MiMo-V2.5-Pro is Xiaomi’s grote, tekstgerichte mixture-of-experts-model voor veeleisend agentwerk, complexe softwareontwikkeling en taken met veel onderling verbonden stappen. De fabrikant vermeldt 1,02 biljoen parameters in totaal, 42 miljard actieve parameters en een context van maximaal één miljoen tokens. Het model is bedoeld om de taakinstructies en het verzamelde bewijsmateriaal vast te houden terwijl een ondersteunende toepassing tools aanbiedt en hun resultaten terugstuurt.
Het model combineert sliding-window attention met globale attention in een verhouding van 6:1. Het lokale venster omvat 128 tokens, terwijl de lagen met globale attention informatie uit de langere geschiedenis met elkaar verbinden. Dit beschrijft de attention-architectuur en betekent geen beperking van de gebruikersinvoer tot 128 tokens. De basisarchitectuur telt 70 lagen en gebruikt sparse expert routing, waarbij per token acht gerouteerde experts worden geselecteerd. Drie modules voor multi-token prediction zijn geïntegreerd in het trainings- en inferentieontwerp om speculatieve decodering te ondersteunen.
De maker beschrijft pretraining op 27 biljoen tokens, gevolgd door supervised fine-tuning, domeinspecifiek reinforcement learning en multi-teacher on-policy distillation. De gespecialiseerde leermodellen bestrijken onder meer wiskunde, veiligheid en complex toolgebruik; in de laatste fase wordt hun begeleiding samengebracht in één model. Die trainingsfocus ondersteunt de rol van het model in lange software- en agentworkflows. Een concrete taak vereist nog altijd aangeleverde vereisten en een manier om vast te stellen of het resultaat volledig is.
Geef voor een softwarewijziging de relevante bestanden, een waargenomen fout of het gewenste gedrag, de projectconventies en de controles die ertoe doen. Een nuttige instructie is om het betrokken gedrag te identificeren, een gerichte implementatie voor te stellen en uit te leggen hoe zowel het gewenste geval als een betekenisvol randgeval kan worden gecontroleerd. Behoud de exacte identifiers die het project gebruikt. Als de omgeving uitvoering toelaat, geef dan de werkelijke uitvoer van de controles terug in plaats van het model te laten aannemen dat een aannemelijke patch werkt.
Houd voor een langere agenttaak een beknopt overzicht bij van het doel, de al genomen beslissingen en het bewijsmateriaal dat tools hebben teruggegeven. Geef aan wat elke bewerking mag wijzigen en welk resultaat de volgende stap zou rechtvaardigen. Het model kan helpen redeneren over die interacties en de volgende aanvraag voorbereiden, maar de omringende toepassing voert de bewerkingen uit. Behoud fouten en onopgeloste voorwaarden in het eindverslag, zodat een lange reeks geen mislukte stap verbergt achter een vlot geschreven uitleg.
De grote context kan nuttig zijn om implementaties te vergelijken of meerdere omvangrijke documenten samen te brengen. Markeer de grenzen tussen bestanden en documenten, geef aan welke delen het antwoord moet gebruiken en specificeer het vereiste uitvoerformaat. Vraag bijvoorbeeld om een migratievoorstel dat elk betrokken onderdeel aan een vereiste koppelt en ontbrekende informatie afzonderlijk vermeldt. Bewaar de ondersteunende passages of codelocaties bij het resultaat, zodat een reviewer de redenering kan herleiden tot de invoer.
Xiaomi’s gepubliceerde servingvoorbeeld gebruikt een contextconfiguratie van 1.048.576 tokens, terwijl de samenvatting ondersteuning voor maximaal 1M tokens vermeldt. Laat binnen de gebruikte configuratie ruimte voor gegenereerde tekst en opgebouwde toolgeschiedenis. De maker beveelt temperature 1.0 en top_p 0.95 aan voor lokale inferentie. Dat zijn details van het implementatierecept van de producent, geen garantie dat elke toepassing identieke instellingen of hetzelfde werkvenster aanbiedt.
