MiMo-V2.5-Pro é o grande modelo de mistura de especialistas da Xiaomi, centrado em texto, para trabalho exigente com agentes, engenharia de software complexa e tarefas que requerem muitos passos interligados. O fabricante descreve 1,02 biliões de parâmetros no total, 42 mil milhões de parâmetros ativos e um contexto de até um milhão de tokens. O seu objetivo é manter as instruções da tarefa e as evidências acumuladas enquanto uma aplicação de apoio disponibiliza ferramentas e devolve os seus resultados.
O modelo combina atenção de janela deslizante com atenção global num padrão de 6:1. A janela local tem 128 tokens, enquanto as camadas de atenção global ligam informações ao longo do histórico mais extenso. Trata-se da arquitetura de atenção, não de uma restrição de 128 tokens à entrada do utilizador. A estrutura principal tem 70 camadas e encaminhamento esparso de especialistas, com oito especialistas encaminhados selecionados por token. Três módulos de previsão de múltiplos tokens integram a conceção do treino e da inferência para apoiar a descodificação especulativa.
O fabricante descreve um pré-treino com 27 biliões de tokens, seguido de afinação supervisionada, aprendizagem por reforço especializada por domínio e destilação on-policy com vários modelos professores. Os professores especializados abrangem áreas como matemática, segurança e utilização complexa de ferramentas, e a fase final reúne as suas orientações num único modelo. Este foco do treino sustenta o papel do modelo em fluxos de trabalho longos de software e agentes; uma tarefa concreta continua a precisar de requisitos fornecidos e de uma forma de determinar se o resultado está completo.
Para alterar software, forneça os ficheiros relevantes, um erro observado ou o comportamento pretendido, as convenções do projeto e as verificações importantes. Uma instrução útil é identificar o comportamento afetado, propor uma implementação específica e explicar como verificar tanto o caso pretendido como um caso limite relevante. Preserve os identificadores exatos usados pelo projeto. Se o ambiente permitir a execução, devolva o resultado real da verificação em vez de pedir ao modelo que presuma que uma correção plausível funciona.
Numa tarefa mais longa com agentes, mantenha um registo conciso do objetivo, das decisões já tomadas e das evidências devolvidas pelas ferramentas. Indique o que cada operação pode alterar e que resultado justificaria o passo seguinte. O modelo pode ajudar a raciocinar sobre estas interações e a preparar o pedido seguinte, mas é a aplicação envolvente que executa as operações. Conserve os erros e as condições por resolver no relato final, para que uma sequência prolongada não esconda um passo falhado por detrás de uma explicação fluente.
O contexto extenso pode ser útil para comparar implementações ou sintetizar vários documentos substanciais. Marque os limites dos ficheiros e documentos, identifique as secções que a resposta deve utilizar e indique o formato de saída necessário. Por exemplo, peça uma proposta de migração que ligue cada componente afetado a um requisito e identifique separadamente a informação em falta. Mantenha as passagens de apoio ou as localizações no código junto do resultado, para que quem o revê possa seguir o raciocínio até à respetiva entrada.
O exemplo de disponibilização publicado pela Xiaomi usa uma configuração de contexto de 1 048 576 tokens, enquanto o resumo descreve o modelo como suportando até 1M tokens. Deixe espaço para o texto gerado e para o histórico acumulado das ferramentas dentro da configuração utilizada. O fabricante recomenda temperature 1.0 e top_p 0.95 para inferência local. Estes são pormenores da receita do produtor, não uma garantia de que todas as aplicações disponibilizam controlos idênticos ou a mesma janela de trabalho.
MiMo-V2.5-Pro distingue-se do modelo irmão nativamente omnimodal MiMo-V2.5 e da série V2.6 posterior. Use esta edição para o âmbito documentado de tarefas linguísticas e com agentes, sem lhe atribuir o contrato de visão ou áudio de outra edição. O artefacto final pode ser uma proposta de código, uma explicação de implementação ou uma análise baseada em evidências; confirme os cálculos importantes, os requisitos e os resultados das ferramentas com o material fornecido para a tarefa.
