Podstawa pracy agentowej
MiMo-V2-Pro to flagowy model bazowy firmy Xiaomi do złożonych obciążeń agentowych i inżynierii oprogramowania. Jego rolą jest rozumowanie nad zadaniem, organizowanie wymaganych kroków i wykorzystywanie informacji zwracanych przez narzędzia, aby dążyć do określonego wyniku. Model wykracza poza tworzenie pojedynczej odpowiedzi: został zaprojektowany do powiązanej pracy, w której wcześniejsze decyzje i obserwacje wpływają na dalszy przebieg.
Skala i wydajna architektura
Producent opisuje ponad 1 bln parametrów łącznie, z 42 mld aktywnych parametrów. Pro rozszerza podejście hybrydowej uwagi MiMo-V2-Flash, wykorzystując proporcję 7:1 między uwagą w przesuwanym oknie a uwagą globalną. Lekka warstwa przewidywania wielu tokenów wspiera generowanie, a deklarowany kontekst sięga 1 mln tokenów. Są to właściwości architektury i kontekstu Pro; nie określają szybkości wykonywania, przydziału pamięci ani limitów żądań konkretnej integracji.
Pochodzenie wydania
Xiaomi wskazuje Hunter Alpha jako wczesną wewnętrzną wersję testową poprzedzającą MiMo-V2-Pro. Wydany model Pro ma własną nazwę i udoskonalenia pracy z długim kontekstem oraz stabilności w scenariuszach agentowych. To rozróżnienie ma znaczenie przy porównywaniu opisów lub zachowywaniu tożsamości modelu: wcześniejsza wersja testowa, MiMo-V2-Flash i MiMo-V2-Omni mają osobne role i specyfikacje.
Zbudowany dla agentów
Model jest dostrajany przez uczenie nadzorowane i uczenie ze wzmocnieniem w różnych frameworkach agentowych, ze szczególnym uwzględnieniem wywołań narzędzi i wieloetapowego rozumowania. Przygotuj zadanie z obserwowalnym warunkiem ukończenia i opisami dostępnych narzędzi. Na przykład asystent projektu może otrzymać prośbę o zmianę, zbadać dostarczone moduły, zaproponować dotknięte komponenty i kontynuować po zwróceniu błędu kompilacji przez narzędzie. Przydatny wynik to sekwencja decyzji powiązanych z rzeczywistymi obserwacjami, po której następuje żądany kod, wyjaśnienie lub podsumowanie pracy. Działania wykonuje połączone środowisko.
Inżynieria oprogramowania i zadania frontendowe
Xiaomi wyróżnia projektowanie systemów, planowanie zadań i rozwiązywanie problemów związanych z kodem. Demonstracje obejmują interaktywne strony internetowe i grę przeglądarkową utworzone w środowisku agentowym. Przykładowy opis zadania programistycznego może określać zachowanie strony, nawigację, stany danych i układ responsywny, a następnie żądać implementacji i kontroli zgodności z tymi wymaganiami. Dla istniejącego projektu dostarcz bieżące pliki, przypadek błędu i interfejsy, które muszą pozostać niezmienione. Poproś o ukierunkowaną zmianę i wyjaśnienie zależności, których dotyka, zamiast o niepowiązaną aplikację zastępczą.
Długi kontekst i sprawdzalny wynik
Kontekst do 1 mln tokenów jest przydatny, gdy kilka plików, dokumentów, instrukcji i wcześniejszych obserwacji należy do jednego zadania. Uporządkuj ten materiał według roli: wiążące wymagania, bieżący kod, przykłady referencyjne i wyniki narzędzi. Określ końcowy artefakt i jego warunki akceptacji, zanim poprosisz agenta o działanie. Zadanie dokumentacyjne może wymagać porównania z nierozstrzygniętymi pytaniami; zadanie inżynierskie może wymagać poprawki i zapisu wykonanych kontroli.
