MiMo-V2.5-Pro ialah model campuran pakar Xiaomi berskala besar yang berfokus pada teks untuk kerja ejen yang mencabar, kejuruteraan perisian yang kompleks dan tugas yang memerlukan banyak langkah saling berkaitan. Pengeluar menerangkan 1.02 trilion jumlah parameter, 42 bilion parameter aktif dan konteks sehingga satu juta token. Tujuannya adalah untuk mengekalkan arahan tugas serta bukti yang terkumpul sementara aplikasi sokongan menyediakan alat dan mengembalikan hasilnya.
Model ini menggabungkan perhatian tetingkap gelongsor dengan perhatian global dalam pola 6:1. Tetingkap setempat ialah 128 token, manakala lapisan perhatian global menghubungkan maklumat merentas sejarah yang lebih panjang. Ini ialah seni bina perhatian, bukannya sekatan 128 token pada input pengguna. Rangka terasnya mempunyai 70 lapisan dan penghalaan sparse antara pakar, dengan lapan pakar dipilih melalui penghalaan bagi setiap token. Tiga modul ramalan berbilang token disepadukan dalam reka bentuk latihan dan inferens untuk menyokong penyahkodan spekulatif.
Pembuat menerangkan pralatihan menggunakan 27 trilion token, diikuti penalaan halus terselia, pembelajaran pengukuhan khusus domain dan penyulingan on-policy berbilang guru. Guru pakar meliputi bidang seperti matematik, keselamatan dan penggunaan alat yang kompleks, dan peringkat akhir menyatukan bimbingan mereka dalam satu model. Tumpuan latihan itu menyokong peranan model dalam aliran kerja perisian dan ejen yang panjang; tugas sebenar masih memerlukan keperluan yang dibekalkan dan cara untuk menentukan sama ada hasilnya lengkap.
Untuk perubahan perisian, berikan fail yang berkaitan, ralat yang diperhatikan atau tingkah laku yang diminta, konvensyen projek dan semakan yang penting. Arahan yang berguna ialah mengenal pasti tingkah laku yang terjejas, mencadangkan pelaksanaan yang terfokus dan menerangkan cara mengesahkan kedua-dua kes yang dikehendaki serta kes pinggir yang bermakna. Kekalkan pengecam tepat yang digunakan oleh projek. Jika persekitaran membenarkan pelaksanaan, kembalikan output semakan sebenar dan bukannya meminta model menganggap bahawa tampalan yang kelihatan munasabah berfungsi.
Untuk tugas ejen yang lebih panjang, simpan rekod ringkas tentang matlamat, keputusan yang telah dibuat dan bukti yang dikembalikan oleh alat. Nyatakan perkara yang dibenarkan untuk diubah oleh setiap operasi dan hasil yang akan membenarkan langkah seterusnya. Model boleh membantu menaakul merentas interaksi tersebut dan menyediakan permintaan seterusnya, tetapi aplikasi di sekelilingnya melaksanakan operasi itu. Kekalkan ralat dan keadaan yang belum diselesaikan dalam laporan akhir supaya urutan yang panjang tidak menyembunyikan langkah yang gagal di sebalik penerangan yang lancar.
Konteks yang besar boleh berguna untuk membandingkan pelaksanaan atau mensintesis beberapa dokumen yang panjang. Tandakan sempadan fail dan dokumen, kenal pasti bahagian yang mesti digunakan oleh jawapan dan nyatakan format output yang diperlukan. Contohnya, minta cadangan migrasi yang menghubungkan setiap komponen terjejas dengan suatu keperluan dan mengenal pasti maklumat yang tiada secara berasingan. Simpan petikan sokongan atau lokasi kod bersama hasil supaya penyemak boleh menjejaki penaakulan kembali kepada inputnya.
Contoh konfigurasi untuk menjalankan model yang diterbitkan oleh Xiaomi menggunakan konteks 1,048,576 token, manakala ringkasannya menyatakan model menyokong sehingga 1M token. Sediakan ruang untuk teks yang dijana dan sejarah alat yang terkumpul dalam konfigurasi yang digunakan. Pembuat mengesyorkan temperature 1.0 dan top_p 0.95 untuk inferens setempat. Ini ialah butiran resipi pengeluar, bukannya jaminan bahawa setiap aplikasi menyediakan kawalan yang sama atau tetingkap kerja yang serupa.