", "aboutText": "MiMo-V2.5-Pro é o grande modelo de mistura de especialistas da Xiaomi, centrado em texto, para trabalho exigente com agentes, engenharia de software complexa e tarefas que requerem muitos passos interligados. O fabricante descreve 1,02 biliões de parâmetros no total, 42 mil milhões de parâmetros ativos e um contexto de até um milhão de tokens. O seu objetivo é manter as instruções da tarefa e as evidências acumuladas enquanto uma aplicação de apoio disponibiliza ferramentas e devolve os seus resultados.\n\nO modelo combina atenção de janela deslizante com atenção global num padrão de 6:1. A janela local tem 128 tokens, enquanto as camadas de atenção global ligam informações ao longo do histórico mais extenso. Trata-se da arquitetura de atenção, não de uma restrição de 128 tokens à entrada do utilizador. A estrutura principal tem 70 camadas e encaminhamento esparso de especialistas, com oito especialistas encaminhados selecionados por token. Três módulos de previsão de múltiplos tokens integram a conceção do treino e da inferência para apoiar a descodificação especulativa.\n\nO fabricante descreve um pré-treino com 27 biliões de tokens, seguido de afinação supervisionada, aprendizagem por reforço especializada por domínio e destilação on-policy com vários modelos professores. Os professores especializados abrangem áreas como matemática, segurança e utilização complexa de ferramentas, e a fase final reúne as suas orientações num único modelo. Este foco do treino sustenta o papel do modelo em fluxos de trabalho longos de software e agentes; uma tarefa concreta continua a precisar de requisitos fornecidos e de uma forma de determinar se o resultado está completo.\n\nPara alterar software, forneça os ficheiros relevantes, um erro observado ou o comportamento pretendido, as convenções do projeto e as verificações importantes. Uma instrução útil é identificar o comportamento afetado, propor uma implementação específica e explicar como verificar tanto o caso pretendido como um caso limite relevante. Preserve os identificadores exatos usados pelo projeto. Se o ambiente permitir a execução, devolva o resultado real da verificação em vez de pedir ao modelo que presuma que uma correção plausível funciona.\n\nNuma tarefa mais longa com agentes, mantenha um registo conciso do objetivo, das decisões já tomadas e das evidências devolvidas pelas ferramentas. Indique o que cada operação pode alterar e que resultado justificaria o passo seguinte. O modelo pode ajudar a raciocinar sobre estas interações e a preparar o pedido seguinte, mas é a aplicação envolvente que executa as operações. Conserve os erros e as condições por resolver no relato final, para que uma sequência prolongada não esconda um passo falhado por detrás de uma explicação fluente.\n\nO contexto extenso pode ser útil para comparar implementações ou sintetizar vários documentos substanciais. Marque os limites dos ficheiros e documentos, identifique as secções que a resposta deve utilizar e indique o formato de saída necessário. Por exemplo, peça uma proposta de migração que ligue cada componente afetado a um requisito e identifique separadamente a informação em falta. Mantenha as passagens de apoio ou as localizações no código junto do resultado, para que quem o revê possa seguir o raciocínio até à respetiva entrada.\n\nO exemplo de disponibilização publicado pela Xiaomi usa uma configuração de contexto de 1 048 576 tokens, enquanto o resumo descreve o modelo como suportando até 1M tokens. Deixe espaço para o texto gerado e para o histórico acumulado das ferramentas dentro da configuração utilizada. O fabricante recomenda temperature 1.0 e top_p 0.95 para inferência local. Estes são pormenores da receita do produtor, não uma garantia de que todas as aplicações disponibilizam controlos idênticos ou a mesma janela de trabalho.\n\nMiMo-V2.5-Pro distingue-se do modelo irmão nativamente omnimodal MiMo-V2.5 e da série V2.6 posterior. Use esta edição para o âmbito documentado de tarefas linguísticas e com agentes, sem lhe atribuir o contrato de visão ou áudio de outra edição. O artefacto final pode ser uma proposta de código, uma explicação de implementação ou uma análise baseada em evidências; confirme os cálculos importantes, os requisitos e os resultados das ferramentas com o material fornecido para a tarefa.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Correct a two-stage validation flow\n\nTrace this Python flow: validate.py: def valid(row): return bool(row.get('email')); import.py: accepted = [r for r in rows if valid(r) is not None]. A row without email is incorrectly accepted. Propose the smallest correction, retain valid's Boolean contract and supply cases for a missing email and a present email. Separate the proposal from executed checks.A cross-file cause explanation, focused consumer patch and two regression cases.The consumer must reject False rather than treating every non-None Boolean as accepted.xiaomi/mimo-v2.5-proMiMo-V2.5-Pro é o modelo da Xiaomi centrado em texto para engenharia de software complexa e fluxos de trabalho prolongados com agentes. O perfil publicado combina uma arquitetura MoE com 1,02 biliões de parâmetros, 42 mil milhões de parâmetros ativos e até um milhão de tokens de contexto, com treino centrado na utilização coerente de ferramentas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
MiMo-V2.5-Pro é o grande modelo de mistura de especialistas da Xiaomi, centrado em texto, para trabalho exigente com agentes, engenharia de software complexa e tarefas que requerem muitos passos interligados. O fabricante descreve 1,02 biliões de parâmetros no total, 42 mil milhões de parâmetros ativos e um contexto de até um milhão de tokens. O seu objetivo é manter as instruções da tarefa e as evidências acumuladas enquanto uma aplicação de apoio disponibiliza ferramentas e devolve os seus resultados.
