Fondasi untuk pekerjaan agen
MiMo-V2-Pro adalah model fondasi unggulan Xiaomi untuk beban kerja agen yang kompleks dan rekayasa perangkat lunak. Perannya adalah menalar tugas, menyusun langkah yang diperlukan, dan menggunakan informasi yang dikembalikan alat untuk melanjutkan menuju hasil yang ditentukan. Penekanan model ini melampaui penyusunan satu jawaban: model dirancang untuk pekerjaan yang saling terhubung, ketika keputusan dan pengamatan sebelumnya memengaruhi apa yang terjadi selanjutnya.
Skala dan arsitektur yang efisien
Pembuatnya menjelaskan lebih dari 1 triliun parameter total dengan 42 miliar parameter aktif. Pro memperluas pendekatan atensi hibrida MiMo-V2-Flash, dengan perbandingan 7:1 antara atensi sliding-window dan atensi global. Lapisan prediksi multi-token yang ringan mendukung generasi, dan konteks yang diiklankan mencapai 1 juta token. Ini adalah sifat arsitektur dan konteks Pro; sifat tersebut tidak menetapkan kecepatan eksekusi, alokasi memori, atau batas permintaan pada integrasi tertentu.
Riwayat rilis
Xiaomi mengidentifikasi Hunter Alpha sebagai build pengujian internal awal yang mendahului MiMo-V2-Pro. Model Pro yang dirilis memiliki nama sendiri serta penyempurnaan untuk pekerjaan konteks panjang dan kestabilan skenario agen. Pembedaan ini penting saat membandingkan deskripsi atau mempertahankan identitas model: build pengujian terdahulu, MiMo-V2-Flash, dan MiMo-V2-Omni masing-masing memiliki peran dan spesifikasi tersendiri.
Dirancang untuk agen
Model ini menjalani fine-tuning melalui pembelajaran terawasi dan pembelajaran penguatan pada beragam kerangka agen, dengan perhatian pada pemanggilan alat dan penalaran beberapa langkah. Siapkan tugas dengan kondisi penyelesaian yang dapat diamati serta deskripsi alat yang tersedia. Misalnya, asisten proyek dapat menerima permintaan perubahan, memeriksa modul yang diberikan, mengusulkan komponen yang terdampak, dan melanjutkan setelah alat mengembalikan kesalahan build. Keluaran yang berguna berupa urutan keputusan yang terkait dengan pengamatan aktual, diikuti kode, penjelasan, atau ringkasan pekerjaan yang diminta. Lingkungan yang terhubung menjalankan tindakannya.
Rekayasa perangkat lunak dan tugas frontend
Xiaomi menonjolkan perancangan sistem, perencanaan tugas, dan pemecahan masalah yang berorientasi pada kode. Demonstrasinya mencakup halaman web interaktif dan gim berbasis peramban yang dihasilkan dalam lingkungan agen. Contoh arahan pengembangan dapat menetapkan perilaku halaman, navigasi, keadaan data, dan tata letak responsif, lalu meminta implementasi serta pemeriksaan terhadap persyaratan tersebut. Untuk proyek yang sudah ada, berikan berkas saat ini, kasus yang gagal, dan antarmuka yang harus tetap sama. Minta perubahan terarah dan penjelasan tentang dependensi yang disentuhnya alih-alih aplikasi pengganti yang tidak terkait.
Konteks panjang dan hasil yang dapat diperiksa
Konteks hingga 1 juta token berguna ketika beberapa berkas, dokumen, instruksi, dan pengamatan sebelumnya merupakan bagian dari tugas yang sama. Susun materi itu menurut perannya: persyaratan otoritatif, kode saat ini, contoh referensi, dan hasil alat. Tentukan artefak akhir dan syarat penerimaannya sebelum meminta agen melanjutkan. Tugas dokumentasi mungkin memerlukan perbandingan dengan pertanyaan yang belum terjawab; tugas rekayasa mungkin memerlukan patch dan catatan tentang apa yang telah diperiksa.
