MiMo-V2.5-Pro adalah model mixture-of-experts besar dari Xiaomi yang berfokus pada teks untuk pekerjaan agen yang menuntut, rekayasa perangkat lunak yang kompleks, dan tugas dengan banyak langkah yang saling terhubung. Produsen menyebutkan 1.02 triliun parameter total, 42 miliar parameter aktif, dan konteks hingga satu juta token. Tujuannya adalah mempertahankan instruksi tugas dan bukti yang terkumpul saat aplikasi pendukung menyediakan alat dan mengembalikan hasilnya.
Model ini menggabungkan sliding-window attention dengan global attention dalam pola 6:1. Jendela lokalnya berukuran 128 token, sementara lapisan global attention menghubungkan informasi di seluruh riwayat yang lebih panjang. Ini adalah arsitektur attention, bukan batas 128 token pada masukan pengguna. Arsitektur intinya memiliki 70 lapisan dan perutean pakar secara sparse, dengan delapan pakar terpilih untuk setiap token. Tiga modul prediksi multi-token terintegrasi dalam rancangan pelatihan dan inferensi untuk mendukung speculative decoding.
Pembuatnya menjelaskan prapelatihan pada 27 triliun token, dilanjutkan dengan supervised fine-tuning, reinforcement learning khusus domain, dan multi-teacher on-policy distillation. Model-model pengajar spesialis mencakup bidang seperti matematika, keselamatan, dan penggunaan alat yang kompleks, lalu tahap terakhir menyatukan bimbingan mereka ke dalam satu model. Fokus pelatihan tersebut mendukung peran model dalam alur kerja perangkat lunak dan agen yang panjang; tugas konkret tetap membutuhkan persyaratan yang diberikan dan cara menentukan apakah hasilnya sudah lengkap.
Untuk perubahan perangkat lunak, berikan berkas yang relevan, galat yang diamati atau perilaku yang diminta, konvensi proyek, dan pemeriksaan yang penting. Instruksi yang berguna adalah mengidentifikasi perilaku yang terdampak, mengusulkan implementasi yang terarah, dan menjelaskan cara memverifikasi kasus yang diinginkan serta satu kasus tepi yang bermakna. Pertahankan pengenal persis seperti yang digunakan proyek. Jika lingkungan memungkinkan eksekusi, kembalikan keluaran pemeriksaan yang sebenarnya alih-alih meminta model menganggap bahwa patch yang tampak masuk akal pasti berfungsi.
Untuk tugas agen yang lebih panjang, simpan catatan ringkas tentang tujuan, keputusan yang sudah dibuat, dan bukti yang dikembalikan alat. Nyatakan apa yang boleh diubah oleh setiap operasi dan hasil apa yang membenarkan langkah berikutnya. Model dapat membantu menalar rangkaian interaksi itu dan menyiapkan permintaan berikutnya, tetapi aplikasi yang menaunginya menjalankan operasi tersebut. Cantumkan galat dan kondisi yang belum terselesaikan dalam laporan akhir agar rangkaian panjang tidak menyembunyikan langkah yang gagal di balik penjelasan yang lancar.
Konteks yang besar dapat berguna untuk membandingkan implementasi atau menyintesiskan beberapa dokumen yang substansial. Tandai batas berkas dan dokumen, tentukan bagian yang harus digunakan jawaban, dan nyatakan format keluaran yang diperlukan. Misalnya, mintalah usulan migrasi yang menghubungkan setiap komponen terdampak dengan suatu persyaratan dan mengidentifikasi informasi yang belum tersedia secara terpisah. Sertakan kutipan pendukung atau lokasi kode bersama hasilnya agar peninjau dapat menelusuri penalaran kembali ke masukannya.
Contoh penyajian model yang diterbitkan Xiaomi menggunakan konfigurasi konteks 1,048,576 token, sementara ringkasannya menyebut dukungan hingga 1M token. Sisakan ruang untuk teks yang dihasilkan dan riwayat alat yang terkumpul di dalam konfigurasi yang digunakan. Pembuatnya merekomendasikan temperature 1.0 dan top_p 0.95 untuk inferensi lokal. Ini adalah rincian resep dari produsen, bukan jaminan bahwa setiap aplikasi menyediakan kontrol yang identik atau jendela kerja yang sama.
