MiMo-V2-Omni er Xiaomis modell for å forstå tekst, bilder, lyd og video samlet og bruke forståelsen i en agentoppgave. Arkitekturen samler egne bilde-, video- og lydkodere i en felles grunnarkitektur. Det sentrale særtrekket er samlet persepsjon: et spørsmål kan avhenge av det som er synlig, det som er hørbart, og det den tilhørende teksten sier, fremfor at hver kilde må tolkes isolert. Utdataene støtter skriftlig analyse og strukturerte verktøyforespørsler.
Xiaomi beskriver modellen som trent til å knytte sammen persepsjon, forventning og handling. Den tolker den aktuelle scenen, resonnerer om hva som kan skje videre, og velger et nyttig neste trinn. Dette er særlig relevant for innspilt materiale der betydningen av en hendelse avhenger av mer enn én modalitet. Legg for eksempel ved et klipp og be modellen identifisere rekkefølgen av synlige handlinger, relevante lyder og hvordan de henger sammen. Angi om du trenger et hendelsessammendrag, en forklaring av scenen eller en liste over observasjoner til senere gjennomgang. Hold observerte fakta atskilt fra forutsigelser: en tolkning av hva som kan skje, er ikke bevis på at hendelsen vil finne sted.
Lydforståelse er bredere enn transkripsjon i produsentens beskrivelse. Xiaomi fremhever klassifisering av miljølyder, skille mellom flere talere og samlet resonnering om lyd og bilder. Produsenten demonstrerer også et strukturert sammendrag av en lang, uavbrutt podkast. Ved en lydoppgave angir du temaene eller spørsmålene som er viktige, og resultatet du trenger, som en argumentdisposisjon, uenighetspunkter eller et sammendrag etter tema. Ved en video med tale ber du modellen knytte en uttalelse til handlingen eller skjerminnholdet den ledsager. Hvis nøyaktig ordlyd eller talertilordning er viktig, ber du modellen markere tvetydighet fremfor å avgjøre den ubemerket.
På den visuelle siden fremhever produsenten tverrfaglig bilderesonnering og kompleks diagramanalyse. Legg ved et lesbart diagram og forklar analysespørsmålet, inkludert hva akser, enheter og kategorier betyr når dette ikke fremgår tydelig av bildet. En eksempelforespørsel er å beskrive hovedmønsteret, identifisere en tilsynelatende endring og skille verdier som er direkte synlige i diagrammet, fra en foreslått forklaring. Ved en bildesammenligning definerer du forskjellene som er viktige, og ber om en tabell knyttet til synlige belegg. Forbered kildematerialet slik at merker og relevante detaljer er lesbare; en nyttig analyse avhenger av hva inndataene faktisk inneholder.
MiMo-V2-Omni støtter også strukturerte verktøykall og forankring i brukergrensesnitt. Produsentens demonstrasjoner kobler modellen til et agentmiljø som gir nettleserstyring, filtilgang og terminalinteraksjon. Modellen tolker den aktuelle tilstanden, bestemmer hva som skal gjøres, og sender en handling; miljøet utfører den og returnerer oppdatert tilstand. Ved en slik oppgave oppgir du et tydelig mål, relevant skjermbilde eller materiale og beskrivelser av tillatte handlinger. Be modellen knytte hvert neste trinn til den observerte tilstanden og bruke det returnerte resultatet før den fortsetter. En verktøyforespørsel og utfallet av den utførte handlingen er separate opplysninger.
Xiaomis eksempel på multimedieproduksjon følger samme arbeidsdeling: modellen utformer innholdet og styrer en programmatisk prosess, mens verktøy lager og håndterer de faktiske mediefilene. Du kan bruke modellen til å forberede en sceneplan, en skriftlig forklaring av et opptak eller en sekvens med verktøyhandlinger. Den konkrete leveransen bør defineres fra starten, inkludert nødvendig innhold og hvordan fullføring skal gjenkjennes. Hold filopprettelse, gjengivelse og applikasjonsoperasjoner knyttet til verktøyene som utfører dem, fremfor å behandle et tekstsvar som en allerede opprettet ressurs.
