MiMo-V2.5 to natywny omnimodalny model Xiaomi, który w jednej architekturze rozumie tekst, obrazy, wideo i dźwięk. Łączy percepcję multimodalną z rozumowaniem w długim kontekście i procesami agentowymi. Producent opisuje rzadki model mixture-of-experts z 310B parametrów łącznie i 15B parametrów aktywowanych. Odpowiedź ma postać tekstu lub instrukcji użycia narzędzia dla obsługującej aplikacji; rozumienie dźwięku lub obrazu jest czymś odrębnym od generowania nowych multimediów.
Podstawa językowa rozwija architekturę MiMo-V2-Flash, łącząc uwagę w oknie przesuwnym i uwagę globalną w układzie 5:1, z lokalnym oknem 128 tokenów. Xiaomi dodaje wyspecjalizowany transformator wizyjny z 729M parametrów oraz enkoder dźwięku z 261M parametrów, zainicjalizowany z MiMo-Audio. Trzy moduły przewidywania wielu tokenów wspierają dekodowanie spekulacyjne. Lokalne okno uwagi jest szczegółem architektury; dla połączonej historii zadania producent podaje znacznie większy kontekst, do miliona tokenów.
Przy analizie obrazu dostarcz czytelne źródło i wskaż relację lub szczegół, który odpowiedź ma wyjaśnić. Zadanie dotyczące dokumentu może wymagać tabeli zaobserwowanych pól z odpowiednią stroną lub obszarem; zadanie projektowe może powiązać układ ze zrzutu ekranu z wymaganiem implementacji. Zachowaj obraz źródłowy, aby można było sprawdzić drobny tekst, liczby i obserwacje przestrzenne. Poproś model, by pozostawiał niejasne dane jako niejasne, zamiast zamieniać niewyraźny znak w pewną wartość.
W przypadku wideo lub dźwięku połącz materiał z konkretnym pytaniem i kontekstem potrzebnym do interpretacji. Użyteczny proces może wyjaśniać sekwencję działań w interfejsie z nagrania, wskazywać, gdzie zaobserwowane zachowanie odbiega od zamierzonych kroków, i przygotowywać diagnozę powiązaną z odpowiednim odcinkiem. Zachowaj chronologię i oryginalne nagranie do kontroli. Wynik tekstowy może stać się wejściem do późniejszego raportu, tworzenia napisów lub edycji, bez twierdzenia, że sam jest nowym wideo lub ścieżką głosową.
Przy zadaniu agentowym podaj cel, istotny materiał źródłowy i kontrakty wejścia narzędzi udostępnianych przez aplikację. Zachowuj rzeczywiste wyniki narzędzi w historii, aby model dostosowywał kolejny krok do tego, co się wydarzyło. Zadanie dotyczące repozytorium może łączyć kod, zrzut ekranu wyniku i rezultat kontroli, aby przygotować konkretną propozycję zmiany. Zapisz, czy operację wykonano i czy zaobserwowany rezultat spełnia wymagane zachowanie.
Proces treningu producenta zaczyna się od wstępnego treningu tekstowego, następnie przygotowuje projektory obrazu i dźwięku, po czym przechodzi do multimodalnego treningu wstępnego. Nadzorowany trening agentowy stopniowo wydłuża kontekst od 32K przez 256K do 1M; uczenie ze wzmocnieniem i destylacja on-policy od wielu nauczycieli rozwijają następnie percepcję, rozumowanie i zachowanie agentowe. Producent podaje około 48 bilionów tokenów treningowych. Ta historia treningu wyjaśnia łączny zakres wejść i zadań, ale nie gwarantuje wyniku dla konkretnego nagrania lub repozytorium.
Podsumowanie modelu podaje obsługę do 1M tokenów, podczas gdy opublikowany przykład uruchomienia używa konfiguracji kontekstu 262 144 tokenów. Oddzielaj możliwości modelu od okna roboczego wybranej implementacji i pozostaw miejsce na generowaną odpowiedź oraz kolejne wyniki narzędzi. Xiaomi zaleca temperature 1.0 i top_p 0.95 do lokalnego wnioskowania. Przygotowanie multimediów i ustawienia aplikacji powinny odpowiadać konkretnemu interfejsowi użytemu w zadaniu.