MiMo-V2.5-Pro berbeda dari model saudaranya, MiMo-V2.5 yang secara native bersifat omnimodal, dan seri V2.6 yang hadir kemudian. Gunakan edisi ini sesuai cakupan tugas bahasa dan agen yang didokumentasikan tanpa meminjam kontrak penglihatan atau audio edisi lain. Artefak akhirnya dapat berupa usulan kode, penjelasan implementasi, atau analisis berbasis bukti; periksa perhitungan penting, persyaratan, dan hasil alat terhadap materi yang diberikan untuk tugas tersebut.
", "aboutText": "MiMo-V2.5-Pro adalah model mixture-of-experts besar dari Xiaomi yang berfokus pada teks untuk pekerjaan agen yang menuntut, rekayasa perangkat lunak yang kompleks, dan tugas dengan banyak langkah yang saling terhubung. Produsen menyebutkan 1.02 triliun parameter total, 42 miliar parameter aktif, dan konteks hingga satu juta token. Tujuannya adalah mempertahankan instruksi tugas dan bukti yang terkumpul saat aplikasi pendukung menyediakan alat dan mengembalikan hasilnya.\n\nModel ini menggabungkan sliding-window attention dengan global attention dalam pola 6:1. Jendela lokalnya berukuran 128 token, sementara lapisan global attention menghubungkan informasi di seluruh riwayat yang lebih panjang. Ini adalah arsitektur attention, bukan batas 128 token pada masukan pengguna. Arsitektur intinya memiliki 70 lapisan dan perutean pakar secara sparse, dengan delapan pakar terpilih untuk setiap token. Tiga modul prediksi multi-token terintegrasi dalam rancangan pelatihan dan inferensi untuk mendukung speculative decoding.\n\nPembuatnya menjelaskan prapelatihan pada 27 triliun token, dilanjutkan dengan supervised fine-tuning, reinforcement learning khusus domain, dan multi-teacher on-policy distillation. Model-model pengajar spesialis mencakup bidang seperti matematika, keselamatan, dan penggunaan alat yang kompleks, lalu tahap terakhir menyatukan bimbingan mereka ke dalam satu model. Fokus pelatihan tersebut mendukung peran model dalam alur kerja perangkat lunak dan agen yang panjang; tugas konkret tetap membutuhkan persyaratan yang diberikan dan cara menentukan apakah hasilnya sudah lengkap.\n\nUntuk perubahan perangkat lunak, berikan berkas yang relevan, galat yang diamati atau perilaku yang diminta, konvensi proyek, dan pemeriksaan yang penting. Instruksi yang berguna adalah mengidentifikasi perilaku yang terdampak, mengusulkan implementasi yang terarah, dan menjelaskan cara memverifikasi kasus yang diinginkan serta satu kasus tepi yang bermakna. Pertahankan pengenal persis seperti yang digunakan proyek. Jika lingkungan memungkinkan eksekusi, kembalikan keluaran pemeriksaan yang sebenarnya alih-alih meminta model menganggap bahwa patch yang tampak masuk akal pasti berfungsi.\n\nUntuk tugas agen yang lebih panjang, simpan catatan ringkas tentang tujuan, keputusan yang sudah dibuat, dan bukti yang dikembalikan alat. Nyatakan apa yang boleh diubah oleh setiap operasi dan hasil apa yang membenarkan langkah berikutnya. Model dapat membantu menalar rangkaian interaksi itu dan menyiapkan permintaan berikutnya, tetapi aplikasi yang menaunginya menjalankan operasi tersebut. Cantumkan galat dan kondisi yang belum terselesaikan dalam laporan akhir agar rangkaian panjang tidak menyembunyikan langkah yang gagal di balik penjelasan yang lancar.\n\nKonteks yang besar dapat berguna untuk membandingkan implementasi atau menyintesiskan beberapa dokumen yang substansial. Tandai batas berkas dan dokumen, tentukan bagian yang harus digunakan jawaban, dan nyatakan format keluaran yang diperlukan. Misalnya, mintalah usulan migrasi yang menghubungkan setiap komponen terdampak dengan suatu persyaratan dan mengidentifikasi informasi yang belum tersedia secara terpisah. Sertakan kutipan pendukung atau lokasi kode bersama hasilnya agar peninjau dapat menelusuri penalaran kembali ke masukannya.