Keterbatasan praktis dan lingkup edisi
Konteks panjang menyediakan ruang untuk materi, tetapi tidak menjamin bahwa proyek yang dihasilkan benar atau bahwa setiap persyaratan telah terpenuhi. Kembalikan kesalahan dan pengamatan aktual untuk langkah berikutnya, lalu validasi hasil dalam lingkungan yang dimaksud. Pembuatnya secara eksplisit membingkai ketangguhan pada tugas nyata yang kompleks sebagai hal yang perlu dinilai dan ditingkatkan. Deskripsi ini mencakup spesialisasi agen teks dan alat pada MiMo-V2-Pro; fitur modalitas Omni dan spesifikasi generasi MiMo berikutnya merupakan milik model masing-masing. Alat, parameter yang tersedia, dan penanganan keluaran tetap merupakan sifat aplikasi yang terhubung.
", "aboutText": "Fondasi untuk pekerjaan agen\n\nMiMo-V2-Pro adalah model fondasi unggulan Xiaomi untuk beban kerja agen yang kompleks dan rekayasa perangkat lunak. Perannya adalah menalar tugas, menyusun langkah yang diperlukan, dan menggunakan informasi yang dikembalikan alat untuk melanjutkan menuju hasil yang ditentukan. Penekanan model ini melampaui penyusunan satu jawaban: model dirancang untuk pekerjaan yang saling terhubung, ketika keputusan dan pengamatan sebelumnya memengaruhi apa yang terjadi selanjutnya.\n\nSkala dan arsitektur yang efisien\n\nPembuatnya menjelaskan lebih dari 1 triliun parameter total dengan 42 miliar parameter aktif. Pro memperluas pendekatan atensi hibrida MiMo-V2-Flash, dengan perbandingan 7:1 antara atensi sliding-window dan atensi global. Lapisan prediksi multi-token yang ringan mendukung generasi, dan konteks yang diiklankan mencapai 1 juta token. Ini adalah sifat arsitektur dan konteks Pro; sifat tersebut tidak menetapkan kecepatan eksekusi, alokasi memori, atau batas permintaan pada integrasi tertentu.\n\nRiwayat rilis\n\nXiaomi mengidentifikasi Hunter Alpha sebagai build pengujian internal awal yang mendahului MiMo-V2-Pro. Model Pro yang dirilis memiliki nama sendiri serta penyempurnaan untuk pekerjaan konteks panjang dan kestabilan skenario agen. Pembedaan ini penting saat membandingkan deskripsi atau mempertahankan identitas model: build pengujian terdahulu, MiMo-V2-Flash, dan MiMo-V2-Omni masing-masing memiliki peran dan spesifikasi tersendiri.\n\nDirancang untuk agen\n\nModel ini menjalani fine-tuning melalui pembelajaran terawasi dan pembelajaran penguatan pada beragam kerangka agen, dengan perhatian pada pemanggilan alat dan penalaran beberapa langkah. Siapkan tugas dengan kondisi penyelesaian yang dapat diamati serta deskripsi alat yang tersedia. Misalnya, asisten proyek dapat menerima permintaan perubahan, memeriksa modul yang diberikan, mengusulkan komponen yang terdampak, dan melanjutkan setelah alat mengembalikan kesalahan build. Keluaran yang berguna berupa urutan keputusan yang terkait dengan pengamatan aktual, diikuti kode, penjelasan, atau ringkasan pekerjaan yang diminta. Lingkungan yang terhubung menjalankan tindakannya.\n\nRekayasa perangkat lunak dan tugas frontend\n\nXiaomi menonjolkan perancangan sistem, perencanaan tugas, dan pemecahan masalah yang berorientasi pada kode. Demonstrasinya mencakup halaman web interaktif dan gim berbasis peramban yang dihasilkan dalam lingkungan agen. Contoh arahan pengembangan dapat menetapkan perilaku halaman, navigasi, keadaan data, dan tata letak responsif, lalu meminta implementasi serta pemeriksaan terhadap persyaratan tersebut. Untuk proyek yang sudah ada, berikan berkas saat ini, kasus yang gagal, dan antarmuka yang harus tetap sama. Minta perubahan terarah dan penjelasan tentang dependensi yang disentuhnya alih-alih aplikasi pengganti yang tidak terkait.