Base para trabalho com agentes
MiMo-V2-Pro é o principal modelo fundacional da Xiaomi para cargas de trabalho complexas com agentes e engenharia de software. O seu papel é raciocinar sobre uma tarefa, organizar os passos necessários e usar informação devolvida pelas ferramentas para avançar para um resultado definido. A ênfase do modelo ultrapassa a redação de uma única resposta: foi concebido para trabalho encadeado em que decisões e observações anteriores influenciam o que acontece a seguir.
Escala e arquitetura eficiente
O fabricante descreve mais de 1 bilião de parâmetros no total, com 42 mil milhões de parâmetros ativos. Pro alarga a abordagem de atenção híbrida do MiMo-V2-Flash, com uma proporção de 7:1 entre atenção de janela deslizante e atenção global. Uma camada leve de previsão de vários tokens apoia a geração, e o contexto anunciado atinge 1 milhão de tokens. São propriedades arquitetónicas e de contexto do Pro; não especificam a velocidade de execução, a alocação de memória ou os limites de pedidos de uma integração concreta.
Evolução das versões
A Xiaomi identifica Hunter Alpha como uma versão interna de teste inicial anterior ao MiMo-V2-Pro. O modelo Pro publicado tem nome próprio e aperfeiçoamentos no trabalho com contexto longo e na estabilidade em cenários com agentes. Esta distinção é importante ao comparar descrições ou preservar a identidade de um modelo: uma versão de teste anterior, MiMo-V2-Flash e MiMo-V2-Omni têm, cada um, um papel e uma especificação próprios.
Concebido para agentes
O modelo é ajustado através de aprendizagem supervisionada e aprendizagem por reforço em diferentes estruturas de agentes, com atenção às chamadas de ferramentas e ao raciocínio em vários passos. Prepare uma tarefa com uma condição de conclusão observável e descrições das ferramentas disponíveis. Por exemplo, um assistente de projeto pode receber um pedido de alteração, examinar os módulos fornecidos, propor as componentes afetadas e continuar depois de uma ferramenta devolver um erro de compilação. A saída útil é uma sequência de decisões ligadas a observações efetivas, seguida do código, da explicação ou do resumo do trabalho solicitado. O ambiente ligado executa as ações.
Engenharia de software e tarefas de interface
A Xiaomi destaca a conceção de sistemas, o planeamento de tarefas e a resolução de problemas orientada para código. As demonstrações incluem páginas Web interativas e um jogo no navegador produzidos num ambiente de agente. Um enunciado de desenvolvimento ilustrativo pode especificar o comportamento da página, a navegação, os estados dos dados e uma disposição adaptável, pedindo depois uma implementação e verificações face a esses requisitos. Para um projeto existente, forneça os ficheiros atuais, o caso que falha e as interfaces que devem permanecer inalteradas. Peça uma alteração focada e uma explicação das dependências afetadas, em vez de uma aplicação de substituição sem relação com a tarefa.
Contexto longo e resultado verificável
O contexto até 1 milhão de tokens é útil quando vários ficheiros, documentos, instruções e observações anteriores pertencem à mesma tarefa. Organize esse material segundo o seu papel: requisitos provenientes de fontes de referência, código atual, exemplos de referência e resultados das ferramentas. Especifique o artefacto final e as condições de aceitação antes de pedir que o agente prossiga. Uma tarefa de documentação pode precisar de uma comparação com questões por resolver; uma tarefa de engenharia pode precisar de uma correção e de um registo do que foi verificado.
Limitações práticas e âmbito da edição
Um contexto longo dá espaço para material, mas não garante que um projeto gerado esteja correto ou que todos os requisitos tenham sido satisfeitos. Devolva erros e observações efetivos para o passo seguinte e valide o resultado no ambiente previsto. O fabricante apresenta explicitamente a robustez em tarefas reais complexas como algo a avaliar e melhorar. Esta descrição abrange a especialização do MiMo-V2-Pro como agente de texto e ferramentas; as capacidades multimodais do Omni e as especificações de gerações posteriores do MiMo pertencem aos respetivos modelos. As ferramentas, os parâmetros disponíveis e o tratamento da saída continuam a ser propriedades da aplicação ligada.
