Modelprofiel en edities
MiMo-V2-Flash is het taalmodel van Xiaomi voor redeneren en agentworkflows. De mixture-of-experts-architectuur heeft 309 miljard parameters in totaal en 15 miljard actieve parameters. Het uitgebrachte model vermeldt een contextlengte van 256K tokens; het inferentievoorbeeld van de fabrikant configureert 262.144 tokens. Het ontvangt tekst en produceert tekst, waaronder uitleg, code en de informatie die nodig is voor toolinteracties. Flash-Base en de Flash-release met natraining zijn afzonderlijk benoemde edities met verschillende rollen.
Hybride attention en voorspelling
De architectuur combineert sliding-window attention en globale attention in een verhouding van 5:1. Het lokale attention-venster omvat 128 tokens, terwijl globale attention verbindingen door het langere materiaal heen in stand houdt. De voortraining gebruikt een native sequentielengte van 32K en het uitgebrachte model ondersteunt de langere context van 256K. Een lichtgewicht module voor multi-token prediction is geïntegreerd in training en inferentie. Dit zijn eigenschappen van het modelontwerp; ze bepalen niet hoe snel een bepaalde applicatie een antwoord teruggeeft.
Natraining voor redeneren en agents
MiMo-V2-Flash gebruikt Multi-Teacher On-Policy Distillation, waarbij domeinspecifieke leraarmodellen de eigen gegenereerde antwoorden begeleiden, gevolgd door grootschalig agentgestuurd reinforcement learning. De training omvat omgevingen voor programmeeragents en strekt zich uit tot wiskunde en algemene agenttaken. Tijdens de training voor webontwikkeling wordt een op beeld gebaseerde verifier gebruikt om uitgevoerde resultaten te beoordelen. Die verifier maakt deel uit van het trainingsproces en maakt van dit tekstmodel geen model met afbeeldings- of video-invoer.
Programmeren en documentvoorbereiding
Lever voor een programmeertaak de relevante bestanden als tekst aan, de waargenomen fout, een invoer die de fout aantoont en het gedrag dat intact moet blijven. Een voorbeeldverzoek kan vragen om een kleine patch, een uitleg van de betrokken afhankelijkheden en controles voor het verwachte resultaat. Benoem bij lang tekstmateriaal de belangrijke secties en vraag om een vergelijking met verwijzingen naar de bijbehorende passages. Houd de uitvoer concreet: gecorrigeerde code, een tabel met verschillen, een berekening met aannamen of een voorgestelde volgende actie.
Denken, tools en gespreksgeschiedenis
Het gepubliceerde voorbeeld voor denken schakelt een redeneermodus in en de fabrikant specificeert een aparte parser voor toolaanroepen. Bij toolgebruik over meerdere gespreksbeurten kan het antwoord reasoning_content naast tool_calls bevatten. Het volgende verzoek moet de eerdere reasoning_content in de gespreksgeschiedenis behouden, zodat de denk- en toolreeks correct kan doorgaan. De applicatie stelt de tools beschikbaar en voert ze uit; het model bepaalt hoe het hun resultaten gebruikt. De voorbereiding van de geschiedenis is daardoor een wezenlijke integratie-eis, in plaats van het laatste gebruikersbericht als de volledige taak te behandelen.
Aanbevelingen en grenzen van de fabrikant
De gebruiksaanwijzing beveelt top_p 0.95 aan, temperature 0.8 voor wiskunde, schrijven en webontwikkeling en temperature 0.3 voor agenttaken. Ook beveelt de maker een systeembericht aan waarin MiMo wordt geïdentificeerd als de assistent van Xiaomi, met de huidige datum en een kennisgrens van december 2024. Lever recente feiten aan wanneer de taak afhangt van nieuwere gebeurtenissen. Het antwoordbudget van 4096 tokens in het gepubliceerde verzoek is een voorbeeldinstelling, geen opgegeven maximale uitvoerlengte. MiMo-V2-Flash behoudt zijn eigen identiteit naast Flash-Base, Pro en Omni; hun context- of modaliteitsspecificaties moeten bij de betreffende editie worden gekozen.
