MiMo-V2.5-Pro est le grand modèle de Xiaomi axé sur le texte et doté d’une architecture à mélange d’experts, destiné aux travaux exigeants des agents, à l’ingénierie logicielle complexe et aux tâches comportant de nombreuses étapes liées. Le fabricant annonce 1,02 billion de paramètres au total, 42 milliards de paramètres actifs et un contexte allant jusqu’à un million de tokens. Il vise à conserver les instructions de la tâche et les éléments probants accumulés pendant qu’une application associée fournit des outils et renvoie leurs résultats.
Le modèle combine une attention à fenêtre glissante et une attention globale selon un rapport de 6:1. La fenêtre locale couvre 128 tokens, tandis que les couches d’attention globale relient les informations dans un historique plus long. Il s’agit de l’architecture d’attention, et non d’une limite de 128 tokens imposée à l’entrée de l’utilisateur. Le réseau principal comporte 70 couches et un routage parcimonieux des experts, avec huit experts routés sélectionnés par token. Trois modules de prédiction de plusieurs tokens sont intégrés à la conception de l’entraînement et de l’inférence pour permettre le décodage spéculatif.
Le fabricant décrit un préentraînement sur 27 billions de tokens, suivi d’un ajustement supervisé, d’un apprentissage par renforcement spécialisé par domaine et d’une distillation on-policy à plusieurs modèles enseignants. Les enseignants spécialisés couvrent notamment les mathématiques, la sécurité et l’utilisation complexe des outils ; l’étape finale réunit leurs enseignements dans un seul modèle. Cette orientation de l’entraînement soutient le rôle du modèle dans les longs workflows logiciels et d’agents ; une tâche concrète nécessite toujours des exigences fournies et un moyen de déterminer si son résultat est complet.
Pour une modification logicielle, fournissez les fichiers concernés, une erreur observée ou le comportement demandé, les conventions du projet et les vérifications importantes. Une consigne utile consiste à identifier le comportement concerné, à proposer une implémentation ciblée et à expliquer comment vérifier à la fois le cas attendu et un cas limite pertinent. Conservez les identifiants exacts utilisés par le projet. Si l’environnement permet l’exécution, renvoyez les résultats réels des vérifications au lieu de demander au modèle de supposer qu’un correctif plausible fonctionne.
Pour une tâche d’agent plus longue, gardez une trace concise 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 ces interactions et à préparer la requête suivante, mais c’est l’application qui l’entoure qui exécute ses opérations. Conservez les erreurs et les conditions non résolues dans le compte rendu final afin qu’une longue séquence ne dissimule pas une étape échouée derrière une explication fluide.
Le grand contexte peut servir à comparer des implémentations ou à synthétiser plusieurs documents volumineux. Délimitez les fichiers et les documents, indiquez les sections que la réponse doit exploiter et précisez le format de sortie attendu. Par exemple, demandez une proposition de migration qui relie chaque composant concerné à une exigence et identifie séparément les informations manquantes. Joignez au résultat les passages justificatifs ou les emplacements dans le code pour qu’un relecteur puisse remonter du raisonnement à ses données d’entrée.
L’exemple de mise en service publié par Xiaomi utilise une configuration de contexte de 1 048 576 tokens, tandis que sa présentation générale annonce une prise en charge allant jusqu’à 1M tokens. Dans la configuration utilisée, réservez de la place pour le texte généré et l’historique accumulé des outils. Le fabricant recommande temperature 1.0 et top_p 0.95 pour l’inférence locale. Ce sont des détails de sa recette d’exécution, et non la garantie que chaque application expose des commandes identiques 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 dans le périmètre linguistique et les tâches d’agents documentés, sans lui attribuer les modalités visuelles ou audio d’une autre édition. Le livrable final peut être une proposition de code, une explication d’implémentation ou une analyse étayée ; vérifiez les calculs importants, les exigences et les résultats des outils par rapport aux éléments fournis pour la tâche.