\n\nContoh penyajian model yang diterbitkan Xiaomi menggunakan konfigurasi konteks 1,048,576 token, sementara ringkasannya menyebut dukungan hingga 1M token. Sisakan ruang untuk teks yang dihasilkan dan riwayat alat yang terkumpul di dalam konfigurasi yang digunakan. Pembuatnya merekomendasikan temperature 1.0 dan top_p 0.95 untuk inferensi lokal. Ini adalah rincian resep dari produsen, bukan jaminan bahwa setiap aplikasi menyediakan kontrol yang identik atau jendela kerja yang sama.\n\nMiMo-V2.5-Pro berbeda dari model saudaranya, MiMo-V2.5 yang secara native bersifat omnimodal, dan seri V2.6 yang hadir kemudian. Gunakan edisi ini sesuai cakupan tugas bahasa dan agen yang didokumentasikan tanpa meminjam kontrak penglihatan atau audio edisi lain. Artefak akhirnya dapat berupa usulan kode, penjelasan implementasi, atau analisis berbasis bukti; periksa perhitungan penting, persyaratan, dan hasil alat terhadap materi yang diberikan untuk tugas tersebut.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
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 adalah model Xiaomi yang berfokus pada teks untuk rekayasa perangkat lunak yang kompleks dan alur kerja agen yang panjang. Profil yang diterbitkan menggabungkan MoE berparameter 1.02T, 42B parameter aktif, dan konteks hingga satu juta token, dengan pelatihan yang berfokus pada penggunaan alat secara koheren.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
MiMo-V2.5-Pro adalah model mixture-of-experts besar dari Xiaomi yang berfokus pada teks untuk pekerjaan agen yang menuntut, rekayasa perangkat lunak yang kompleks, dan tugas dengan banyak langkah yang saling terhubung. Produsen menyebutkan 1.02 triliun parameter total, 42 miliar parameter aktif, dan konteks hingga satu juta token. Tujuannya adalah mempertahankan instruksi tugas dan bukti yang terkumpul saat aplikasi pendukung menyediakan alat dan mengembalikan hasilnya.
Model ini menggabungkan sliding-window attention dengan global attention dalam pola 6:1. Jendela lokalnya berukuran 128 token, sementara lapisan global attention menghubungkan informasi di seluruh riwayat yang lebih panjang. Ini adalah arsitektur attention, bukan batas 128 token pada masukan pengguna. Arsitektur intinya memiliki 70 lapisan dan perutean pakar secara sparse, dengan delapan pakar terpilih untuk setiap token. Tiga modul prediksi multi-token terintegrasi dalam rancangan pelatihan dan inferensi untuk mendukung speculative decoding.
Pembuatnya menjelaskan prapelatihan pada 27 triliun token, dilanjutkan dengan supervised fine-tuning, reinforcement learning khusus domain, dan multi-teacher on-policy distillation. Model-model pengajar spesialis mencakup bidang seperti matematika, keselamatan, dan penggunaan alat yang kompleks, lalu tahap terakhir menyatukan bimbingan mereka ke dalam satu model. Fokus pelatihan tersebut mendukung peran model dalam alur kerja perangkat lunak dan agen yang panjang; tugas konkret tetap membutuhkan persyaratan yang diberikan dan cara menentukan apakah hasilnya sudah lengkap.
Untuk perubahan perangkat lunak, berikan berkas yang relevan, galat yang diamati atau perilaku yang diminta, konvensi proyek, dan pemeriksaan yang penting. Instruksi yang berguna adalah mengidentifikasi perilaku yang terdampak, mengusulkan implementasi yang terarah, dan menjelaskan cara memverifikasi kasus yang diinginkan serta satu kasus tepi yang bermakna. Pertahankan pengenal persis seperti yang digunakan proyek. Jika lingkungan memungkinkan eksekusi, kembalikan keluaran pemeriksaan yang sebenarnya alih-alih meminta model menganggap bahwa patch yang tampak masuk akal pasti berfungsi.