\n\nKonteks panjang dan hasil yang dapat diperiksa\n\nKonteks hingga 1 juta token berguna ketika beberapa berkas, dokumen, instruksi, dan pengamatan sebelumnya merupakan bagian dari tugas yang sama. Susun materi itu menurut perannya: persyaratan otoritatif, kode saat ini, contoh referensi, dan hasil alat. Tentukan artefak akhir dan syarat penerimaannya sebelum meminta agen melanjutkan. Tugas dokumentasi mungkin memerlukan perbandingan dengan pertanyaan yang belum terjawab; tugas rekayasa mungkin memerlukan patch dan catatan tentang apa yang telah diperiksa.\n\nKeterbatasan praktis dan lingkup edisi\n\nKonteks panjang menyediakan ruang untuk materi, tetapi tidak menjamin bahwa proyek yang dihasilkan benar atau bahwa setiap persyaratan telah terpenuhi. Kembalikan kesalahan dan pengamatan aktual untuk langkah berikutnya, lalu validasi hasil dalam lingkungan yang dimaksud. Pembuatnya secara eksplisit membingkai ketangguhan pada tugas nyata yang kompleks sebagai hal yang perlu dinilai dan ditingkatkan. Deskripsi ini mencakup spesialisasi agen teks dan alat pada MiMo-V2-Pro; fitur modalitas Omni dan spesifikasi generasi MiMo berikutnya merupakan milik model masing-masing. Alat, parameter yang tersedia, dan penanganan keluaran tetap merupakan sifat aplikasi yang terhubung.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
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 adalah model teks Xiaomi yang berfokus pada agen untuk rekayasa perangkat lunak, perencanaan beberapa langkah, dan pekerjaan berbasis alat. Konteks hingga 1 juta token membantu mempertahankan materi proyek yang besar, batasan tugas, dan pengamatan berturut-turut dalam alur kerja yang koheren.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Fondasi untuk pekerjaan agen
MiMo-V2-Pro adalah model fondasi unggulan Xiaomi untuk beban kerja agen yang kompleks dan rekayasa perangkat lunak. Perannya adalah menalar tugas, menyusun langkah yang diperlukan, dan menggunakan informasi yang dikembalikan alat untuk melanjutkan menuju hasil yang ditentukan. Penekanan model ini melampaui penyusunan satu jawaban: model dirancang untuk pekerjaan yang saling terhubung, ketika keputusan dan pengamatan sebelumnya memengaruhi apa yang terjadi selanjutnya.
Skala dan arsitektur yang efisien
Pembuatnya menjelaskan lebih dari 1 triliun parameter total dengan 42 miliar parameter aktif. Pro memperluas pendekatan atensi hibrida MiMo-V2-Flash, dengan perbandingan 7:1 antara atensi sliding-window dan atensi global. Lapisan prediksi multi-token yang ringan mendukung generasi, dan konteks yang diiklankan mencapai 1 juta token. Ini adalah sifat arsitektur dan konteks Pro; sifat tersebut tidak menetapkan kecepatan eksekusi, alokasi memori, atau batas permintaan pada integrasi tertentu.
Riwayat rilis
Xiaomi mengidentifikasi Hunter Alpha sebagai build pengujian internal awal yang mendahului MiMo-V2-Pro. Model Pro yang dirilis memiliki nama sendiri serta penyempurnaan untuk pekerjaan konteks panjang dan kestabilan skenario agen. Pembedaan ini penting saat membandingkan deskripsi atau mempertahankan identitas model: build pengujian terdahulu, MiMo-V2-Flash, dan MiMo-V2-Omni masing-masing memiliki peran dan spesifikasi tersendiri.
Dirancang untuk agen
Model ini menjalani fine-tuning melalui pembelajaran terawasi dan pembelajaran penguatan pada beragam kerangka agen, dengan perhatian pada pemanggilan alat dan penalaran beberapa langkah. Siapkan tugas dengan kondisi penyelesaian yang dapat diamati serta deskripsi alat yang tersedia. Misalnya, asisten proyek dapat menerima permintaan perubahan, memeriksa modul yang diberikan, mengusulkan komponen yang terdampak, dan melanjutkan setelah alat mengembalikan kesalahan build. Keluaran yang berguna berupa urutan keputusan yang terkait dengan pengamatan aktual, diikuti kode, penjelasan, atau ringkasan pekerjaan yang diminta. Lingkungan yang terhubung menjalankan tindakannya.
