Une base pour le travail des agents
MiMo-V2-Pro est le modèle de fondation phare de Xiaomi pour les charges de travail agentiques complexes et le génie logiciel. Son rôle consiste à raisonner sur une tâche, organiser les étapes nécessaires et utiliser les informations retournées par les outils pour progresser vers un résultat défini. Le modèle va au-delà de la rédaction d’une réponse unique : il est conçu pour un travail continu dans lequel les décisions et observations antérieures influencent la suite.
Échelle et architecture efficace
Le fabricant décrit plus de 1 000 milliards de paramètres au total, dont 42 milliards de paramètres actifs. Pro prolonge l’approche d’attention hybride de MiMo-V2-Flash, avec un rapport de 7:1 entre attention à fenêtre glissante et attention globale. Une couche légère de prédiction de plusieurs tokens accompagne la génération, et le contexte annoncé atteint 1 million de tokens. Ce sont des propriétés architecturales et de contexte de Pro ; elles ne précisent ni la vitesse d’exécution, ni l’allocation mémoire, ni les limites de requêtes d’une intégration particulière.
Filiation de la version
Xiaomi identifie Hunter Alpha comme une première version de test interne précédant MiMo-V2-Pro. Le modèle Pro publié porte son propre nom et apporte des améliorations au travail en contexte long et à la stabilité des scénarios agentiques. Cette distinction compte pour comparer les descriptions ou conserver l’identité du modèle : une version de test antérieure, MiMo-V2-Flash et MiMo-V2-Omni ont chacun un rôle et des spécifications séparés.
Conçu pour les agents
Le modèle est ajusté par apprentissage supervisé et par renforcement dans divers frameworks d’agents, avec une attention portée aux appels d’outils et au raisonnement en plusieurs étapes. Préparez une tâche avec une condition d’achèvement observable et des descriptions des outils disponibles. Par exemple, un assistant de projet peut recevoir une demande de modification, examiner les modules fournis, proposer les composants concernés et poursuivre après qu’un outil a retourné une erreur de compilation. La sortie utile est une suite de décisions liées aux observations réelles, suivie du code, de l’explication ou du compte rendu demandé. L’environnement connecté effectue les actions.
Génie logiciel et tâches frontend
Xiaomi met en avant la conception de systèmes, la planification de tâches et la résolution de problèmes de programmation. Ses démonstrations comprennent des pages web interactives et un jeu dans le navigateur produits dans un environnement d’agent. Une consigne de développement illustrative peut définir le comportement d’une page, la navigation, les états des données et une mise en page adaptative, puis demander une implémentation et des vérifications de ces exigences. Pour un projet existant, fournissez les fichiers actuels, le cas en échec et les interfaces à préserver. Demandez une modification ciblée et une explication des dépendances touchées plutôt qu’une application de remplacement sans rapport.
Contexte long et résultat vérifiable
Un contexte atteignant 1 million de tokens est utile lorsque plusieurs fichiers, documents, instructions et observations antérieures appartiennent à une même tâche. Organisez ces éléments selon leur rôle : exigences faisant autorité, code actuel, exemples de référence et résultats d’outils. Précisez le livrable final et ses critères d’acceptation avant de demander à l’agent de poursuivre. Une tâche documentaire peut nécessiter une comparaison accompagnée de questions non résolues ; une tâche d’ingénierie peut nécessiter un correctif et un relevé des vérifications effectuées.
Limites pratiques et périmètre de l’édition
Un contexte long offre de la place pour les éléments fournis, sans garantir qu’un projet généré soit correct ni que toutes les exigences aient été satisfaites. Renvoyez les erreurs et observations réelles pour l’étape suivante et validez le résultat dans l’environnement prévu. Le fabricant présente explicitement la robustesse sur des tâches réelles complexes comme un aspect à évaluer et à améliorer. Cette description couvre la spécialisation agentique textuelle et outillée de MiMo-V2-Pro ; les fonctions multimodales d’Omni et les spécifications des générations MiMo ultérieures appartiennent à leurs modèles respectifs. Les outils, les paramètres disponibles et le traitement des sorties restent des propriétés de l’application connectée.
