Modellprofil og utgaver
MiMo-V2-Flash er Xiaomis språkmodell for resonnering og agentarbeidsflyter. Mixture-of-experts-arkitekturen har 309 milliarder parametere totalt og 15 milliarder aktive parametere. Den utgitte modellen oppgir en kontekstlengde på 256K token; produsentens inferenseksempel konfigurerer 262,144 token. Den mottar tekst og produserer tekst, inkludert forklaringer, kode og informasjon som trengs for verktøysamhandling. Flash-Base og den ettertrente Flash-utgaven har egne navn og ulike roller.
Hybrid oppmerksomhet og prediksjon
Arkitekturen kombinerer oppmerksomhet med glidende vindu og global oppmerksomhet i forholdet 5:1. Det lokale oppmerksomhetsvinduet er på 128 token, mens global oppmerksomhet opprettholder forbindelser gjennom det lengre materialet. Forhåndstreningen bruker en innebygd sekvenslengde på 32K, og den utgitte modellen støtter den lengre konteksten på 256K. En lett modul for prediksjon av flere token er integrert i trening og inferens. Dette er egenskaper ved modellutformingen; de angir ikke hvor raskt en bestemt applikasjon returnerer et svar.
Ettertrening for resonnering og agenter
MiMo-V2-Flash bruker Multi-Teacher On-Policy Distillation, der domenespesifikke lærermodeller veileder modellens egne genererte svar, etterfulgt av agentbasert forsterkningslæring i stor skala. Treningen omfatter kodeagentmiljøer og strekker seg til matematikk og generelle agentoppgaver. En bildebasert kontrollmodell brukes under webutviklingstreningen til å vurdere utførte resultater. Denne kontrollmodellen er en del av treningsprosessen og gjør ikke tekstmodellen til en modell med bilde- eller videoinndata.
Koding og dokumentarbeid
For en kodeoppgave bør du oppgi relevante filer som tekst, den observerte feilen, inndata som demonstrerer den, og oppførselen som må bevares. En eksempelforespørsel kan be om en liten endring, en forklaring på berørte avhengigheter og kontroller av forventet resultat. For langt tekstmateriale bør du identifisere de viktige delene og be om en sammenligning knyttet til avsnittene deres. Hold resultatet konkret: rettet kode, en tabell over avvik, en beregning med forutsetninger eller et forslag til neste handling.
Tenkning, verktøy og samtalehistorikk
Det publiserte tenkeeksempelet aktiverer en resonneringsmodus, og produsenten angir en egen parser for verktøykall. Ved verktøybruk over flere samtalerunder kan svaret inneholde reasoning_content sammen med tool_calls. Neste forespørsel må beholde tidligere reasoning_content i samtalehistorikken, slik at sekvensen med tenkning og verktøy kan fortsette riktig. Applikasjonen stiller verktøyene til rådighet og utfører dem; modellen velger hvordan resultatene brukes. Klargjøring av historikk er dermed et vesentlig integrasjonskrav, fremfor at den siste brukermeldingen behandles som hele oppgaven.
Produsentens anbefalinger og grenser
Bruksveiledningen anbefaler top_p på 0.95, temperature 0.8 for matematikk-, skrive- og webutviklingsoppgaver og temperature 0.3 for agentoppgaver. Den anbefaler også en systemmelding som identifiserer MiMo som Xiaomis assistent, med gjeldende dato og en kunnskapsgrense i desember 2024. Oppgi nyere fakta når oppgaven avhenger av nyere hendelser. Svarbudsjettet på 4096 token i den publiserte forespørselen er en eksempelinnstilling, ikke en erklært maksimal utdatalengde. MiMo-V2-Flash beholder sin egen identitet ved siden av Flash-Base, Pro og Omni; spesifikasjonene deres for kontekst og modaliteter må velges ut fra den respektive utgaven.
