MiMo-V2.6-Flash er Xiaomis modell med balansert effektivitet i MiMo-V2.6-serien. Den kombinerer forståelse av tekst, bilder, video og lyd i én arkitektur, med et tekstsvar som kan veilede neste trinn i en støttende applikasjon. Oppgaveområdet dekker programvareutvikling, generelt agentarbeid, visuelle arbeidsflyter og cybersikkerhetsanalyse. Flash er en egen, mindre modell enn V2.6-Pro, med sin egen parameterstørrelse fremfor bare en innstilling for kortere svar.
Produsentens utgitte Flash-profil beskriver en sparsom mixture-of-experts-modell med 309B parametere totalt og 15B aktiverte parametere. Grunnarkitekturen med 48 lag kombinerer lokal oppmerksomhet med glidende vindu og global oppmerksomhet for å arbeide med lange historikker. Egne kodere for bilde og lyd fører de ulike inndatatypene inn i denne språkarkitekturen. Xiaomi angir en kontekst på én million token for kodebaser, oppsamlede verktøyresultater og lange oppgavehistorikker. Organiser denne plassen rundt det aktuelle målet, relevant belegg og beslutninger som må forbli konsistente.
V2.6-treningen blander koding, generelle agenter, visuelt arbeid og cybersikkerhetsoppgaver i samme forsterkningslæringskjøring. Den varierer også agentmiljøene fremfor å trene hvert domene isolert. Produsenten beskriver sammenligning av kandidatforløp med oppgavespesifikke kriterier, slik at et bestått resultat fortsatt kan forbedres med hensyn til kvalitet og effektivitet. Dette er en modelltreningstilnærming; en nyttig oppgavebeskrivelse trenger fortsatt et tydelig fullføringskriterium og belegg som viser om resultatet oppfyller det.
For en oppgave i en kodebase bør du oppgi den observerte feilen, relevante filer, forventet oppførsel og begrensninger for endringen. Be modellen identifisere årsaken, foreslå en avgrenset endring og forklare nødvendige kontroller. I et miljø med kjøreverktøy bør du gi tilbake de faktiske utdataene deres, slik at modellen kan forbedre neste trinn. Hold kommandoer, feil og endringer knyttet til den aktuelle filen. Sluttproduktet bør skille mellom en foreslått retting og en endring som er gjennomført og kontrollert.
For visuelt arbeid bør du oppgi et lesbart skjermbilde eller referansebilde og identifisere utformingen, oppførselen eller det romlige forholdet som skal gjenskapes. Xiaomis V2.6-utgivelse beskriver frontendgrensesnitt, presentasjoner, 3D-scener og interaktive verdener bygget gjennom koding og verktøybruk. En praktisk leveranse kan være en komponentimplementering med en liste over synlige detaljer som skal undersøkes i det rendrede resultatet. Bilde- og videoforståelsen gir belegg for denne arbeidsflyten; modellens tekstutdata er atskilt fra medier produsert av de omkringliggende verktøyene.
Lyd og video kan gi kontekst som mangler i en skriftlig beskrivelse. Still et avgrenset spørsmål om materialet, og bevar sammenhengen med ønsket resultat. Kombiner for eksempel et grensesnittopptak med trinnene som mislyktes, og be om en diagnose knyttet til den observerte sekvensen. Behold uklare passasjer eller hendelser for gjennomgang. En velformulert forklaring bør ikke umerkelig bli belegg for at en utydelig lyd, liten etikett eller et kortvarig vist videobilde ble forstått riktig.
Xiaomis modellkort anbefaler temperature 1.0 og top_p 0.95 i inferensoppskriften og beskriver en femlags dekoder for prediksjon av flere token. Disse innstillingene og optimaliseringene tilhører produsentens implementering. I langvarige verktøyarbeidsflyter bør du kontrollere at hvert neste kall dekker et nytt informasjonsbehov eller reagerer på et endret resultat. Produsenten dokumenterer gjentatte verktøykall som et problem i V2.6-treningen og skiller mellom RL-sjekkpunktene og senere MOPD-sjekkpunkter. Hold valgt utgave og faktisk fremdriftshistorikk tydelig når en fullført oppgave gjennomgås.