", "aboutText": "Base para trabalho com agentes\n\nMiMo-V2-Pro é o principal modelo fundacional da Xiaomi para cargas de trabalho complexas com agentes e engenharia de software. O seu papel é raciocinar sobre uma tarefa, organizar os passos necessários e usar informação devolvida pelas ferramentas para avançar para um resultado definido. A ênfase do modelo ultrapassa a redação de uma única resposta: foi concebido para trabalho encadeado em que decisões e observações anteriores influenciam o que acontece a seguir.\n\nEscala e arquitetura eficiente\n\nO fabricante descreve mais de 1 bilião de parâmetros no total, com 42 mil milhões de parâmetros ativos. Pro alarga a abordagem de atenção híbrida do MiMo-V2-Flash, com uma proporção de 7:1 entre atenção de janela deslizante e atenção global. Uma camada leve de previsão de vários tokens apoia a geração, e o contexto anunciado atinge 1 milhão de tokens. São propriedades arquitetónicas e de contexto do Pro; não especificam a velocidade de execução, a alocação de memória ou os limites de pedidos de uma integração concreta.\n\nEvolução das versões\n\nA Xiaomi identifica Hunter Alpha como uma versão interna de teste inicial anterior ao MiMo-V2-Pro. O modelo Pro publicado tem nome próprio e aperfeiçoamentos no trabalho com contexto longo e na estabilidade em cenários com agentes. Esta distinção é importante ao comparar descrições ou preservar a identidade de um modelo: uma versão de teste anterior, MiMo-V2-Flash e MiMo-V2-Omni têm, cada um, um papel e uma especificação próprios.\n\nConcebido para agentes\n\nO modelo é ajustado através de aprendizagem supervisionada e aprendizagem por reforço em diferentes estruturas de agentes, com atenção às chamadas de ferramentas e ao raciocínio em vários passos. Prepare uma tarefa com uma condição de conclusão observável e descrições das ferramentas disponíveis. Por exemplo, um assistente de projeto pode receber um pedido de alteração, examinar os módulos fornecidos, propor as componentes afetadas e continuar depois de uma ferramenta devolver um erro de compilação. A saída útil é uma sequência de decisões ligadas a observações efetivas, seguida do código, da explicação ou do resumo do trabalho solicitado. O ambiente ligado executa as ações.\n\nEngenharia de software e tarefas de interface\n\nA Xiaomi destaca a conceção de sistemas, o planeamento de tarefas e a resolução de problemas orientada para código. As demonstrações incluem páginas Web interativas e um jogo no navegador produzidos num ambiente de agente. Um enunciado de desenvolvimento ilustrativo pode especificar o comportamento da página, a navegação, os estados dos dados e uma disposição adaptável, pedindo depois uma implementação e verificações face a esses requisitos. Para um projeto existente, forneça os ficheiros atuais, o caso que falha e as interfaces que devem permanecer inalteradas. Peça uma alteração focada e uma explicação das dependências afetadas, em vez de uma aplicação de substituição sem relação com a tarefa.\n\nContexto longo e resultado verificável\n\nO contexto até 1 milhão de tokens é útil quando vários ficheiros, documentos, instruções e observações anteriores pertencem à mesma tarefa. Organize esse material segundo o seu papel: requisitos provenientes de fontes de referência, código atual, exemplos de referência e resultados das ferramentas. Especifique o artefacto final e as condições de aceitação antes de pedir que o agente prossiga. Uma tarefa de documentação pode precisar de uma comparação com questões por resolver; uma tarefa de engenharia pode precisar de uma correção e de um registo do que foi verificado.\n\nLimitações práticas e âmbito da edição\n\nUm contexto longo dá espaço para material, mas não garante que um projeto gerado esteja correto ou que todos os requisitos tenham sido satisfeitos. Devolva erros e observações efetivos para o passo seguinte e valide o resultado no ambiente previsto. O fabricante apresenta explicitamente a robustez em tarefas reais complexas como algo a avaliar e melhorar. Esta descrição abrange a especialização do MiMo-V2-Pro como agente de texto e ferramentas; as capacidades multimodais do Omni e as especificações de gerações posteriores do MiMo pertencem aos respetivos modelos. As ferramentas, os parâmetros disponíveis e o tratamento da saída continuam a ser propriedades da aplicação ligada.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
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 é o modelo de texto da Xiaomi orientado para agentes, engenharia de software, planeamento em vários passos e trabalho com ferramentas. O contexto até 1 milhão de tokens ajuda a manter material substancial do projeto, restrições da tarefa e observações sucessivas num fluxo de trabalho coerente.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Base para trabalho com agentes
MiMo-V2-Pro é o principal modelo fundacional da Xiaomi para cargas de trabalho complexas com agentes e engenharia de software. O seu papel é raciocinar sobre uma tarefa, organizar os passos necessários e usar informação devolvida pelas ferramentas para avançar para um resultado definido. A ênfase do modelo ultrapassa a redação de uma única resposta: foi concebido para trabalho encadeado em que decisões e observações anteriores influenciam o que acontece a seguir.