MiMo-V2.5-Pro berbeza daripada model sekeluarga MiMo-V2.5 yang omnimodal secara natif dan siri V2.6 yang terkemudian. Gunakan edisi ini dalam skop tugas bahasa dan ejen yang didokumenkan tanpa mengambil spesifikasi penglihatan atau audio daripada edisi lain. Artifak akhir boleh berupa cadangan kod, penerangan pelaksanaan atau analisis berasaskan bukti; semak pengiraan, keperluan dan hasil alat yang penting dengan bahan yang dibekalkan untuk tugas itu.
", "aboutText": "MiMo-V2.5-Pro ialah model campuran pakar Xiaomi berskala besar yang berfokus pada teks untuk kerja ejen yang mencabar, kejuruteraan perisian yang kompleks dan tugas yang memerlukan banyak langkah saling berkaitan. Pengeluar menerangkan 1.02 trilion jumlah parameter, 42 bilion parameter aktif dan konteks sehingga satu juta token. Tujuannya adalah untuk mengekalkan arahan tugas serta bukti yang terkumpul sementara aplikasi sokongan menyediakan alat dan mengembalikan hasilnya.\n\nModel ini menggabungkan perhatian tetingkap gelongsor dengan perhatian global dalam pola 6:1. Tetingkap setempat ialah 128 token, manakala lapisan perhatian global menghubungkan maklumat merentas sejarah yang lebih panjang. Ini ialah seni bina perhatian, bukannya sekatan 128 token pada input pengguna. Rangka terasnya mempunyai 70 lapisan dan penghalaan sparse antara pakar, dengan lapan pakar dipilih melalui penghalaan bagi setiap token. Tiga modul ramalan berbilang token disepadukan dalam reka bentuk latihan dan inferens untuk menyokong penyahkodan spekulatif.\n\nPembuat menerangkan pralatihan menggunakan 27 trilion token, diikuti penalaan halus terselia, pembelajaran pengukuhan khusus domain dan penyulingan on-policy berbilang guru. Guru pakar meliputi bidang seperti matematik, keselamatan dan penggunaan alat yang kompleks, dan peringkat akhir menyatukan bimbingan mereka dalam satu model. Tumpuan latihan itu menyokong peranan model dalam aliran kerja perisian dan ejen yang panjang; tugas sebenar masih memerlukan keperluan yang dibekalkan dan cara untuk menentukan sama ada hasilnya lengkap.\n\nUntuk perubahan perisian, berikan fail yang berkaitan, ralat yang diperhatikan atau tingkah laku yang diminta, konvensyen projek dan semakan yang penting. Arahan yang berguna ialah mengenal pasti tingkah laku yang terjejas, mencadangkan pelaksanaan yang terfokus dan menerangkan cara mengesahkan kedua-dua kes yang dikehendaki serta kes pinggir yang bermakna. Kekalkan pengecam tepat yang digunakan oleh projek. Jika persekitaran membenarkan pelaksanaan, kembalikan output semakan sebenar dan bukannya meminta model menganggap bahawa tampalan yang kelihatan munasabah berfungsi.\n\nUntuk tugas ejen yang lebih panjang, simpan rekod ringkas tentang matlamat, keputusan yang telah dibuat dan bukti yang dikembalikan oleh alat. Nyatakan perkara yang dibenarkan untuk diubah oleh setiap operasi dan hasil yang akan membenarkan langkah seterusnya. Model boleh membantu menaakul merentas interaksi tersebut dan menyediakan permintaan seterusnya, tetapi aplikasi di sekelilingnya melaksanakan operasi itu. Kekalkan ralat dan keadaan yang belum diselesaikan dalam laporan akhir supaya urutan yang panjang tidak menyembunyikan langkah yang gagal di sebalik penerangan yang lancar.\n\nKonteks yang besar boleh berguna untuk membandingkan pelaksanaan atau mensintesis beberapa dokumen yang panjang. Tandakan sempadan fail dan dokumen, kenal pasti bahagian yang mesti digunakan oleh jawapan dan nyatakan format output yang diperlukan. Contohnya, minta cadangan migrasi yang menghubungkan setiap komponen terjejas dengan suatu keperluan dan mengenal pasti maklumat yang tiada secara berasingan. Simpan petikan sokongan atau lokasi kod bersama hasil supaya penyemak boleh menjejaki penaakulan kembali kepada inputnya.