", "aboutText": "MiMo-V2.6-Flash er Xiaomis modell med balansert effektivitet i MiMo-V2.6-serien. Den kombinerer forståelse av tekst, bilder, video og lyd i én arkitektur, med et tekstsvar som kan veilede neste trinn i en støttende applikasjon. Oppgaveområdet dekker programvareutvikling, generelt agentarbeid, visuelle arbeidsflyter og cybersikkerhetsanalyse. Flash er en egen, mindre modell enn V2.6-Pro, med sin egen parameterstørrelse fremfor bare en innstilling for kortere svar.\n\nProdusentens utgitte Flash-profil beskriver en sparsom mixture-of-experts-modell med 309B parametere totalt og 15B aktiverte parametere. Grunnarkitekturen med 48 lag kombinerer lokal oppmerksomhet med glidende vindu og global oppmerksomhet for å arbeide med lange historikker. Egne kodere for bilde og lyd fører de ulike inndatatypene inn i denne språkarkitekturen. Xiaomi angir en kontekst på én million token for kodebaser, oppsamlede verktøyresultater og lange oppgavehistorikker. Organiser denne plassen rundt det aktuelle målet, relevant belegg og beslutninger som må forbli konsistente.\n\nV2.6-treningen blander koding, generelle agenter, visuelt arbeid og cybersikkerhetsoppgaver i samme forsterkningslæringskjøring. Den varierer også agentmiljøene fremfor å trene hvert domene isolert. Produsenten beskriver sammenligning av kandidatforløp med oppgavespesifikke kriterier, slik at et bestått resultat fortsatt kan forbedres med hensyn til kvalitet og effektivitet. Dette er en modelltreningstilnærming; en nyttig oppgavebeskrivelse trenger fortsatt et tydelig fullføringskriterium og belegg som viser om resultatet oppfyller det.\n\nFor en oppgave i en kodebase bør du oppgi den observerte feilen, relevante filer, forventet oppførsel og begrensninger for endringen. Be modellen identifisere årsaken, foreslå en avgrenset endring og forklare nødvendige kontroller. I et miljø med kjøreverktøy bør du gi tilbake de faktiske utdataene deres, slik at modellen kan forbedre neste trinn. Hold kommandoer, feil og endringer knyttet til den aktuelle filen. Sluttproduktet bør skille mellom en foreslått retting og en endring som er gjennomført og kontrollert.\n\nFor visuelt arbeid bør du oppgi et lesbart skjermbilde eller referansebilde og identifisere utformingen, oppførselen eller det romlige forholdet som skal gjenskapes. Xiaomis V2.6-utgivelse beskriver frontendgrensesnitt, presentasjoner, 3D-scener og interaktive verdener bygget gjennom koding og verktøybruk. En praktisk leveranse kan være en komponentimplementering med en liste over synlige detaljer som skal undersøkes i det rendrede resultatet. Bilde- og videoforståelsen gir belegg for denne arbeidsflyten; modellens tekstutdata er atskilt fra medier produsert av de omkringliggende verktøyene.\n\nLyd og video kan gi kontekst som mangler i en skriftlig beskrivelse. Still et avgrenset spørsmål om materialet, og bevar sammenhengen med ønsket resultat. Kombiner for eksempel et grensesnittopptak med trinnene som mislyktes, og be om en diagnose knyttet til den observerte sekvensen. Behold uklare passasjer eller hendelser for gjennomgang. En velformulert forklaring bør ikke umerkelig bli belegg for at en utydelig lyd, liten etikett eller et kortvarig vist videobilde ble forstått riktig.\n\nXiaomis modellkort anbefaler temperature 1.0 og top_p 0.95 i inferensoppskriften og beskriver en femlags dekoder for prediksjon av flere token. Disse innstillingene og optimaliseringene tilhører produsentens implementering. I langvarige verktøyarbeidsflyter bør du kontrollere at hvert neste kall dekker et nytt informasjonsbehov eller reagerer på et endret resultat. Produsenten dokumenterer gjentatte verktøykall som et problem i V2.6-treningen og skiller mellom RL-sjekkpunktene og senere MOPD-sjekkpunkter. Hold valgt utgave og faktisk fremdriftshistorikk tydelig når en fullført oppgave gjennomgås.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Repair a CSV field serializer\n\nBug report: serialize(['Ada, Inc','plain']) returns 'Ada, Inc,plain', creating three columns. Current function: fields.join(','). Required rules: quote fields containing commas, quotes or line breaks, and double embedded quotes. Propose a focused JavaScript serializer and regression cases for the reported row, an embedded quote and an empty field. Do not claim the code ran.A serializer implementation, explanation of escaping and three regression cases with expected CSV text.Check embedded quotes are doubled inside a quoted field and commas within one field do not create extra columns.xiaomi/mimo-v2.6-flashMiMo-V2.6-Flash kombinerer forståelse av tekst, bilder, video og lyd for koding og langvarige agentarbeidsflyter. Den publiserte modellprofilen bruker 309B parametere totalt, 15B aktive per token og en kontekst på én million token.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
MiMo-V2.6-Flash er Xiaomis modell med balansert effektivitet i MiMo-V2.6-serien. Den kombinerer forståelse av tekst, bilder, video og lyd i én arkitektur, med et tekstsvar som kan veilede neste trinn i en støttende applikasjon. Oppgaveområdet dekker programvareutvikling, generelt agentarbeid, visuelle arbeidsflyter og cybersikkerhetsanalyse. Flash er en egen, mindre modell enn V2.6-Pro, med sin egen parameterstørrelse fremfor bare en innstilling for kortere svar.
