Profil du modèle et éditions
MiMo-V2-Flash est le modèle linguistique de Xiaomi pour le raisonnement et les workflows d’agents. Son architecture à mélange d’experts compte 309 milliards de paramètres au total et 15 milliards de paramètres actifs. Le modèle publié annonce une longueur de contexte de 256K tokens ; l’exemple d’inférence du fabricant configure 262 144 tokens. Il reçoit du texte et produit du texte, notamment des explications, du code et les informations nécessaires aux interactions avec des outils. Flash-Base et la version Flash issue du postentraînement sont des éditions nommées séparément, avec des rôles différents.
Attention hybride et prédiction
L’architecture associe une attention à fenêtre glissante et une attention globale selon un rapport de 5:1. La fenêtre d’attention locale couvre 128 tokens, tandis que l’attention globale maintient les liens dans les contenus plus longs. 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 de plusieurs tokens est intégré à l’entraînement et à l’inférence. Ce sont des propriétés de conception du modèle ; elles ne déterminent pas la rapidité avec laquelle une application donnée renverra une réponse.
Postentraînement pour le raisonnement et les agents
MiMo-V2-Flash utilise la méthode Multi-Teacher On-Policy Distillation, dans laquelle des modèles enseignants propres à chaque domaine guident ses réponses générées, suivie d’un apprentissage par renforcement à grande échelle pour les agents. 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 en entrée.
Programmation et préparation documentaire
Pour une tâche de programmation, fournissez les fichiers concernés sous forme de texte, l’échec observé, une entrée qui le démontre et le comportement à préserver. Une demande illustrative peut solliciter un petit correctif, une explication des dépendances affectées et des vérifications du résultat attendu. Pour de longs contenus textuels, identifiez les sections importantes et demandez une comparaison reliée à leurs passages. Gardez une sortie concrète : du code corrigé, un tableau d’écarts, 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 spécifie un analyseur dédié aux appels d’outils. Dans une utilisation d’outils sur plusieurs échanges, la réponse peut inclure reasoning_content aux côtés de tool_calls. La requête suivante doit conserver le reasoning_content antérieur dans l’historique de conversation pour que la séquence de réflexion et d’outils se poursuive correctement. L’application fournit et exécute les outils ; le modèle choisit comment exploiter leurs résultats. La préparation de l’historique constitue donc une exigence d’intégration importante, plutôt que de traiter 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 mathématiques, la rédaction et le développement web, et temperature à 0.3 pour les tâches d’agents. Il recommande aussi un message système identifiant MiMo comme l’assistant de Xiaomi, avec la date actuelle et une limite de connaissances en décembre 2024. Fournissez des faits récents lorsque la tâche dépend d’événements plus nouveaux. Le budget de réponse de 4 096 tokens de la requête publiée est un exemple de réglage, et non une longueur de sortie maximale déclarée. MiMo-V2-Flash conserve son identité propre aux côtés de Flash-Base, Pro et Omni ; les spécifications de contexte ou de modalités de chacun doivent être sélectionnées avec l’édition correspondante.