", "aboutText": "MiMo-V2.5-Pro est le grand modèle de Xiaomi axé sur le texte et doté d’une architecture à mélange d’experts, destiné aux travaux exigeants des agents, à l’ingénierie logicielle complexe et aux tâches comportant de nombreuses étapes liées. Le fabricant annonce 1,02 billion de paramètres au total, 42 milliards de paramètres actifs et un contexte allant jusqu’à un million de tokens. Il vise à conserver les instructions de la tâche et les éléments probants accumulés pendant qu’une application associée fournit des outils et renvoie leurs résultats.\n\nLe modèle combine une attention à fenêtre glissante et une attention globale selon un rapport de 6:1. La fenêtre locale couvre 128 tokens, tandis que les couches d’attention globale relient les informations dans un historique plus long. Il s’agit de l’architecture d’attention, et non d’une limite de 128 tokens imposée à l’entrée de l’utilisateur. Le réseau principal comporte 70 couches et un routage parcimonieux des experts, avec huit experts routés sélectionnés par token. Trois modules de prédiction de plusieurs tokens sont intégrés à la conception de l’entraînement et de l’inférence pour permettre le décodage spéculatif.\n\nLe fabricant décrit un préentraînement sur 27 billions de tokens, suivi d’un ajustement supervisé, d’un apprentissage par renforcement spécialisé par domaine et d’une distillation on-policy à plusieurs modèles enseignants. Les enseignants spécialisés couvrent notamment les mathématiques, la sécurité et l’utilisation complexe des outils ; l’étape finale réunit leurs enseignements dans un seul modèle. Cette orientation de l’entraînement soutient le rôle du modèle dans les longs workflows logiciels et d’agents ; une tâche concrète nécessite toujours des exigences fournies et un moyen de déterminer si son résultat est complet.\n\nPour une modification logicielle, fournissez les fichiers concernés, une erreur observée ou le comportement demandé, les conventions du projet et les vérifications importantes. Une consigne utile consiste à identifier le comportement concerné, à proposer une implémentation ciblée et à expliquer comment vérifier à la fois le cas attendu et un cas limite pertinent. Conservez les identifiants exacts utilisés par le projet. Si l’environnement permet l’exécution, renvoyez les résultats réels des vérifications au lieu de demander au modèle de supposer qu’un correctif plausible fonctionne.\n\nPour une tâche d’agent plus longue, gardez une trace concise 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 ces interactions et à préparer la requête suivante, mais c’est l’application qui l’entoure qui exécute ses opérations. Conservez les erreurs et les conditions non résolues dans le compte rendu final afin qu’une longue séquence ne dissimule pas une étape échouée derrière une explication fluide.\n\nLe grand contexte peut servir à comparer des implémentations ou à synthétiser plusieurs documents volumineux. Délimitez les fichiers et les documents, indiquez les sections que la réponse doit exploiter et précisez le format de sortie attendu. Par exemple, demandez une proposition de migration qui relie chaque composant concerné à une exigence et identifie séparément les informations manquantes. Joignez au résultat les passages justificatifs ou les emplacements dans le code pour qu’un relecteur puisse remonter du raisonnement à ses données d’entrée.\n\nL’exemple de mise en service publié par Xiaomi utilise une configuration de contexte de 1 048 576 tokens, tandis que sa présentation générale annonce une prise en charge allant jusqu’à 1M tokens. Dans la configuration utilisée, réservez de la place pour le texte généré et l’historique accumulé des outils. Le fabricant recommande temperature 1.0 et top_p 0.95 pour l’inférence locale. Ce sont des détails de sa recette d’exécution, et non la garantie que chaque application expose des commandes identiques 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 dans le périmètre linguistique et les tâches d’agents documentés, sans lui attribuer les modalités visuelles ou audio d’une autre édition. Le livrable final peut être une proposition de code, une explication d’implémentation ou une analyse étayée ; vérifiez les calculs importants, les exigences et les résultats des outils par rapport aux éléments fournis 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, destiné à l’ingénierie logicielle complexe et aux workflows d’agents prolongés. Son profil publié associe une architecture MoE de 1,02 billion de paramètres, dont 42 milliards de paramètres actifs et jusqu’à un million de tokens de contexte, avec un entraînement centré sur l’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 axé sur le texte et doté d’une architecture à mélange d’experts, destiné aux travaux exigeants des agents, à l’ingénierie logicielle complexe et aux tâches comportant de nombreuses étapes liées. Le fabricant annonce 1,02 billion de paramètres au total, 42 milliards de paramètres actifs et un contexte allant jusqu’à un million de tokens. Il vise à conserver les instructions de la tâche et les éléments probants accumulés pendant qu’une application associée fournit des outils et renvoie leurs résultats.
