MiMo-V2.5-Pro er Xiaomis store, tekstorienterte mixture-of-experts-modell for krevende agentarbeid, kompleks programvareutvikling og oppgaver som krever mange sammenhengende trinn. Produsenten oppgir 1.02 billioner parametere totalt, 42 milliarder aktive parametere og opptil én million token med kontekst. Formålet er å holde fast ved oppgavens instruksjoner og oppsamlede belegg mens en tilknyttet applikasjon stiller verktøy til rådighet og returnerer resultatene deres.
Modellen kombinerer oppmerksomhet med glidende vindu og global oppmerksomhet i et 6:1-mønster. Det lokale vinduet er på 128 token, mens lagene med global oppmerksomhet knytter sammen informasjon gjennom den lengre historikken. Dette beskriver oppmerksomhetsarkitekturen, ikke en begrensning på 128 token for brukerens inndata. Grunnarkitekturen har 70 lag og sparsom ekspertruting, der åtte rutede eksperter velges per token. Tre moduler for prediksjon av flere token er integrert i trenings- og inferensoppsettet for å støtte spekulativ dekoding.
Produsenten beskriver forhåndstrening på 27 billioner token, etterfulgt av veiledet finjustering, domenespesialisert forsterkningslæring og on-policy-destillering fra flere lærermodeller. De spesialiserte lærermodellene dekker blant annet matematikk, sikkerhet og kompleks verktøybruk, og i siste trinn samles veiledningen deres i én modell. Dette treningsfokuset støtter modellens rolle i lange programvare- og agentarbeidsflyter; en konkret oppgave trenger fortsatt oppgitte krav og en måte å avgjøre om resultatet er fullstendig på.
Ved en programvareendring bør du oppgi relevante filer, en observert feil eller ønsket oppførsel, prosjektets konvensjoner og kontrollene som er viktige. En nyttig instruksjon er å identifisere oppførselen som berøres, foreslå en avgrenset implementering og forklare hvordan både det ønskede tilfellet og et relevant grensetilfelle kan kontrolleres. Bevar prosjektets nøyaktige identifikatorer. Hvis miljøet tillater kjøring, bør det faktiske kontrollresultatet returneres fremfor å be modellen anta at en plausibel endring virker.
Ved en lengre agentoppgave bør du føre en kortfattet oversikt over målet, beslutninger som allerede er tatt, og belegg returnert av verktøy. Oppgi hva hver operasjon har lov til å endre, og hvilket resultat som vil begrunne neste trinn. Modellen kan hjelpe med å resonnere på tvers av disse samhandlingene og forberede neste forespørsel, men det er den omkringliggende applikasjonen som utfører operasjonene. Ta med feil og uavklarte forhold i sluttbeskrivelsen, slik at en lang sekvens ikke skjuler et mislykket trinn bak en velformulert forklaring.
Den store konteksten kan være nyttig når implementeringer skal sammenlignes eller flere omfattende dokumenter sammenstilles. Marker grensene mellom filer og dokumenter, angi hvilke deler svaret må bruke, og oppgi påkrevd utdataformat. Be for eksempel om et migreringsforslag som knytter hver berørt komponent til et krav og oppgir manglende informasjon separat. Behold underbyggende avsnitt eller kodeplasseringer sammen med resultatet, slik at en gjennomleser kan følge resonnementet tilbake til inndataene.
Xiaomis publiserte eksempel på modellservering bruker en kontekstkonfigurasjon på 1,048,576 token, mens sammendraget beskriver støtte for opptil 1M token. La det være plass til generert tekst og oppsamlet verktøyhistorikk innenfor konfigurasjonen som brukes. Produsenten anbefaler temperature 1.0 og top_p 0.95 ved lokal inferens. Dette er detaljer i produsentens oppskrift, ikke en garanti for at alle applikasjoner tilbyr identiske kontroller eller det samme arbeidsvinduet.
MiMo-V2.5-Pro er forskjellig fra søskenmodellen MiMo-V2.5 med innebygd omnimodalitet og den senere V2.6-serien. Bruk denne utgaven innenfor dens dokumenterte språk- og agentoppgaver, uten å overføre en annen utgaves vilkår for bilde- eller lydbehandling. Sluttproduktet kan være et kodeforslag, en implementeringsforklaring eller en analyse basert på belegg; kontroller viktige beregninger, krav og verktøyresultater mot materialet som er oppgitt for oppgaven.