Ved praktisk videoarbeid legger du ved innspilte klipp og et målrettet spørsmål. Xiaomi skiller denne klippbehandlingsflyten fra sanntidspersepsjon i forskningsplanen, så kontinuerlig styring i sanntid skal ikke forutsettes ut fra en innspilt demonstrasjon. Eksemplene viser også langvarige oppgaver gjennom et agentmiljø fremfor å fastslå en ubegrenset planleggingshorisont eller et universelt løfte om fullføringstid. Kontroller scenetolkninger, diagramverdier, talerkoblinger og foreslåtte handlinger mot de opprinnelige inndataene. MiMo-V2-Omnis nyttige rolle er å samle modalitetene i én begrunnet tolkning av oppgaven, med et resultat der belegg og handlingsutfall kan undersøkes.
", "aboutText": "MiMo-V2-Omni er Xiaomis modell for å forstå tekst, bilder, lyd og video samlet og bruke forståelsen i en agentoppgave. Arkitekturen samler egne bilde-, video- og lydkodere i en felles grunnarkitektur. Det sentrale særtrekket er samlet persepsjon: et spørsmål kan avhenge av det som er synlig, det som er hørbart, og det den tilhørende teksten sier, fremfor at hver kilde må tolkes isolert. Utdataene støtter skriftlig analyse og strukturerte verktøyforespørsler.\n\nXiaomi beskriver modellen som trent til å knytte sammen persepsjon, forventning og handling. Den tolker den aktuelle scenen, resonnerer om hva som kan skje videre, og velger et nyttig neste trinn. Dette er særlig relevant for innspilt materiale der betydningen av en hendelse avhenger av mer enn én modalitet. Legg for eksempel ved et klipp og be modellen identifisere rekkefølgen av synlige handlinger, relevante lyder og hvordan de henger sammen. Angi om du trenger et hendelsessammendrag, en forklaring av scenen eller en liste over observasjoner til senere gjennomgang. Hold observerte fakta atskilt fra forutsigelser: en tolkning av hva som kan skje, er ikke bevis på at hendelsen vil finne sted.\n\nLydforståelse er bredere enn transkripsjon i produsentens beskrivelse. Xiaomi fremhever klassifisering av miljølyder, skille mellom flere talere og samlet resonnering om lyd og bilder. Produsenten demonstrerer også et strukturert sammendrag av en lang, uavbrutt podkast. Ved en lydoppgave angir du temaene eller spørsmålene som er viktige, og resultatet du trenger, som en argumentdisposisjon, uenighetspunkter eller et sammendrag etter tema. Ved en video med tale ber du modellen knytte en uttalelse til handlingen eller skjerminnholdet den ledsager. Hvis nøyaktig ordlyd eller talertilordning er viktig, ber du modellen markere tvetydighet fremfor å avgjøre den ubemerket.\n\nPå den visuelle siden fremhever produsenten tverrfaglig bilderesonnering og kompleks diagramanalyse. Legg ved et lesbart diagram og forklar analysespørsmålet, inkludert hva akser, enheter og kategorier betyr når dette ikke fremgår tydelig av bildet. En eksempelforespørsel er å beskrive hovedmønsteret, identifisere en tilsynelatende endring og skille verdier som er direkte synlige i diagrammet, fra en foreslått forklaring. Ved en bildesammenligning definerer du forskjellene som er viktige, og ber om en tabell knyttet til synlige belegg. Forbered kildematerialet slik at merker og relevante detaljer er lesbare; en nyttig analyse avhenger av hva inndataene faktisk inneholder.\n\nMiMo-V2-Omni støtter også strukturerte verktøykall og forankring i brukergrensesnitt. Produsentens demonstrasjoner kobler modellen til et agentmiljø som gir nettleserstyring, filtilgang og terminalinteraksjon. Modellen tolker den aktuelle tilstanden, bestemmer hva som skal gjøres, og sender en handling; miljøet utfører den og returnerer oppdatert tilstand. Ved en slik oppgave oppgir du et tydelig mål, relevant skjermbilde eller materiale og beskrivelser av tillatte handlinger. Be modellen knytte hvert neste trinn til den observerte tilstanden og bruke det returnerte resultatet før den fortsetter. En verktøyforespørsel og utfallet av den utførte handlingen er separate opplysninger.\n\nXiaomis eksempel på multimedieproduksjon følger samme arbeidsdeling: modellen utformer innholdet og styrer en programmatisk prosess, mens verktøy lager og håndterer de faktiske mediefilene. Du kan bruke modellen til å forberede en sceneplan, en skriftlig forklaring av et opptak eller en sekvens med verktøyhandlinger. Den konkrete leveransen bør defineres fra starten, inkludert nødvendig innhold og hvordan fullføring skal gjenkjennes. Hold filopprettelse, gjengivelse og applikasjonsoperasjoner knyttet til verktøyene som utfører dem, fremfor å behandle et tekstsvar som en allerede opprettet ressurs.