", "aboutText": "Profil du modèle et éditions\n\nMiMo-V2-Flash est le modèle linguistique de Xiaomi pour le raisonnement et les workflows d’agents. Son architecture à mélange d’experts compte 309 milliards de paramètres au total et 15 milliards de paramètres actifs. Le modèle publié annonce une longueur de contexte de 256K tokens ; l’exemple d’inférence du fabricant configure 262 144 tokens. Il reçoit du texte et produit du texte, notamment des explications, du code et les informations nécessaires aux interactions avec des outils. Flash-Base et la version Flash issue du postentraînement sont des éditions nommées séparément, avec des rôles différents.\n\nAttention hybride et prédiction\n\nL’architecture associe une attention à fenêtre glissante et une attention globale selon un rapport de 5:1. La fenêtre d’attention locale couvre 128 tokens, tandis que l’attention globale maintient les liens dans les contenus plus longs. 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 de plusieurs tokens est intégré à l’entraînement et à l’inférence. Ce sont des propriétés de conception du modèle ; elles ne déterminent pas la rapidité avec laquelle une application donnée renverra une réponse.\n\nPostentraînement pour le raisonnement et les agents\n\nMiMo-V2-Flash utilise la méthode Multi-Teacher On-Policy Distillation, dans laquelle des modèles enseignants propres à chaque domaine guident ses réponses générées, suivie d’un apprentissage par renforcement à grande échelle pour les agents. 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 en entrée.\n\nProgrammation et préparation documentaire\n\nPour une tâche de programmation, fournissez les fichiers concernés sous forme de texte, l’échec observé, une entrée qui le démontre et le comportement à préserver. Une demande illustrative peut solliciter un petit correctif, une explication des dépendances affectées et des vérifications du résultat attendu. Pour de longs contenus textuels, identifiez les sections importantes et demandez une comparaison reliée à leurs passages. Gardez une sortie concrète : du code corrigé, un tableau d’écarts, 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 spécifie un analyseur dédié aux appels d’outils. Dans une utilisation d’outils sur plusieurs échanges, la réponse peut inclure reasoning_content aux côtés de tool_calls. La requête suivante doit conserver le reasoning_content antérieur dans l’historique de conversation pour que la séquence de réflexion et d’outils se poursuive correctement. L’application fournit et exécute les outils ; le modèle choisit comment exploiter leurs résultats. La préparation de l’historique constitue donc une exigence d’intégration importante, plutôt que de traiter 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 mathématiques, la rédaction et le développement web, et temperature à 0.3 pour les tâches d’agents. Il recommande aussi un message système identifiant MiMo comme l’assistant de Xiaomi, avec la date actuelle et une limite de connaissances en décembre 2024. Fournissez des faits récents lorsque la tâche dépend d’événements plus nouveaux. Le budget de réponse de 4 096 tokens de la requête publiée est un exemple de réglage, et non une longueur de sortie maximale déclarée. MiMo-V2-Flash conserve son identité propre aux côtés de Flash-Base, Pro et Omni ; les spécifications de contexte ou de modalités de chacun doivent être sélectionnées avec l’édition correspondante.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "6421be1ff493bca2f331e1178d4f4c77dc20c09cab18b758098c931eacaf5135", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "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 distincte issue du postentraînement conviennent aux tâches reliant des textes substantiels à une réponse précise, une modification de code ou une prochaine action.
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 workflows d’agents. Son architecture à mélange d’experts compte 309 milliards de paramètres au total et 15 milliards de paramètres actifs. Le modèle publié annonce une longueur de contexte de 256K tokens ; l’exemple d’inférence du fabricant configure 262 144 tokens. Il reçoit du texte et produit du texte, notamment des explications, du code et les informations nécessaires aux interactions avec des outils. Flash-Base et la version Flash issue du postentraînement sont des éditions nommées séparément, avec des rôles différents.
Attention hybride et prédiction
L’architecture associe une attention à fenêtre glissante et une attention globale selon un rapport de 5:1. La fenêtre d’attention locale couvre 128 tokens, tandis que l’attention globale maintient les liens dans les contenus plus longs. 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 de plusieurs tokens est intégré à l’entraînement et à l’inférence. Ce sont des propriétés de conception du modèle ; elles ne déterminent pas la rapidité avec laquelle une application donnée renverra une réponse.
Postentraînement pour le raisonnement et les agents
MiMo-V2-Flash utilise la méthode Multi-Teacher On-Policy Distillation, dans laquelle des modèles enseignants propres à chaque domaine guident ses réponses générées, suivie d’un apprentissage par renforcement à grande échelle pour les agents. 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 en entrée.