", "aboutText": "Une base pour le travail des agents\n\nMiMo-V2-Pro est le modèle de fondation phare de Xiaomi pour les charges de travail agentiques complexes et le génie logiciel. Son rôle consiste à raisonner sur une tâche, organiser les étapes nécessaires et utiliser les informations retournées par les outils pour progresser vers un résultat défini. Le modèle va au-delà de la rédaction d’une réponse unique : il est conçu pour un travail continu dans lequel les décisions et observations antérieures influencent la suite.\n\nÉchelle et architecture efficace\n\nLe fabricant décrit plus de 1 000 milliards de paramètres au total, dont 42 milliards de paramètres actifs. Pro prolonge l’approche d’attention hybride de MiMo-V2-Flash, avec un rapport de 7:1 entre attention à fenêtre glissante et attention globale. Une couche légère de prédiction de plusieurs tokens accompagne la génération, et le contexte annoncé atteint 1 million de tokens. Ce sont des propriétés architecturales et de contexte de Pro ; elles ne précisent ni la vitesse d’exécution, ni l’allocation mémoire, ni les limites de requêtes d’une intégration particulière.\n\nFiliation de la version\n\nXiaomi identifie Hunter Alpha comme une première version de test interne précédant MiMo-V2-Pro. Le modèle Pro publié porte son propre nom et apporte des améliorations au travail en contexte long et à la stabilité des scénarios agentiques. Cette distinction compte pour comparer les descriptions ou conserver l’identité du modèle : une version de test antérieure, MiMo-V2-Flash et MiMo-V2-Omni ont chacun un rôle et des spécifications séparés.\n\nConçu pour les agents\n\nLe modèle est ajusté par apprentissage supervisé et par renforcement dans divers frameworks d’agents, avec une attention portée aux appels d’outils et au raisonnement en plusieurs étapes. Préparez une tâche avec une condition d’achèvement observable et des descriptions des outils disponibles. Par exemple, un assistant de projet peut recevoir une demande de modification, examiner les modules fournis, proposer les composants concernés et poursuivre après qu’un outil a retourné une erreur de compilation. La sortie utile est une suite de décisions liées aux observations réelles, suivie du code, de l’explication ou du compte rendu demandé. L’environnement connecté effectue les actions.\n\nGénie logiciel et tâches frontend\n\nXiaomi met en avant la conception de systèmes, la planification de tâches et la résolution de problèmes de programmation. Ses démonstrations comprennent des pages web interactives et un jeu dans le navigateur produits dans un environnement d’agent. Une consigne de développement illustrative peut définir le comportement d’une page, la navigation, les états des données et une mise en page adaptative, puis demander une implémentation et des vérifications de ces exigences. Pour un projet existant, fournissez les fichiers actuels, le cas en échec et les interfaces à préserver. Demandez une modification ciblée et une explication des dépendances touchées plutôt qu’une application de remplacement sans rapport.\n\nContexte long et résultat vérifiable\n\nUn contexte atteignant 1 million de tokens est utile lorsque plusieurs fichiers, documents, instructions et observations antérieures appartiennent à une même tâche. Organisez ces éléments selon leur rôle : exigences faisant autorité, code actuel, exemples de référence et résultats d’outils. Précisez le livrable final et ses critères d’acceptation avant de demander à l’agent de poursuivre. Une tâche documentaire peut nécessiter une comparaison accompagnée de questions non résolues ; une tâche d’ingénierie peut nécessiter un correctif et un relevé des vérifications effectuées.\n\nLimites pratiques et périmètre de l’édition\n\nUn contexte long offre de la place pour les éléments fournis, sans garantir qu’un projet généré soit correct ni que toutes les exigences aient été satisfaites. Renvoyez les erreurs et observations réelles pour l’étape suivante et validez le résultat dans l’environnement prévu. Le fabricant présente explicitement la robustesse sur des tâches réelles complexes comme un aspect à évaluer et à améliorer. Cette description couvre la spécialisation agentique textuelle et outillée de MiMo-V2-Pro ; les fonctions multimodales d’Omni et les spécifications des générations MiMo ultérieures appartiennent à leurs modèles respectifs. Les outils, les paramètres disponibles et le traitement des sorties restent des propriétés de l’application connectée.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Correct an error-state transition\n\nA text specification says a search box has idle, loading, results and error states. Existing logic sets loading=true before fetch and false only on success, so failures leave the spinner visible. Propose pseudocode that preserves results on success, shows an error on failure and always clears loading. Include the two distinguishing checks.Focused async pseudocode and success/failure checks covering final loading state and visible result or error.Check that loading is cleared in both branches without suppressing the error.mimo-v2-proMiMo-V2-Pro est le modèle textuel de Xiaomi axé sur les agents pour le génie logiciel, la planification en plusieurs étapes et le travail piloté par des outils. Son contexte atteignant 1 million de tokens aide à conserver de vastes éléments de projet, les contraintes de la tâche et les observations successives dans un processus cohérent.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Une base pour le travail des agents
MiMo-V2-Pro est le modèle de fondation phare de Xiaomi pour les charges de travail agentiques complexes et le génie logiciel. Son rôle consiste à raisonner sur une tâche, organiser les étapes nécessaires et utiliser les informations retournées par les outils pour progresser vers un résultat défini. Le modèle va au-delà de la rédaction d’une réponse unique : il est conçu pour un travail continu dans lequel les décisions et observations antérieures influencent la suite.