\n\nVed praktisk videoarbeid legger du ved innspilte klipp og et målrettet spørsmål. Xiaomi skiller denne klippbehandlingsflyten fra sanntidspersepsjon i forskningsplanen, så kontinuerlig styring i sanntid skal ikke forutsettes ut fra en innspilt demonstrasjon. Eksemplene viser også langvarige oppgaver gjennom et agentmiljø fremfor å fastslå en ubegrenset planleggingshorisont eller et universelt løfte om fullføringstid. Kontroller scenetolkninger, diagramverdier, talerkoblinger og foreslåtte handlinger mot de opprinnelige inndataene. MiMo-V2-Omnis nyttige rolle er å samle modalitetene i én begrunnet tolkning av oppgaven, med et resultat der belegg og handlingsutfall kan undersøkes.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Summarize a supplied podcast transcript\n\nSummarize this podcast transcript by theme. Speaker A: Smaller batches reduced our queue, but we measured only one week. Speaker B: Returns rose that week; we have not linked them to batch size. Speaker A: We should compare another week before expanding. Return agreements, unresolved relationships and the proposed next step, preserving speaker attribution.A theme-based summary with speaker labels, the agreed next step and unresolved causal claims.Check that the summary does not attribute the rise in returns to batch size or report a multi-week measurement.mimo-v2-omniMiMo-V2-Omni er Xiaomis modell for samlet forståelse av tekst, bilder, lyd og video. Den knytter persepsjon til strukturerte verktøyforespørsler og forankring i grensesnitt og støtter sceneanalyse, diagramtolking og agentflyter som bruker faktiske verktøyresultater.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
MiMo-V2-Omni er Xiaomis modell for å forstå tekst, bilder, lyd og video samlet og bruke forståelsen i en agentoppgave. Arkitekturen samler egne bilde-, video- og lydkodere i en felles grunnarkitektur. Det sentrale særtrekket er samlet persepsjon: et spørsmål kan avhenge av det som er synlig, det som er hørbart, og det den tilhørende teksten sier, fremfor at hver kilde må tolkes isolert. Utdataene støtter skriftlig analyse og strukturerte verktøyforespørsler.
Xiaomi beskriver modellen som trent til å knytte sammen persepsjon, forventning og handling. Den tolker den aktuelle scenen, resonnerer om hva som kan skje videre, og velger et nyttig neste trinn. Dette er særlig relevant for innspilt materiale der betydningen av en hendelse avhenger av mer enn én modalitet. Legg for eksempel ved et klipp og be modellen identifisere rekkefølgen av synlige handlinger, relevante lyder og hvordan de henger sammen. Angi om du trenger et hendelsessammendrag, en forklaring av scenen eller en liste over observasjoner til senere gjennomgang. Hold observerte fakta atskilt fra forutsigelser: en tolkning av hva som kan skje, er ikke bevis på at hendelsen vil finne sted.
Lydforståelse er bredere enn transkripsjon i produsentens beskrivelse. Xiaomi fremhever klassifisering av miljølyder, skille mellom flere talere og samlet resonnering om lyd og bilder. Produsenten demonstrerer også et strukturert sammendrag av en lang, uavbrutt podkast. Ved en lydoppgave angir du temaene eller spørsmålene som er viktige, og resultatet du trenger, som en argumentdisposisjon, uenighetspunkter eller et sammendrag etter tema. Ved en video med tale ber du modellen knytte en uttalelse til handlingen eller skjerminnholdet den ledsager. Hvis nøyaktig ordlyd eller talertilordning er viktig, ber du modellen markere tvetydighet fremfor å avgjøre den ubemerket.
På den visuelle siden fremhever produsenten tverrfaglig bilderesonnering og kompleks diagramanalyse. Legg ved et lesbart diagram og forklar analysespørsmålet, inkludert hva akser, enheter og kategorier betyr når dette ikke fremgår tydelig av bildet. En eksempelforespørsel er å beskrive hovedmønsteret, identifisere en tilsynelatende endring og skille verdier som er direkte synlige i diagrammet, fra en foreslått forklaring. Ved en bildesammenligning definerer du forskjellene som er viktige, og ber om en tabell knyttet til synlige belegg. Forbered kildematerialet slik at merker og relevante detaljer er lesbare; en nyttig analyse avhenger av hva inndataene faktisk inneholder.