Le modèle combine une attention à fenêtre glissante et une attention globale selon un rapport de 6:1. La fenêtre locale couvre 128 tokens, tandis que les couches d’attention globale relient les informations dans un historique plus long. Il s’agit de l’architecture d’attention, et non d’une limite de 128 tokens imposée à l’entrée de l’utilisateur. Le réseau principal comporte 70 couches et un routage parcimonieux des experts, avec huit experts routés sélectionnés par token. Trois modules de prédiction de plusieurs tokens sont intégrés à la conception de l’entraînement et de l’inférence pour permettre le décodage spéculatif.
Le fabricant décrit un préentraînement sur 27 billions de tokens, suivi d’un ajustement supervisé, d’un apprentissage par renforcement spécialisé par domaine et d’une distillation on-policy à plusieurs modèles enseignants. Les enseignants spécialisés couvrent notamment les mathématiques, la sécurité et l’utilisation complexe des outils ; l’étape finale réunit leurs enseignements dans un seul modèle. Cette orientation de l’entraînement soutient le rôle du modèle dans les longs workflows logiciels et d’agents ; une tâche concrète nécessite toujours des exigences fournies et un moyen de déterminer si son résultat est complet.
Pour une modification logicielle, fournissez les fichiers concernés, une erreur observée ou le comportement demandé, les conventions du projet et les vérifications importantes. Une consigne utile consiste à identifier le comportement concerné, à proposer une implémentation ciblée et à expliquer comment vérifier à la fois le cas attendu et un cas limite pertinent. Conservez les identifiants exacts utilisés par le projet. Si l’environnement permet l’exécution, renvoyez les résultats réels des vérifications au lieu de demander au modèle de supposer qu’un correctif plausible fonctionne.
Pour une tâche d’agent plus longue, gardez une trace concise 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 ces interactions et à préparer la requête suivante, mais c’est l’application qui l’entoure qui exécute ses opérations. Conservez les erreurs et les conditions non résolues dans le compte rendu final afin qu’une longue séquence ne dissimule pas une étape échouée derrière une explication fluide.
Le grand contexte peut servir à comparer des implémentations ou à synthétiser plusieurs documents volumineux. Délimitez les fichiers et les documents, indiquez les sections que la réponse doit exploiter et précisez le format de sortie attendu. Par exemple, demandez une proposition de migration qui relie chaque composant concerné à une exigence et identifie séparément les informations manquantes. Joignez au résultat les passages justificatifs ou les emplacements dans le code pour qu’un relecteur puisse remonter du raisonnement à ses données d’entrée.
L’exemple de mise en service publié par Xiaomi utilise une configuration de contexte de 1 048 576 tokens, tandis que sa présentation générale annonce une prise en charge allant jusqu’à 1M tokens. Dans la configuration utilisée, réservez de la place pour le texte généré et l’historique accumulé des outils. Le fabricant recommande temperature 1.0 et top_p 0.95 pour l’inférence locale. Ce sont des détails de sa recette d’exécution, et non la garantie que chaque application expose des commandes identiques 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 dans le périmètre linguistique et les tâches d’agents documentés, sans lui attribuer les modalités visuelles ou audio d’une autre édition. Le livrable final peut être une proposition de code, une explication d’implémentation ou une analyse étayée ; vérifiez les calculs importants, les exigences et les résultats des outils par rapport aux éléments fournis 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’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.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00087 / 1K tokens Sortie · Tokens en sortie $0.00174 / 1K tokens Entrée · Lecture du cache $0.0000072 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00087 / 1K tokens Sortie · Tokens en sortie $0.00174 / 1K tokens Entrée · Lecture du cache $0.0000072 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "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, 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 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, destiné à l’ingénierie logicielle complexe et aux workflows d’agents prolongés. Son profil publié associe une architecture MoE de 1,02 billion de paramètres, dont 42 milliards de paramètres actifs et jusqu’à un million de tokens de contexte, avec un entraînement centré sur l’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 axé sur le texte et doté d’une architecture à mélange d’experts, destiné aux travaux exigeants des agents, à l’ingénierie logicielle complexe et aux tâches comportant de nombreuses étapes liées. Le fabricant annonce 1,02 billion de paramètres au total, 42 milliards de paramètres actifs et un contexte allant jusqu’à un million de tokens. Il vise à conserver les instructions de la tâche et les éléments probants accumulés pendant qu’une application associée fournit des outils et renvoie leurs résultats.