Untuk tugas agen yang lebih panjang, simpan catatan ringkas tentang tujuan, keputusan yang sudah dibuat, dan bukti yang dikembalikan alat. Nyatakan apa yang boleh diubah oleh setiap operasi dan hasil apa yang membenarkan langkah berikutnya. Model dapat membantu menalar rangkaian interaksi itu dan menyiapkan permintaan berikutnya, tetapi aplikasi yang menaunginya menjalankan operasi tersebut. Cantumkan galat dan kondisi yang belum terselesaikan dalam laporan akhir agar rangkaian panjang tidak menyembunyikan langkah yang gagal di balik penjelasan yang lancar.
Konteks yang besar dapat berguna untuk membandingkan implementasi atau menyintesiskan beberapa dokumen yang substansial. Tandai batas berkas dan dokumen, tentukan bagian yang harus digunakan jawaban, dan nyatakan format keluaran yang diperlukan. Misalnya, mintalah usulan migrasi yang menghubungkan setiap komponen terdampak dengan suatu persyaratan dan mengidentifikasi informasi yang belum tersedia secara terpisah. Sertakan kutipan pendukung atau lokasi kode bersama hasilnya agar peninjau dapat menelusuri penalaran kembali ke masukannya.
Contoh penyajian model yang diterbitkan Xiaomi menggunakan konfigurasi konteks 1,048,576 token, sementara ringkasannya menyebut dukungan hingga 1M token. Sisakan ruang untuk teks yang dihasilkan dan riwayat alat yang terkumpul di dalam konfigurasi yang digunakan. Pembuatnya merekomendasikan temperature 1.0 dan top_p 0.95 untuk inferensi lokal. Ini adalah rincian resep dari produsen, bukan jaminan bahwa setiap aplikasi menyediakan kontrol yang identik atau jendela kerja yang sama.
MiMo-V2.5-Pro berbeda dari model saudaranya, MiMo-V2.5 yang secara native bersifat omnimodal, dan seri V2.6 yang hadir kemudian. Gunakan edisi ini sesuai cakupan tugas bahasa dan agen yang didokumentasikan tanpa meminjam kontrak penglihatan atau audio edisi lain. Artefak akhirnya dapat berupa usulan kode, penjelasan implementasi, atau analisis berbasis bukti; periksa perhitungan penting, persyaratan, dan hasil alat terhadap materi yang diberikan untuk tugas tersebut.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan xiaomi/mimo-v2.5-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.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00087 / 1K token Keluaran · Token keluaran $0.00174 / 1K token Masukan · Pembacaan cache $0.0000072 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00087 / 1K token Keluaran · Token keluaran $0.00174 / 1K token Masukan · Pembacaan cache $0.0000072 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "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 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 xiaomi/mimo-v2.5-pro
Gunakan jalur metode yang ditampilkan di atas.
xiaomi/mimo-v2.5-proMiMo-V2.5-Pro adalah model Xiaomi yang berfokus pada teks untuk rekayasa perangkat lunak yang kompleks dan alur kerja agen yang panjang. Profil yang diterbitkan menggabungkan MoE berparameter 1.02T, 42B parameter aktif, dan konteks hingga satu juta token, dengan pelatihan yang berfokus pada penggunaan alat secara koheren.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
MiMo-V2.5-Pro adalah model mixture-of-experts besar dari Xiaomi yang berfokus pada teks untuk pekerjaan agen yang menuntut, rekayasa perangkat lunak yang kompleks, dan tugas dengan banyak langkah yang saling terhubung. Produsen menyebutkan 1.02 triliun parameter total, 42 miliar parameter aktif, dan konteks hingga satu juta token. Tujuannya adalah mempertahankan instruksi tugas dan bukti yang terkumpul saat aplikasi pendukung menyediakan alat dan mengembalikan hasilnya.
Model ini menggabungkan sliding-window attention dengan global attention dalam pola 6:1. Jendela lokalnya berukuran 128 token, sementara lapisan global attention menghubungkan informasi di seluruh riwayat yang lebih panjang. Ini adalah arsitektur attention, bukan batas 128 token pada masukan pengguna. Arsitektur intinya memiliki 70 lapisan dan perutean pakar secara sparse, dengan delapan pakar terpilih untuk setiap token. Tiga modul prediksi multi-token terintegrasi dalam rancangan pelatihan dan inferensi untuk mendukung speculative decoding.