MiMo-V2-Omni støtter også strukturerte verktøykall og forankring i brukergrensesnitt. Produsentens demonstrasjoner kobler modellen til et agentmiljø som gir nettleserstyring, filtilgang og terminalinteraksjon. Modellen tolker den aktuelle tilstanden, bestemmer hva som skal gjøres, og sender en handling; miljøet utfører den og returnerer oppdatert tilstand. Ved en slik oppgave oppgir du et tydelig mål, relevant skjermbilde eller materiale og beskrivelser av tillatte handlinger. Be modellen knytte hvert neste trinn til den observerte tilstanden og bruke det returnerte resultatet før den fortsetter. En verktøyforespørsel og utfallet av den utførte handlingen er separate opplysninger.
Xiaomis eksempel på multimedieproduksjon følger samme arbeidsdeling: modellen utformer innholdet og styrer en programmatisk prosess, mens verktøy lager og håndterer de faktiske mediefilene. Du kan bruke modellen til å forberede en sceneplan, en skriftlig forklaring av et opptak eller en sekvens med verktøyhandlinger. Den konkrete leveransen bør defineres fra starten, inkludert nødvendig innhold og hvordan fullføring skal gjenkjennes. Hold filopprettelse, gjengivelse og applikasjonsoperasjoner knyttet til verktøyene som utfører dem, fremfor å behandle et tekstsvar som en allerede opprettet ressurs.
Ved praktisk videoarbeid legger du ved innspilte klipp og et målrettet spørsmål. Xiaomi skiller denne klippbehandlingsflyten fra sanntidspersepsjon i forskningsplanen, så kontinuerlig styring i sanntid skal ikke forutsettes ut fra en innspilt demonstrasjon. Eksemplene viser også langvarige oppgaver gjennom et agentmiljø fremfor å fastslå en ubegrenset planleggingshorisont eller et universelt løfte om fullføringstid. Kontroller scenetolkninger, diagramverdier, talerkoblinger og foreslåtte handlinger mot de opprinnelige inndataene. MiMo-V2-Omnis nyttige rolle er å samle modalitetene i én begrunnet tolkning av oppgaven, med et resultat der belegg og handlingsutfall kan undersøkes.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mimo-v2-omni | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.00088 / 1K tokener Utdata · Utgående tokener $0.0044 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mimo-v2-omni", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mimo-v2-omni',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mimo-v2-omni',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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra mimo-v2-omni
Bruk metodestiene som vises ovenfor.
mimo-v2-omniMiMo-V2-Omni er Xiaomis modell for samlet forståelse av tekst, bilder, lyd og video. Den knytter persepsjon til strukturerte verktøyforespørsler og forankring i grensesnitt og støtter sceneanalyse, diagramtolking og agentflyter som bruker faktiske verktøyresultater.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
MiMo-V2-Omni er Xiaomis modell for å forstå tekst, bilder, lyd og video samlet og bruke forståelsen i en agentoppgave. Arkitekturen samler egne bilde-, video- og lydkodere i en felles grunnarkitektur. Det sentrale særtrekket er samlet persepsjon: et spørsmål kan avhenge av det som er synlig, det som er hørbart, og det den tilhørende teksten sier, fremfor at hver kilde må tolkes isolert. Utdataene støtter skriftlig analyse og strukturerte verktøyforespørsler.
Xiaomi beskriver modellen som trent til å knytte sammen persepsjon, forventning og handling. Den tolker den aktuelle scenen, resonnerer om hva som kan skje videre, og velger et nyttig neste trinn. Dette er særlig relevant for innspilt materiale der betydningen av en hendelse avhenger av mer enn én modalitet. Legg for eksempel ved et klipp og be modellen identifisere rekkefølgen av synlige handlinger, relevante lyder og hvordan de henger sammen. Angi om du trenger et hendelsessammendrag, en forklaring av scenen eller en liste over observasjoner til senere gjennomgang. Hold observerte fakta atskilt fra forutsigelser: en tolkning av hva som kan skje, er ikke bevis på at hendelsen vil finne sted.