Échelle et architecture efficace
Le fabricant décrit plus de 1 000 milliards de paramètres au total, dont 42 milliards de paramètres actifs. Pro prolonge l’approche d’attention hybride de MiMo-V2-Flash, avec un rapport de 7:1 entre attention à fenêtre glissante et attention globale. Une couche légère de prédiction de plusieurs tokens accompagne la génération, et le contexte annoncé atteint 1 million de tokens. Ce sont des propriétés architecturales et de contexte de Pro ; elles ne précisent ni la vitesse d’exécution, ni l’allocation mémoire, ni les limites de requêtes d’une intégration particulière.
Filiation de la version
Xiaomi identifie Hunter Alpha comme une première version de test interne précédant MiMo-V2-Pro. Le modèle Pro publié porte son propre nom et apporte des améliorations au travail en contexte long et à la stabilité des scénarios agentiques. Cette distinction compte pour comparer les descriptions ou conserver l’identité du modèle : une version de test antérieure, MiMo-V2-Flash et MiMo-V2-Omni ont chacun un rôle et des spécifications séparés.
Conçu pour les agents
Le modèle est ajusté par apprentissage supervisé et par renforcement dans divers frameworks d’agents, avec une attention portée aux appels d’outils et au raisonnement en plusieurs étapes. Préparez une tâche avec une condition d’achèvement observable et des descriptions des outils disponibles. Par exemple, un assistant de projet peut recevoir une demande de modification, examiner les modules fournis, proposer les composants concernés et poursuivre après qu’un outil a retourné une erreur de compilation. La sortie utile est une suite de décisions liées aux observations réelles, suivie du code, de l’explication ou du compte rendu demandé. L’environnement connecté effectue les actions.
Génie logiciel et tâches frontend
Xiaomi met en avant la conception de systèmes, la planification de tâches et la résolution de problèmes de programmation. Ses démonstrations comprennent des pages web interactives et un jeu dans le navigateur produits dans un environnement d’agent. Une consigne de développement illustrative peut définir le comportement d’une page, la navigation, les états des données et une mise en page adaptative, puis demander une implémentation et des vérifications de ces exigences. Pour un projet existant, fournissez les fichiers actuels, le cas en échec et les interfaces à préserver. Demandez une modification ciblée et une explication des dépendances touchées plutôt qu’une application de remplacement sans rapport.
Contexte long et résultat vérifiable
Un contexte atteignant 1 million de tokens est utile lorsque plusieurs fichiers, documents, instructions et observations antérieures appartiennent à une même tâche. Organisez ces éléments selon leur rôle : exigences faisant autorité, code actuel, exemples de référence et résultats d’outils. Précisez le livrable final et ses critères d’acceptation avant de demander à l’agent de poursuivre. Une tâche documentaire peut nécessiter une comparaison accompagnée de questions non résolues ; une tâche d’ingénierie peut nécessiter un correctif et un relevé des vérifications effectuées.
Limites pratiques et périmètre de l’édition
Un contexte long offre de la place pour les éléments fournis, sans garantir qu’un projet généré soit correct ni que toutes les exigences aient été satisfaites. Renvoyez les erreurs et observations réelles pour l’étape suivante et validez le résultat dans l’environnement prévu. Le fabricant présente explicitement la robustesse sur des tâches réelles complexes comme un aspect à évaluer et à améliorer. Cette description couvre la spécialisation agentique textuelle et outillée de MiMo-V2-Pro ; les fonctions multimodales d’Omni et les spécifications des générations MiMo ultérieures appartiennent à leurs modèles respectifs. Les outils, les paramètres disponibles et le traitement des sorties restent des propriétés de l’application connectée.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mimo-v2-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’identifiant 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: outil de fonction fourni | 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 rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | 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 sous forme de texte littéral ; aucun identifiant 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’identifiant 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/objets 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 tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0022 / 1K tokens Sortie · Tokens en sortie $0.0066 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mimo-v2-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='mimo-v2-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='mimo-v2-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, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra mimo-v2-pro
Utilisez les chemins de méthode indiqués ci-dessus.
mimo-v2-proMiMo-V2-Pro est le modèle textuel de Xiaomi axé sur les agents pour le génie logiciel, la planification en plusieurs étapes et le travail piloté par des outils. Son contexte atteignant 1 million de tokens aide à conserver de vastes éléments de projet, les contraintes de la tâche et les observations successives dans un processus cohérent.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Une base pour le travail des agents
MiMo-V2-Pro est le modèle de fondation phare de Xiaomi pour les charges de travail agentiques complexes et le génie logiciel. Son rôle consiste à raisonner sur une tâche, organiser les étapes nécessaires et utiliser les informations retournées par les outils pour progresser vers un résultat défini. Le modèle va au-delà de la rédaction d’une réponse unique : il est conçu pour un travail continu dans lequel les décisions et observations antérieures influencent la suite.