Produsentens utgitte Flash-profil beskriver en sparsom mixture-of-experts-modell med 309B parametere totalt og 15B aktiverte parametere. Grunnarkitekturen med 48 lag kombinerer lokal oppmerksomhet med glidende vindu og global oppmerksomhet for å arbeide med lange historikker. Egne kodere for bilde og lyd fører de ulike inndatatypene inn i denne språkarkitekturen. Xiaomi angir en kontekst på én million token for kodebaser, oppsamlede verktøyresultater og lange oppgavehistorikker. Organiser denne plassen rundt det aktuelle målet, relevant belegg og beslutninger som må forbli konsistente.
V2.6-treningen blander koding, generelle agenter, visuelt arbeid og cybersikkerhetsoppgaver i samme forsterkningslæringskjøring. Den varierer også agentmiljøene fremfor å trene hvert domene isolert. Produsenten beskriver sammenligning av kandidatforløp med oppgavespesifikke kriterier, slik at et bestått resultat fortsatt kan forbedres med hensyn til kvalitet og effektivitet. Dette er en modelltreningstilnærming; en nyttig oppgavebeskrivelse trenger fortsatt et tydelig fullføringskriterium og belegg som viser om resultatet oppfyller det.
For en oppgave i en kodebase bør du oppgi den observerte feilen, relevante filer, forventet oppførsel og begrensninger for endringen. Be modellen identifisere årsaken, foreslå en avgrenset endring og forklare nødvendige kontroller. I et miljø med kjøreverktøy bør du gi tilbake de faktiske utdataene deres, slik at modellen kan forbedre neste trinn. Hold kommandoer, feil og endringer knyttet til den aktuelle filen. Sluttproduktet bør skille mellom en foreslått retting og en endring som er gjennomført og kontrollert.
For visuelt arbeid bør du oppgi et lesbart skjermbilde eller referansebilde og identifisere utformingen, oppførselen eller det romlige forholdet som skal gjenskapes. Xiaomis V2.6-utgivelse beskriver frontendgrensesnitt, presentasjoner, 3D-scener og interaktive verdener bygget gjennom koding og verktøybruk. En praktisk leveranse kan være en komponentimplementering med en liste over synlige detaljer som skal undersøkes i det rendrede resultatet. Bilde- og videoforståelsen gir belegg for denne arbeidsflyten; modellens tekstutdata er atskilt fra medier produsert av de omkringliggende verktøyene.
Lyd og video kan gi kontekst som mangler i en skriftlig beskrivelse. Still et avgrenset spørsmål om materialet, og bevar sammenhengen med ønsket resultat. Kombiner for eksempel et grensesnittopptak med trinnene som mislyktes, og be om en diagnose knyttet til den observerte sekvensen. Behold uklare passasjer eller hendelser for gjennomgang. En velformulert forklaring bør ikke umerkelig bli belegg for at en utydelig lyd, liten etikett eller et kortvarig vist videobilde ble forstått riktig.
Xiaomis modellkort anbefaler temperature 1.0 og top_p 0.95 i inferensoppskriften og beskriver en femlags dekoder for prediksjon av flere token. Disse innstillingene og optimaliseringene tilhører produsentens implementering. I langvarige verktøyarbeidsflyter bør du kontrollere at hvert neste kall dekker et nytt informasjonsbehov eller reagerer på et endret resultat. Produsenten dokumenterer gjentatte verktøykall som et problem i V2.6-treningen og skiller mellom RL-sjekkpunktene og senere MOPD-sjekkpunkter. Hold valgt utgave og faktisk fremdriftshistorikk tydelig når en fullført oppgave gjennomgås.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser xiaomi/mimo-v2.6-flash | 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 $0.00028 / 1K tokener Utdata · Utgående tokener $0.00056 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0000056 / 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 $0.00028 / 1K tokener Utdata · Utgående tokener $0.00056 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0000056 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "xiaomi/mimo-v2.6-flash", "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-v2.6-flash',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-v2.6-flash',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-v2.6-flash
Bruk metodestiene som vises ovenfor.
xiaomi/mimo-v2.6-flashMiMo-V2.6-Flash kombinerer forståelse av tekst, bilder, video og lyd for koding og langvarige agentarbeidsflyter. Den publiserte modellprofilen bruker 309B parametere totalt, 15B aktive per token og en kontekst på én million token.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
MiMo-V2.6-Flash er Xiaomis modell med balansert effektivitet i MiMo-V2.6-serien. Den kombinerer forståelse av tekst, bilder, video og lyd i én arkitektur, med et tekstsvar som kan veilede neste trinn i en støttende applikasjon. Oppgaveområdet dekker programvareutvikling, generelt agentarbeid, visuelle arbeidsflyter og cybersikkerhetsanalyse. Flash er en egen, mindre modell enn V2.6-Pro, med sin egen parameterstørrelse fremfor bare en innstilling for kortere svar.