Rekayasa perangkat lunak dan tugas frontend
Xiaomi menonjolkan perancangan sistem, perencanaan tugas, dan pemecahan masalah yang berorientasi pada kode. Demonstrasinya mencakup halaman web interaktif dan gim berbasis peramban yang dihasilkan dalam lingkungan agen. Contoh arahan pengembangan dapat menetapkan perilaku halaman, navigasi, keadaan data, dan tata letak responsif, lalu meminta implementasi serta pemeriksaan terhadap persyaratan tersebut. Untuk proyek yang sudah ada, berikan berkas saat ini, kasus yang gagal, dan antarmuka yang harus tetap sama. Minta perubahan terarah dan penjelasan tentang dependensi yang disentuhnya alih-alih aplikasi pengganti yang tidak terkait.
Konteks panjang dan hasil yang dapat diperiksa
Konteks hingga 1 juta token berguna ketika beberapa berkas, dokumen, instruksi, dan pengamatan sebelumnya merupakan bagian dari tugas yang sama. Susun materi itu menurut perannya: persyaratan otoritatif, kode saat ini, contoh referensi, dan hasil alat. Tentukan artefak akhir dan syarat penerimaannya sebelum meminta agen melanjutkan. Tugas dokumentasi mungkin memerlukan perbandingan dengan pertanyaan yang belum terjawab; tugas rekayasa mungkin memerlukan patch dan catatan tentang apa yang telah diperiksa.
Keterbatasan praktis dan lingkup edisi
Konteks panjang menyediakan ruang untuk materi, tetapi tidak menjamin bahwa proyek yang dihasilkan benar atau bahwa setiap persyaratan telah terpenuhi. Kembalikan kesalahan dan pengamatan aktual untuk langkah berikutnya, lalu validasi hasil dalam lingkungan yang dimaksud. Pembuatnya secara eksplisit membingkai ketangguhan pada tugas nyata yang kompleks sebagai hal yang perlu dinilai dan ditingkatkan. Deskripsi ini mencakup spesialisasi agen teks dan alat pada MiMo-V2-Pro; fitur modalitas Omni dan spesifikasi generasi MiMo berikutnya merupakan milik model masing-masing. Alat, parameter yang tersedia, dan penanganan keluaran tetap merupakan sifat aplikasi yang terhubung.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan mimo-v2-pro | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0022 / 1K token Keluaran · Token keluaran $0.0066 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra mimo-v2-pro
Gunakan jalur metode yang ditampilkan di atas.
mimo-v2-proMiMo-V2-Pro adalah model teks Xiaomi yang berfokus pada agen untuk rekayasa perangkat lunak, perencanaan beberapa langkah, dan pekerjaan berbasis alat. Konteks hingga 1 juta token membantu mempertahankan materi proyek yang besar, batasan tugas, dan pengamatan berturut-turut dalam alur kerja yang koheren.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Fondasi untuk pekerjaan agen
MiMo-V2-Pro adalah model fondasi unggulan Xiaomi untuk beban kerja agen yang kompleks dan rekayasa perangkat lunak. Perannya adalah menalar tugas, menyusun langkah yang diperlukan, dan menggunakan informasi yang dikembalikan alat untuk melanjutkan menuju hasil yang ditentukan. Penekanan model ini melampaui penyusunan satu jawaban: model dirancang untuk pekerjaan yang saling terhubung, ketika keputusan dan pengamatan sebelumnya memengaruhi apa yang terjadi selanjutnya.