MiMo-V2.5 jest omnimodalnym modelem siostrzanym większego, tekstowego MiMo-V2.5-Pro. Zachowaj to rozróżnienie wydania w zapisie wyniku. Użyteczny rezultat końcowy to wyjaśnienie, wyodrębnione dane lub propozycja zmiany powiązane z dostarczonym tekstem i multimediami, z zachowaniem niepewnych obserwacji i niezweryfikowanych wyników narzędzi do późniejszej korekty.
", "aboutText": "MiMo-V2.5 to natywny omnimodalny model Xiaomi, który w jednej architekturze rozumie tekst, obrazy, wideo i dźwięk. Łączy percepcję multimodalną z rozumowaniem w długim kontekście i procesami agentowymi. Producent opisuje rzadki model mixture-of-experts z 310B parametrów łącznie i 15B parametrów aktywowanych. Odpowiedź ma postać tekstu lub instrukcji użycia narzędzia dla obsługującej aplikacji; rozumienie dźwięku lub obrazu jest czymś odrębnym od generowania nowych multimediów.\n\nPodstawa językowa rozwija architekturę MiMo-V2-Flash, łącząc uwagę w oknie przesuwnym i uwagę globalną w układzie 5:1, z lokalnym oknem 128 tokenów. Xiaomi dodaje wyspecjalizowany transformator wizyjny z 729M parametrów oraz enkoder dźwięku z 261M parametrów, zainicjalizowany z MiMo-Audio. Trzy moduły przewidywania wielu tokenów wspierają dekodowanie spekulacyjne. Lokalne okno uwagi jest szczegółem architektury; dla połączonej historii zadania producent podaje znacznie większy kontekst, do miliona tokenów.\n\nPrzy analizie obrazu dostarcz czytelne źródło i wskaż relację lub szczegół, który odpowiedź ma wyjaśnić. Zadanie dotyczące dokumentu może wymagać tabeli zaobserwowanych pól z odpowiednią stroną lub obszarem; zadanie projektowe może powiązać układ ze zrzutu ekranu z wymaganiem implementacji. Zachowaj obraz źródłowy, aby można było sprawdzić drobny tekst, liczby i obserwacje przestrzenne. Poproś model, by pozostawiał niejasne dane jako niejasne, zamiast zamieniać niewyraźny znak w pewną wartość.\n\nW przypadku wideo lub dźwięku połącz materiał z konkretnym pytaniem i kontekstem potrzebnym do interpretacji. Użyteczny proces może wyjaśniać sekwencję działań w interfejsie z nagrania, wskazywać, gdzie zaobserwowane zachowanie odbiega od zamierzonych kroków, i przygotowywać diagnozę powiązaną z odpowiednim odcinkiem. Zachowaj chronologię i oryginalne nagranie do kontroli. Wynik tekstowy może stać się wejściem do późniejszego raportu, tworzenia napisów lub edycji, bez twierdzenia, że sam jest nowym wideo lub ścieżką głosową.\n\nPrzy zadaniu agentowym podaj cel, istotny materiał źródłowy i kontrakty wejścia narzędzi udostępnianych przez aplikację. Zachowuj rzeczywiste wyniki narzędzi w historii, aby model dostosowywał kolejny krok do tego, co się wydarzyło. Zadanie dotyczące repozytorium może łączyć kod, zrzut ekranu wyniku i rezultat kontroli, aby przygotować konkretną propozycję zmiany. Zapisz, czy operację wykonano i czy zaobserwowany rezultat spełnia wymagane zachowanie.\n\nProces treningu producenta zaczyna się od wstępnego treningu tekstowego, następnie przygotowuje projektory obrazu i dźwięku, po czym przechodzi do multimodalnego treningu wstępnego. Nadzorowany trening agentowy stopniowo wydłuża kontekst od 32K przez 256K do 1M; uczenie ze wzmocnieniem i destylacja on-policy od wielu nauczycieli rozwijają następnie percepcję, rozumowanie i zachowanie agentowe. Producent podaje około 48 bilionów tokenów treningowych. Ta historia treningu wyjaśnia łączny zakres wejść i zadań, ale nie gwarantuje wyniku dla konkretnego nagrania lub repozytorium.