Praktyczne ograniczenia i zakres edycji
Długi kontekst zapewnia miejsce na materiał, ale nie gwarantuje poprawności wygenerowanego projektu ani spełnienia każdego wymagania. Zwracaj rzeczywiste błędy i obserwacje na potrzeby kolejnego kroku oraz weryfikuj wynik w docelowym środowisku. Producent wyraźnie przedstawia odporność w złożonych rzeczywistych zadaniach jako właściwość wymagającą oceny i doskonalenia. Ten opis obejmuje tekstową i narzędziową specjalizację agentową MiMo-V2-Pro; funkcje modalności Omni i specyfikacje późniejszych generacji MiMo należą do ich odpowiednich modeli. Narzędzia, dostępne parametry i obsługa wyników pozostają właściwościami połączonej aplikacji.
", "aboutText": "Podstawa pracy agentowej\n\nMiMo-V2-Pro to flagowy model bazowy firmy Xiaomi do złożonych obciążeń agentowych i inżynierii oprogramowania. Jego rolą jest rozumowanie nad zadaniem, organizowanie wymaganych kroków i wykorzystywanie informacji zwracanych przez narzędzia, aby dążyć do określonego wyniku. Model wykracza poza tworzenie pojedynczej odpowiedzi: został zaprojektowany do powiązanej pracy, w której wcześniejsze decyzje i obserwacje wpływają na dalszy przebieg.\n\nSkala i wydajna architektura\n\nProducent opisuje ponad 1 bln parametrów łącznie, z 42 mld aktywnych parametrów. Pro rozszerza podejście hybrydowej uwagi MiMo-V2-Flash, wykorzystując proporcję 7:1 między uwagą w przesuwanym oknie a uwagą globalną. Lekka warstwa przewidywania wielu tokenów wspiera generowanie, a deklarowany kontekst sięga 1 mln tokenów. Są to właściwości architektury i kontekstu Pro; nie określają szybkości wykonywania, przydziału pamięci ani limitów żądań konkretnej integracji.\n\nPochodzenie wydania\n\nXiaomi wskazuje Hunter Alpha jako wczesną wewnętrzną wersję testową poprzedzającą MiMo-V2-Pro. Wydany model Pro ma własną nazwę i udoskonalenia pracy z długim kontekstem oraz stabilności w scenariuszach agentowych. To rozróżnienie ma znaczenie przy porównywaniu opisów lub zachowywaniu tożsamości modelu: wcześniejsza wersja testowa, MiMo-V2-Flash i MiMo-V2-Omni mają osobne role i specyfikacje.\n\nZbudowany dla agentów\n\nModel jest dostrajany przez uczenie nadzorowane i uczenie ze wzmocnieniem w różnych frameworkach agentowych, ze szczególnym uwzględnieniem wywołań narzędzi i wieloetapowego rozumowania. Przygotuj zadanie z obserwowalnym warunkiem ukończenia i opisami dostępnych narzędzi. Na przykład asystent projektu może otrzymać prośbę o zmianę, zbadać dostarczone moduły, zaproponować dotknięte komponenty i kontynuować po zwróceniu błędu kompilacji przez narzędzie. Przydatny wynik to sekwencja decyzji powiązanych z rzeczywistymi obserwacjami, po której następuje żądany kod, wyjaśnienie lub podsumowanie pracy. Działania wykonuje połączone środowisko.\n\nInżynieria oprogramowania i zadania frontendowe\n\nXiaomi wyróżnia projektowanie systemów, planowanie zadań i rozwiązywanie problemów związanych z kodem. Demonstracje obejmują interaktywne strony internetowe i grę przeglądarkową utworzone w środowisku agentowym. Przykładowy opis zadania programistycznego może określać zachowanie strony, nawigację, stany danych i układ responsywny, a następnie żądać implementacji i kontroli zgodności z tymi wymaganiami. Dla istniejącego projektu dostarcz bieżące pliki, przypadek błędu i interfejsy, które muszą pozostać niezmienione. Poproś o ukierunkowaną zmianę i wyjaśnienie zależności, których dotyka, zamiast o niepowiązaną aplikację zastępczą.\n\nDługi kontekst i sprawdzalny wynik\n\nKontekst do 1 mln tokenów jest przydatny, gdy kilka plików, dokumentów, instrukcji i wcześniejszych obserwacji należy do jednego zadania. Uporządkuj ten materiał według roli: wiążące wymagania, bieżący kod, przykłady referencyjne i wyniki narzędzi. Określ końcowy artefakt i jego warunki akceptacji, zanim poprosisz agenta o działanie. Zadanie dokumentacyjne może wymagać porównania z nierozstrzygniętymi pytaniami; zadanie inżynierskie może wymagać poprawki i zapisu wykonanych kontroli.