Grunnlag for agentarbeid
MiMo-V2-Pro er Xiaomis ledende grunnmodell for komplekse agentoppgaver og programvareutvikling. Rollen er å resonnere om en oppgave, organisere de nødvendige stegene og bruke informasjon som returneres fra verktøy til å fortsette mot et definert resultat. Modellens fokus går utover å skrive ett enkelt svar: Den er utviklet for sammenhengende arbeid der tidligere beslutninger og observasjoner påvirker hva som skjer videre.
Skala og effektiv arkitektur
Produsenten beskriver mer enn 1 billion parametere totalt, med 42 milliarder aktive parametere. Pro utvider tilnærmingen med hybrid oppmerksomhet fra MiMo-V2-Flash og bruker et forhold på 7:1 mellom glidende vinduoppmerksomhet og global oppmerksomhet. Et lett lag for prediksjon av flere tokener støtter generering, og den annonserte konteksten når 1 million tokener. Dette er arkitektur- og kontekstegenskaper ved Pro; de angir ikke utførelseshastighet, minnetildeling eller forespørselsgrenser for en bestemt integrasjon.
Utgivelseshistorikk
Xiaomi identifiserer Hunter Alpha som en tidlig intern testversjon som kom før MiMo-V2-Pro. Den utgitte Pro-modellen har sitt eget navn og forbedringer i arbeid med lang kontekst og stabilitet i agentscenarier. Dette skillet er viktig når beskrivelser sammenlignes eller en modellidentitet bevares: En tidligere testversjon, MiMo-V2-Flash og MiMo-V2-Omni har hver sin rolle og spesifikasjon.
Utviklet for agenter
Modellen er finjustert gjennom veiledet læring og forsterkningslæring på tvers av ulike agentrammeverk, med vekt på verktøykall og resonnering over flere steg. Forbered en oppgave med en observerbar betingelse for fullføring og beskrivelser av de tilgjengelige verktøyene. En prosjektassistent kan for eksempel motta en endringsforespørsel, undersøke de oppgitte modulene, foreslå berørte komponenter og fortsette etter at et verktøy returnerer en byggefeil. Nyttige utdata er en sekvens av beslutninger knyttet til faktiske observasjoner, etterfulgt av den ønskede koden, forklaringen eller arbeidsoppsummeringen. Det tilknyttede miljøet utfører handlingene.
Programvareutvikling og frontendoppgaver
Xiaomi fremhever systemdesign, oppgaveplanlegging og koderettet problemløsning. Demonstrasjonene omfatter interaktive nettsider og et nettleserspill produsert i et agentmiljø. En illustrerende utviklingsbeskrivelse kan angi sideatferd, navigasjon, datatilstander og en responsiv layout, og deretter be om en implementasjon og kontroller opp mot disse kravene. For et eksisterende prosjekt gir du de aktuelle filene, tilfellet som feiler, og grensesnittene som skal forbli uendret. Be om en målrettet endring og en forklaring av avhengighetene den berører, fremfor en uvedkommende erstatningsapplikasjon.
Lang kontekst og et kontrollerbart resultat
Konteksten på opptil 1 million tokener er nyttig når flere filer, dokumenter, instruksjoner og tidligere observasjoner tilhører samme oppgave. Organiser materialet etter rolle: autoritative krav, aktuell kode, referanseeksempler og verktøyresultater. Angi det endelige artefaktet og akseptvilkårene før du ber agenten fortsette. En dokumentasjonsoppgave kan trenge en sammenligning med uavklarte spørsmål; en utviklingsoppgave kan trenge en kodeendring og en oversikt over hva som ble kontrollert.
