Profilo del modello ed edizioni
MiMo-V2-Flash è il modello linguistico di Xiaomi per ragionamento e flussi di lavoro degli agenti. La sua architettura mixture-of-experts ha 309 miliardi di parametri totali e 15 miliardi di parametri attivi. Il modello rilasciato indica una lunghezza del contesto di 256K token; l'esempio di inferenza del produttore configura 262.144 token. Riceve testo e produce testo, comprese spiegazioni, codice e informazioni necessarie per le interazioni con gli strumenti. Flash-Base e la versione Flash post-addestrata sono edizioni denominate separatamente con ruoli diversi.
Attenzione ibrida e previsione
L'architettura combina attenzione a finestra scorrevole e attenzione globale in un rapporto 5:1. La finestra di attenzione locale è di 128 token, mentre l'attenzione globale mantiene i collegamenti lungo il materiale più esteso. Il preaddestramento usa una lunghezza nativa di sequenza di 32K e il modello rilasciato supporta il contesto più lungo di 256K. Un modulo leggero di previsione di più token è integrato nell'addestramento e nell'inferenza. Sono proprietà del progetto del modello; non specificano quanto velocemente una particolare applicazione restituirà una risposta.
Post-addestramento per ragionamento e agenti
MiMo-V2-Flash usa Multi-Teacher On-Policy Distillation, con modelli insegnanti specifici per dominio che guidano le risposte generate dal modello stesso, seguita da apprendimento per rinforzo su larga scala basato su agenti. L'addestramento copre ambienti di agenti di programmazione e si estende alla matematica e ai compiti generali degli agenti. Durante l'addestramento allo sviluppo web viene usato un verificatore basato sulla visione per valutare i risultati eseguiti. Tale verificatore fa parte del processo di addestramento e non trasforma questo modello testuale in un modello con input di immagini o video.
Programmazione e preparazione dei documenti
Per un'attività di programmazione, fornisci i file pertinenti come testo, il problema osservato, un input che lo dimostri e il comportamento che deve rimanere intatto. Una richiesta esemplificativa può chiedere una piccola patch, una spiegazione delle dipendenze interessate e verifiche del risultato atteso. Per materiale testuale lungo, identifica le sezioni importanti e chiedi un confronto collegato ai relativi passaggi. Mantieni l'output concreto: codice corretto, una tabella di discrepanze, un calcolo con ipotesi o una proposta di azione successiva.
Ragionamento, strumenti e cronologia della conversazione
L'esempio di ragionamento pubblicato abilita una modalità di ragionamento e il produttore specifica un parser dedicato alle chiamate agli strumenti. Nell'uso degli strumenti su più turni, la risposta può includere reasoning_content insieme a tool_calls. La richiesta successiva deve mantenere il precedente reasoning_content nella cronologia della conversazione, così che la sequenza di ragionamento e strumenti possa continuare correttamente. L'applicazione fornisce ed esegue gli strumenti; il modello sceglie come usarne i risultati. La preparazione della cronologia costituisce quindi un requisito sostanziale di integrazione, invece di trattare l'ultimo messaggio dell'utente come il compito completo.
Raccomandazioni e limiti del produttore
Le indicazioni d'uso raccomandano top_p pari a 0.95, temperature 0.8 per matematica, scrittura e sviluppo web e temperature 0.3 per attività basate su agenti. Raccomandano anche un messaggio di sistema che identifichi MiMo come assistente di Xiaomi, con la data attuale e un limite delle conoscenze a dicembre 2024. Fornisci fatti recenti quando il compito dipende da eventi successivi. Il budget di risposta di 4096 token della richiesta pubblicata è un'impostazione di esempio, non una lunghezza massima dichiarata dell'output. MiMo-V2-Flash mantiene la propria identità accanto a Flash-Base, Pro e Omni; le loro specifiche di contesto o modalità vanno selezionate in base alla rispettiva edizione.