\n\nContoh konfigurasi untuk menjalankan model yang diterbitkan oleh Xiaomi menggunakan konteks 1,048,576 token, manakala ringkasannya menyatakan model menyokong sehingga 1M token. Sediakan ruang untuk teks yang dijana dan sejarah alat yang terkumpul dalam konfigurasi yang digunakan. Pembuat mengesyorkan temperature 1.0 dan top_p 0.95 untuk inferens setempat. Ini ialah butiran resipi pengeluar, bukannya jaminan bahawa setiap aplikasi menyediakan kawalan yang sama atau tetingkap kerja yang serupa.\n\nMiMo-V2.5-Pro berbeza daripada model sekeluarga MiMo-V2.5 yang omnimodal secara natif dan siri V2.6 yang terkemudian. Gunakan edisi ini dalam skop tugas bahasa dan ejen yang didokumenkan tanpa mengambil spesifikasi penglihatan atau audio daripada edisi lain. Artifak akhir boleh berupa cadangan kod, penerangan pelaksanaan atau analisis berasaskan bukti; semak pengiraan, keperluan dan hasil alat yang penting dengan bahan yang dibekalkan untuk tugas itu.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
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 ialah model Xiaomi yang berfokus pada teks untuk kejuruteraan perisian yang kompleks dan aliran kerja ejen yang panjang. Profil terbitannya menggabungkan MoE dengan 1.02T parameter, 42B parameter aktif dan konteks sehingga satu juta token, dengan latihan yang berfokus pada penggunaan alat secara koheren.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
MiMo-V2.5-Pro ialah model campuran pakar Xiaomi berskala besar yang berfokus pada teks untuk kerja ejen yang mencabar, kejuruteraan perisian yang kompleks dan tugas yang memerlukan banyak langkah saling berkaitan. Pengeluar menerangkan 1.02 trilion jumlah parameter, 42 bilion parameter aktif dan konteks sehingga satu juta token. Tujuannya adalah untuk mengekalkan arahan tugas serta bukti yang terkumpul sementara aplikasi sokongan menyediakan alat dan mengembalikan hasilnya.
Model ini menggabungkan perhatian tetingkap gelongsor dengan perhatian global dalam pola 6:1. Tetingkap setempat ialah 128 token, manakala lapisan perhatian global menghubungkan maklumat merentas sejarah yang lebih panjang. Ini ialah seni bina perhatian, bukannya sekatan 128 token pada input pengguna. Rangka terasnya mempunyai 70 lapisan dan penghalaan sparse antara pakar, dengan lapan pakar dipilih melalui penghalaan bagi setiap token. Tiga modul ramalan berbilang token disepadukan dalam reka bentuk latihan dan inferens untuk menyokong penyahkodan spekulatif.
Pembuat menerangkan pralatihan menggunakan 27 trilion token, diikuti penalaan halus terselia, pembelajaran pengukuhan khusus domain dan penyulingan on-policy berbilang guru. Guru pakar meliputi bidang seperti matematik, keselamatan dan penggunaan alat yang kompleks, dan peringkat akhir menyatukan bimbingan mereka dalam satu model. Tumpuan latihan itu menyokong peranan model dalam aliran kerja perisian dan ejen yang panjang; tugas sebenar masih memerlukan keperluan yang dibekalkan dan cara untuk menentukan sama ada hasilnya lengkap.
Untuk perubahan perisian, berikan fail yang berkaitan, ralat yang diperhatikan atau tingkah laku yang diminta, konvensyen projek dan semakan yang penting. Arahan yang berguna ialah mengenal pasti tingkah laku yang terjejas, mencadangkan pelaksanaan yang terfokus dan menerangkan cara mengesahkan kedua-dua kes yang dikehendaki serta kes pinggir yang bermakna. Kekalkan pengecam tepat yang digunakan oleh projek. Jika persekitaran membenarkan pelaksanaan, kembalikan output semakan sebenar dan bukannya meminta model menganggap bahawa tampalan yang kelihatan munasabah berfungsi.