\n\nPodsumowanie modelu podaje obsługę do 1M tokenów, podczas gdy opublikowany przykład uruchomienia używa konfiguracji kontekstu 262 144 tokenów. Oddzielaj możliwości modelu od okna roboczego wybranej implementacji i pozostaw miejsce na generowaną odpowiedź oraz kolejne wyniki narzędzi. Xiaomi zaleca temperature 1.0 i top_p 0.95 do lokalnego wnioskowania. Przygotowanie multimediów i ustawienia aplikacji powinny odpowiadać konkretnemu interfejsowi użytemu w zadaniu.\n\nMiMo-V2.5 jest omnimodalnym modelem siostrzanym większego, tekstowego MiMo-V2.5-Pro. Zachowaj to rozróżnienie wydania w zapisie wyniku. Użyteczny rezultat końcowy to wyjaśnienie, wyodrębnione dane lub propozycja zmiany powiązane z dostarczonym tekstem i multimediami, z zachowaniem niepewnych obserwacji i niezweryfikowanych wyników narzędzi do późniejszej korekty.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Diagnose a workflow from a text timeline\n\nAnalyze this supplied text timeline against the intended order 'select a file, validate it, then import'. Actual log: 00:01 selected sales.csv; 00:02 import started; 00:03 validation failed for missing column; 00:04 import marked complete. Identify the first divergence, explain the inconsistent final state and propose a focused correction with a regression scenario. No recording is attached.A timestamp-linked diagnosis, a correction to stage ordering/state handling and a regression scenario.The diagnosis identifies import before validation and prevents a failed validation from ending in complete status.xiaomi/mimo-v2.5MiMo-V2.5 rozumie tekst, obrazy, wideo i dźwięk w jednym modelu do analizy multimodalnej i zadań agentowych. Xiaomi dokumentuje 310B parametrów łącznie, 15B parametrów aktywnych i kontekst do miliona tokenów, z dedykowanymi koderami obrazu i dźwięku.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
MiMo-V2.5 to natywny omnimodalny model Xiaomi, który w jednej architekturze rozumie tekst, obrazy, wideo i dźwięk. Łączy percepcję multimodalną z rozumowaniem w długim kontekście i procesami agentowymi. Producent opisuje rzadki model mixture-of-experts z 310B parametrów łącznie i 15B parametrów aktywowanych. Odpowiedź ma postać tekstu lub instrukcji użycia narzędzia dla obsługującej aplikacji; rozumienie dźwięku lub obrazu jest czymś odrębnym od generowania nowych multimediów.
Podstawa językowa rozwija architekturę MiMo-V2-Flash, łącząc uwagę w oknie przesuwnym i uwagę globalną w układzie 5:1, z lokalnym oknem 128 tokenów. Xiaomi dodaje wyspecjalizowany transformator wizyjny z 729M parametrów oraz enkoder dźwięku z 261M parametrów, zainicjalizowany z MiMo-Audio. Trzy moduły przewidywania wielu tokenów wspierają dekodowanie spekulacyjne. Lokalne okno uwagi jest szczegółem architektury; dla połączonej historii zadania producent podaje znacznie większy kontekst, do miliona tokenów.
Przy analizie obrazu dostarcz czytelne źródło i wskaż relację lub szczegół, który odpowiedź ma wyjaśnić. Zadanie dotyczące dokumentu może wymagać tabeli zaobserwowanych pól z odpowiednią stroną lub obszarem; zadanie projektowe może powiązać układ ze zrzutu ekranu z wymaganiem implementacji. Zachowaj obraz źródłowy, aby można było sprawdzić drobny tekst, liczby i obserwacje przestrzenne. Poproś model, by pozostawiał niejasne dane jako niejasne, zamiast zamieniać niewyraźny znak w pewną wartość.
W przypadku wideo lub dźwięku połącz materiał z konkretnym pytaniem i kontekstem potrzebnym do interpretacji. Użyteczny proces może wyjaśniać sekwencję działań w interfejsie z nagrania, wskazywać, gdzie zaobserwowane zachowanie odbiega od zamierzonych kroków, i przygotowywać diagnozę powiązaną z odpowiednim odcinkiem. Zachowaj chronologię i oryginalne nagranie do kontroli. Wynik tekstowy może stać się wejściem do późniejszego raportu, tworzenia napisów lub edycji, bez twierdzenia, że sam jest nowym wideo lub ścieżką głosową.