", "aboutText": "Profilo del modello ed edizioni\n\nMiMo-V2-Flash è il modello linguistico di Xiaomi per ragionamento e flussi di lavoro degli agenti. La sua architettura mixture-of-experts ha 309 miliardi di parametri totali e 15 miliardi di parametri attivi. Il modello rilasciato indica una lunghezza del contesto di 256K token; l'esempio di inferenza del produttore configura 262.144 token. Riceve testo e produce testo, comprese spiegazioni, codice e informazioni necessarie per le interazioni con gli strumenti. Flash-Base e la versione Flash post-addestrata sono edizioni denominate separatamente con ruoli diversi.\n\nAttenzione ibrida e previsione\n\nL'architettura combina attenzione a finestra scorrevole e attenzione globale in un rapporto 5:1. La finestra di attenzione locale è di 128 token, mentre l'attenzione globale mantiene i collegamenti lungo il materiale più esteso. Il preaddestramento usa una lunghezza nativa di sequenza di 32K e il modello rilasciato supporta il contesto più lungo di 256K. Un modulo leggero di previsione di più token è integrato nell'addestramento e nell'inferenza. Sono proprietà del progetto del modello; non specificano quanto velocemente una particolare applicazione restituirà una risposta.\n\nPost-addestramento per ragionamento e agenti\n\nMiMo-V2-Flash usa Multi-Teacher On-Policy Distillation, con modelli insegnanti specifici per dominio che guidano le risposte generate dal modello stesso, seguita da apprendimento per rinforzo su larga scala basato su agenti. L'addestramento copre ambienti di agenti di programmazione e si estende alla matematica e ai compiti generali degli agenti. Durante l'addestramento allo sviluppo web viene usato un verificatore basato sulla visione per valutare i risultati eseguiti. Tale verificatore fa parte del processo di addestramento e non trasforma questo modello testuale in un modello con input di immagini o video.\n\nProgrammazione e preparazione dei documenti\n\nPer un'attività di programmazione, fornisci i file pertinenti come testo, il problema osservato, un input che lo dimostri e il comportamento che deve rimanere intatto. Una richiesta esemplificativa può chiedere una piccola patch, una spiegazione delle dipendenze interessate e verifiche del risultato atteso. Per materiale testuale lungo, identifica le sezioni importanti e chiedi un confronto collegato ai relativi passaggi. Mantieni l'output concreto: codice corretto, una tabella di discrepanze, un calcolo con ipotesi o una proposta di azione successiva.\n\nRagionamento, strumenti e cronologia della conversazione\n\nL'esempio di ragionamento pubblicato abilita una modalità di ragionamento e il produttore specifica un parser dedicato alle chiamate agli strumenti. Nell'uso degli strumenti su più turni, la risposta può includere reasoning_content insieme a tool_calls. La richiesta successiva deve mantenere il precedente reasoning_content nella cronologia della conversazione, così che la sequenza di ragionamento e strumenti possa continuare correttamente. L'applicazione fornisce ed esegue gli strumenti; il modello sceglie come usarne i risultati. La preparazione della cronologia costituisce quindi un requisito sostanziale di integrazione, invece di trattare l'ultimo messaggio dell'utente come il compito completo.\n\nRaccomandazioni e limiti del produttore\n\nLe indicazioni d'uso raccomandano top_p pari a 0.95, temperature 0.8 per matematica, scrittura e sviluppo web e temperature 0.3 per attività basate su agenti. Raccomandano anche un messaggio di sistema che identifichi MiMo come assistente di Xiaomi, con la data attuale e un limite delle conoscenze a dicembre 2024. Fornisci fatti recenti quando il compito dipende da eventi successivi. Il budget di risposta di 4096 token della richiesta pubblicata è un'impostazione di esempio, non una lunghezza massima dichiarata dell'output. MiMo-V2-Flash mantiene la propria identità accanto a Flash-Base, Pro e Omni; le loro specifiche di contesto o modalità vanno selezionate in base alla rispettiva edizione.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c638578dba135113472aa02f65a36a42a3db5e96277f8f6f1f89f1b1fb0b2676", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "xiaomimimo/mimo-v2-flashMiMo-V2-Flash è il modello testuale di Xiaomi per ragionamento, programmazione e lavoro degli agenti assistito da strumenti. Il contesto di 256K, l'attenzione ibrida e la distinta versione post-addestrata lo rendono adatto a compiti che collegano materiale testuale corposo a una risposta specifica, una modifica di codice o un'azione successiva.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Profilo del modello ed edizioni
MiMo-V2-Flash è il modello linguistico di Xiaomi per ragionamento e flussi di lavoro degli agenti. La sua architettura mixture-of-experts ha 309 miliardi di parametri totali e 15 miliardi di parametri attivi. Il modello rilasciato indica una lunghezza del contesto di 256K token; l'esempio di inferenza del produttore configura 262.144 token. Riceve testo e produce testo, comprese spiegazioni, codice e informazioni necessarie per le interazioni con gli strumenti. Flash-Base e la versione Flash post-addestrata sono edizioni denominate separatamente con ruoli diversi.