Skala dan arsitektur yang efisien
Pembuatnya menjelaskan lebih dari 1 triliun parameter total dengan 42 miliar parameter aktif. Pro memperluas pendekatan atensi hibrida MiMo-V2-Flash, dengan perbandingan 7:1 antara atensi sliding-window dan atensi global. Lapisan prediksi multi-token yang ringan mendukung generasi, dan konteks yang diiklankan mencapai 1 juta token. Ini adalah sifat arsitektur dan konteks Pro; sifat tersebut tidak menetapkan kecepatan eksekusi, alokasi memori, atau batas permintaan pada integrasi tertentu.
Riwayat rilis
Xiaomi mengidentifikasi Hunter Alpha sebagai build pengujian internal awal yang mendahului MiMo-V2-Pro. Model Pro yang dirilis memiliki nama sendiri serta penyempurnaan untuk pekerjaan konteks panjang dan kestabilan skenario agen. Pembedaan ini penting saat membandingkan deskripsi atau mempertahankan identitas model: build pengujian terdahulu, MiMo-V2-Flash, dan MiMo-V2-Omni masing-masing memiliki peran dan spesifikasi tersendiri.
Dirancang untuk agen
Model ini menjalani fine-tuning melalui pembelajaran terawasi dan pembelajaran penguatan pada beragam kerangka agen, dengan perhatian pada pemanggilan alat dan penalaran beberapa langkah. Siapkan tugas dengan kondisi penyelesaian yang dapat diamati serta deskripsi alat yang tersedia. Misalnya, asisten proyek dapat menerima permintaan perubahan, memeriksa modul yang diberikan, mengusulkan komponen yang terdampak, dan melanjutkan setelah alat mengembalikan kesalahan build. Keluaran yang berguna berupa urutan keputusan yang terkait dengan pengamatan aktual, diikuti kode, penjelasan, atau ringkasan pekerjaan yang diminta. Lingkungan yang terhubung menjalankan tindakannya.
Rekayasa perangkat lunak dan tugas frontend
Xiaomi menonjolkan perancangan sistem, perencanaan tugas, dan pemecahan masalah yang berorientasi pada kode. Demonstrasinya mencakup halaman web interaktif dan gim berbasis peramban yang dihasilkan dalam lingkungan agen. Contoh arahan pengembangan dapat menetapkan perilaku halaman, navigasi, keadaan data, dan tata letak responsif, lalu meminta implementasi serta pemeriksaan terhadap persyaratan tersebut. Untuk proyek yang sudah ada, berikan berkas saat ini, kasus yang gagal, dan antarmuka yang harus tetap sama. Minta perubahan terarah dan penjelasan tentang dependensi yang disentuhnya alih-alih aplikasi pengganti yang tidak terkait.
Konteks panjang dan hasil yang dapat diperiksa
Konteks hingga 1 juta token berguna ketika beberapa berkas, dokumen, instruksi, dan pengamatan sebelumnya merupakan bagian dari tugas yang sama. Susun materi itu menurut perannya: persyaratan otoritatif, kode saat ini, contoh referensi, dan hasil alat. Tentukan artefak akhir dan syarat penerimaannya sebelum meminta agen melanjutkan. Tugas dokumentasi mungkin memerlukan perbandingan dengan pertanyaan yang belum terjawab; tugas rekayasa mungkin memerlukan patch dan catatan tentang apa yang telah diperiksa.
Keterbatasan praktis dan lingkup edisi
Konteks panjang menyediakan ruang untuk materi, tetapi tidak menjamin bahwa proyek yang dihasilkan benar atau bahwa setiap persyaratan telah terpenuhi. Kembalikan kesalahan dan pengamatan aktual untuk langkah berikutnya, lalu validasi hasil dalam lingkungan yang dimaksud. Pembuatnya secara eksplisit membingkai ketangguhan pada tugas nyata yang kompleks sebagai hal yang perlu dinilai dan ditingkatkan. Deskripsi ini mencakup spesialisasi agen teks dan alat pada MiMo-V2-Pro; fitur modalitas Omni dan spesifikasi generasi MiMo berikutnya merupakan milik model masing-masing. Alat, parameter yang tersedia, dan penanganan keluaran tetap merupakan sifat aplikasi yang terhubung.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan mimo-v2-pro | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0022 / 1K token Keluaran · Token keluaran $0.0066 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "mimo-v2-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra mimo-v2-pro
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
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.