MiMo-V2.6-Pro-UltraSpeed er Xiaomis UltraSpeed-modus for modellen MiMo-V2.6-Pro. Produsenten introduserer den for samhandlinger og arbeidsflyter der genereringstid er viktig, og beskriver utdatakvaliteten som tilsvarende Pro. UltraSpeed betegner en måte å kjøre Pro-modellen på, fremfor den mindre Flash-modellen. Velg den når det er viktig for en langvarig oppgave å få neste svar raskt, samtidig som kravene til sluttproduktet beholdes.
Den underliggende Pro-familien har innebygd omnimodalitet og forstår tekst, bilder, video og lyd. Den publiserte Pro-modellprofilen beskriver en sparsom mixture-of-experts-arkitektur med 1.02 billioner parametere totalt, 42 milliarder aktiverte parametere og en kontekst på én million token. Egne kodere for bilde og lyd kobler medieinndataene til språkmodellens grunnarkitektur. Det direkte resultatet er tekst eller verktøyinstruksjoner; alle rendrede scener, redigerte filer eller genererte medier avhenger av verktøyene den omkringliggende applikasjonen bruker.
Xiaomis V2.6-trening blander koding, generelt agentarbeid, visuelle oppgaver og cybersikkerhet på tvers av ulike miljøer. Tilbakemeldingsprosessen sammenligner oppgaveforløp og bruker både testutfall og kvalitetskriterier, med mål om å utvikle nyttige strategier gjennom langvarig samhandling. Forbered en beskrivelse som angir målet, tilgjengelig belegg og hva som regnes som fullføring. Raskere generering er nyttig når den fremmer disse samhandlingene; den erstatter ikke kontroll av om hvert trinn besvarer spørsmålet eller endrer det tiltenkte produktet.
For en kodeassistent bør du oppgi berørte filer, ønsket oppførsel og feilen eller kontrollresultatet som begrunner arbeidet. Be om den neste avgrensede endringen, og returner deretter det faktiske resultatet fra eventuelle kjøreverktøy. Et nyttig sluttsvar forklarer endret oppførsel, berørte filer og kontroller som faktisk ble utført. Hold foreslåtte operasjoner atskilt fra fullførte, slik at en rask sekvens med svar fortsatt kan spores til observerbart arbeid.
Produsentens V2.6-eksempler utvider koding til spill, 3D-objekter og interaktive scener, med visuell tilbakemelding brukt til å forbedre implementeringen. For en designoppgave bør du kombinere en tekstbeskrivelse med referansebilder eller et opptak og angi nødvendige kontroller, utforming og synlige fullføringskriterier. Et scene- eller grensesnittforslag kan deretter veilede de riktige produksjonsverktøyene. Behold det rendrede resultatet og funnene fra gjennomgangen fremfor å behandle den første koden eller sceneinstruksjonene som et ferdig visuelt produkt.
For presentasjoner og videoarbeidsflyter bør du definere målgruppe, påkrevd innhold, tiltenkt sekvens og ressurser som må forbli konsistente. Xiaomi beskriver Pro-familien i arbeid med design-, bilde-, video- og fortellerverktøy; dette er støttende arbeidsflyter fremfor ekstra innebygde medieutdata fra tekstmodellen. Den nyttige leveransen kan være en lysbildestruktur, en bildesekvens eller et sett produksjonsinstruksjoner med nok detaljer til å utføre og kontrollere neste trinn.
For undersøkelser bør du oppgi spørsmålet og autoritativt materiale og be modellen skille mellom fakta, hypoteser og beregninger. Xiaomis Pro-eksempler omfatter litteratur- og patentgjennomgang, beregningsbasert materialscreening, noter og MIDI samt matematisk formalisering kontrollert med Lean. Bevar utdataene fra de faktiske forsknings- eller verifikasjonsverktøyene. En simulert kandidat eller et foreslått bevis bør fortsatt identifiseres som dette til det tilsvarende fysiske eksperimentet eller den formelle kontrollen er fullført.