", "aboutText": "MiMo-V2.5-Pro er Xiaomis store, tekstorienterte mixture-of-experts-modell for krevende agentarbeid, kompleks programvareutvikling og oppgaver som krever mange sammenhengende trinn. Produsenten oppgir 1.02 billioner parametere totalt, 42 milliarder aktive parametere og opptil én million token med kontekst. Formålet er å holde fast ved oppgavens instruksjoner og oppsamlede belegg mens en tilknyttet applikasjon stiller verktøy til rådighet og returnerer resultatene deres.\n\nModellen kombinerer oppmerksomhet med glidende vindu og global oppmerksomhet i et 6:1-mønster. Det lokale vinduet er på 128 token, mens lagene med global oppmerksomhet knytter sammen informasjon gjennom den lengre historikken. Dette beskriver oppmerksomhetsarkitekturen, ikke en begrensning på 128 token for brukerens inndata. Grunnarkitekturen har 70 lag og sparsom ekspertruting, der åtte rutede eksperter velges per token. Tre moduler for prediksjon av flere token er integrert i trenings- og inferensoppsettet for å støtte spekulativ dekoding.\n\nProdusenten beskriver forhåndstrening på 27 billioner token, etterfulgt av veiledet finjustering, domenespesialisert forsterkningslæring og on-policy-destillering fra flere lærermodeller. De spesialiserte lærermodellene dekker blant annet matematikk, sikkerhet og kompleks verktøybruk, og i siste trinn samles veiledningen deres i én modell. Dette treningsfokuset støtter modellens rolle i lange programvare- og agentarbeidsflyter; en konkret oppgave trenger fortsatt oppgitte krav og en måte å avgjøre om resultatet er fullstendig på.\n\nVed en programvareendring bør du oppgi relevante filer, en observert feil eller ønsket oppførsel, prosjektets konvensjoner og kontrollene som er viktige. En nyttig instruksjon er å identifisere oppførselen som berøres, foreslå en avgrenset implementering og forklare hvordan både det ønskede tilfellet og et relevant grensetilfelle kan kontrolleres. Bevar prosjektets nøyaktige identifikatorer. Hvis miljøet tillater kjøring, bør det faktiske kontrollresultatet returneres fremfor å be modellen anta at en plausibel endring virker.\n\nVed en lengre agentoppgave bør du føre en kortfattet oversikt over målet, beslutninger som allerede er tatt, og belegg returnert av verktøy. Oppgi hva hver operasjon har lov til å endre, og hvilket resultat som vil begrunne neste trinn. Modellen kan hjelpe med å resonnere på tvers av disse samhandlingene og forberede neste forespørsel, men det er den omkringliggende applikasjonen som utfører operasjonene. Ta med feil og uavklarte forhold i sluttbeskrivelsen, slik at en lang sekvens ikke skjuler et mislykket trinn bak en velformulert forklaring.\n\nDen store konteksten kan være nyttig når implementeringer skal sammenlignes eller flere omfattende dokumenter sammenstilles. Marker grensene mellom filer og dokumenter, angi hvilke deler svaret må bruke, og oppgi påkrevd utdataformat. Be for eksempel om et migreringsforslag som knytter hver berørt komponent til et krav og oppgir manglende informasjon separat. Behold underbyggende avsnitt eller kodeplasseringer sammen med resultatet, slik at en gjennomleser kan følge resonnementet tilbake til inndataene.\n\nXiaomis publiserte eksempel på modellservering bruker en kontekstkonfigurasjon på 1,048,576 token, mens sammendraget beskriver støtte for opptil 1M token. La det være plass til generert tekst og oppsamlet verktøyhistorikk innenfor konfigurasjonen som brukes. Produsenten anbefaler temperature 1.0 og top_p 0.95 ved lokal inferens. Dette er detaljer i produsentens oppskrift, ikke en garanti for at alle applikasjoner tilbyr identiske kontroller eller det samme arbeidsvinduet.\n\nMiMo-V2.5-Pro er forskjellig fra søskenmodellen MiMo-V2.5 med innebygd omnimodalitet og den senere V2.6-serien. Bruk denne utgaven innenfor dens dokumenterte språk- og agentoppgaver, uten å overføre en annen utgaves vilkår for bilde- eller lydbehandling. Sluttproduktet kan være et kodeforslag, en implementeringsforklaring eller en analyse basert på belegg; kontroller viktige beregninger, krav og verktøyresultater mot materialet som er oppgitt for oppgaven.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
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 er Xiaomis tekstorienterte modell for kompleks programvareutvikling og langvarige agentarbeidsflyter. Den publiserte profilen kombinerer en MoE med 1.02T parametere, 42B aktive parametere og opptil én million token med kontekst, med trening rettet mot sammenhengende verktøybruk.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
MiMo-V2.5-Pro er Xiaomis store, tekstorienterte mixture-of-experts-modell for krevende agentarbeid, kompleks programvareutvikling og oppgaver som krever mange sammenhengende trinn. Produsenten oppgir 1.02 billioner parametere totalt, 42 milliarder aktive parametere og opptil én million token med kontekst. Formålet er å holde fast ved oppgavens instruksjoner og oppsamlede belegg mens en tilknyttet applikasjon stiller verktøy til rådighet og returnerer resultatene deres.