\n\nPraktyczne ograniczenia i zakres edycji\n\nDługi kontekst zapewnia miejsce na materiał, ale nie gwarantuje poprawności wygenerowanego projektu ani spełnienia każdego wymagania. Zwracaj rzeczywiste błędy i obserwacje na potrzeby kolejnego kroku oraz weryfikuj wynik w docelowym środowisku. Producent wyraźnie przedstawia odporność w złożonych rzeczywistych zadaniach jako właściwość wymagającą oceny i doskonalenia. Ten opis obejmuje tekstową i narzędziową specjalizację agentową MiMo-V2-Pro; funkcje modalności Omni i specyfikacje późniejszych generacji MiMo należą do ich odpowiednich modeli. Narzędzia, dostępne parametry i obsługa wyników pozostają właściwościami połączonej aplikacji.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Correct an error-state transition\n\nA text specification says a search box has idle, loading, results and error states. Existing logic sets loading=true before fetch and false only on success, so failures leave the spinner visible. Propose pseudocode that preserves results on success, shows an error on failure and always clears loading. Include the two distinguishing checks.Focused async pseudocode and success/failure checks covering final loading state and visible result or error.Check that loading is cleared in both branches without suppressing the error.mimo-v2-proMiMo-V2-Pro to model tekstowy firmy Xiaomi ukierunkowany na agentów, do inżynierii oprogramowania, planowania wieloetapowego i pracy z narzędziami. Jego kontekst do 1 mln tokenów pomaga utrzymać obszerne materiały projektu, ograniczenia zadania i kolejne obserwacje w spójnym przepływie pracy.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Podstawa pracy agentowej
MiMo-V2-Pro to flagowy model bazowy firmy Xiaomi do złożonych obciążeń agentowych i inżynierii oprogramowania. Jego rolą jest rozumowanie nad zadaniem, organizowanie wymaganych kroków i wykorzystywanie informacji zwracanych przez narzędzia, aby dążyć do określonego wyniku. Model wykracza poza tworzenie pojedynczej odpowiedzi: został zaprojektowany do powiązanej pracy, w której wcześniejsze decyzje i obserwacje wpływają na dalszy przebieg.
Skala i wydajna architektura
Producent opisuje ponad 1 bln parametrów łącznie, z 42 mld aktywnych parametrów. Pro rozszerza podejście hybrydowej uwagi MiMo-V2-Flash, wykorzystując proporcję 7:1 między uwagą w przesuwanym oknie a uwagą globalną. Lekka warstwa przewidywania wielu tokenów wspiera generowanie, a deklarowany kontekst sięga 1 mln tokenów. Są to właściwości architektury i kontekstu Pro; nie określają szybkości wykonywania, przydziału pamięci ani limitów żądań konkretnej integracji.
Pochodzenie wydania
Xiaomi wskazuje Hunter Alpha jako wczesną wewnętrzną wersję testową poprzedzającą MiMo-V2-Pro. Wydany model Pro ma własną nazwę i udoskonalenia pracy z długim kontekstem oraz stabilności w scenariuszach agentowych. To rozróżnienie ma znaczenie przy porównywaniu opisów lub zachowywaniu tożsamości modelu: wcześniejsza wersja testowa, MiMo-V2-Flash i MiMo-V2-Omni mają osobne role i specyfikacje.
Zbudowany dla agentów
Model jest dostrajany przez uczenie nadzorowane i uczenie ze wzmocnieniem w różnych frameworkach agentowych, ze szczególnym uwzględnieniem wywołań narzędzi i wieloetapowego rozumowania. Przygotuj zadanie z obserwowalnym warunkiem ukończenia i opisami dostępnych narzędzi. Na przykład asystent projektu może otrzymać prośbę o zmianę, zbadać dostarczone moduły, zaproponować dotknięte komponenty i kontynuować po zwróceniu błędu kompilacji przez narzędzie. Przydatny wynik to sekwencja decyzji powiązanych z rzeczywistymi obserwacjami, po której następuje żądany kod, wyjaśnienie lub podsumowanie pracy. Działania wykonuje połączone środowisko.