Praktiske begrensninger og utgavens omfang
En lang kontekst gir plass til materiale, men garanterer ikke at et generert prosjekt er riktig eller at alle krav er oppfylt. Returner faktiske feil og observasjoner for neste steg, og valider resultatet i det tiltenkte miljøet. Produsenten fremstiller uttrykkelig robusthet på tvers av komplekse reelle oppgaver som noe som må vurderes og forbedres. Denne beskrivelsen dekker spesialiseringen for tekst- og verktøyagenter i MiMo-V2-Pro; modalitetsfunksjonene til Omni og spesifikasjonene til senere MiMo-generasjoner tilhører de respektive modellene. Verktøyene, de tilgjengelige parameterne og håndteringen av utdata er fortsatt egenskaper ved den tilknyttede applikasjonen.
", "aboutText": "Grunnlag for agentarbeid\n\nMiMo-V2-Pro er Xiaomis ledende grunnmodell for komplekse agentoppgaver og programvareutvikling. Rollen er å resonnere om en oppgave, organisere de nødvendige stegene og bruke informasjon som returneres fra verktøy til å fortsette mot et definert resultat. Modellens fokus går utover å skrive ett enkelt svar: Den er utviklet for sammenhengende arbeid der tidligere beslutninger og observasjoner påvirker hva som skjer videre.\n\nSkala og effektiv arkitektur\n\nProdusenten beskriver mer enn 1 billion parametere totalt, med 42 milliarder aktive parametere. Pro utvider tilnærmingen med hybrid oppmerksomhet fra MiMo-V2-Flash og bruker et forhold på 7:1 mellom glidende vinduoppmerksomhet og global oppmerksomhet. Et lett lag for prediksjon av flere tokener støtter generering, og den annonserte konteksten når 1 million tokener. Dette er arkitektur- og kontekstegenskaper ved Pro; de angir ikke utførelseshastighet, minnetildeling eller forespørselsgrenser for en bestemt integrasjon.\n\nUtgivelseshistorikk\n\nXiaomi identifiserer Hunter Alpha som en tidlig intern testversjon som kom før MiMo-V2-Pro. Den utgitte Pro-modellen har sitt eget navn og forbedringer i arbeid med lang kontekst og stabilitet i agentscenarier. Dette skillet er viktig når beskrivelser sammenlignes eller en modellidentitet bevares: En tidligere testversjon, MiMo-V2-Flash og MiMo-V2-Omni har hver sin rolle og spesifikasjon.\n\nUtviklet for agenter\n\nModellen er finjustert gjennom veiledet læring og forsterkningslæring på tvers av ulike agentrammeverk, med vekt på verktøykall og resonnering over flere steg. Forbered en oppgave med en observerbar betingelse for fullføring og beskrivelser av de tilgjengelige verktøyene. En prosjektassistent kan for eksempel motta en endringsforespørsel, undersøke de oppgitte modulene, foreslå berørte komponenter og fortsette etter at et verktøy returnerer en byggefeil. Nyttige utdata er en sekvens av beslutninger knyttet til faktiske observasjoner, etterfulgt av den ønskede koden, forklaringen eller arbeidsoppsummeringen. Det tilknyttede miljøet utfører handlingene.\n\nProgramvareutvikling og frontendoppgaver\n\nXiaomi fremhever systemdesign, oppgaveplanlegging og koderettet problemløsning. Demonstrasjonene omfatter interaktive nettsider og et nettleserspill produsert i et agentmiljø. En illustrerende utviklingsbeskrivelse kan angi sideatferd, navigasjon, datatilstander og en responsiv layout, og deretter be om en implementasjon og kontroller opp mot disse kravene. For et eksisterende prosjekt gir du de aktuelle filene, tilfellet som feiler, og grensesnittene som skal forbli uendret. Be om en målrettet endring og en forklaring av avhengighetene den berører, fremfor en uvedkommende erstatningsapplikasjon.\n\nLang kontekst og et kontrollerbart resultat\n\nKonteksten på opptil 1 million tokener er nyttig når flere filer, dokumenter, instruksjoner og tidligere observasjoner tilhører samme oppgave. Organiser materialet etter rolle: autoritative krav, aktuell kode, referanseeksempler og verktøyresultater. Angi det endelige artefaktet og akseptvilkårene før du ber agenten fortsette. En dokumentasjonsoppgave kan trenge en sammenligning med uavklarte spørsmål; en utviklingsoppgave kan trenge en kodeendring og en oversikt over hva som ble kontrollert.