Untuk tugas ejen yang lebih panjang, simpan rekod ringkas tentang matlamat, keputusan yang telah dibuat dan bukti yang dikembalikan oleh alat. Nyatakan perkara yang dibenarkan untuk diubah oleh setiap operasi dan hasil yang akan membenarkan langkah seterusnya. Model boleh membantu menaakul merentas interaksi tersebut dan menyediakan permintaan seterusnya, tetapi aplikasi di sekelilingnya melaksanakan operasi itu. Kekalkan ralat dan keadaan yang belum diselesaikan dalam laporan akhir supaya urutan yang panjang tidak menyembunyikan langkah yang gagal di sebalik penerangan yang lancar.
Konteks yang besar boleh berguna untuk membandingkan pelaksanaan atau mensintesis beberapa dokumen yang panjang. Tandakan sempadan fail dan dokumen, kenal pasti bahagian yang mesti digunakan oleh jawapan dan nyatakan format output yang diperlukan. Contohnya, minta cadangan migrasi yang menghubungkan setiap komponen terjejas dengan suatu keperluan dan mengenal pasti maklumat yang tiada secara berasingan. Simpan petikan sokongan atau lokasi kod bersama hasil supaya penyemak boleh menjejaki penaakulan kembali kepada inputnya.
Contoh konfigurasi untuk menjalankan model yang diterbitkan oleh Xiaomi menggunakan konteks 1,048,576 token, manakala ringkasannya menyatakan model menyokong sehingga 1M token. Sediakan ruang untuk teks yang dijana dan sejarah alat yang terkumpul dalam konfigurasi yang digunakan. Pembuat mengesyorkan temperature 1.0 dan top_p 0.95 untuk inferens setempat. Ini ialah butiran resipi pengeluar, bukannya jaminan bahawa setiap aplikasi menyediakan kawalan yang sama atau tetingkap kerja yang serupa.
MiMo-V2.5-Pro berbeza daripada model sekeluarga MiMo-V2.5 yang omnimodal secara natif dan siri V2.6 yang terkemudian. Gunakan edisi ini dalam skop tugas bahasa dan ejen yang didokumenkan tanpa mengambil spesifikasi penglihatan atau audio daripada edisi lain. Artifak akhir boleh berupa cadangan kod, penerangan pelaksanaan atau analisis berasaskan bukti; semak pengiraan, keperluan dan hasil alat yang penting dengan bahan yang dibekalkan untuk tugas itu.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had xiaomi/mimo-v2.5-pro | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
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 berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00087 / 1K token Output · Token output $0.00174 / 1K token Input · Bacaan cache $0.0000072 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00087 / 1K token Output · Token output $0.00174 / 1K token Input · Bacaan cache $0.0000072 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${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, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra xiaomi/mimo-v2.5-pro
Gunakan laluan kaedah yang dipaparkan di atas.
xiaomi/mimo-v2.5-proMiMo-V2.5-Pro ialah model Xiaomi yang berfokus pada teks untuk kejuruteraan perisian yang kompleks dan aliran kerja ejen yang panjang. Profil terbitannya menggabungkan MoE dengan 1.02T parameter, 42B parameter aktif dan konteks sehingga satu juta token, dengan latihan yang berfokus pada penggunaan alat secara koheren.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
MiMo-V2.5-Pro ialah model campuran pakar Xiaomi berskala besar yang berfokus pada teks untuk kerja ejen yang mencabar, kejuruteraan perisian yang kompleks dan tugas yang memerlukan banyak langkah saling berkaitan. Pengeluar menerangkan 1.02 trilion jumlah parameter, 42 bilion parameter aktif dan konteks sehingga satu juta token. Tujuannya adalah untuk mengekalkan arahan tugas serta bukti yang terkumpul sementara aplikasi sokongan menyediakan alat dan mengembalikan hasilnya.
Model ini menggabungkan perhatian tetingkap gelongsor dengan perhatian global dalam pola 6:1. Tetingkap setempat ialah 128 token, manakala lapisan perhatian global menghubungkan maklumat merentas sejarah yang lebih panjang. Ini ialah seni bina perhatian, bukannya sekatan 128 token pada input pengguna. Rangka terasnya mempunyai 70 lapisan dan penghalaan sparse antara pakar, dengan lapan pakar dipilih melalui penghalaan bagi setiap token. Tiga modul ramalan berbilang token disepadukan dalam reka bentuk latihan dan inferens untuk menyokong penyahkodan spekulatif.
