats exécutés. Ce vérificateur fait partie du processus d’entraînement et ne transforme pas ce modèle textuel en modèle acceptant des images ou des vidéos.
Programmation et préparation de documents
Pour une tâche de programmation, fournissez les fichiers pertinents sous forme de texte, l’échec observé, une entrée qui le démontre et le comportement qui doit rester intact. Une demande illustrative peut solliciter un petit correctif, une explication des dépendances touchées et des vérifications du résultat attendu. Pour un long contenu textuel, identifiez les sections importantes et demandez une comparaison liée à leurs passages. Gardez la sortie concrète : du code corrigé, un tableau de divergences, un calcul avec ses hypothèses ou une proposition d’action suivante.
Réflexion, outils et historique de conversation
L’exemple publié de réflexion active un mode de raisonnement, et le fabricant précise un analyseur dédié aux appels d’outils. Lors de l’utilisation d’outils sur plusieurs tours, la réponse peut inclure reasoning_content en plus de tool_calls. La requête suivante doit conserver le reasoning_content antérieur dans l’historique de conversation afin que la séquence de réflexion et d’outils se poursuive correctement. L’application fournit et exécute les outils; le modèle choisit comment utiliser leurs résultats. La préparation de l’historique devient ainsi une exigence d’intégration concrète, plutôt que de considérer le dernier message de l’utilisateur comme la tâche complète.
Recommandations du fabricant et limites
Le guide d’utilisation recommande top_p à 0.95, temperature à 0.8 pour les tâches de mathématiques, de rédaction et de développement web, et temperature à 0.3 pour les tâches agentiques. Il recommande aussi un message système identifiant MiMo comme l’assistant de Xiaomi, avec la date actuelle et une limite de connaissances fixée à décembre 2024. Fournissez des faits récents lorsque la tâche dépend d’événements plus nouveaux. Le budget de réponse de 4096 jetons dans la requête publiée est un exemple de paramètre, et non une longueur de sortie maximale déclarée. MiMo-V2-Flash conserve sa propre identité aux côtés de Flash-Base, Pro et Omni; leurs spécifications de contexte ou de modalités doivent être choisies selon l’édition correspondante.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites xiaomimimo/mimo-v2-flash | 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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Jetons en entrée $0.0002 / 1K jetons Sortie · Jetons en sortie $0.0006 / 1K jetons Entrée · Lecture du cache $0 / 1K jetons Entrée · Écriture dans le cache $0 / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "xiaomimimo/mimo-v2-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 xiaomimimo/mimo-v2-flash
/chat/completions