O modelo combina atenção de janela deslizante com atenção global num padrão de 6:1. A janela local tem 128 tokens, enquanto as camadas de atenção global ligam informações ao longo do histórico mais extenso. Trata-se da arquitetura de atenção, não de uma restrição de 128 tokens à entrada do utilizador. A estrutura principal tem 70 camadas e encaminhamento esparso de especialistas, com oito especialistas encaminhados selecionados por token. Três módulos de previsão de múltiplos tokens integram a conceção do treino e da inferência para apoiar a descodificação especulativa.
O fabricante descreve um pré-treino com 27 biliões de tokens, seguido de afinação supervisionada, aprendizagem por reforço especializada por domínio e destilação on-policy com vários modelos professores. Os professores especializados abrangem áreas como matemática, segurança e utilização complexa de ferramentas, e a fase final reúne as suas orientações num único modelo. Este foco do treino sustenta o papel do modelo em fluxos de trabalho longos de software e agentes; uma tarefa concreta continua a precisar de requisitos fornecidos e de uma forma de determinar se o resultado está completo.
Para alterar software, forneça os ficheiros relevantes, um erro observado ou o comportamento pretendido, as convenções do projeto e as verificações importantes. Uma instrução útil é identificar o comportamento afetado, propor uma implementação específica e explicar como verificar tanto o caso pretendido como um caso limite relevante. Preserve os identificadores exatos usados pelo projeto. Se o ambiente permitir a execução, devolva o resultado real da verificação em vez de pedir ao modelo que presuma que uma correção plausível funciona.
Numa tarefa mais longa com agentes, mantenha um registo conciso do objetivo, das decisões já tomadas e das evidências devolvidas pelas ferramentas. Indique o que cada operação pode alterar e que resultado justificaria o passo seguinte. O modelo pode ajudar a raciocinar sobre estas interações e a preparar o pedido seguinte, mas é a aplicação envolvente que executa as operações. Conserve os erros e as condições por resolver no relato final, para que uma sequência prolongada não esconda um passo falhado por detrás de uma explicação fluente.
O contexto extenso pode ser útil para comparar implementações ou sintetizar vários documentos substanciais. Marque os limites dos ficheiros e documentos, identifique as secções que a resposta deve utilizar e indique o formato de saída necessário. Por exemplo, peça uma proposta de migração que ligue cada componente afetado a um requisito e identifique separadamente a informação em falta. Mantenha as passagens de apoio ou as localizações no código junto do resultado, para que quem o revê possa seguir o raciocínio até à respetiva entrada.
O exemplo de disponibilização publicado pela Xiaomi usa uma configuração de contexto de 1 048 576 tokens, enquanto o resumo descreve o modelo como suportando até 1M tokens. Deixe espaço para o texto gerado e para o histórico acumulado das ferramentas dentro da configuração utilizada. O fabricante recomenda temperature 1.0 e top_p 0.95 para inferência local. Estes são pormenores da receita do produtor, não uma garantia de que todas as aplicações disponibilizam controlos idênticos ou a mesma janela de trabalho.
MiMo-V2.5-Pro distingue-se do modelo irmão nativamente omnimodal MiMo-V2.5 e da série V2.6 posterior. Use esta edição para o âmbito documentado de tarefas linguísticas e com agentes, sem lhe atribuir o contrato de visão ou áudio de outra edição. O artefacto final pode ser uma proposta de código, uma explicação de implementação ou uma análise baseada em evidências; confirme os cálculos importantes, os requisitos e os resultados das ferramentas com o material fornecido para a tarefa.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites xiaomi/mimo-v2.5-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.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.00087 / 1K tokens Saída · Tokens de saída $0.00174 / 1K tokens Entrada · Leitura da cache $0.0000072 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.00087 / 1K tokens Saída · Tokens de saída $0.00174 / 1K tokens Entrada · Leitura da cache $0.0000072 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "xiaomi/mimo-v2.5-pro", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='xiaomi/mimo-v2.5-pro',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='xiaomi/mimo-v2.5-pro',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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 xiaomi/mimo-v2.5-pro
Use os caminhos dos métodos indicados acima.
xiaomi/mimo-v2.5-proMiMo-V2.5-Pro é o modelo da Xiaomi centrado em texto para engenharia de software complexa e fluxos de trabalho prolongados com agentes. O perfil publicado combina uma arquitetura MoE com 1,02 biliões de parâmetros, 42 mil milhões de parâmetros ativos e até um milhão de tokens de contexto, com treino centrado na utilização coerente de ferramentas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
MiMo-V2.5-Pro é o grande modelo de mistura de especialistas da Xiaomi, centrado em texto, para trabalho exigente com agentes, engenharia de software complexa e tarefas que requerem muitos passos interligados. O fabricante descreve 1,02 biliões de parâmetros no total, 42 mil milhões de parâmetros ativos e um contexto de até um milhão de tokens. O seu objetivo é manter as instruções da tarefa e as evidências acumuladas enquanto uma aplicação de apoio disponibiliza ferramentas e devolve os seus resultados.