", "aboutText": "Modelprofiel en edities\n\nMiMo-V2-Flash is het taalmodel van Xiaomi voor redeneren en agentworkflows. De mixture-of-experts-architectuur heeft 309 miljard parameters in totaal en 15 miljard actieve parameters. Het uitgebrachte model vermeldt een contextlengte van 256K tokens; het inferentievoorbeeld van de fabrikant configureert 262.144 tokens. Het ontvangt tekst en produceert tekst, waaronder uitleg, code en de informatie die nodig is voor toolinteracties. Flash-Base en de Flash-release met natraining zijn afzonderlijk benoemde edities met verschillende rollen.\n\nHybride attention en voorspelling\n\nDe architectuur combineert sliding-window attention en globale attention in een verhouding van 5:1. Het lokale attention-venster omvat 128 tokens, terwijl globale attention verbindingen door het langere materiaal heen in stand houdt. De voortraining gebruikt een native sequentielengte van 32K en het uitgebrachte model ondersteunt de langere context van 256K. Een lichtgewicht module voor multi-token prediction is geïntegreerd in training en inferentie. Dit zijn eigenschappen van het modelontwerp; ze bepalen niet hoe snel een bepaalde applicatie een antwoord teruggeeft.\n\nNatraining voor redeneren en agents\n\nMiMo-V2-Flash gebruikt Multi-Teacher On-Policy Distillation, waarbij domeinspecifieke leraarmodellen de eigen gegenereerde antwoorden begeleiden, gevolgd door grootschalig agentgestuurd reinforcement learning. De training omvat omgevingen voor programmeeragents en strekt zich uit tot wiskunde en algemene agenttaken. Tijdens de training voor webontwikkeling wordt een op beeld gebaseerde verifier gebruikt om uitgevoerde resultaten te beoordelen. Die verifier maakt deel uit van het trainingsproces en maakt van dit tekstmodel geen model met afbeeldings- of video-invoer.\n\nProgrammeren en documentvoorbereiding\n\nLever voor een programmeertaak de relevante bestanden als tekst aan, de waargenomen fout, een invoer die de fout aantoont en het gedrag dat intact moet blijven. Een voorbeeldverzoek kan vragen om een kleine patch, een uitleg van de betrokken afhankelijkheden en controles voor het verwachte resultaat. Benoem bij lang tekstmateriaal de belangrijke secties en vraag om een vergelijking met verwijzingen naar de bijbehorende passages. Houd de uitvoer concreet: gecorrigeerde code, een tabel met verschillen, een berekening met aannamen of een voorgestelde volgende actie.\n\nDenken, tools en gespreksgeschiedenis\n\nHet gepubliceerde voorbeeld voor denken schakelt een redeneermodus in en de fabrikant specificeert een aparte parser voor toolaanroepen. Bij toolgebruik over meerdere gespreksbeurten kan het antwoord reasoning_content naast tool_calls bevatten. Het volgende verzoek moet de eerdere reasoning_content in de gespreksgeschiedenis behouden, zodat de denk- en toolreeks correct kan doorgaan. De applicatie stelt de tools beschikbaar en voert ze uit; het model bepaalt hoe het hun resultaten gebruikt. De voorbereiding van de geschiedenis is daardoor een wezenlijke integratie-eis, in plaats van het laatste gebruikersbericht als de volledige taak te behandelen.\n\nAanbevelingen en grenzen van de fabrikant\n\nDe gebruiksaanwijzing beveelt top_p 0.95 aan, temperature 0.8 voor wiskunde, schrijven en webontwikkeling en temperature 0.3 voor agenttaken. Ook beveelt de maker een systeembericht aan waarin MiMo wordt geïdentificeerd als de assistent van Xiaomi, met de huidige datum en een kennisgrens van december 2024. Lever recente feiten aan wanneer de taak afhangt van nieuwere gebeurtenissen. Het antwoordbudget van 4096 tokens in het gepubliceerde verzoek is een voorbeeldinstelling, geen opgegeven maximale uitvoerlengte. MiMo-V2-Flash behoudt zijn eigen identiteit naast Flash-Base, Pro en Omni; hun context- of modaliteitsspecificaties moeten bij de betreffende editie worden gekozen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "fe4dad620e3f9092a49c2256fc7fab06790b5a71312a2802e0adc7d38bfa5745", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl", "methods": [ { "html": "xiaomimimo/mimo-v2-flashMiMo-V2-Flash is het tekstmodel van Xiaomi voor redeneren, programmeren en agentwerk met tools. De context van 256K tokens, hybride attention en afzonderlijke release met natraining passen bij taken die omvangrijk tekstmateriaal koppelen aan een specifiek antwoord, een codewijziging of een volgende actie.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Modelprofiel en edities
MiMo-V2-Flash is het taalmodel van Xiaomi voor redeneren en agentworkflows. De mixture-of-experts-architectuur heeft 309 miljard parameters in totaal en 15 miljard actieve parameters. Het uitgebrachte model vermeldt een contextlengte van 256K tokens; het inferentievoorbeeld van de fabrikant configureert 262.144 tokens. Het ontvangt tekst en produceert tekst, waaronder uitleg, code en de informatie die nodig is voor toolinteracties. Flash-Base en de Flash-release met natraining zijn afzonderlijk benoemde edities met verschillende rollen.