Pembuat menerangkan pralatihan menggunakan 27 trilion token, diikuti penalaan halus terselia, pembelajaran pengukuhan khusus domain dan penyulingan on-policy berbilang guru. Guru pakar meliputi bidang seperti matematik, keselamatan dan penggunaan alat yang kompleks, dan peringkat akhir menyatukan bimbingan mereka dalam satu model. Tumpuan latihan itu menyokong peranan model dalam aliran kerja perisian dan ejen yang panjang; tugas sebenar masih memerlukan keperluan yang dibekalkan dan cara untuk menentukan sama ada hasilnya lengkap.
Untuk perubahan perisian, berikan fail yang berkaitan, ralat yang diperhatikan atau tingkah laku yang diminta, konvensyen projek dan semakan yang penting. Arahan yang berguna ialah mengenal pasti tingkah laku yang terjejas, mencadangkan pelaksanaan yang terfokus dan menerangkan cara mengesahkan kedua-dua kes yang dikehendaki serta kes pinggir yang bermakna. Kekalkan pengecam tepat yang digunakan oleh projek. Jika persekitaran membenarkan pelaksanaan, kembalikan output semakan sebenar dan bukannya meminta model menganggap bahawa tampalan yang kelihatan munasabah berfungsi.
Untuk tugas ejen yang lebih panjang, simpan rekod ringkas tentang matlamat, keputusan yang telah dibuat dan bukti yang dikembalikan oleh alat. Nyatakan perkara yang dibenarkan untuk diubah oleh setiap operasi dan hasil yang akan membenarkan langkah seterusnya. Model boleh membantu menaakul merentas interaksi tersebut dan menyediakan permintaan seterusnya, tetapi aplikasi di sekelilingnya melaksanakan operasi itu. Kekalkan ralat dan keadaan yang belum diselesaikan dalam laporan akhir supaya urutan yang panjang tidak menyembunyikan langkah yang gagal di sebalik penerangan yang lancar.
Konteks yang besar boleh berguna untuk membandingkan pelaksanaan atau mensintesis beberapa dokumen yang panjang. Tandakan sempadan fail dan dokumen, kenal pasti bahagian yang mesti digunakan oleh jawapan dan nyatakan format output yang diperlukan. Contohnya, minta cadangan migrasi yang menghubungkan setiap komponen terjejas dengan suatu keperluan dan mengenal pasti maklumat yang tiada secara berasingan. Simpan petikan sokongan atau lokasi kod bersama hasil supaya penyemak boleh menjejaki penaakulan kembali kepada inputnya.
Contoh konfigurasi untuk menjalankan model yang diterbitkan oleh Xiaomi menggunakan konteks 1,048,576 token, manakala ringkasannya menyatakan model menyokong sehingga 1M token. Sediakan ruang untuk teks yang dijana dan sejarah alat yang terkumpul dalam konfigurasi yang digunakan. Pembuat mengesyorkan temperature 1.0 dan top_p 0.95 untuk inferens setempat. Ini ialah butiran resipi pengeluar, bukannya jaminan bahawa setiap aplikasi menyediakan kawalan yang sama atau tetingkap kerja yang serupa.
MiMo-V2.5-Pro berbeza daripada model sekeluarga MiMo-V2.5 yang omnimodal secara natif dan siri V2.6 yang terkemudian. Gunakan edisi ini dalam skop tugas bahasa dan ejen yang didokumenkan tanpa mengambil spesifikasi penglihatan atau audio daripada edisi lain. Artifak akhir boleh berupa cadangan kod, penerangan pelaksanaan atau analisis berasaskan bukti; semak pengiraan, keperluan dan hasil alat yang penting dengan bahan yang dibekalkan untuk tugas itu.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had xiaomi/mimo-v2.5-pro | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan 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 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00087 / 1K token Output · Token output $0.00174 / 1K token Input · Bacaan cache $0.0000072 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.00087 / 1K token Output · Token output $0.00174 / 1K token Input · Bacaan cache $0.0000072 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "xiaomi/mimo-v2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra xiaomi/mimo-v2.5-pro
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
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.