Inżynieria oprogramowania i zadania frontendowe
Xiaomi wyróżnia projektowanie systemów, planowanie zadań i rozwiązywanie problemów związanych z kodem. Demonstracje obejmują interaktywne strony internetowe i grę przeglądarkową utworzone w środowisku agentowym. Przykładowy opis zadania programistycznego może określać zachowanie strony, nawigację, stany danych i układ responsywny, a następnie żądać implementacji i kontroli zgodności z tymi wymaganiami. Dla istniejącego projektu dostarcz bieżące pliki, przypadek błędu i interfejsy, które muszą pozostać niezmienione. Poproś o ukierunkowaną zmianę i wyjaśnienie zależności, których dotyka, zamiast o niepowiązaną aplikację zastępczą.
Długi kontekst i sprawdzalny wynik
Kontekst do 1 mln tokenów jest przydatny, gdy kilka plików, dokumentów, instrukcji i wcześniejszych obserwacji należy do jednego zadania. Uporządkuj ten materiał według roli: wiążące wymagania, bieżący kod, przykłady referencyjne i wyniki narzędzi. Określ końcowy artefakt i jego warunki akceptacji, zanim poprosisz agenta o działanie. Zadanie dokumentacyjne może wymagać porównania z nierozstrzygniętymi pytaniami; zadanie inżynierskie może wymagać poprawki i zapisu wykonanych kontroli.
Praktyczne ograniczenia i zakres edycji
Długi kontekst zapewnia miejsce na materiał, ale nie gwarantuje poprawności wygenerowanego projektu ani spełnienia każdego wymagania. Zwracaj rzeczywiste błędy i obserwacje na potrzeby kolejnego kroku oraz weryfikuj wynik w docelowym środowisku. Producent wyraźnie przedstawia odporność w złożonych rzeczywistych zadaniach jako właściwość wymagającą oceny i doskonalenia. Ten opis obejmuje tekstową i narzędziową specjalizację agentową MiMo-V2-Pro; funkcje modalności Omni i specyfikacje późniejszych generacji MiMo należą do ich odpowiednich modeli. Narzędzia, dostępne parametry i obsługa wyników pozostają właściwościami połączonej aplikacji.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity mimo-v2-pro | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.0022 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0066 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mimo-v2-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='mimo-v2-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='mimo-v2-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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra mimo-v2-pro
Użyj ścieżek metod podanych powyżej.
mimo-v2-proMiMo-V2-Pro to model tekstowy firmy Xiaomi ukierunkowany na agentów, do inżynierii oprogramowania, planowania wieloetapowego i pracy z narzędziami. Jego kontekst do 1 mln tokenów pomaga utrzymać obszerne materiały projektu, ograniczenia zadania i kolejne obserwacje w spójnym przepływie pracy.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Podstawa pracy agentowej
MiMo-V2-Pro to flagowy model bazowy firmy Xiaomi do złożonych obciążeń agentowych i inżynierii oprogramowania. Jego rolą jest rozumowanie nad zadaniem, organizowanie wymaganych kroków i wykorzystywanie informacji zwracanych przez narzędzia, aby dążyć do określonego wyniku. Model wykracza poza tworzenie pojedynczej odpowiedzi: został zaprojektowany do powiązanej pracy, w której wcześniejsze decyzje i obserwacje wpływają na dalszy przebieg.
Skala i wydajna architektura
Producent opisuje ponad 1 bln parametrów łącznie, z 42 mld aktywnych parametrów. Pro rozszerza podejście hybrydowej uwagi MiMo-V2-Flash, wykorzystując proporcję 7:1 między uwagą w przesuwanym oknie a uwagą globalną. Lekka warstwa przewidywania wielu tokenów wspiera generowanie, a deklarowany kontekst sięga 1 mln tokenów. Są to właściwości architektury i kontekstu Pro; nie określają szybkości wykonywania, przydziału pamięci ani limitów żądań konkretnej integracji.