Pembuatnya menjelaskan prapelatihan pada 27 triliun token, dilanjutkan dengan supervised fine-tuning, reinforcement learning khusus domain, dan multi-teacher on-policy distillation. Model-model pengajar spesialis mencakup bidang seperti matematika, keselamatan, dan penggunaan alat yang kompleks, lalu tahap terakhir menyatukan bimbingan mereka ke dalam satu model. Fokus pelatihan tersebut mendukung peran model dalam alur kerja perangkat lunak dan agen yang panjang; tugas konkret tetap membutuhkan persyaratan yang diberikan dan cara menentukan apakah hasilnya sudah lengkap.
Untuk perubahan perangkat lunak, berikan berkas yang relevan, galat yang diamati atau perilaku yang diminta, konvensi proyek, dan pemeriksaan yang penting. Instruksi yang berguna adalah mengidentifikasi perilaku yang terdampak, mengusulkan implementasi yang terarah, dan menjelaskan cara memverifikasi kasus yang diinginkan serta satu kasus tepi yang bermakna. Pertahankan pengenal persis seperti yang digunakan proyek. Jika lingkungan memungkinkan eksekusi, kembalikan keluaran pemeriksaan yang sebenarnya alih-alih meminta model menganggap bahwa patch yang tampak masuk akal pasti berfungsi.
Untuk tugas agen yang lebih panjang, simpan catatan ringkas tentang tujuan, keputusan yang sudah dibuat, dan bukti yang dikembalikan alat. Nyatakan apa yang boleh diubah oleh setiap operasi dan hasil apa yang membenarkan langkah berikutnya. Model dapat membantu menalar rangkaian interaksi itu dan menyiapkan permintaan berikutnya, tetapi aplikasi yang menaunginya menjalankan operasi tersebut. Cantumkan galat dan kondisi yang belum terselesaikan dalam laporan akhir agar rangkaian panjang tidak menyembunyikan langkah yang gagal di balik penjelasan yang lancar.
Konteks yang besar dapat berguna untuk membandingkan implementasi atau menyintesiskan beberapa dokumen yang substansial. Tandai batas berkas dan dokumen, tentukan bagian yang harus digunakan jawaban, dan nyatakan format keluaran yang diperlukan. Misalnya, mintalah usulan migrasi yang menghubungkan setiap komponen terdampak dengan suatu persyaratan dan mengidentifikasi informasi yang belum tersedia secara terpisah. Sertakan kutipan pendukung atau lokasi kode bersama hasilnya agar peninjau dapat menelusuri penalaran kembali ke masukannya.
Contoh penyajian model yang diterbitkan Xiaomi menggunakan konfigurasi konteks 1,048,576 token, sementara ringkasannya menyebut dukungan hingga 1M token. Sisakan ruang untuk teks yang dihasilkan dan riwayat alat yang terkumpul di dalam konfigurasi yang digunakan. Pembuatnya merekomendasikan temperature 1.0 dan top_p 0.95 untuk inferensi lokal. Ini adalah rincian resep dari produsen, bukan jaminan bahwa setiap aplikasi menyediakan kontrol yang identik atau jendela kerja yang sama.
MiMo-V2.5-Pro berbeda dari model saudaranya, MiMo-V2.5 yang secara native bersifat omnimodal, dan seri V2.6 yang hadir kemudian. Gunakan edisi ini sesuai cakupan tugas bahasa dan agen yang didokumentasikan tanpa meminjam kontrak penglihatan atau audio edisi lain. Artefak akhirnya dapat berupa usulan kode, penjelasan implementasi, atau analisis berbasis bukti; periksa perhitungan penting, persyaratan, dan hasil alat terhadap materi yang diberikan untuk tugas tersebut.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan xiaomi/mimo-v2.5-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.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00087 / 1K token Keluaran · Token keluaran $0.00174 / 1K token Masukan · Pembacaan cache $0.0000072 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00087 / 1K token Keluaran · Token keluaran $0.00174 / 1K token Masukan · Pembacaan cache $0.0000072 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "xiaomi/mimo-v2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 xiaomi/mimo-v2.5-pro
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
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.