Przy zadaniu agentowym podaj cel, istotny materiał źródłowy i kontrakty wejścia narzędzi udostępnianych przez aplikację. Zachowuj rzeczywiste wyniki narzędzi w historii, aby model dostosowywał kolejny krok do tego, co się wydarzyło. Zadanie dotyczące repozytorium może łączyć kod, zrzut ekranu wyniku i rezultat kontroli, aby przygotować konkretną propozycję zmiany. Zapisz, czy operację wykonano i czy zaobserwowany rezultat spełnia wymagane zachowanie.
Proces treningu producenta zaczyna się od wstępnego treningu tekstowego, następnie przygotowuje projektory obrazu i dźwięku, po czym przechodzi do multimodalnego treningu wstępnego. Nadzorowany trening agentowy stopniowo wydłuża kontekst od 32K przez 256K do 1M; uczenie ze wzmocnieniem i destylacja on-policy od wielu nauczycieli rozwijają następnie percepcję, rozumowanie i zachowanie agentowe. Producent podaje około 48 bilionów tokenów treningowych. Ta historia treningu wyjaśnia łączny zakres wejść i zadań, ale nie gwarantuje wyniku dla konkretnego nagrania lub repozytorium.
Podsumowanie modelu podaje obsługę do 1M tokenów, podczas gdy opublikowany przykład uruchomienia używa konfiguracji kontekstu 262 144 tokenów. Oddzielaj możliwości modelu od okna roboczego wybranej implementacji i pozostaw miejsce na generowaną odpowiedź oraz kolejne wyniki narzędzi. Xiaomi zaleca temperature 1.0 i top_p 0.95 do lokalnego wnioskowania. Przygotowanie multimediów i ustawienia aplikacji powinny odpowiadać konkretnemu interfejsowi użytemu w zadaniu.
MiMo-V2.5 jest omnimodalnym modelem siostrzanym większego, tekstowego MiMo-V2.5-Pro. Zachowaj to rozróżnienie wydania w zapisie wyniku. Użyteczny rezultat końcowy to wyjaśnienie, wyodrębnione dane lub propozycja zmiany powiązane z dostarczonym tekstem i multimediami, z zachowaniem niepewnych obserwacji i niezweryfikowanych wyników narzędzi do późniejszej korekty.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity xiaomi/mimo-v2.5 | 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.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00028 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00056 / 1K tokenów Wejście · Odczyt cache $0.0000056 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00028 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00056 / 1K tokenów Wejście · Odczyt cache $0.0000056 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "xiaomi/mimo-v2.5", "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',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',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 xiaomi/mimo-v2.5
Użyj ścieżek metod podanych powyżej.
xiaomi/mimo-v2.5MiMo-V2.5 rozumie tekst, obrazy, wideo i dźwięk w jednym modelu do analizy multimodalnej i zadań agentowych. Xiaomi dokumentuje 310B parametrów łącznie, 15B parametrów aktywnych i kontekst do miliona tokenów, z dedykowanymi koderami obrazu i dźwięku.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
MiMo-V2.5 to natywny omnimodalny model Xiaomi, który w jednej architekturze rozumie tekst, obrazy, wideo i dźwięk. Łączy percepcję multimodalną z rozumowaniem w długim kontekście i procesami agentowymi. Producent opisuje rzadki model mixture-of-experts z 310B parametrów łącznie i 15B parametrów aktywowanych. Odpowiedź ma postać tekstu lub instrukcji użycia narzędzia dla obsługującej aplikacji; rozumienie dźwięku lub obrazu jest czymś odrębnym od generowania nowych multimediów.
Podstawa językowa rozwija architekturę MiMo-V2-Flash, łącząc uwagę w oknie przesuwnym i uwagę globalną w układzie 5:1, z lokalnym oknem 128 tokenów. Xiaomi dodaje wyspecjalizowany transformator wizyjny z 729M parametrów oraz enkoder dźwięku z 261M parametrów, zainicjalizowany z MiMo-Audio. Trzy moduły przewidywania wielu tokenów wspierają dekodowanie spekulacyjne. Lokalne okno uwagi jest szczegółem architektury; dla połączonej historii zadania producent podaje znacznie większy kontekst, do miliona tokenów.