MiMo-V2.5-Pro staat los van het verwante, native omnimodale MiMo-V2.5 en de latere V2.6-reeks. Gebruik deze editie voor de gedocumenteerde taal- en agenttaken zonder de beeld- of audiomogelijkheden van een andere editie over te nemen. Het uiteindelijke artefact kan een codevoorstel, implementatie-uitleg of analyse op basis van bewijsmateriaal zijn. Controleer belangrijke berekeningen, vereisten en toolresultaten aan de hand van het materiaal dat voor de taak is aangeleverd.
", "aboutText": "MiMo-V2.5-Pro is Xiaomi’s grote, tekstgerichte mixture-of-experts-model voor veeleisend agentwerk, complexe softwareontwikkeling en taken met veel onderling verbonden stappen. De fabrikant vermeldt 1,02 biljoen parameters in totaal, 42 miljard actieve parameters en een context van maximaal één miljoen tokens. Het model is bedoeld om de taakinstructies en het verzamelde bewijsmateriaal vast te houden terwijl een ondersteunende toepassing tools aanbiedt en hun resultaten terugstuurt.\n\nHet model combineert sliding-window attention met globale attention in een verhouding van 6:1. Het lokale venster omvat 128 tokens, terwijl de lagen met globale attention informatie uit de langere geschiedenis met elkaar verbinden. Dit beschrijft de attention-architectuur en betekent geen beperking van de gebruikersinvoer tot 128 tokens. De basisarchitectuur telt 70 lagen en gebruikt sparse expert routing, waarbij per token acht gerouteerde experts worden geselecteerd. Drie modules voor multi-token prediction zijn geïntegreerd in het trainings- en inferentieontwerp om speculatieve decodering te ondersteunen.\n\nDe maker beschrijft pretraining op 27 biljoen tokens, gevolgd door supervised fine-tuning, domeinspecifiek reinforcement learning en multi-teacher on-policy distillation. De gespecialiseerde leermodellen bestrijken onder meer wiskunde, veiligheid en complex toolgebruik; in de laatste fase wordt hun begeleiding samengebracht in één model. Die trainingsfocus ondersteunt de rol van het model in lange software- en agentworkflows. Een concrete taak vereist nog altijd aangeleverde vereisten en een manier om vast te stellen of het resultaat volledig is.\n\nGeef voor een softwarewijziging de relevante bestanden, een waargenomen fout of het gewenste gedrag, de projectconventies en de controles die ertoe doen. Een nuttige instructie is om het betrokken gedrag te identificeren, een gerichte implementatie voor te stellen en uit te leggen hoe zowel het gewenste geval als een betekenisvol randgeval kan worden gecontroleerd. Behoud de exacte identifiers die het project gebruikt. Als de omgeving uitvoering toelaat, geef dan de werkelijke uitvoer van de controles terug in plaats van het model te laten aannemen dat een aannemelijke patch werkt.\n\nHoud voor een langere agenttaak een beknopt overzicht bij van het doel, de al genomen beslissingen en het bewijsmateriaal dat tools hebben teruggegeven. Geef aan wat elke bewerking mag wijzigen en welk resultaat de volgende stap zou rechtvaardigen. Het model kan helpen redeneren over die interacties en de volgende aanvraag voorbereiden, maar de omringende toepassing voert de bewerkingen uit. Behoud fouten en onopgeloste voorwaarden in het eindverslag, zodat een lange reeks geen mislukte stap verbergt achter een vlot geschreven uitleg.\n\nDe grote context kan nuttig zijn om implementaties te vergelijken of meerdere omvangrijke documenten samen te brengen. Markeer de grenzen tussen bestanden en documenten, geef aan welke delen het antwoord moet gebruiken en specificeer het vereiste uitvoerformaat. Vraag bijvoorbeeld om een migratievoorstel dat elk betrokken onderdeel aan een vereiste koppelt en ontbrekende informatie afzonderlijk vermeldt. Bewaar de ondersteunende passages of codelocaties bij het resultaat, zodat een reviewer de redenering kan herleiden tot de invoer.\n\nXiaomi’s gepubliceerde servingvoorbeeld gebruikt een contextconfiguratie van 1.048.576 tokens, terwijl de samenvatting ondersteuning voor maximaal 1M tokens vermeldt. Laat binnen de gebruikte configuratie ruimte voor gegenereerde tekst en opgebouwde toolgeschiedenis. De maker beveelt temperature 1.0 en top_p 0.95 aan voor lokale inferentie. Dat zijn details van het implementatierecept van de producent, geen garantie dat elke toepassing identieke instellingen of hetzelfde werkvenster aanbiedt.