Behold Pro-UltraSpeed-identiteten sammen med resultatet når det sammenlignes med vanlig Pro eller Flash. Organiser lange historikker rundt målet og beslutningene som må forbli stabile, og la det være plass til svaret og videre verktøytilbakemeldinger. Kontroller viktig kode, observasjoner, beregninger og påstander mot kildebelegget. Modusens særskilte formål er raskere Pro-generering; det fullførte produktet må fortsatt oppfylle de samme oppgavespesifikke kriteriene.
", "aboutText": "MiMo-V2.6-Pro-UltraSpeed er Xiaomis UltraSpeed-modus for modellen MiMo-V2.6-Pro. Produsenten introduserer den for samhandlinger og arbeidsflyter der genereringstid er viktig, og beskriver utdatakvaliteten som tilsvarende Pro. UltraSpeed betegner en måte å kjøre Pro-modellen på, fremfor den mindre Flash-modellen. Velg den når det er viktig for en langvarig oppgave å få neste svar raskt, samtidig som kravene til sluttproduktet beholdes.\n\nDen underliggende Pro-familien har innebygd omnimodalitet og forstår tekst, bilder, video og lyd. Den publiserte Pro-modellprofilen beskriver en sparsom mixture-of-experts-arkitektur med 1.02 billioner parametere totalt, 42 milliarder aktiverte parametere og en kontekst på én million token. Egne kodere for bilde og lyd kobler medieinndataene til språkmodellens grunnarkitektur. Det direkte resultatet er tekst eller verktøyinstruksjoner; alle rendrede scener, redigerte filer eller genererte medier avhenger av verktøyene den omkringliggende applikasjonen bruker.\n\nXiaomis V2.6-trening blander koding, generelt agentarbeid, visuelle oppgaver og cybersikkerhet på tvers av ulike miljøer. Tilbakemeldingsprosessen sammenligner oppgaveforløp og bruker både testutfall og kvalitetskriterier, med mål om å utvikle nyttige strategier gjennom langvarig samhandling. Forbered en beskrivelse som angir målet, tilgjengelig belegg og hva som regnes som fullføring. Raskere generering er nyttig når den fremmer disse samhandlingene; den erstatter ikke kontroll av om hvert trinn besvarer spørsmålet eller endrer det tiltenkte produktet.\n\nFor en kodeassistent bør du oppgi berørte filer, ønsket oppførsel og feilen eller kontrollresultatet som begrunner arbeidet. Be om den neste avgrensede endringen, og returner deretter det faktiske resultatet fra eventuelle kjøreverktøy. Et nyttig sluttsvar forklarer endret oppførsel, berørte filer og kontroller som faktisk ble utført. Hold foreslåtte operasjoner atskilt fra fullførte, slik at en rask sekvens med svar fortsatt kan spores til observerbart arbeid.\n\nProdusentens V2.6-eksempler utvider koding til spill, 3D-objekter og interaktive scener, med visuell tilbakemelding brukt til å forbedre implementeringen. For en designoppgave bør du kombinere en tekstbeskrivelse med referansebilder eller et opptak og angi nødvendige kontroller, utforming og synlige fullføringskriterier. Et scene- eller grensesnittforslag kan deretter veilede de riktige produksjonsverktøyene. Behold det rendrede resultatet og funnene fra gjennomgangen fremfor å behandle den første koden eller sceneinstruksjonene som et ferdig visuelt produkt.\n\nFor presentasjoner og videoarbeidsflyter bør du definere målgruppe, påkrevd innhold, tiltenkt sekvens og ressurser som må forbli konsistente. Xiaomi beskriver Pro-familien i arbeid med design-, bilde-, video- og fortellerverktøy; dette er støttende arbeidsflyter fremfor ekstra innebygde medieutdata fra tekstmodellen. Den nyttige leveransen kan være en lysbildestruktur, en bildesekvens eller et sett produksjonsinstruksjoner med nok detaljer til å utføre og kontrollere neste trinn.