\n\nPraktiske begrensninger og utgavens omfang\n\nEn lang kontekst gir plass til materiale, men garanterer ikke at et generert prosjekt er riktig eller at alle krav er oppfylt. Returner faktiske feil og observasjoner for neste steg, og valider resultatet i det tiltenkte miljøet. Produsenten fremstiller uttrykkelig robusthet på tvers av komplekse reelle oppgaver som noe som må vurderes og forbedres. Denne beskrivelsen dekker spesialiseringen for tekst- og verktøyagenter i MiMo-V2-Pro; modalitetsfunksjonene til Omni og spesifikasjonene til senere MiMo-generasjoner tilhører de respektive modellene. Verktøyene, de tilgjengelige parameterne og håndteringen av utdata er fortsatt egenskaper ved den tilknyttede applikasjonen.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Correct an error-state transition\n\nA text specification says a search box has idle, loading, results and error states. Existing logic sets loading=true before fetch and false only on success, so failures leave the spinner visible. Propose pseudocode that preserves results on success, shows an error on failure and always clears loading. Include the two distinguishing checks.Focused async pseudocode and success/failure checks covering final loading state and visible result or error.Check that loading is cleared in both branches without suppressing the error.mimo-v2-proMiMo-V2-Pro er Xiaomis agentorienterte tekstmodell for programvareutvikling, planlegging over flere steg og verktøydrevet arbeid. Konteksten på opptil 1 million tokener bidrar til å holde omfattende prosjektmateriale, oppgavebegrensninger og påfølgende observasjoner innenfor en sammenhengende arbeidsflyt.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Grunnlag for agentarbeid
MiMo-V2-Pro er Xiaomis ledende grunnmodell for komplekse agentoppgaver og programvareutvikling. Rollen er å resonnere om en oppgave, organisere de nødvendige stegene og bruke informasjon som returneres fra verktøy til å fortsette mot et definert resultat. Modellens fokus går utover å skrive ett enkelt svar: Den er utviklet for sammenhengende arbeid der tidligere beslutninger og observasjoner påvirker hva som skjer videre.
Skala og effektiv arkitektur
Produsenten beskriver mer enn 1 billion parametere totalt, med 42 milliarder aktive parametere. Pro utvider tilnærmingen med hybrid oppmerksomhet fra MiMo-V2-Flash og bruker et forhold på 7:1 mellom glidende vinduoppmerksomhet og global oppmerksomhet. Et lett lag for prediksjon av flere tokener støtter generering, og den annonserte konteksten når 1 million tokener. Dette er arkitektur- og kontekstegenskaper ved Pro; de angir ikke utførelseshastighet, minnetildeling eller forespørselsgrenser for en bestemt integrasjon.
Utgivelseshistorikk
Xiaomi identifiserer Hunter Alpha som en tidlig intern testversjon som kom før MiMo-V2-Pro. Den utgitte Pro-modellen har sitt eget navn og forbedringer i arbeid med lang kontekst og stabilitet i agentscenarier. Dette skillet er viktig når beskrivelser sammenlignes eller en modellidentitet bevares: En tidligere testversjon, MiMo-V2-Flash og MiMo-V2-Omni har hver sin rolle og spesifikasjon.
Utviklet for agenter
Modellen er finjustert gjennom veiledet læring og forsterkningslæring på tvers av ulike agentrammeverk, med vekt på verktøykall og resonnering over flere steg. Forbered en oppgave med en observerbar betingelse for fullføring og beskrivelser av de tilgjengelige verktøyene. En prosjektassistent kan for eksempel motta en endringsforespørsel, undersøke de oppgitte modulene, foreslå berørte komponenter og fortsette etter at et verktøy returnerer en byggefeil. Nyttige utdata er en sekvens av beslutninger knyttet til faktiske observasjoner, etterfulgt av den ønskede koden, forklaringen eller arbeidsoppsummeringen. Det tilknyttede miljøet utfører handlingene.