\n\nMiMo-V2.5-Pro staat los van het verwante, native omnimodale MiMo-V2.5 en de latere V2.6-reeks. Gebruik deze editie voor de gedocumenteerde taal- en agenttaken zonder de beeld- of audiomogelijkheden van een andere editie over te nemen. Het uiteindelijke artefact kan een codevoorstel, implementatie-uitleg of analyse op basis van bewijsmateriaal zijn. Controleer belangrijke berekeningen, vereisten en toolresultaten aan de hand van het materiaal dat voor de taak is aangeleverd.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Correct a two-stage validation flow\n\nTrace this Python flow: validate.py: def valid(row): return bool(row.get('email')); import.py: accepted = [r for r in rows if valid(r) is not None]. A row without email is incorrectly accepted. Propose the smallest correction, retain valid's Boolean contract and supply cases for a missing email and a present email. Separate the proposal from executed checks.A cross-file cause explanation, focused consumer patch and two regression cases.The consumer must reject False rather than treating every non-None Boolean as accepted.xiaomi/mimo-v2.5-proMiMo-V2.5-Pro is Xiaomi’s tekstgerichte model voor complexe softwareontwikkeling en uitgebreide agentworkflows. Het gepubliceerde profiel combineert een MoE met 1,02 biljoen parameters, 42 miljard actieve parameters en een context van maximaal één miljoen tokens, met training die gericht is op samenhangend toolgebruik.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
MiMo-V2.5-Pro is Xiaomi’s grote, tekstgerichte mixture-of-experts-model voor veeleisend agentwerk, complexe softwareontwikkeling en taken met veel onderling verbonden stappen. De fabrikant vermeldt 1,02 biljoen parameters in totaal, 42 miljard actieve parameters en een context van maximaal één miljoen tokens. Het model is bedoeld om de taakinstructies en het verzamelde bewijsmateriaal vast te houden terwijl een ondersteunende toepassing tools aanbiedt en hun resultaten terugstuurt.
Het model combineert sliding-window attention met globale attention in een verhouding van 6:1. Het lokale venster omvat 128 tokens, terwijl de lagen met globale attention informatie uit de langere geschiedenis met elkaar verbinden. Dit beschrijft de attention-architectuur en betekent geen beperking van de gebruikersinvoer tot 128 tokens. De basisarchitectuur telt 70 lagen en gebruikt sparse expert routing, waarbij per token acht gerouteerde experts worden geselecteerd. Drie modules voor multi-token prediction zijn geïntegreerd in het trainings- en inferentieontwerp om speculatieve decodering te ondersteunen.
De maker beschrijft pretraining op 27 biljoen tokens, gevolgd door supervised fine-tuning, domeinspecifiek reinforcement learning en multi-teacher on-policy distillation. De gespecialiseerde leermodellen bestrijken onder meer wiskunde, veiligheid en complex toolgebruik; in de laatste fase wordt hun begeleiding samengebracht in één model. Die trainingsfocus ondersteunt de rol van het model in lange software- en agentworkflows. Een concrete taak vereist nog altijd aangeleverde vereisten en een manier om vast te stellen of het resultaat volledig is.
Geef voor een softwarewijziging de relevante bestanden, een waargenomen fout of het gewenste gedrag, de projectconventies en de controles die ertoe doen. Een nuttige instructie is om het betrokken gedrag te identificeren, een gerichte implementatie voor te stellen en uit te leggen hoe zowel het gewenste geval als een betekenisvol randgeval kan worden gecontroleerd. Behoud de exacte identifiers die het project gebruikt. Als de omgeving uitvoering toelaat, geef dan de werkelijke uitvoer van de controles terug in plaats van het model te laten aannemen dat een aannemelijke patch werkt.
Houd voor een langere agenttaak een beknopt overzicht bij van het doel, de al genomen beslissingen en het bewijsmateriaal dat tools hebben teruggegeven. Geef aan wat elke bewerking mag wijzigen en welk resultaat de volgende stap zou rechtvaardigen. Het model kan helpen redeneren over die interacties en de volgende aanvraag voorbereiden, maar de omringende toepassing voert de bewerkingen uit. Behoud fouten en onopgeloste voorwaarden in het eindverslag, zodat een lange reeks geen mislukte stap verbergt achter een vlot geschreven uitleg.