Le modèle combine une attention à fenêtre glissante et une attention globale selon un rapport de 6:1. La fenêtre locale couvre 128 tokens, tandis que les couches d’attention globale relient les informations dans un historique plus long. Il s’agit de l’architecture d’attention, et non d’une limite de 128 tokens imposée à l’entrée de l’utilisateur. Le réseau principal comporte 70 couches et un routage parcimonieux des experts, avec huit experts routés sélectionnés par token. Trois modules de prédiction de plusieurs tokens sont intégrés à la conception de l’entraînement et de l’inférence pour permettre le décodage spéculatif.
Le fabricant décrit un préentraînement sur 27 billions de tokens, suivi d’un ajustement supervisé, d’un apprentissage par renforcement spécialisé par domaine et d’une distillation on-policy à plusieurs modèles enseignants. Les enseignants spécialisés couvrent notamment les mathématiques, la sécurité et l’utilisation complexe des outils ; l’étape finale réunit leurs enseignements dans un seul modèle. Cette orientation de l’entraînement soutient le rôle du modèle dans les longs workflows logiciels et d’agents ; une tâche concrète nécessite toujours des exigences fournies et un moyen de déterminer si son résultat est complet.
Pour une modification logicielle, fournissez les fichiers concernés, une erreur observée ou le comportement demandé, les conventions du projet et les vérifications importantes. Une consigne utile consiste à identifier le comportement concerné, à proposer une implémentation ciblée et à expliquer comment vérifier à la fois le cas attendu et un cas limite pertinent. Conservez les identifiants exacts utilisés par le projet. Si l’environnement permet l’exécution, renvoyez les résultats réels des vérifications au lieu de demander au modèle de supposer qu’un correctif plausible fonctionne.
Pour une tâche d’agent plus longue, gardez une trace concise 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 ces interactions et à préparer la requête suivante, mais c’est l’application qui l’entoure qui exécute ses opérations. Conservez les erreurs et les conditions non résolues dans le compte rendu final afin qu’une longue séquence ne dissimule pas une étape échouée derrière une explication fluide.
Le grand contexte peut servir à comparer des implémentations ou à synthétiser plusieurs documents volumineux. Délimitez les fichiers et les documents, indiquez les sections que la réponse doit exploiter et précisez le format de sortie attendu. Par exemple, demandez une proposition de migration qui relie chaque composant concerné à une exigence et identifie séparément les informations manquantes. Joignez au résultat les passages justificatifs ou les emplacements dans le code pour qu’un relecteur puisse remonter du raisonnement à ses données d’entrée.
L’exemple de mise en service publié par Xiaomi utilise une configuration de contexte de 1 048 576 tokens, tandis que sa présentation générale annonce une prise en charge allant jusqu’à 1M tokens. Dans la configuration utilisée, réservez de la place pour le texte généré et l’historique accumulé des outils. Le fabricant recommande temperature 1.0 et top_p 0.95 pour l’inférence locale. Ce sont des détails de sa recette d’exécution, et non la garantie que chaque application expose des commandes identiques 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 dans le périmètre linguistique et les tâches d’agents documentés, sans lui attribuer les modalités visuelles ou audio d’une autre édition. Le livrable final peut être une proposition de code, une explication d’implémentation ou une analyse étayée ; vérifiez les calculs importants, les exigences et les résultats des outils par rapport aux éléments fournis 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 | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00087 / 1K tokens Sortie · Tokens en sortie $0.00174 / 1K tokens Entrée · Lecture du cache $0.0000072 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00087 / 1K tokens Sortie · Tokens en sortie $0.00174 / 1K tokens Entrée · Lecture du cache $0.0000072 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "xiaomi/mimo-v2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 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.