\n\nFor undersøkelser bør du oppgi spørsmålet og autoritativt materiale og be modellen skille mellom fakta, hypoteser og beregninger. Xiaomis Pro-eksempler omfatter litteratur- og patentgjennomgang, beregningsbasert materialscreening, noter og MIDI samt matematisk formalisering kontrollert med Lean. Bevar utdataene fra de faktiske forsknings- eller verifikasjonsverktøyene. En simulert kandidat eller et foreslått bevis bør fortsatt identifiseres som dette til det tilsvarende fysiske eksperimentet eller den formelle kontrollen er fullført.\n\nBehold Pro-UltraSpeed-identiteten sammen med resultatet når det sammenlignes med vanlig Pro eller Flash. Organiser lange historikker rundt målet og beslutningene som må forbli stabile, og la det være plass til svaret og videre verktøytilbakemeldinger. Kontroller viktig kode, observasjoner, beregninger og påstander mot kildebelegget. Modusens særskilte formål er raskere Pro-generering; det fullførte produktet må fortsatt oppfylle de samme oppgavespesifikke kriteriene.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Revise a failing total calculation\n\nUse this code and reported check: def total(rows): return sum(row["price"] for row in rows). Input is [{"price": 3, "qty": 2}, {"price": 5, "qty": 1}]; reported output is 8, required output is 11. Propose the next focused change and checks for multiple quantities and an empty input. Do not claim to run them.A focused Python correction with a diagnosis and two proposed checks tied to the quantity requirement.Verify each unit price is multiplied by its row quantity and proposed checks remain distinct from executed results.xiaomi/mimo-v2.6-pro-ultraspeedMiMo-V2.6-Pro-UltraSpeed er Xiaomis modus for raskere generering med MiMo-V2.6-Pro. Den beholder Pro-familiens omnimodale forståelse og oppgaveområde innen langvarig koding, design og undersøkelser, med svarhastighet som modusens særpreg.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
MiMo-V2.6-Pro-UltraSpeed er Xiaomis UltraSpeed-modus for modellen MiMo-V2.6-Pro. Produsenten introduserer den for samhandlinger og arbeidsflyter der genereringstid er viktig, og beskriver utdatakvaliteten som tilsvarende Pro. UltraSpeed betegner en måte å kjøre Pro-modellen på, fremfor den mindre Flash-modellen. Velg den når det er viktig for en langvarig oppgave å få neste svar raskt, samtidig som kravene til sluttproduktet beholdes.
Den underliggende Pro-familien har innebygd omnimodalitet og forstår tekst, bilder, video og lyd. Den publiserte Pro-modellprofilen beskriver en sparsom mixture-of-experts-arkitektur med 1.02 billioner parametere totalt, 42 milliarder aktiverte parametere og en kontekst på én million token. Egne kodere for bilde og lyd kobler medieinndataene til språkmodellens grunnarkitektur. Det direkte resultatet er tekst eller verktøyinstruksjoner; alle rendrede scener, redigerte filer eller genererte medier avhenger av verktøyene den omkringliggende applikasjonen bruker.
Xiaomis V2.6-trening blander koding, generelt agentarbeid, visuelle oppgaver og cybersikkerhet på tvers av ulike miljøer. Tilbakemeldingsprosessen sammenligner oppgaveforløp og bruker både testutfall og kvalitetskriterier, med mål om å utvikle nyttige strategier gjennom langvarig samhandling. Forbered en beskrivelse som angir målet, tilgjengelig belegg og hva som regnes som fullføring. Raskere generering er nyttig når den fremmer disse samhandlingene; den erstatter ikke kontroll av om hvert trinn besvarer spørsmålet eller endrer det tiltenkte produktet.
For en kodeassistent bør du oppgi berørte filer, ønsket oppførsel og feilen eller kontrollresultatet som begrunner arbeidet. Be om den neste avgrensede endringen, og returner deretter det faktiske resultatet fra eventuelle kjøreverktøy. Et nyttig sluttsvar forklarer endret oppførsel, berørte filer og kontroller som faktisk ble utført. Hold foreslåtte operasjoner atskilt fra fullførte, slik at en rask sekvens med svar fortsatt kan spores til observerbart arbeid.