De grote context kan nuttig zijn om implementaties te vergelijken of meerdere omvangrijke documenten samen te brengen. Markeer de grenzen tussen bestanden en documenten, geef aan welke delen het antwoord moet gebruiken en specificeer het vereiste uitvoerformaat. Vraag bijvoorbeeld om een migratievoorstel dat elk betrokken onderdeel aan een vereiste koppelt en ontbrekende informatie afzonderlijk vermeldt. Bewaar de ondersteunende passages of codelocaties bij het resultaat, zodat een reviewer de redenering kan herleiden tot de invoer.
Xiaomi’s gepubliceerde servingvoorbeeld gebruikt een contextconfiguratie van 1.048.576 tokens, terwijl de samenvatting ondersteuning voor maximaal 1M tokens vermeldt. Laat binnen de gebruikte configuratie ruimte voor gegenereerde tekst en opgebouwde toolgeschiedenis. De maker beveelt temperature 1.0 en top_p 0.95 aan voor lokale inferentie. Dat zijn details van het implementatierecept van de producent, geen garantie dat elke toepassing identieke instellingen of hetzelfde werkvenster aanbiedt.
MiMo-V2.5-Pro staat los van het verwante, native omnimodale MiMo-V2.5 en de latere V2.6-reeks. Gebruik deze editie voor de gedocumenteerde taal- en agenttaken zonder de beeld- of audiomogelijkheden van een andere editie over te nemen. Het uiteindelijke artefact kan een codevoorstel, implementatie-uitleg of analyse op basis van bewijsmateriaal zijn. Controleer belangrijke berekeningen, vereisten en toolresultaten aan de hand van het materiaal dat voor de taak is aangeleverd.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten xiaomi/mimo-v2.5-pro | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00087 / 1K tokens Uitvoer · Uitvoertokens $0.00174 / 1K tokens Invoer · Cache lezen $0.0000072 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00087 / 1K tokens Uitvoer · Uitvoertokens $0.00174 / 1K tokens Invoer · Cache lezen $0.0000072 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "xiaomi/mimo-v2.5-pro", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='xiaomi/mimo-v2.5-pro',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='xiaomi/mimo-v2.5-pro',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra xiaomi/mimo-v2.5-pro
Gebruik de hierboven getoonde methodepaden.
xiaomi/mimo-v2.5-proMiMo-V2.5-Pro is Xiaomi’s tekstgerichte model voor complexe softwareontwikkeling en uitgebreide agentworkflows. Het gepubliceerde profiel combineert een MoE met 1,02 biljoen parameters, 42 miljard actieve parameters en een context van maximaal één miljoen tokens, met training die gericht is op samenhangend toolgebruik.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
MiMo-V2.5-Pro is Xiaomi’s grote, tekstgerichte mixture-of-experts-model voor veeleisend agentwerk, complexe softwareontwikkeling en taken met veel onderling verbonden stappen. De fabrikant vermeldt 1,02 biljoen parameters in totaal, 42 miljard actieve parameters en een context van maximaal één miljoen tokens. Het model is bedoeld om de taakinstructies en het verzamelde bewijsmateriaal vast te houden terwijl een ondersteunende toepassing tools aanbiedt en hun resultaten terugstuurt.
Het model combineert sliding-window attention met globale attention in een verhouding van 6:1. Het lokale venster omvat 128 tokens, terwijl de lagen met globale attention informatie uit de langere geschiedenis met elkaar verbinden. Dit beschrijft de attention-architectuur en betekent geen beperking van de gebruikersinvoer tot 128 tokens. De basisarchitectuur telt 70 lagen en gebruikt sparse expert routing, waarbij per token acht gerouteerde experts worden geselecteerd. Drie modules voor multi-token prediction zijn geïntegreerd in het trainings- en inferentieontwerp om speculatieve decodering te ondersteunen.