Lydforståelse er bredere enn transkripsjon i produsentens beskrivelse. Xiaomi fremhever klassifisering av miljølyder, skille mellom flere talere og samlet resonnering om lyd og bilder. Produsenten demonstrerer også et strukturert sammendrag av en lang, uavbrutt podkast. Ved en lydoppgave angir du temaene eller spørsmålene som er viktige, og resultatet du trenger, som en argumentdisposisjon, uenighetspunkter eller et sammendrag etter tema. Ved en video med tale ber du modellen knytte en uttalelse til handlingen eller skjerminnholdet den ledsager. Hvis nøyaktig ordlyd eller talertilordning er viktig, ber du modellen markere tvetydighet fremfor å avgjøre den ubemerket.
På den visuelle siden fremhever produsenten tverrfaglig bilderesonnering og kompleks diagramanalyse. Legg ved et lesbart diagram og forklar analysespørsmålet, inkludert hva akser, enheter og kategorier betyr når dette ikke fremgår tydelig av bildet. En eksempelforespørsel er å beskrive hovedmønsteret, identifisere en tilsynelatende endring og skille verdier som er direkte synlige i diagrammet, fra en foreslått forklaring. Ved en bildesammenligning definerer du forskjellene som er viktige, og ber om en tabell knyttet til synlige belegg. Forbered kildematerialet slik at merker og relevante detaljer er lesbare; en nyttig analyse avhenger av hva inndataene faktisk inneholder.
MiMo-V2-Omni støtter også strukturerte verktøykall og forankring i brukergrensesnitt. Produsentens demonstrasjoner kobler modellen til et agentmiljø som gir nettleserstyring, filtilgang og terminalinteraksjon. Modellen tolker den aktuelle tilstanden, bestemmer hva som skal gjøres, og sender en handling; miljøet utfører den og returnerer oppdatert tilstand. Ved en slik oppgave oppgir du et tydelig mål, relevant skjermbilde eller materiale og beskrivelser av tillatte handlinger. Be modellen knytte hvert neste trinn til den observerte tilstanden og bruke det returnerte resultatet før den fortsetter. En verktøyforespørsel og utfallet av den utførte handlingen er separate opplysninger.
Xiaomis eksempel på multimedieproduksjon følger samme arbeidsdeling: modellen utformer innholdet og styrer en programmatisk prosess, mens verktøy lager og håndterer de faktiske mediefilene. Du kan bruke modellen til å forberede en sceneplan, en skriftlig forklaring av et opptak eller en sekvens med verktøyhandlinger. Den konkrete leveransen bør defineres fra starten, inkludert nødvendig innhold og hvordan fullføring skal gjenkjennes. Hold filopprettelse, gjengivelse og applikasjonsoperasjoner knyttet til verktøyene som utfører dem, fremfor å behandle et tekstsvar som en allerede opprettet ressurs.
Ved praktisk videoarbeid legger du ved innspilte klipp og et målrettet spørsmål. Xiaomi skiller denne klippbehandlingsflyten fra sanntidspersepsjon i forskningsplanen, så kontinuerlig styring i sanntid skal ikke forutsettes ut fra en innspilt demonstrasjon. Eksemplene viser også langvarige oppgaver gjennom et agentmiljø fremfor å fastslå en ubegrenset planleggingshorisont eller et universelt løfte om fullføringstid. Kontroller scenetolkninger, diagramverdier, talerkoblinger og foreslåtte handlinger mot de opprinnelige inndataene. MiMo-V2-Omnis nyttige rolle er å samle modalitetene i én begrunnet tolkning av oppgaven, med et resultat der belegg og handlingsutfall kan undersøkes.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mimo-v2-omni | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.00088 / 1K tokener Utdata · Utgående tokener $0.0044 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "mimo-v2-omni",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mimo-v2-omni', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mimo-v2-omni', '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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra mimo-v2-omni
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Summarize a supplied podcast transcript\n\nSummarize this podcast transcript by theme. Speaker A: Smaller batches reduced our queue, but we measured only one week. Speaker B: Returns rose that week; we have not linked them to batch size. Speaker A: We should compare another week before expanding. Return agreements, unresolved relationships and the proposed next step, preserving speaker attribution.A theme-based summary with speaker labels, the agreed next step and unresolved causal claims.Check that the summary does not attribute the rise in returns to batch size or report a multi-week measurement.