Produsentens V2.6-eksempler utvider koding til spill, 3D-objekter og interaktive scener, med visuell tilbakemelding brukt til å forbedre implementeringen. For en designoppgave bør du kombinere en tekstbeskrivelse med referansebilder eller et opptak og angi nødvendige kontroller, utforming og synlige fullføringskriterier. Et scene- eller grensesnittforslag kan deretter veilede de riktige produksjonsverktøyene. Behold det rendrede resultatet og funnene fra gjennomgangen fremfor å behandle den første koden eller sceneinstruksjonene som et ferdig visuelt produkt.
For presentasjoner og videoarbeidsflyter bør du definere målgruppe, påkrevd innhold, tiltenkt sekvens og ressurser som må forbli konsistente. Xiaomi beskriver Pro-familien i arbeid med design-, bilde-, video- og fortellerverktøy; dette er støttende arbeidsflyter fremfor ekstra innebygde medieutdata fra tekstmodellen. Den nyttige leveransen kan være en lysbildestruktur, en bildesekvens eller et sett produksjonsinstruksjoner med nok detaljer til å utføre og kontrollere neste trinn.
For undersøkelser bør du oppgi spørsmålet og autoritativt materiale og be modellen skille mellom fakta, hypoteser og beregninger. Xiaomis Pro-eksempler omfatter litteratur- og patentgjennomgang, beregningsbasert materialscreening, noter og MIDI samt matematisk formalisering kontrollert med Lean. Bevar utdataene fra de faktiske forsknings- eller verifikasjonsverktøyene. En simulert kandidat eller et foreslått bevis bør fortsatt identifiseres som dette til det tilsvarende fysiske eksperimentet eller den formelle kontrollen er fullført.
Behold Pro-UltraSpeed-identiteten sammen med resultatet når det sammenlignes med vanlig Pro eller Flash. Organiser lange historikker rundt målet og beslutningene som må forbli stabile, og la det være plass til svaret og videre verktøytilbakemeldinger. Kontroller viktig kode, observasjoner, beregninger og påstander mot kildebelegget. Modusens særskilte formål er raskere Pro-generering; det fullførte produktet må fortsatt oppfylle de samme oppgavespesifikke kriteriene.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser xiaomi/mimo-v2.6-pro-ultraspeed | 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 $0.0087 / 1K tokener Utdata · Utgående tokener $0.0174 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000072 / 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 $0.0087 / 1K tokener Utdata · Utgående tokener $0.0174 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000072 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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-pro-ultraspeed", "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-pro-ultraspeed',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-pro-ultraspeed',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-pro-ultraspeed
Bruk metodestiene som vises ovenfor.
xiaomi/mimo-v2.6-pro-ultraspeedMiMo-V2.6-Pro-UltraSpeed er Xiaomis modus for raskere generering med MiMo-V2.6-Pro. Den beholder Pro-familiens omnimodale forståelse og oppgaveområde innen langvarig koding, design og undersøkelser, med svarhastighet som modusens særpreg.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
MiMo-V2.6-Pro-UltraSpeed er Xiaomis UltraSpeed-modus for modellen MiMo-V2.6-Pro. Produsenten introduserer den for samhandlinger og arbeidsflyter der genereringstid er viktig, og beskriver utdatakvaliteten som tilsvarende Pro. UltraSpeed betegner en måte å kjøre Pro-modellen på, fremfor den mindre Flash-modellen. Velg den når det er viktig for en langvarig oppgave å få neste svar raskt, samtidig som kravene til sluttproduktet beholdes.
Den underliggende Pro-familien har innebygd omnimodalitet og forstår tekst, bilder, video og lyd. Den publiserte Pro-modellprofilen beskriver en sparsom mixture-of-experts-arkitektur med 1.02 billioner parametere totalt, 42 milliarder aktiverte parametere og en kontekst på én million token. Egne kodere for bilde og lyd kobler medieinndataene til språkmodellens grunnarkitektur. Det direkte resultatet er tekst eller verktøyinstruksjoner; alle rendrede scener, redigerte filer eller genererte medier avhenger av verktøyene den omkringliggende applikasjonen bruker.