", "aboutText": "Modellprofil og utgaver\n\nMiMo-V2-Flash er Xiaomis språkmodell for resonnering og agentarbeidsflyter. Mixture-of-experts-arkitekturen har 309 milliarder parametere totalt og 15 milliarder aktive parametere. Den utgitte modellen oppgir en kontekstlengde på 256K token; produsentens inferenseksempel konfigurerer 262,144 token. Den mottar tekst og produserer tekst, inkludert forklaringer, kode og informasjon som trengs for verktøysamhandling. Flash-Base og den ettertrente Flash-utgaven har egne navn og ulike roller.\n\nHybrid oppmerksomhet og prediksjon\n\nArkitekturen kombinerer oppmerksomhet med glidende vindu og global oppmerksomhet i forholdet 5:1. Det lokale oppmerksomhetsvinduet er på 128 token, mens global oppmerksomhet opprettholder forbindelser gjennom det lengre materialet. Forhåndstreningen bruker en innebygd sekvenslengde på 32K, og den utgitte modellen støtter den lengre konteksten på 256K. En lett modul for prediksjon av flere token er integrert i trening og inferens. Dette er egenskaper ved modellutformingen; de angir ikke hvor raskt en bestemt applikasjon returnerer et svar.\n\nEttertrening for resonnering og agenter\n\nMiMo-V2-Flash bruker Multi-Teacher On-Policy Distillation, der domenespesifikke lærermodeller veileder modellens egne genererte svar, etterfulgt av agentbasert forsterkningslæring i stor skala. Treningen omfatter kodeagentmiljøer og strekker seg til matematikk og generelle agentoppgaver. En bildebasert kontrollmodell brukes under webutviklingstreningen til å vurdere utførte resultater. Denne kontrollmodellen er en del av treningsprosessen og gjør ikke tekstmodellen til en modell med bilde- eller videoinndata.\n\nKoding og dokumentarbeid\n\nFor en kodeoppgave bør du oppgi relevante filer som tekst, den observerte feilen, inndata som demonstrerer den, og oppførselen som må bevares. En eksempelforespørsel kan be om en liten endring, en forklaring på berørte avhengigheter og kontroller av forventet resultat. For langt tekstmateriale bør du identifisere de viktige delene og be om en sammenligning knyttet til avsnittene deres. Hold resultatet konkret: rettet kode, en tabell over avvik, en beregning med forutsetninger eller et forslag til neste handling.\n\nTenkning, verktøy og samtalehistorikk\n\nDet publiserte tenkeeksempelet aktiverer en resonneringsmodus, og produsenten angir en egen parser for verktøykall. Ved verktøybruk over flere samtalerunder kan svaret inneholde reasoning_content sammen med tool_calls. Neste forespørsel må beholde tidligere reasoning_content i samtalehistorikken, slik at sekvensen med tenkning og verktøy kan fortsette riktig. Applikasjonen stiller verktøyene til rådighet og utfører dem; modellen velger hvordan resultatene brukes. Klargjøring av historikk er dermed et vesentlig integrasjonskrav, fremfor at den siste brukermeldingen behandles som hele oppgaven.\n\nProdusentens anbefalinger og grenser\n\nBruksveiledningen anbefaler top_p på 0.95, temperature 0.8 for matematikk-, skrive- og webutviklingsoppgaver og temperature 0.3 for agentoppgaver. Den anbefaler også en systemmelding som identifiserer MiMo som Xiaomis assistent, med gjeldende dato og en kunnskapsgrense i desember 2024. Oppgi nyere fakta når oppgaven avhenger av nyere hendelser. Svarbudsjettet på 4096 token i den publiserte forespørselen er en eksempelinnstilling, ikke en erklært maksimal utdatalengde. MiMo-V2-Flash beholder sin egen identitet ved siden av Flash-Base, Pro og Omni; spesifikasjonene deres for kontekst og modaliteter må velges ut fra den respektive utgaven.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a3f4ef792d96a755ea8774b554040f46ecacafbfbabe9dbb01a8c0e2c0dabbd7", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "xiaomimimo/mimo-v2-flashMiMo-V2-Flash er Xiaomis tekstmodell for resonnering, koding og verktøystøttet agentarbeid. Konteksten på 256K, hybrid oppmerksomhet og den egne ettertrente utgaven passer oppgaver som knytter omfattende tekstmateriale til et konkret svar, en kodeendring eller neste handling.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Modellprofil og utgaver
MiMo-V2-Flash er Xiaomis språkmodell for resonnering og agentarbeidsflyter. Mixture-of-experts-arkitekturen har 309 milliarder parametere totalt og 15 milliarder aktive parametere. Den utgitte modellen oppgir en kontekstlengde på 256K token; produsentens inferenseksempel konfigurerer 262,144 token. Den mottar tekst og produserer tekst, inkludert forklaringer, kode og informasjon som trengs for verktøysamhandling. Flash-Base og den ettertrente Flash-utgaven har egne navn og ulike roller.