Przy analizie obrazu dostarcz czytelne źródło i wskaż relację lub szczegół, który odpowiedź ma wyjaśnić. Zadanie dotyczące dokumentu może wymagać tabeli zaobserwowanych pól z odpowiednią stroną lub obszarem; zadanie projektowe może powiązać układ ze zrzutu ekranu z wymaganiem implementacji. Zachowaj obraz źródłowy, aby można było sprawdzić drobny tekst, liczby i obserwacje przestrzenne. Poproś model, by pozostawiał niejasne dane jako niejasne, zamiast zamieniać niewyraźny znak w pewną wartość.
W przypadku wideo lub dźwięku połącz materiał z konkretnym pytaniem i kontekstem potrzebnym do interpretacji. Użyteczny proces może wyjaśniać sekwencję działań w interfejsie z nagrania, wskazywać, gdzie zaobserwowane zachowanie odbiega od zamierzonych kroków, i przygotowywać diagnozę powiązaną z odpowiednim odcinkiem. Zachowaj chronologię i oryginalne nagranie do kontroli. Wynik tekstowy może stać się wejściem do późniejszego raportu, tworzenia napisów lub edycji, bez twierdzenia, że sam jest nowym wideo lub ścieżką głosową.
Przy zadaniu agentowym podaj cel, istotny materiał źródłowy i kontrakty wejścia narzędzi udostępnianych przez aplikację. Zachowuj rzeczywiste wyniki narzędzi w historii, aby model dostosowywał kolejny krok do tego, co się wydarzyło. Zadanie dotyczące repozytorium może łączyć kod, zrzut ekranu wyniku i rezultat kontroli, aby przygotować konkretną propozycję zmiany. Zapisz, czy operację wykonano i czy zaobserwowany rezultat spełnia wymagane zachowanie.
Proces treningu producenta zaczyna się od wstępnego treningu tekstowego, następnie przygotowuje projektory obrazu i dźwięku, po czym przechodzi do multimodalnego treningu wstępnego. Nadzorowany trening agentowy stopniowo wydłuża kontekst od 32K przez 256K do 1M; uczenie ze wzmocnieniem i destylacja on-policy od wielu nauczycieli rozwijają następnie percepcję, rozumowanie i zachowanie agentowe. Producent podaje około 48 bilionów tokenów treningowych. Ta historia treningu wyjaśnia łączny zakres wejść i zadań, ale nie gwarantuje wyniku dla konkretnego nagrania lub repozytorium.
Podsumowanie modelu podaje obsługę do 1M tokenów, podczas gdy opublikowany przykład uruchomienia używa konfiguracji kontekstu 262 144 tokenów. Oddzielaj możliwości modelu od okna roboczego wybranej implementacji i pozostaw miejsce na generowaną odpowiedź oraz kolejne wyniki narzędzi. Xiaomi zaleca temperature 1.0 i top_p 0.95 do lokalnego wnioskowania. Przygotowanie multimediów i ustawienia aplikacji powinny odpowiadać konkretnemu interfejsowi użytemu w zadaniu.
MiMo-V2.5 jest omnimodalnym modelem siostrzanym większego, tekstowego MiMo-V2.5-Pro. Zachowaj to rozróżnienie wydania w zapisie wyniku. Użyteczny rezultat końcowy to wyjaśnienie, wyodrębnione dane lub propozycja zmiany powiązane z dostarczonym tekstem i multimediami, z zachowaniem niepewnych obserwacji i niezweryfikowanych wyników narzędzi do późniejszej korekty.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity xiaomi/mimo-v2.5 | 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.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00028 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00056 / 1K tokenów Wejście · Odczyt cache $0.0000056 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.00028 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00056 / 1K tokenów Wejście · Odczyt cache $0.0000056 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "xiaomi/mimo-v2.5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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 xiaomi/mimo-v2.5
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Diagnose a workflow from a text timeline\n\nAnalyze this supplied text timeline against the intended order 'select a file, validate it, then import'. Actual log: 00:01 selected sales.csv; 00:02 import started; 00:03 validation failed for missing column; 00:04 import marked complete. Identify the first divergence, explain the inconsistent final state and propose a focused correction with a regression scenario. No recording is attached.A timestamp-linked diagnosis, a correction to stage ordering/state handling and a regression scenario.The diagnosis identifies import before validation and prevents a failed validation from ending in complete status.