Attenzione ibrida e previsione
L'architettura combina attenzione a finestra scorrevole e attenzione globale in un rapporto 5:1. La finestra di attenzione locale è di 128 token, mentre l'attenzione globale mantiene i collegamenti lungo il materiale più esteso. Il preaddestramento usa una lunghezza nativa di sequenza di 32K e il modello rilasciato supporta il contesto più lungo di 256K. Un modulo leggero di previsione di più token è integrato nell'addestramento e nell'inferenza. Sono proprietà del progetto del modello; non specificano quanto velocemente una particolare applicazione restituirà una risposta.
Post-addestramento per ragionamento e agenti
MiMo-V2-Flash usa Multi-Teacher On-Policy Distillation, con modelli insegnanti specifici per dominio che guidano le risposte generate dal modello stesso, seguita da apprendimento per rinforzo su larga scala basato su agenti. L'addestramento copre ambienti di agenti di programmazione e si estende alla matematica e ai compiti generali degli agenti. Durante l'addestramento allo sviluppo web viene usato un verificatore basato sulla visione per valutare i risultati eseguiti. Tale verificatore fa parte del processo di addestramento e non trasforma questo modello testuale in un modello con input di immagini o video.
Programmazione e preparazione dei documenti
Per un'attività di programmazione, fornisci i file pertinenti come testo, il problema osservato, un input che lo dimostri e il comportamento che deve rimanere intatto. Una richiesta esemplificativa può chiedere una piccola patch, una spiegazione delle dipendenze interessate e verifiche del risultato atteso. Per materiale testuale lungo, identifica le sezioni importanti e chiedi un confronto collegato ai relativi passaggi. Mantieni l'output concreto: codice corretto, una tabella di discrepanze, un calcolo con ipotesi o una proposta di azione successiva.
Ragionamento, strumenti e cronologia della conversazione
L'esempio di ragionamento pubblicato abilita una modalità di ragionamento e il produttore specifica un parser dedicato alle chiamate agli strumenti. Nell'uso degli strumenti su più turni, la risposta può includere reasoning_content insieme a tool_calls. La richiesta successiva deve mantenere il precedente reasoning_content nella cronologia della conversazione, così che la sequenza di ragionamento e strumenti possa continuare correttamente. L'applicazione fornisce ed esegue gli strumenti; il modello sceglie come usarne i risultati. La preparazione della cronologia costituisce quindi un requisito sostanziale di integrazione, invece di trattare l'ultimo messaggio dell'utente come il compito completo.
Raccomandazioni e limiti del produttore
Le indicazioni d'uso raccomandano top_p pari a 0.95, temperature 0.8 per matematica, scrittura e sviluppo web e temperature 0.3 per attività basate su agenti. Raccomandano anche un messaggio di sistema che identifichi MiMo come assistente di Xiaomi, con la data attuale e un limite delle conoscenze a dicembre 2024. Fornisci fatti recenti quando il compito dipende da eventi successivi. Il budget di risposta di 4096 token della richiesta pubblicata è un'impostazione di esempio, non una lunghezza massima dichiarata dell'output. MiMo-V2-Flash mantiene la propria identità accanto a Flash-Base, Pro e Omni; le loro specifiche di contesto o modalità vanno selezionate in base alla rispettiva edizione.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti xiaomimimo/mimo-v2-flash | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Conversazione testuale | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream |
Parametrocontrol_scope | ContrattoConversazione testuale; stream è un booleano e per impostazione predefinita vale false. |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Alias del metodo: /chat/completions
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.0002 / 1K token Output · Token in output $0.0006 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra xiaomimimo/mimo-v2-flash
/chat/completions
xiaomimimo/mimo-v2-flashMiMo-V2-Flash è il modello testuale di Xiaomi per ragionamento, programmazione e lavoro degli agenti assistito da strumenti. Il contesto di 256K, l'attenzione ibrida e la distinta versione post-addestrata lo rendono adatto a compiti che collegano materiale testuale corposo a una risposta specifica, una modifica di codice o un'azione successiva.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Profilo del modello ed edizioni
MiMo-V2-Flash è il modello linguistico di Xiaomi per ragionamento e flussi di lavoro degli agenti. La sua architettura mixture-of-experts ha 309 miliardi di parametri totali e 15 miliardi di parametri attivi. Il modello rilasciato indica una lunghezza del contesto di 256K token; l'esempio di inferenza del produttore configura 262.144 token. Riceve testo e produce testo, comprese spiegazioni, codice e informazioni necessarie per le interazioni con gli strumenti. Flash-Base e la versione Flash post-addestrata sono edizioni denominate separatamente con ruoli diversi.