Hybrid oppmerksomhet og prediksjon
Arkitekturen kombinerer oppmerksomhet med glidende vindu og global oppmerksomhet i forholdet 5:1. Det lokale oppmerksomhetsvinduet er på 128 token, mens global oppmerksomhet opprettholder forbindelser gjennom det lengre materialet. Forhåndstreningen bruker en innebygd sekvenslengde på 32K, og den utgitte modellen støtter den lengre konteksten på 256K. En lett modul for prediksjon av flere token er integrert i trening og inferens. Dette er egenskaper ved modellutformingen; de angir ikke hvor raskt en bestemt applikasjon returnerer et svar.
Ettertrening for resonnering og agenter
MiMo-V2-Flash bruker Multi-Teacher On-Policy Distillation, der domenespesifikke lærermodeller veileder modellens egne genererte svar, etterfulgt av agentbasert forsterkningslæring i stor skala. Treningen omfatter kodeagentmiljøer og strekker seg til matematikk og generelle agentoppgaver. En bildebasert kontrollmodell brukes under webutviklingstreningen til å vurdere utførte resultater. Denne kontrollmodellen er en del av treningsprosessen og gjør ikke tekstmodellen til en modell med bilde- eller videoinndata.
Koding og dokumentarbeid
For en kodeoppgave bør du oppgi relevante filer som tekst, den observerte feilen, inndata som demonstrerer den, og oppførselen som må bevares. En eksempelforespørsel kan be om en liten endring, en forklaring på berørte avhengigheter og kontroller av forventet resultat. For langt tekstmateriale bør du identifisere de viktige delene og be om en sammenligning knyttet til avsnittene deres. Hold resultatet konkret: rettet kode, en tabell over avvik, en beregning med forutsetninger eller et forslag til neste handling.
Tenkning, verktøy og samtalehistorikk
Det publiserte tenkeeksempelet aktiverer en resonneringsmodus, og produsenten angir en egen parser for verktøykall. Ved verktøybruk over flere samtalerunder kan svaret inneholde reasoning_content sammen med tool_calls. Neste forespørsel må beholde tidligere reasoning_content i samtalehistorikken, slik at sekvensen med tenkning og verktøy kan fortsette riktig. Applikasjonen stiller verktøyene til rådighet og utfører dem; modellen velger hvordan resultatene brukes. Klargjøring av historikk er dermed et vesentlig integrasjonskrav, fremfor at den siste brukermeldingen behandles som hele oppgaven.
Produsentens anbefalinger og grenser
Bruksveiledningen anbefaler top_p på 0.95, temperature 0.8 for matematikk-, skrive- og webutviklingsoppgaver og temperature 0.3 for agentoppgaver. Den anbefaler også en systemmelding som identifiserer MiMo som Xiaomis assistent, med gjeldende dato og en kunnskapsgrense i desember 2024. Oppgi nyere fakta når oppgaven avhenger av nyere hendelser. Svarbudsjettet på 4096 token i den publiserte forespørselen er en eksempelinnstilling, ikke en erklært maksimal utdatalengde. MiMo-V2-Flash beholder sin egen identitet ved siden av Flash-Base, Pro og Omni; spesifikasjonene deres for kontekst og modaliteter må velges ut fra den respektive utgaven.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser xiaomimimo/mimo-v2-flash | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Tekstsamtale | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
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 |
Parametercontrol_scope | AvtaleTekstsamtale; stream er en boolsk verdi med false som standard. |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Metodealiaser: /chat/completions
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0006 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"xiaomimimo/mimo-v2-flash","messages":[{"role":"user","content":"hello"}],"stream":false}')\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="xiaomimimo/mimo-v2-flash", messages=[{"role":"user","content":"hello"}], stream=False)\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"))\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 xiaomimimo/mimo-v2-flash
/chat/completions
xiaomimimo/mimo-v2-flashMiMo-V2-Flash er Xiaomis tekstmodell for resonnering, koding og verktøystøttet agentarbeid. Konteksten på 256K, hybrid oppmerksomhet og den egne ettertrente utgaven passer oppgaver som knytter omfattende tekstmateriale til et konkret svar, en kodeendring eller neste handling.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Modellprofil og utgaver
MiMo-V2-Flash er Xiaomis språkmodell for resonnering og agentarbeidsflyter. Mixture-of-experts-arkitekturen har 309 milliarder parametere totalt og 15 milliarder aktive parametere. Den utgitte modellen oppgir en kontekstlengde på 256K token; produsentens inferenseksempel konfigurerer 262,144 token. Den mottar tekst og produserer tekst, inkludert forklaringer, kode og informasjon som trengs for verktøysamhandling. Flash-Base og den ettertrente Flash-utgaven har egne navn og ulike roller.