Échelle et architecture efficace
Le fabricant décrit plus de 1 000 milliards de paramètres au total, dont 42 milliards de paramètres actifs. Pro prolonge l’approche d’attention hybride de MiMo-V2-Flash, avec un rapport de 7:1 entre attention à fenêtre glissante et attention globale. Une couche légère de prédiction de plusieurs tokens accompagne la génération, et le contexte annoncé atteint 1 million de tokens. Ce sont des propriétés architecturales et de contexte de Pro ; elles ne précisent ni la vitesse d’exécution, ni l’allocation mémoire, ni les limites de requêtes d’une intégration particulière.
Filiation de la version
Xiaomi identifie Hunter Alpha comme une première version de test interne précédant MiMo-V2-Pro. Le modèle Pro publié porte son propre nom et apporte des améliorations au travail en contexte long et à la stabilité des scénarios agentiques. Cette distinction compte pour comparer les descriptions ou conserver l’identité du modèle : une version de test antérieure, MiMo-V2-Flash et MiMo-V2-Omni ont chacun un rôle et des spécifications séparés.
Conçu pour les agents
Le modèle est ajusté par apprentissage supervisé et par renforcement dans divers frameworks d’agents, avec une attention portée aux appels d’outils et au raisonnement en plusieurs étapes. Préparez une tâche avec une condition d’achèvement observable et des descriptions des outils disponibles. Par exemple, un assistant de projet peut recevoir une demande de modification, examiner les modules fournis, proposer les composants concernés et poursuivre après qu’un outil a retourné une erreur de compilation. La sortie utile est une suite de décisions liées aux observations réelles, suivie du code, de l’explication ou du compte rendu demandé. L’environnement connecté effectue les actions.
Génie logiciel et tâches frontend
Xiaomi met en avant la conception de systèmes, la planification de tâches et la résolution de problèmes de programmation. Ses démonstrations comprennent des pages web interactives et un jeu dans le navigateur produits dans un environnement d’agent. Une consigne de développement illustrative peut définir le comportement d’une page, la navigation, les états des données et une mise en page adaptative, puis demander une implémentation et des vérifications de ces exigences. Pour un projet existant, fournissez les fichiers actuels, le cas en échec et les interfaces à préserver. Demandez une modification ciblée et une explication des dépendances touchées plutôt qu’une application de remplacement sans rapport.
Contexte long et résultat vérifiable
Un contexte atteignant 1 million de tokens est utile lorsque plusieurs fichiers, documents, instructions et observations antérieures appartiennent à une même tâche. Organisez ces éléments selon leur rôle : exigences faisant autorité, code actuel, exemples de référence et résultats d’outils. Précisez le livrable final et ses critères d’acceptation avant de demander à l’agent de poursuivre. Une tâche documentaire peut nécessiter une comparaison accompagnée de questions non résolues ; une tâche d’ingénierie peut nécessiter un correctif et un relevé des vérifications effectuées.
Limites pratiques et périmètre de l’édition
Un contexte long offre de la place pour les éléments fournis, sans garantir qu’un projet généré soit correct ni que toutes les exigences aient été satisfaites. Renvoyez les erreurs et observations réelles pour l’étape suivante et validez le résultat dans l’environnement prévu. Le fabricant présente explicitement la robustesse sur des tâches réelles complexes comme un aspect à évaluer et à améliorer. Cette description couvre la spécialisation agentique textuelle et outillée de MiMo-V2-Pro ; les fonctions multimodales d’Omni et les spécifications des générations MiMo ultérieures appartiennent à leurs modèles respectifs. Les outils, les paramètres disponibles et le traitement des sorties restent des propriétés de l’application connectée.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mimo-v2-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.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0022 / 1K tokens Sortie · Tokens en sortie $0.0066 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mimo-v2-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mimo-v2-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': 'mimo-v2-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 identifiants 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 identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra mimo-v2-pro
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Correct an error-state transition\n\nA text specification says a search box has idle, loading, results and error states. Existing logic sets loading=true before fetch and false only on success, so failures leave the spinner visible. Propose pseudocode that preserves results on success, shows an error on failure and always clears loading. Include the two distinguishing checks.Focused async pseudocode and success/failure checks covering final loading state and visible result or error.Check that loading is cleared in both branches without suppressing the error.