Escala e arquitetura eficiente
O fabricante descreve mais de 1 bilião de parâmetros no total, com 42 mil milhões de parâmetros ativos. Pro alarga a abordagem de atenção híbrida do MiMo-V2-Flash, com uma proporção de 7:1 entre atenção de janela deslizante e atenção global. Uma camada leve de previsão de vários tokens apoia a geração, e o contexto anunciado atinge 1 milhão de tokens. São propriedades arquitetónicas e de contexto do Pro; não especificam a velocidade de execução, a alocação de memória ou os limites de pedidos de uma integração concreta.
Evolução das versões
A Xiaomi identifica Hunter Alpha como uma versão interna de teste inicial anterior ao MiMo-V2-Pro. O modelo Pro publicado tem nome próprio e aperfeiçoamentos no trabalho com contexto longo e na estabilidade em cenários com agentes. Esta distinção é importante ao comparar descrições ou preservar a identidade de um modelo: uma versão de teste anterior, MiMo-V2-Flash e MiMo-V2-Omni têm, cada um, um papel e uma especificação próprios.
Concebido para agentes
O modelo é ajustado através de aprendizagem supervisionada e aprendizagem por reforço em diferentes estruturas de agentes, com atenção às chamadas de ferramentas e ao raciocínio em vários passos. Prepare uma tarefa com uma condição de conclusão observável e descrições das ferramentas disponíveis. Por exemplo, um assistente de projeto pode receber um pedido de alteração, examinar os módulos fornecidos, propor as componentes afetadas e continuar depois de uma ferramenta devolver um erro de compilação. A saída útil é uma sequência de decisões ligadas a observações efetivas, seguida do código, da explicação ou do resumo do trabalho solicitado. O ambiente ligado executa as ações.
Engenharia de software e tarefas de interface
A Xiaomi destaca a conceção de sistemas, o planeamento de tarefas e a resolução de problemas orientada para código. As demonstrações incluem páginas Web interativas e um jogo no navegador produzidos num ambiente de agente. Um enunciado de desenvolvimento ilustrativo pode especificar o comportamento da página, a navegação, os estados dos dados e uma disposição adaptável, pedindo depois uma implementação e verificações face a esses requisitos. Para um projeto existente, forneça os ficheiros atuais, o caso que falha e as interfaces que devem permanecer inalteradas. Peça uma alteração focada e uma explicação das dependências afetadas, em vez de uma aplicação de substituição sem relação com a tarefa.
Contexto longo e resultado verificável
O contexto até 1 milhão de tokens é útil quando vários ficheiros, documentos, instruções e observações anteriores pertencem à mesma tarefa. Organize esse material segundo o seu papel: requisitos provenientes de fontes de referência, código atual, exemplos de referência e resultados das ferramentas. Especifique o artefacto final e as condições de aceitação antes de pedir que o agente prossiga. Uma tarefa de documentação pode precisar de uma comparação com questões por resolver; uma tarefa de engenharia pode precisar de uma correção e de um registo do que foi verificado.
Limitações práticas e âmbito da edição
Um contexto longo dá espaço para material, mas não garante que um projeto gerado esteja correto ou que todos os requisitos tenham sido satisfeitos. Devolva erros e observações efetivos para o passo seguinte e valide o resultado no ambiente previsto. O fabricante apresenta explicitamente a robustez em tarefas reais complexas como algo a avaliar e melhorar. Esta descrição abrange a especialização do MiMo-V2-Pro como agente de texto e ferramentas; as capacidades multimodais do Omni e as especificações de gerações posteriores do MiMo pertencem aos respetivos modelos. As ferramentas, os parâmetros disponíveis e o tratamento da saída continuam a ser propriedades da aplicação ligada.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites mimo-v2-pro | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.0022 / 1K tokens Saída · Tokens de saída $0.0066 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra mimo-v2-pro
Use os caminhos dos métodos indicados acima.
mimo-v2-proMiMo-V2-Pro é o modelo de texto da Xiaomi orientado para agentes, engenharia de software, planeamento em vários passos e trabalho com ferramentas. O contexto até 1 milhão de tokens ajuda a manter material substancial do projeto, restrições da tarefa e observações sucessivas num fluxo de trabalho coerente.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Base para trabalho com agentes
MiMo-V2-Pro é o principal modelo fundacional da Xiaomi para cargas de trabalho complexas com agentes e engenharia de software. O seu papel é raciocinar sobre uma tarefa, organizar os passos necessários e usar informação devolvida pelas ferramentas para avançar para um resultado definido. A ênfase do modelo ultrapassa a redação de uma única resposta: foi concebido para trabalho encadeado em que decisões e observações anteriores influenciam o que acontece a seguir.