Produsentens utgitte Flash-profil beskriver en sparsom mixture-of-experts-modell med 309B parametere totalt og 15B aktiverte parametere. Grunnarkitekturen med 48 lag kombinerer lokal oppmerksomhet med glidende vindu og global oppmerksomhet for å arbeide med lange historikker. Egne kodere for bilde og lyd fører de ulike inndatatypene inn i denne språkarkitekturen. Xiaomi angir en kontekst på én million token for kodebaser, oppsamlede verktøyresultater og lange oppgavehistorikker. Organiser denne plassen rundt det aktuelle målet, relevant belegg og beslutninger som må forbli konsistente.
V2.6-treningen blander koding, generelle agenter, visuelt arbeid og cybersikkerhetsoppgaver i samme forsterkningslæringskjøring. Den varierer også agentmiljøene fremfor å trene hvert domene isolert. Produsenten beskriver sammenligning av kandidatforløp med oppgavespesifikke kriterier, slik at et bestått resultat fortsatt kan forbedres med hensyn til kvalitet og effektivitet. Dette er en modelltreningstilnærming; en nyttig oppgavebeskrivelse trenger fortsatt et tydelig fullføringskriterium og belegg som viser om resultatet oppfyller det.
For en oppgave i en kodebase bør du oppgi den observerte feilen, relevante filer, forventet oppførsel og begrensninger for endringen. Be modellen identifisere årsaken, foreslå en avgrenset endring og forklare nødvendige kontroller. I et miljø med kjøreverktøy bør du gi tilbake de faktiske utdataene deres, slik at modellen kan forbedre neste trinn. Hold kommandoer, feil og endringer knyttet til den aktuelle filen. Sluttproduktet bør skille mellom en foreslått retting og en endring som er gjennomført og kontrollert.
For visuelt arbeid bør du oppgi et lesbart skjermbilde eller referansebilde og identifisere utformingen, oppførselen eller det romlige forholdet som skal gjenskapes. Xiaomis V2.6-utgivelse beskriver frontendgrensesnitt, presentasjoner, 3D-scener og interaktive verdener bygget gjennom koding og verktøybruk. En praktisk leveranse kan være en komponentimplementering med en liste over synlige detaljer som skal undersøkes i det rendrede resultatet. Bilde- og videoforståelsen gir belegg for denne arbeidsflyten; modellens tekstutdata er atskilt fra medier produsert av de omkringliggende verktøyene.
Lyd og video kan gi kontekst som mangler i en skriftlig beskrivelse. Still et avgrenset spørsmål om materialet, og bevar sammenhengen med ønsket resultat. Kombiner for eksempel et grensesnittopptak med trinnene som mislyktes, og be om en diagnose knyttet til den observerte sekvensen. Behold uklare passasjer eller hendelser for gjennomgang. En velformulert forklaring bør ikke umerkelig bli belegg for at en utydelig lyd, liten etikett eller et kortvarig vist videobilde ble forstått riktig.
Xiaomis modellkort anbefaler temperature 1.0 og top_p 0.95 i inferensoppskriften og beskriver en femlags dekoder for prediksjon av flere token. Disse innstillingene og optimaliseringene tilhører produsentens implementering. I langvarige verktøyarbeidsflyter bør du kontrollere at hvert neste kall dekker et nytt informasjonsbehov eller reagerer på et endret resultat. Produsenten dokumenterer gjentatte verktøykall som et problem i V2.6-treningen og skiller mellom RL-sjekkpunktene og senere MOPD-sjekkpunkter. Hold valgt utgave og faktisk fremdriftshistorikk tydelig når en fullført oppgave gjennomgås.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser xiaomi/mimo-v2.6-flash | 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 $0.00028 / 1K tokener Utdata · Utgående tokener $0.00056 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0000056 / 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 $0.00028 / 1K tokener Utdata · Utgående tokener $0.00056 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0000056 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "xiaomi/mimo-v2.6-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'xiaomi/mimo-v2.6-flash', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'xiaomi/mimo-v2.6-flash', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-v2.6-flash
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Repair a CSV field serializer\n\nBug report: serialize(['Ada, Inc','plain']) returns 'Ada, Inc,plain', creating three columns. Current function: fields.join(','). Required rules: quote fields containing commas, quotes or line breaks, and double embedded quotes. Propose a focused JavaScript serializer and regression cases for the reported row, an embedded quote and an empty field. Do not claim the code ran.A serializer implementation, explanation of escaping and three regression cases with expected CSV text.Check embedded quotes are doubled inside a quoted field and commas within one field do not create extra columns.