Programvareutvikling og frontendoppgaver
Xiaomi fremhever systemdesign, oppgaveplanlegging og koderettet problemløsning. Demonstrasjonene omfatter interaktive nettsider og et nettleserspill produsert i et agentmiljø. En illustrerende utviklingsbeskrivelse kan angi sideatferd, navigasjon, datatilstander og en responsiv layout, og deretter be om en implementasjon og kontroller opp mot disse kravene. For et eksisterende prosjekt gir du de aktuelle filene, tilfellet som feiler, og grensesnittene som skal forbli uendret. Be om en målrettet endring og en forklaring av avhengighetene den berører, fremfor en uvedkommende erstatningsapplikasjon.
Lang kontekst og et kontrollerbart resultat
Konteksten på opptil 1 million tokener er nyttig når flere filer, dokumenter, instruksjoner og tidligere observasjoner tilhører samme oppgave. Organiser materialet etter rolle: autoritative krav, aktuell kode, referanseeksempler og verktøyresultater. Angi det endelige artefaktet og akseptvilkårene før du ber agenten fortsette. En dokumentasjonsoppgave kan trenge en sammenligning med uavklarte spørsmål; en utviklingsoppgave kan trenge en kodeendring og en oversikt over hva som ble kontrollert.
Praktiske begrensninger og utgavens omfang
En lang kontekst gir plass til materiale, men garanterer ikke at et generert prosjekt er riktig eller at alle krav er oppfylt. Returner faktiske feil og observasjoner for neste steg, og valider resultatet i det tiltenkte miljøet. Produsenten fremstiller uttrykkelig robusthet på tvers av komplekse reelle oppgaver som noe som må vurderes og forbedres. Denne beskrivelsen dekker spesialiseringen for tekst- og verktøyagenter i MiMo-V2-Pro; modalitetsfunksjonene til Omni og spesifikasjonene til senere MiMo-generasjoner tilhører de respektive modellene. Verktøyene, de tilgjengelige parameterne og håndteringen av utdata er fortsatt egenskaper ved den tilknyttede applikasjonen.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mimo-v2-pro | 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 $0.0022 / 1K tokener Utdata · Utgående tokener $0.0066 / 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-pro", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mimo-v2-pro',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mimo-v2-pro',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-pro
Bruk metodestiene som vises ovenfor.
mimo-v2-proMiMo-V2-Pro er Xiaomis agentorienterte tekstmodell for programvareutvikling, planlegging over flere steg og verktøydrevet arbeid. Konteksten på opptil 1 million tokener bidrar til å holde omfattende prosjektmateriale, oppgavebegrensninger og påfølgende observasjoner innenfor en sammenhengende arbeidsflyt.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Grunnlag for agentarbeid
MiMo-V2-Pro er Xiaomis ledende grunnmodell for komplekse agentoppgaver og programvareutvikling. Rollen er å resonnere om en oppgave, organisere de nødvendige stegene og bruke informasjon som returneres fra verktøy til å fortsette mot et definert resultat. Modellens fokus går utover å skrive ett enkelt svar: Den er utviklet for sammenhengende arbeid der tidligere beslutninger og observasjoner påvirker hva som skjer videre.
Skala og effektiv arkitektur
Produsenten beskriver mer enn 1 billion parametere totalt, med 42 milliarder aktive parametere. Pro utvider tilnærmingen med hybrid oppmerksomhet fra MiMo-V2-Flash og bruker et forhold på 7:1 mellom glidende vinduoppmerksomhet og global oppmerksomhet. Et lett lag for prediksjon av flere tokener støtter generering, og den annonserte konteksten når 1 million tokener. Dette er arkitektur- og kontekstegenskaper ved Pro; de angir ikke utførelseshastighet, minnetildeling eller forespørselsgrenser for en bestemt integrasjon.