Escala e arquitetura eficiente
O fabricante descreve mais de 1 bilião de parâmetros no total, com 42 mil milhões de parâmetros ativos. Pro alarga a abordagem de atenção híbrida do MiMo-V2-Flash, com uma proporção de 7:1 entre atenção de janela deslizante e atenção global. Uma camada leve de previsão de vários tokens apoia a geração, e o contexto anunciado atinge 1 milhão de tokens. São propriedades arquitetónicas e de contexto do Pro; não especificam a velocidade de execução, a alocação de memória ou os limites de pedidos de uma integração concreta.
Evolução das versões
A Xiaomi identifica Hunter Alpha como uma versão interna de teste inicial anterior ao MiMo-V2-Pro. O modelo Pro publicado tem nome próprio e aperfeiçoamentos no trabalho com contexto longo e na estabilidade em cenários com agentes. Esta distinção é importante ao comparar descrições ou preservar a identidade de um modelo: uma versão de teste anterior, MiMo-V2-Flash e MiMo-V2-Omni têm, cada um, um papel e uma especificação próprios.
Concebido para agentes
O modelo é ajustado através de aprendizagem supervisionada e aprendizagem por reforço em diferentes estruturas de agentes, com atenção às chamadas de ferramentas e ao raciocínio em vários passos. Prepare uma tarefa com uma condição de conclusão observável e descrições das ferramentas disponíveis. Por exemplo, um assistente de projeto pode receber um pedido de alteração, examinar os módulos fornecidos, propor as componentes afetadas e continuar depois de uma ferramenta devolver um erro de compilação. A saída útil é uma sequência de decisões ligadas a observações efetivas, seguida do código, da explicação ou do resumo do trabalho solicitado. O ambiente ligado executa as ações.
Engenharia de software e tarefas de interface
A Xiaomi destaca a conceção de sistemas, o planeamento de tarefas e a resolução de problemas orientada para código. As demonstrações incluem páginas Web interativas e um jogo no navegador produzidos num ambiente de agente. Um enunciado de desenvolvimento ilustrativo pode especificar o comportamento da página, a navegação, os estados dos dados e uma disposição adaptável, pedindo depois uma implementação e verificações face a esses requisitos. Para um projeto existente, forneça os ficheiros atuais, o caso que falha e as interfaces que devem permanecer inalteradas. Peça uma alteração focada e uma explicação das dependências afetadas, em vez de uma aplicação de substituição sem relação com a tarefa.
Contexto longo e resultado verificável
O contexto até 1 milhão de tokens é útil quando vários ficheiros, documentos, instruções e observações anteriores pertencem à mesma tarefa. Organize esse material segundo o seu papel: requisitos provenientes de fontes de referência, código atual, exemplos de referência e resultados das ferramentas. Especifique o artefacto final e as condições de aceitação antes de pedir que o agente prossiga. Uma tarefa de documentação pode precisar de uma comparação com questões por resolver; uma tarefa de engenharia pode precisar de uma correção e de um registo do que foi verificado.
Limitações práticas e âmbito da edição
Um contexto longo dá espaço para material, mas não garante que um projeto gerado esteja correto ou que todos os requisitos tenham sido satisfeitos. Devolva erros e observações efetivos para o passo seguinte e valide o resultado no ambiente previsto. O fabricante apresenta explicitamente a robustez em tarefas reais complexas como algo a avaliar e melhorar. Esta descrição abrange a especialização do MiMo-V2-Pro como agente de texto e ferramentas; as capacidades multimodais do Omni e as especificações de gerações posteriores do MiMo pertencem aos respetivos modelos. As ferramentas, os parâmetros disponíveis e o tratamento da saída continuam a ser propriedades da aplicação ligada.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites mimo-v2-pro | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.0022 / 1K tokens Saída · Tokens de saída $0.0066 / 1K tokens Entrada · Leitura da cache $0 / 1K tokens Entrada · Escrita na cache $0 / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "mimo-v2-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra mimo-v2-pro
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
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.