Modellen kombinerer oppmerksomhet med glidende vindu og global oppmerksomhet i et 6:1-mønster. Det lokale vinduet er på 128 token, mens lagene med global oppmerksomhet knytter sammen informasjon gjennom den lengre historikken. Dette beskriver oppmerksomhetsarkitekturen, ikke en begrensning på 128 token for brukerens inndata. Grunnarkitekturen har 70 lag og sparsom ekspertruting, der åtte rutede eksperter velges per token. Tre moduler for prediksjon av flere token er integrert i trenings- og inferensoppsettet for å støtte spekulativ dekoding.
Produsenten beskriver forhåndstrening på 27 billioner token, etterfulgt av veiledet finjustering, domenespesialisert forsterkningslæring og on-policy-destillering fra flere lærermodeller. De spesialiserte lærermodellene dekker blant annet matematikk, sikkerhet og kompleks verktøybruk, og i siste trinn samles veiledningen deres i én modell. Dette treningsfokuset støtter modellens rolle i lange programvare- og agentarbeidsflyter; en konkret oppgave trenger fortsatt oppgitte krav og en måte å avgjøre om resultatet er fullstendig på.
Ved en programvareendring bør du oppgi relevante filer, en observert feil eller ønsket oppførsel, prosjektets konvensjoner og kontrollene som er viktige. En nyttig instruksjon er å identifisere oppførselen som berøres, foreslå en avgrenset implementering og forklare hvordan både det ønskede tilfellet og et relevant grensetilfelle kan kontrolleres. Bevar prosjektets nøyaktige identifikatorer. Hvis miljøet tillater kjøring, bør det faktiske kontrollresultatet returneres fremfor å be modellen anta at en plausibel endring virker.
Ved en lengre agentoppgave bør du føre en kortfattet oversikt over målet, beslutninger som allerede er tatt, og belegg returnert av verktøy. Oppgi hva hver operasjon har lov til å endre, og hvilket resultat som vil begrunne neste trinn. Modellen kan hjelpe med å resonnere på tvers av disse samhandlingene og forberede neste forespørsel, men det er den omkringliggende applikasjonen som utfører operasjonene. Ta med feil og uavklarte forhold i sluttbeskrivelsen, slik at en lang sekvens ikke skjuler et mislykket trinn bak en velformulert forklaring.
Den store konteksten kan være nyttig når implementeringer skal sammenlignes eller flere omfattende dokumenter sammenstilles. Marker grensene mellom filer og dokumenter, angi hvilke deler svaret må bruke, og oppgi påkrevd utdataformat. Be for eksempel om et migreringsforslag som knytter hver berørt komponent til et krav og oppgir manglende informasjon separat. Behold underbyggende avsnitt eller kodeplasseringer sammen med resultatet, slik at en gjennomleser kan følge resonnementet tilbake til inndataene.
Xiaomis publiserte eksempel på modellservering bruker en kontekstkonfigurasjon på 1,048,576 token, mens sammendraget beskriver støtte for opptil 1M token. La det være plass til generert tekst og oppsamlet verktøyhistorikk innenfor konfigurasjonen som brukes. Produsenten anbefaler temperature 1.0 og top_p 0.95 ved lokal inferens. Dette er detaljer i produsentens oppskrift, ikke en garanti for at alle applikasjoner tilbyr identiske kontroller eller det samme arbeidsvinduet.
MiMo-V2.5-Pro er forskjellig fra søskenmodellen MiMo-V2.5 med innebygd omnimodalitet og den senere V2.6-serien. Bruk denne utgaven innenfor dens dokumenterte språk- og agentoppgaver, uten å overføre en annen utgaves vilkår for bilde- eller lydbehandling. Sluttproduktet kan være et kodeforslag, en implementeringsforklaring eller en analyse basert på belegg; kontroller viktige beregninger, krav og verktøyresultater mot materialet som er oppgitt for oppgaven.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser xiaomi/mimo-v2.5-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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.00087 / 1K tokener Utdata · Utgående tokener $0.00174 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0000072 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.00087 / 1K tokener Utdata · Utgående tokener $0.00174 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0000072 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "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 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 xiaomi/mimo-v2.5-pro
Bruk metodestiene som vises ovenfor.
xiaomi/mimo-v2.5-proMiMo-V2.5-Pro er Xiaomis tekstorienterte modell for kompleks programvareutvikling og langvarige agentarbeidsflyter. Den publiserte profilen kombinerer en MoE med 1.02T parametere, 42B aktive parametere og opptil én million token med kontekst, med trening rettet mot sammenhengende verktøybruk.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
MiMo-V2.5-Pro er Xiaomis store, tekstorienterte mixture-of-experts-modell for krevende agentarbeid, kompleks programvareutvikling og oppgaver som krever mange sammenhengende trinn. Produsenten oppgir 1.02 billioner parametere totalt, 42 milliarder aktive parametere og opptil én million token med kontekst. Formålet er å holde fast ved oppgavens instruksjoner og oppsamlede belegg mens en tilknyttet applikasjon stiller verktøy til rådighet og returnerer resultatene deres.