Hybride attention en voorspelling
De architectuur combineert sliding-window attention en globale attention in een verhouding van 5:1. Het lokale attention-venster omvat 128 tokens, terwijl globale attention verbindingen door het langere materiaal heen in stand houdt. De voortraining gebruikt een native sequentielengte van 32K en het uitgebrachte model ondersteunt de langere context van 256K. Een lichtgewicht module voor multi-token prediction is geïntegreerd in training en inferentie. Dit zijn eigenschappen van het modelontwerp; ze bepalen niet hoe snel een bepaalde applicatie een antwoord teruggeeft.
Natraining voor redeneren en agents
MiMo-V2-Flash gebruikt Multi-Teacher On-Policy Distillation, waarbij domeinspecifieke leraarmodellen de eigen gegenereerde antwoorden begeleiden, gevolgd door grootschalig agentgestuurd reinforcement learning. De training omvat omgevingen voor programmeeragents en strekt zich uit tot wiskunde en algemene agenttaken. Tijdens de training voor webontwikkeling wordt een op beeld gebaseerde verifier gebruikt om uitgevoerde resultaten te beoordelen. Die verifier maakt deel uit van het trainingsproces en maakt van dit tekstmodel geen model met afbeeldings- of video-invoer.
Programmeren en documentvoorbereiding
Lever voor een programmeertaak de relevante bestanden als tekst aan, de waargenomen fout, een invoer die de fout aantoont en het gedrag dat intact moet blijven. Een voorbeeldverzoek kan vragen om een kleine patch, een uitleg van de betrokken afhankelijkheden en controles voor het verwachte resultaat. Benoem bij lang tekstmateriaal de belangrijke secties en vraag om een vergelijking met verwijzingen naar de bijbehorende passages. Houd de uitvoer concreet: gecorrigeerde code, een tabel met verschillen, een berekening met aannamen of een voorgestelde volgende actie.
Denken, tools en gespreksgeschiedenis
Het gepubliceerde voorbeeld voor denken schakelt een redeneermodus in en de fabrikant specificeert een aparte parser voor toolaanroepen. Bij toolgebruik over meerdere gespreksbeurten kan het antwoord reasoning_content naast tool_calls bevatten. Het volgende verzoek moet de eerdere reasoning_content in de gespreksgeschiedenis behouden, zodat de denk- en toolreeks correct kan doorgaan. De applicatie stelt de tools beschikbaar en voert ze uit; het model bepaalt hoe het hun resultaten gebruikt. De voorbereiding van de geschiedenis is daardoor een wezenlijke integratie-eis, in plaats van het laatste gebruikersbericht als de volledige taak te behandelen.
Aanbevelingen en grenzen van de fabrikant
De gebruiksaanwijzing beveelt top_p 0.95 aan, temperature 0.8 voor wiskunde, schrijven en webontwikkeling en temperature 0.3 voor agenttaken. Ook beveelt de maker een systeembericht aan waarin MiMo wordt geïdentificeerd als de assistent van Xiaomi, met de huidige datum en een kennisgrens van december 2024. Lever recente feiten aan wanneer de taak afhangt van nieuwere gebeurtenissen. Het antwoordbudget van 4096 tokens in het gepubliceerde verzoek is een voorbeeldinstelling, geen opgegeven maximale uitvoerlengte. MiMo-V2-Flash behoudt zijn eigen identiteit naast Flash-Base, Pro en Omni; hun context- of modaliteitsspecificaties moeten bij de betreffende editie worden gekozen.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten xiaomimimo/mimo-v2-flash | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Tekstgesprek | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
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 |
Parametercontrol_scope | ContractTekstgesprek; stream is een booleaanse waarde en is standaard false. |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Methodealiasnamen: /chat/completions
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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0006 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"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 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 xiaomimimo/mimo-v2-flash
/chat/completions
xiaomimimo/mimo-v2-flashMiMo-V2-Flash is het tekstmodel van Xiaomi voor redeneren, programmeren en agentwerk met tools. De context van 256K tokens, hybride attention en afzonderlijke release met natraining passen bij taken die omvangrijk tekstmateriaal koppelen aan een specifiek antwoord, een codewijziging of een volgende actie.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Modelprofiel en edities
MiMo-V2-Flash is het taalmodel van Xiaomi voor redeneren en agentworkflows. De mixture-of-experts-architectuur heeft 309 miljard parameters in totaal en 15 miljard actieve parameters. Het uitgebrachte model vermeldt een contextlengte van 256K tokens; het inferentievoorbeeld van de fabrikant configureert 262.144 tokens. Het ontvangt tekst en produceert tekst, waaronder uitleg, code en de informatie die nodig is voor toolinteracties. Flash-Base en de Flash-release met natraining zijn afzonderlijk benoemde edities met verschillende rollen.