De maker beschrijft pretraining op 27 biljoen tokens, gevolgd door supervised fine-tuning, domeinspecifiek reinforcement learning en multi-teacher on-policy distillation. De gespecialiseerde leermodellen bestrijken onder meer wiskunde, veiligheid en complex toolgebruik; in de laatste fase wordt hun begeleiding samengebracht in één model. Die trainingsfocus ondersteunt de rol van het model in lange software- en agentworkflows. Een concrete taak vereist nog altijd aangeleverde vereisten en een manier om vast te stellen of het resultaat volledig is.
Geef voor een softwarewijziging de relevante bestanden, een waargenomen fout of het gewenste gedrag, de projectconventies en de controles die ertoe doen. Een nuttige instructie is om het betrokken gedrag te identificeren, een gerichte implementatie voor te stellen en uit te leggen hoe zowel het gewenste geval als een betekenisvol randgeval kan worden gecontroleerd. Behoud de exacte identifiers die het project gebruikt. Als de omgeving uitvoering toelaat, geef dan de werkelijke uitvoer van de controles terug in plaats van het model te laten aannemen dat een aannemelijke patch werkt.
Houd voor een langere agenttaak een beknopt overzicht bij van het doel, de al genomen beslissingen en het bewijsmateriaal dat tools hebben teruggegeven. Geef aan wat elke bewerking mag wijzigen en welk resultaat de volgende stap zou rechtvaardigen. Het model kan helpen redeneren over die interacties en de volgende aanvraag voorbereiden, maar de omringende toepassing voert de bewerkingen uit. Behoud fouten en onopgeloste voorwaarden in het eindverslag, zodat een lange reeks geen mislukte stap verbergt achter een vlot geschreven uitleg.
De grote context kan nuttig zijn om implementaties te vergelijken of meerdere omvangrijke documenten samen te brengen. Markeer de grenzen tussen bestanden en documenten, geef aan welke delen het antwoord moet gebruiken en specificeer het vereiste uitvoerformaat. Vraag bijvoorbeeld om een migratievoorstel dat elk betrokken onderdeel aan een vereiste koppelt en ontbrekende informatie afzonderlijk vermeldt. Bewaar de ondersteunende passages of codelocaties bij het resultaat, zodat een reviewer de redenering kan herleiden tot de invoer.
Xiaomi’s gepubliceerde servingvoorbeeld gebruikt een contextconfiguratie van 1.048.576 tokens, terwijl de samenvatting ondersteuning voor maximaal 1M tokens vermeldt. Laat binnen de gebruikte configuratie ruimte voor gegenereerde tekst en opgebouwde toolgeschiedenis. De maker beveelt temperature 1.0 en top_p 0.95 aan voor lokale inferentie. Dat zijn details van het implementatierecept van de producent, geen garantie dat elke toepassing identieke instellingen of hetzelfde werkvenster aanbiedt.
MiMo-V2.5-Pro staat los van het verwante, native omnimodale MiMo-V2.5 en de latere V2.6-reeks. Gebruik deze editie voor de gedocumenteerde taal- en agenttaken zonder de beeld- of audiomogelijkheden van een andere editie over te nemen. Het uiteindelijke artefact kan een codevoorstel, implementatie-uitleg of analyse op basis van bewijsmateriaal zijn. Controleer belangrijke berekeningen, vereisten en toolresultaten aan de hand van het materiaal dat voor de taak is aangeleverd.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten xiaomi/mimo-v2.5-pro | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00087 / 1K tokens Uitvoer · Uitvoertokens $0.00174 / 1K tokens Invoer · Cache lezen $0.0000072 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00087 / 1K tokens Uitvoer · Uitvoertokens $0.00174 / 1K tokens Invoer · Cache lezen $0.0000072 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "xiaomi/mimo-v2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'xiaomi/mimo-v2.5-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'xiaomi/mimo-v2.5-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra xiaomi/mimo-v2.5-pro
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Correct a two-stage validation flow\n\nTrace this Python flow: validate.py: def valid(row): return bool(row.get('email')); import.py: accepted = [r for r in rows if valid(r) is not None]. A row without email is incorrectly accepted. Propose the smallest correction, retain valid's Boolean contract and supply cases for a missing email and a present email. Separate the proposal from executed checks.A cross-file cause explanation, focused consumer patch and two regression cases.The consumer must reject False rather than treating every non-None Boolean as accepted.