Hybrid oppmerksomhet og prediksjon
Arkitekturen kombinerer oppmerksomhet med glidende vindu og global oppmerksomhet i forholdet 5:1. Det lokale oppmerksomhetsvinduet er på 128 token, mens global oppmerksomhet opprettholder forbindelser gjennom det lengre materialet. Forhåndstreningen bruker en innebygd sekvenslengde på 32K, og den utgitte modellen støtter den lengre konteksten på 256K. En lett modul for prediksjon av flere token er integrert i trening og inferens. Dette er egenskaper ved modellutformingen; de angir ikke hvor raskt en bestemt applikasjon returnerer et svar.
Ettertrening for resonnering og agenter
MiMo-V2-Flash bruker Multi-Teacher On-Policy Distillation, der domenespesifikke lærermodeller veileder modellens egne genererte svar, etterfulgt av agentbasert forsterkningslæring i stor skala. Treningen omfatter kodeagentmiljøer og strekker seg til matematikk og generelle agentoppgaver. En bildebasert kontrollmodell brukes under webutviklingstreningen til å vurdere utførte resultater. Denne kontrollmodellen er en del av treningsprosessen og gjør ikke tekstmodellen til en modell med bilde- eller videoinndata.
Koding og dokumentarbeid
For en kodeoppgave bør du oppgi relevante filer som tekst, den observerte feilen, inndata som demonstrerer den, og oppførselen som må bevares. En eksempelforespørsel kan be om en liten endring, en forklaring på berørte avhengigheter og kontroller av forventet resultat. For langt tekstmateriale bør du identifisere de viktige delene og be om en sammenligning knyttet til avsnittene deres. Hold resultatet konkret: rettet kode, en tabell over avvik, en beregning med forutsetninger eller et forslag til neste handling.
Tenkning, verktøy og samtalehistorikk
Det publiserte tenkeeksempelet aktiverer en resonneringsmodus, og produsenten angir en egen parser for verktøykall. Ved verktøybruk over flere samtalerunder kan svaret inneholde reasoning_content sammen med tool_calls. Neste forespørsel må beholde tidligere reasoning_content i samtalehistorikken, slik at sekvensen med tenkning og verktøy kan fortsette riktig. Applikasjonen stiller verktøyene til rådighet og utfører dem; modellen velger hvordan resultatene brukes. Klargjøring av historikk er dermed et vesentlig integrasjonskrav, fremfor at den siste brukermeldingen behandles som hele oppgaven.
Produsentens anbefalinger og grenser
Bruksveiledningen anbefaler top_p på 0.95, temperature 0.8 for matematikk-, skrive- og webutviklingsoppgaver og temperature 0.3 for agentoppgaver. Den anbefaler også en systemmelding som identifiserer MiMo som Xiaomis assistent, med gjeldende dato og en kunnskapsgrense i desember 2024. Oppgi nyere fakta når oppgaven avhenger av nyere hendelser. Svarbudsjettet på 4096 token i den publiserte forespørselen er en eksempelinnstilling, ikke en erklært maksimal utdatalengde. MiMo-V2-Flash beholder sin egen identitet ved siden av Flash-Base, Pro og Omni; spesifikasjonene deres for kontekst og modaliteter må velges ut fra den respektive utgaven.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser xiaomimimo/mimo-v2-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.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.0006 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "xiaomimimo/mimo-v2-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'xiaomimimo/mimo-v2-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': 'xiaomimimo/mimo-v2-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 xiaomimimo/mimo-v2-flash
/chat/completions