Modellen kombinerer oppmerksomhet med glidende vindu og global oppmerksomhet i et 6:1-mønster. Det lokale vinduet er på 128 token, mens lagene med global oppmerksomhet knytter sammen informasjon gjennom den lengre historikken. Dette beskriver oppmerksomhetsarkitekturen, ikke en begrensning på 128 token for brukerens inndata. Grunnarkitekturen har 70 lag og sparsom ekspertruting, der åtte rutede eksperter velges per token. Tre moduler for prediksjon av flere token er integrert i trenings- og inferensoppsettet for å støtte spekulativ dekoding.
Produsenten beskriver forhåndstrening på 27 billioner token, etterfulgt av veiledet finjustering, domenespesialisert forsterkningslæring og on-policy-destillering fra flere lærermodeller. De spesialiserte lærermodellene dekker blant annet matematikk, sikkerhet og kompleks verktøybruk, og i siste trinn samles veiledningen deres i én modell. Dette treningsfokuset støtter modellens rolle i lange programvare- og agentarbeidsflyter; en konkret oppgave trenger fortsatt oppgitte krav og en måte å avgjøre om resultatet er fullstendig på.
Ved en programvareendring bør du oppgi relevante filer, en observert feil eller ønsket oppførsel, prosjektets konvensjoner og kontrollene som er viktige. En nyttig instruksjon er å identifisere oppførselen som berøres, foreslå en avgrenset implementering og forklare hvordan både det ønskede tilfellet og et relevant grensetilfelle kan kontrolleres. Bevar prosjektets nøyaktige identifikatorer. Hvis miljøet tillater kjøring, bør det faktiske kontrollresultatet returneres fremfor å be modellen anta at en plausibel endring virker.
Ved en lengre agentoppgave bør du føre en kortfattet oversikt over målet, beslutninger som allerede er tatt, og belegg returnert av verktøy. Oppgi hva hver operasjon har lov til å endre, og hvilket resultat som vil begrunne neste trinn. Modellen kan hjelpe med å resonnere på tvers av disse samhandlingene og forberede neste forespørsel, men det er den omkringliggende applikasjonen som utfører operasjonene. Ta med feil og uavklarte forhold i sluttbeskrivelsen, slik at en lang sekvens ikke skjuler et mislykket trinn bak en velformulert forklaring.
Den store konteksten kan være nyttig når implementeringer skal sammenlignes eller flere omfattende dokumenter sammenstilles. Marker grensene mellom filer og dokumenter, angi hvilke deler svaret må bruke, og oppgi påkrevd utdataformat. Be for eksempel om et migreringsforslag som knytter hver berørt komponent til et krav og oppgir manglende informasjon separat. Behold underbyggende avsnitt eller kodeplasseringer sammen med resultatet, slik at en gjennomleser kan følge resonnementet tilbake til inndataene.
Xiaomis publiserte eksempel på modellservering bruker en kontekstkonfigurasjon på 1,048,576 token, mens sammendraget beskriver støtte for opptil 1M token. La det være plass til generert tekst og oppsamlet verktøyhistorikk innenfor konfigurasjonen som brukes. Produsenten anbefaler temperature 1.0 og top_p 0.95 ved lokal inferens. Dette er detaljer i produsentens oppskrift, ikke en garanti for at alle applikasjoner tilbyr identiske kontroller eller det samme arbeidsvinduet.
MiMo-V2.5-Pro er forskjellig fra søskenmodellen MiMo-V2.5 med innebygd omnimodalitet og den senere V2.6-serien. Bruk denne utgaven innenfor dens dokumenterte språk- og agentoppgaver, uten å overføre en annen utgaves vilkår for bilde- eller lydbehandling. Sluttproduktet kan være et kodeforslag, en implementeringsforklaring eller en analyse basert på belegg; kontroller viktige beregninger, krav og verktøyresultater mot materialet som er oppgitt for oppgaven.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser xiaomi/mimo-v2.5-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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.00087 / 1K tokener Utdata · Utgående tokener $0.00174 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0000072 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.00087 / 1K tokener Utdata · Utgående tokener $0.00174 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0000072 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "xiaomi/mimo-v2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 xiaomi/mimo-v2.5-pro
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
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.