Pochodzenie wydania
Xiaomi wskazuje Hunter Alpha jako wczesną wewnętrzną wersję testową poprzedzającą MiMo-V2-Pro. Wydany model Pro ma własną nazwę i udoskonalenia pracy z długim kontekstem oraz stabilności w scenariuszach agentowych. To rozróżnienie ma znaczenie przy porównywaniu opisów lub zachowywaniu tożsamości modelu: wcześniejsza wersja testowa, MiMo-V2-Flash i MiMo-V2-Omni mają osobne role i specyfikacje.
Zbudowany dla agentów
Model jest dostrajany przez uczenie nadzorowane i uczenie ze wzmocnieniem w różnych frameworkach agentowych, ze szczególnym uwzględnieniem wywołań narzędzi i wieloetapowego rozumowania. Przygotuj zadanie z obserwowalnym warunkiem ukończenia i opisami dostępnych narzędzi. Na przykład asystent projektu może otrzymać prośbę o zmianę, zbadać dostarczone moduły, zaproponować dotknięte komponenty i kontynuować po zwróceniu błędu kompilacji przez narzędzie. Przydatny wynik to sekwencja decyzji powiązanych z rzeczywistymi obserwacjami, po której następuje żądany kod, wyjaśnienie lub podsumowanie pracy. Działania wykonuje połączone środowisko.
Inżynieria oprogramowania i zadania frontendowe
Xiaomi wyróżnia projektowanie systemów, planowanie zadań i rozwiązywanie problemów związanych z kodem. Demonstracje obejmują interaktywne strony internetowe i grę przeglądarkową utworzone w środowisku agentowym. Przykładowy opis zadania programistycznego może określać zachowanie strony, nawigację, stany danych i układ responsywny, a następnie żądać implementacji i kontroli zgodności z tymi wymaganiami. Dla istniejącego projektu dostarcz bieżące pliki, przypadek błędu i interfejsy, które muszą pozostać niezmienione. Poproś o ukierunkowaną zmianę i wyjaśnienie zależności, których dotyka, zamiast o niepowiązaną aplikację zastępczą.
Długi kontekst i sprawdzalny wynik
Kontekst do 1 mln tokenów jest przydatny, gdy kilka plików, dokumentów, instrukcji i wcześniejszych obserwacji należy do jednego zadania. Uporządkuj ten materiał według roli: wiążące wymagania, bieżący kod, przykłady referencyjne i wyniki narzędzi. Określ końcowy artefakt i jego warunki akceptacji, zanim poprosisz agenta o działanie. Zadanie dokumentacyjne może wymagać porównania z nierozstrzygniętymi pytaniami; zadanie inżynierskie może wymagać poprawki i zapisu wykonanych kontroli.
Praktyczne ograniczenia i zakres edycji
Długi kontekst zapewnia miejsce na materiał, ale nie gwarantuje poprawności wygenerowanego projektu ani spełnienia każdego wymagania. Zwracaj rzeczywiste błędy i obserwacje na potrzeby kolejnego kroku oraz weryfikuj wynik w docelowym środowisku. Producent wyraźnie przedstawia odporność w złożonych rzeczywistych zadaniach jako właściwość wymagającą oceny i doskonalenia. Ten opis obejmuje tekstową i narzędziową specjalizację agentową MiMo-V2-Pro; funkcje modalności Omni i specyfikacje późniejszych generacji MiMo należą do ich odpowiednich modeli. Narzędzia, dostępne parametry i obsługa wyników pozostają właściwościami połączonej aplikacji.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity mimo-v2-pro | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
| Konfiguracja | Tabela stawek | Opłata |
|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Opłata Wejście · Tokeny wejściowe $0.0022 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0066 / 1K tokenów Wejście · Odczyt cache $0 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "mimo-v2-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mimo-v2-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': 'mimo-v2-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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra mimo-v2-pro
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Correct an error-state transition\n\nA text specification says a search box has idle, loading, results and error states. Existing logic sets loading=true before fetch and false only on success, so failures leave the spinner visible. Propose pseudocode that preserves results on success, shows an error on failure and always clears loading. Include the two distinguishing checks.Focused async pseudocode and success/failure checks covering final loading state and visible result or error.Check that loading is cleared in both branches without suppressing the error.