Programmation et préparation documentaire
Pour une tâche de programmation, fournissez les fichiers concernés sous forme de texte, l’échec observé, une entrée qui le démontre et le comportement à préserver. Une demande illustrative peut solliciter un petit correctif, une explication des dépendances affectées et des vérifications du résultat attendu. Pour de longs contenus textuels, identifiez les sections importantes et demandez une comparaison reliée à leurs passages. Gardez une sortie concrète : du code corrigé, un tableau d’écarts, 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 spécifie un analyseur dédié aux appels d’outils. Dans une utilisation d’outils sur plusieurs échanges, la réponse peut inclure reasoning_content aux côtés de tool_calls. La requête suivante doit conserver le reasoning_content antérieur dans l’historique de conversation pour que la séquence de réflexion et d’outils se poursuive correctement. L’application fournit et exécute les outils ; le modèle choisit comment exploiter leurs résultats. La préparation de l’historique constitue donc une exigence d’intégration importante, plutôt que de traiter 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 mathématiques, la rédaction et le développement web, et temperature à 0.3 pour les tâches d’agents. Il recommande aussi un message système identifiant MiMo comme l’assistant de Xiaomi, avec la date actuelle et une limite de connaissances en décembre 2024. Fournissez des faits récents lorsque la tâche dépend d’événements plus nouveaux. Le budget de réponse de 4 096 tokens de la requête publiée est un exemple de réglage, et non une longueur de sortie maximale déclarée. MiMo-V2-Flash conserve son identité propre aux côtés de Flash-Base, Pro et Omni ; les spécifications de contexte ou de modalités de chacun doivent être sélectionnées avec 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 sous forme de texte littéral ; aucun identifiant 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’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 $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0006 / 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":"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, 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 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 distincte issue du postentraînement conviennent aux tâches reliant des textes substantiels à une réponse précise, une modification de code ou une prochaine action.
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 workflows d’agents. Son architecture à mélange d’experts compte 309 milliards de paramètres au total et 15 milliards de paramètres actifs. Le modèle publié annonce une longueur de contexte de 256K tokens ; l’exemple d’inférence du fabricant configure 262 144 tokens. Il reçoit du texte et produit du texte, notamment des explications, du code et les informations nécessaires aux interactions avec des outils. Flash-Base et la version Flash issue du postentraînement sont des éditions nommées séparément, avec des rôles différents.
Attention hybride et prédiction
L’architecture associe une attention à fenêtre glissante et une attention globale selon un rapport de 5:1. La fenêtre d’attention locale couvre 128 tokens, tandis que l’attention globale maintient les liens dans les contenus plus longs. 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 de plusieurs tokens est intégré à l’entraînement et à l’inférence. Ce sont des propriétés de conception du modèle ; elles ne déterminent pas la rapidité avec laquelle une application donnée renverra une réponse.
Postentraînement pour le raisonnement et les agents
MiMo-V2-Flash utilise la méthode Multi-Teacher On-Policy Distillation, dans laquelle des modèles enseignants propres à chaque domaine guident ses réponses générées, suivie d’un apprentissage par renforcement à grande échelle pour les agents. 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 en entrée.
Programmation et préparation documentaire
Pour une tâche de programmation, fournissez les fichiers concernés sous forme de texte, l’échec observé, une entrée qui le démontre et le comportement à préserver. Une demande illustrative peut solliciter un petit correctif, une explication des dépendances affectées et des vérifications du résultat attendu. Pour de longs contenus textuels, identifiez les sections importantes et demandez une comparaison reliée à leurs passages. Gardez une sortie concrète : du code corrigé, un tableau d’écarts, 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 spécifie un analyseur dédié aux appels d’outils. Dans une utilisation d’outils sur plusieurs échanges, la réponse peut inclure reasoning_content aux côtés de tool_calls. La requête suivante doit conserver le reasoning_content antérieur dans l’historique de conversation pour que la séquence de réflexion et d’outils se poursuive correctement. L’application fournit et exécute les outils ; le modèle choisit comment exploiter leurs résultats. La préparation de l’historique constitue donc une exigence d’intégration importante, plutôt que de traiter 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 mathématiques, la rédaction et le développement web, et temperature à 0.3 pour les tâches d’agents. Il recommande aussi un message système identifiant MiMo comme l’assistant de Xiaomi, avec la date actuelle et une limite de connaissances en décembre 2024. Fournissez des faits récents lorsque la tâche dépend d’événements plus nouveaux. Le budget de réponse de 4 096 tokens de la requête publiée est un exemple de réglage, et non une longueur de sortie maximale déclarée. MiMo-V2-Flash conserve son identité propre aux côtés de Flash-Base, Pro et Omni ; les spécifications de contexte ou de modalités de chacun doivent être sélectionnées avec 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 tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0006 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "xiaomimimo/mimo-v2-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 xiaomimimo/mimo-v2-flash
/chat/completions