Attenzione ibrida e previsione
L'architettura combina attenzione a finestra scorrevole e attenzione globale in un rapporto 5:1. La finestra di attenzione locale è di 128 token, mentre l'attenzione globale mantiene i collegamenti lungo il materiale più esteso. Il preaddestramento usa una lunghezza nativa di sequenza di 32K e il modello rilasciato supporta il contesto più lungo di 256K. Un modulo leggero di previsione di più token è integrato nell'addestramento e nell'inferenza. Sono proprietà del progetto del modello; non specificano quanto velocemente una particolare applicazione restituirà una risposta.
Post-addestramento per ragionamento e agenti
MiMo-V2-Flash usa Multi-Teacher On-Policy Distillation, con modelli insegnanti specifici per dominio che guidano le risposte generate dal modello stesso, seguita da apprendimento per rinforzo su larga scala basato su agenti. L'addestramento copre ambienti di agenti di programmazione e si estende alla matematica e ai compiti generali degli agenti. Durante l'addestramento allo sviluppo web viene usato un verificatore basato sulla visione per valutare i risultati eseguiti. Tale verificatore fa parte del processo di addestramento e non trasforma questo modello testuale in un modello con input di immagini o video.
Programmazione e preparazione dei documenti
Per un'attività di programmazione, fornisci i file pertinenti come testo, il problema osservato, un input che lo dimostri e il comportamento che deve rimanere intatto. Una richiesta esemplificativa può chiedere una piccola patch, una spiegazione delle dipendenze interessate e verifiche del risultato atteso. Per materiale testuale lungo, identifica le sezioni importanti e chiedi un confronto collegato ai relativi passaggi. Mantieni l'output concreto: codice corretto, una tabella di discrepanze, un calcolo con ipotesi o una proposta di azione successiva.
Ragionamento, strumenti e cronologia della conversazione
L'esempio di ragionamento pubblicato abilita una modalità di ragionamento e il produttore specifica un parser dedicato alle chiamate agli strumenti. Nell'uso degli strumenti su più turni, la risposta può includere reasoning_content insieme a tool_calls. La richiesta successiva deve mantenere il precedente reasoning_content nella cronologia della conversazione, così che la sequenza di ragionamento e strumenti possa continuare correttamente. L'applicazione fornisce ed esegue gli strumenti; il modello sceglie come usarne i risultati. La preparazione della cronologia costituisce quindi un requisito sostanziale di integrazione, invece di trattare l'ultimo messaggio dell'utente come il compito completo.
Raccomandazioni e limiti del produttore
Le indicazioni d'uso raccomandano top_p pari a 0.95, temperature 0.8 per matematica, scrittura e sviluppo web e temperature 0.3 per attività basate su agenti. Raccomandano anche un messaggio di sistema che identifichi MiMo come assistente di Xiaomi, con la data attuale e un limite delle conoscenze a dicembre 2024. Fornisci fatti recenti quando il compito dipende da eventi successivi. Il budget di risposta di 4096 token della richiesta pubblicata è un'impostazione di esempio, non una lunghezza massima dichiarata dell'output. MiMo-V2-Flash mantiene la propria identità accanto a Flash-Base, Pro e Omni; le loro specifiche di contesto o modalità vanno selezionate in base alla rispettiva edizione.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti xiaomimimo/mimo-v2-flash | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.0002 / 1K token Output · Token in output $0.0006 / 1K token Input · Lettura dalla cache $0 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "xiaomimimo/mimo-v2-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra xiaomimimo/mimo-v2-flash
/chat/completions