Utgivelseshistorikk
Xiaomi identifiserer Hunter Alpha som en tidlig intern testversjon som kom før MiMo-V2-Pro. Den utgitte Pro-modellen har sitt eget navn og forbedringer i arbeid med lang kontekst og stabilitet i agentscenarier. Dette skillet er viktig når beskrivelser sammenlignes eller en modellidentitet bevares: En tidligere testversjon, MiMo-V2-Flash og MiMo-V2-Omni har hver sin rolle og spesifikasjon.
Utviklet for agenter
Modellen er finjustert gjennom veiledet læring og forsterkningslæring på tvers av ulike agentrammeverk, med vekt på verktøykall og resonnering over flere steg. Forbered en oppgave med en observerbar betingelse for fullføring og beskrivelser av de tilgjengelige verktøyene. En prosjektassistent kan for eksempel motta en endringsforespørsel, undersøke de oppgitte modulene, foreslå berørte komponenter og fortsette etter at et verktøy returnerer en byggefeil. Nyttige utdata er en sekvens av beslutninger knyttet til faktiske observasjoner, etterfulgt av den ønskede koden, forklaringen eller arbeidsoppsummeringen. Det tilknyttede miljøet utfører handlingene.
Programvareutvikling og frontendoppgaver
Xiaomi fremhever systemdesign, oppgaveplanlegging og koderettet problemløsning. Demonstrasjonene omfatter interaktive nettsider og et nettleserspill produsert i et agentmiljø. En illustrerende utviklingsbeskrivelse kan angi sideatferd, navigasjon, datatilstander og en responsiv layout, og deretter be om en implementasjon og kontroller opp mot disse kravene. For et eksisterende prosjekt gir du de aktuelle filene, tilfellet som feiler, og grensesnittene som skal forbli uendret. Be om en målrettet endring og en forklaring av avhengighetene den berører, fremfor en uvedkommende erstatningsapplikasjon.
Lang kontekst og et kontrollerbart resultat
Konteksten på opptil 1 million tokener er nyttig når flere filer, dokumenter, instruksjoner og tidligere observasjoner tilhører samme oppgave. Organiser materialet etter rolle: autoritative krav, aktuell kode, referanseeksempler og verktøyresultater. Angi det endelige artefaktet og akseptvilkårene før du ber agenten fortsette. En dokumentasjonsoppgave kan trenge en sammenligning med uavklarte spørsmål; en utviklingsoppgave kan trenge en kodeendring og en oversikt over hva som ble kontrollert.
Praktiske begrensninger og utgavens omfang
En lang kontekst gir plass til materiale, men garanterer ikke at et generert prosjekt er riktig eller at alle krav er oppfylt. Returner faktiske feil og observasjoner for neste steg, og valider resultatet i det tiltenkte miljøet. Produsenten fremstiller uttrykkelig robusthet på tvers av komplekse reelle oppgaver som noe som må vurderes og forbedres. Denne beskrivelsen dekker spesialiseringen for tekst- og verktøyagenter i MiMo-V2-Pro; modalitetsfunksjonene til Omni og spesifikasjonene til senere MiMo-generasjoner tilhører de respektive modellene. Verktøyene, de tilgjengelige parameterne og håndteringen av utdata er fortsatt egenskaper ved den tilknyttede applikasjonen.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mimo-v2-pro | 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 $0.0022 / 1K tokener Utdata · Utgående tokener $0.0066 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "mimo-v2-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mimo-v2-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mimo-v2-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-pro
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Correct an error-state transition\n\nA text specification says a search box has idle, loading, results and error states. Existing logic sets loading=true before fetch and false only on success, so failures leave the spinner visible. Propose pseudocode that preserves results on success, shows an error on failure and always clears loading. Include the two distinguishing checks.Focused async pseudocode and success/failure checks covering final loading state and visible result or error.Check that loading is cleared in both branches without suppressing the error.