O modelo combina atenção de janela deslizante com atenção global num padrão de 6:1. A janela local tem 128 tokens, enquanto as camadas de atenção global ligam informações ao longo do histórico mais extenso. Trata-se da arquitetura de atenção, não de uma restrição de 128 tokens à entrada do utilizador. A estrutura principal tem 70 camadas e encaminhamento esparso de especialistas, com oito especialistas encaminhados selecionados por token. Três módulos de previsão de múltiplos tokens integram a conceção do treino e da inferência para apoiar a descodificação especulativa.
O fabricante descreve um pré-treino com 27 biliões de tokens, seguido de afinação supervisionada, aprendizagem por reforço especializada por domínio e destilação on-policy com vários modelos professores. Os professores especializados abrangem áreas como matemática, segurança e utilização complexa de ferramentas, e a fase final reúne as suas orientações num único modelo. Este foco do treino sustenta o papel do modelo em fluxos de trabalho longos de software e agentes; uma tarefa concreta continua a precisar de requisitos fornecidos e de uma forma de determinar se o resultado está completo.
Para alterar software, forneça os ficheiros relevantes, um erro observado ou o comportamento pretendido, as convenções do projeto e as verificações importantes. Uma instrução útil é identificar o comportamento afetado, propor uma implementação específica e explicar como verificar tanto o caso pretendido como um caso limite relevante. Preserve os identificadores exatos usados pelo projeto. Se o ambiente permitir a execução, devolva o resultado real da verificação em vez de pedir ao modelo que presuma que uma correção plausível funciona.
Numa tarefa mais longa com agentes, mantenha um registo conciso do objetivo, das decisões já tomadas e das evidências devolvidas pelas ferramentas. Indique o que cada operação pode alterar e que resultado justificaria o passo seguinte. O modelo pode ajudar a raciocinar sobre estas interações e a preparar o pedido seguinte, mas é a aplicação envolvente que executa as operações. Conserve os erros e as condições por resolver no relato final, para que uma sequência prolongada não esconda um passo falhado por detrás de uma explicação fluente.
O contexto extenso pode ser útil para comparar implementações ou sintetizar vários documentos substanciais. Marque os limites dos ficheiros e documentos, identifique as secções que a resposta deve utilizar e indique o formato de saída necessário. Por exemplo, peça uma proposta de migração que ligue cada componente afetado a um requisito e identifique separadamente a informação em falta. Mantenha as passagens de apoio ou as localizações no código junto do resultado, para que quem o revê possa seguir o raciocínio até à respetiva entrada.
O exemplo de disponibilização publicado pela Xiaomi usa uma configuração de contexto de 1 048 576 tokens, enquanto o resumo descreve o modelo como suportando até 1M tokens. Deixe espaço para o texto gerado e para o histórico acumulado das ferramentas dentro da configuração utilizada. O fabricante recomenda temperature 1.0 e top_p 0.95 para inferência local. Estes são pormenores da receita do produtor, não uma garantia de que todas as aplicações disponibilizam controlos idênticos ou a mesma janela de trabalho.
MiMo-V2.5-Pro distingue-se do modelo irmão nativamente omnimodal MiMo-V2.5 e da série V2.6 posterior. Use esta edição para o âmbito documentado de tarefas linguísticas e com agentes, sem lhe atribuir o contrato de visão ou áudio de outra edição. O artefacto final pode ser uma proposta de código, uma explicação de implementação ou uma análise baseada em evidências; confirme os cálculos importantes, os requisitos e os resultados das ferramentas com o material fornecido para a tarefa.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites xiaomi/mimo-v2.5-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.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.00087 / 1K tokens Saída · Tokens de saída $0.00174 / 1K tokens Entrada · Leitura da cache $0.0000072 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.00087 / 1K tokens Saída · Tokens de saída $0.00174 / 1K tokens Entrada · Leitura da cache $0.0000072 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "xiaomi/mimo-v2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'xiaomi/mimo-v2.5-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'xiaomi/mimo-v2.5-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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 xiaomi/mimo-v2.5-pro
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Correct a two-stage validation flow\n\nTrace this Python flow: validate.py: def valid(row): return bool(row.get('email')); import.py: accepted = [r for r in rows if valid(r) is not None]. A row without email is incorrectly accepted. Propose the smallest correction, retain valid's Boolean contract and supply cases for a missing email and a present email. Separate the proposal from executed checks.A cross-file cause explanation, focused consumer patch and two regression cases.The consumer must reject False rather than treating every non-None Boolean as accepted.