Hybride attention en voorspelling
De architectuur combineert sliding-window attention en globale attention in een verhouding van 5:1. Het lokale attention-venster omvat 128 tokens, terwijl globale attention verbindingen door het langere materiaal heen in stand houdt. De voortraining gebruikt een native sequentielengte van 32K en het uitgebrachte model ondersteunt de langere context van 256K. Een lichtgewicht module voor multi-token prediction is geïntegreerd in training en inferentie. Dit zijn eigenschappen van het modelontwerp; ze bepalen niet hoe snel een bepaalde applicatie een antwoord teruggeeft.
Natraining voor redeneren en agents
MiMo-V2-Flash gebruikt Multi-Teacher On-Policy Distillation, waarbij domeinspecifieke leraarmodellen de eigen gegenereerde antwoorden begeleiden, gevolgd door grootschalig agentgestuurd reinforcement learning. De training omvat omgevingen voor programmeeragents en strekt zich uit tot wiskunde en algemene agenttaken. Tijdens de training voor webontwikkeling wordt een op beeld gebaseerde verifier gebruikt om uitgevoerde resultaten te beoordelen. Die verifier maakt deel uit van het trainingsproces en maakt van dit tekstmodel geen model met afbeeldings- of video-invoer.
Programmeren en documentvoorbereiding
Lever voor een programmeertaak de relevante bestanden als tekst aan, de waargenomen fout, een invoer die de fout aantoont en het gedrag dat intact moet blijven. Een voorbeeldverzoek kan vragen om een kleine patch, een uitleg van de betrokken afhankelijkheden en controles voor het verwachte resultaat. Benoem bij lang tekstmateriaal de belangrijke secties en vraag om een vergelijking met verwijzingen naar de bijbehorende passages. Houd de uitvoer concreet: gecorrigeerde code, een tabel met verschillen, een berekening met aannamen of een voorgestelde volgende actie.
Denken, tools en gespreksgeschiedenis
Het gepubliceerde voorbeeld voor denken schakelt een redeneermodus in en de fabrikant specificeert een aparte parser voor toolaanroepen. Bij toolgebruik over meerdere gespreksbeurten kan het antwoord reasoning_content naast tool_calls bevatten. Het volgende verzoek moet de eerdere reasoning_content in de gespreksgeschiedenis behouden, zodat de denk- en toolreeks correct kan doorgaan. De applicatie stelt de tools beschikbaar en voert ze uit; het model bepaalt hoe het hun resultaten gebruikt. De voorbereiding van de geschiedenis is daardoor een wezenlijke integratie-eis, in plaats van het laatste gebruikersbericht als de volledige taak te behandelen.
Aanbevelingen en grenzen van de fabrikant
De gebruiksaanwijzing beveelt top_p 0.95 aan, temperature 0.8 voor wiskunde, schrijven en webontwikkeling en temperature 0.3 voor agenttaken. Ook beveelt de maker een systeembericht aan waarin MiMo wordt geïdentificeerd als de assistent van Xiaomi, met de huidige datum en een kennisgrens van december 2024. Lever recente feiten aan wanneer de taak afhangt van nieuwere gebeurtenissen. Het antwoordbudget van 4096 tokens in het gepubliceerde verzoek is een voorbeeldinstelling, geen opgegeven maximale uitvoerlengte. MiMo-V2-Flash behoudt zijn eigen identiteit naast Flash-Base, Pro en Omni; hun context- of modaliteitsspecificaties moeten bij de betreffende editie worden gekozen.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten xiaomimimo/mimo-v2-flash | 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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0.0006 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "xiaomimimo/mimo-v2-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 xiaomimimo/mimo-v2-flash
/chat/completions