Xiaomis V2.6-trening blander koding, generelt agentarbeid, visuelle oppgaver og cybersikkerhet på tvers av ulike miljøer. Tilbakemeldingsprosessen sammenligner oppgaveforløp og bruker både testutfall og kvalitetskriterier, med mål om å utvikle nyttige strategier gjennom langvarig samhandling. Forbered en beskrivelse som angir målet, tilgjengelig belegg og hva som regnes som fullføring. Raskere generering er nyttig når den fremmer disse samhandlingene; den erstatter ikke kontroll av om hvert trinn besvarer spørsmålet eller endrer det tiltenkte produktet.
For en kodeassistent bør du oppgi berørte filer, ønsket oppførsel og feilen eller kontrollresultatet som begrunner arbeidet. Be om den neste avgrensede endringen, og returner deretter det faktiske resultatet fra eventuelle kjøreverktøy. Et nyttig sluttsvar forklarer endret oppførsel, berørte filer og kontroller som faktisk ble utført. Hold foreslåtte operasjoner atskilt fra fullførte, slik at en rask sekvens med svar fortsatt kan spores til observerbart arbeid.
Produsentens V2.6-eksempler utvider koding til spill, 3D-objekter og interaktive scener, med visuell tilbakemelding brukt til å forbedre implementeringen. For en designoppgave bør du kombinere en tekstbeskrivelse med referansebilder eller et opptak og angi nødvendige kontroller, utforming og synlige fullføringskriterier. Et scene- eller grensesnittforslag kan deretter veilede de riktige produksjonsverktøyene. Behold det rendrede resultatet og funnene fra gjennomgangen fremfor å behandle den første koden eller sceneinstruksjonene som et ferdig visuelt produkt.
For presentasjoner og videoarbeidsflyter bør du definere målgruppe, påkrevd innhold, tiltenkt sekvens og ressurser som må forbli konsistente. Xiaomi beskriver Pro-familien i arbeid med design-, bilde-, video- og fortellerverktøy; dette er støttende arbeidsflyter fremfor ekstra innebygde medieutdata fra tekstmodellen. Den nyttige leveransen kan være en lysbildestruktur, en bildesekvens eller et sett produksjonsinstruksjoner med nok detaljer til å utføre og kontrollere neste trinn.
For undersøkelser bør du oppgi spørsmålet og autoritativt materiale og be modellen skille mellom fakta, hypoteser og beregninger. Xiaomis Pro-eksempler omfatter litteratur- og patentgjennomgang, beregningsbasert materialscreening, noter og MIDI samt matematisk formalisering kontrollert med Lean. Bevar utdataene fra de faktiske forsknings- eller verifikasjonsverktøyene. En simulert kandidat eller et foreslått bevis bør fortsatt identifiseres som dette til det tilsvarende fysiske eksperimentet eller den formelle kontrollen er fullført.
Behold Pro-UltraSpeed-identiteten sammen med resultatet når det sammenlignes med vanlig Pro eller Flash. Organiser lange historikker rundt målet og beslutningene som må forbli stabile, og la det være plass til svaret og videre verktøytilbakemeldinger. Kontroller viktig kode, observasjoner, beregninger og påstander mot kildebelegget. Modusens særskilte formål er raskere Pro-generering; det fullførte produktet må fortsatt oppfylle de samme oppgavespesifikke kriteriene.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser xiaomi/mimo-v2.6-pro-ultraspeed | 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 $0.0087 / 1K tokener Utdata · Utgående tokener $0.0174 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000072 / 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 $0.0087 / 1K tokener Utdata · Utgående tokener $0.0174 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.000072 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "xiaomi/mimo-v2.6-pro-ultraspeed",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-pro-ultraspeed', '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-pro-ultraspeed', '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-pro-ultraspeed
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Revise a failing total calculation\n\nUse this code and reported check: def total(rows): return sum(row["price"] for row in rows). Input is [{"price": 3, "qty": 2}, {"price": 5, "qty": 1}]; reported output is 8, required output is 11. Propose the next focused change and checks for multiple quantities and an empty input. Do not claim to run them.A focused Python correction with a diagnosis and two proposed checks tied to the quantity requirement.Verify each unit price is multiplied by its row quantity and proposed checks remain distinct from executed results.