MiMo-V2-Omni är Xiaomis modell för att förstå text, bilder, ljud och video tillsammans och använda denna förståelse i en agentuppgift. Dess arkitektur för in särskilda bild-, video- och ljudkodare i en gemensam grundarkitektur. Den centrala skillnaden är gemensam perception: en fråga kan bero på vad som syns, vad som hörs och vad den medföljande texten säger, snarare än att varje källa måste tolkas isolerat. Dess utdata stöder skriftlig analys och strukturerade verktygsbegäranden.
Xiaomi beskriver modellen som en modell som lär sig att koppla perception, förutseende och handling. Den tolkar den aktuella scenen, resonerar om vad som kan hända härnäst och väljer ett användbart nästa steg. Detta är särskilt relevant för inspelat material där betydelsen av en händelse beror på fler än en modalitet. Tillhandahåll exempelvis ett klipp och be modellen identifiera följden av synliga handlingar, relevanta ljud och hur de förhåller sig till varandra. Ange om du behöver en händelsesammanfattning, en förklaring av scenen eller en lista med observationer för senare granskning. Håll observerade fakta åtskilda från förutsägelser: en tolkning av vad som skulle kunna hända är inte ett bevis för att händelsen kommer att inträffa.
Ljudförståelse är bredare än transkription i tillverkarens beskrivning. Xiaomi framhäver klassificering av omgivningsljud, att skilja mellan flera talare och gemensamt resonemang om ljud och bild. Företaget visar även en strukturerad sammanfattning av en lång, oavbruten podd. För en ljuduppgift anger du ämnena eller frågorna som är viktiga och den utdata du behöver, till exempel en översikt över argument, punkter där åsikterna skiljer sig eller en tematisk sammanfattning. För video med tal ber du modellen koppla ett uttalande till den handling eller det skärminnehåll som följer med det. Om exakt ordalydelse eller talartilldelning är viktig ber du modellen markera tvetydighet i stället för att tyst lösa den.
På den visuella sidan framhäver tillverkaren tvärvetenskapligt bildresonemang och komplex diagramanalys. Tillhandahåll ett läsbart diagram och förklara analysfrågan, inklusive vad axlar, enheter och kategorier betyder när den informationen inte är tydlig i bilden. En illustrativ begäran är att beskriva huvudmönstret, identifiera en synbar förändring och skilja värden som är direkt synliga i diagrammet från en föreslagen förklaring. För en bildjämförelse definierar du de skillnader som är viktiga och ber om en tabell kopplad till synliga belägg. Förbered källmaterialet så att etiketter och relevanta detaljer är läsbara; en användbar analys beror på vad indatan faktiskt innehåller.
MiMo-V2-Omni stöder även strukturerade verktygsanrop och förankring i användargränssnitt. Tillverkarens demonstrationer kopplar modellen till en agentmiljö som tillhandahåller webbläsarkontroll, filåtkomst och terminalinteraktion. Modellen tolkar det aktuella tillståndet, avgör vad som ska göras och utfärdar en åtgärd; miljön utför den och returnerar det uppdaterade tillståndet. För en sådan uppgift anger du ett tydligt mål, den relevanta skärmen eller materialet och beskrivningar av tillåtna åtgärder. Be modellen koppla varje nästa steg till det observerade tillståndet och använda det returnerade resultatet innan den fortsätter. En verktygsbegäran och utfallet av den utförda åtgärden är separata uppgifter.
Xiaomis exempel på multimedieproduktion följer samma arbetsfördelning: modellen utformar innehållet och styr en programmatisk process, medan verktyg skapar och hanterar de faktiska mediefilerna. Du kan använda modellen för att förbereda en scenplan, en skriftlig förklaring av en inspelning eller en följd av verktygsåtgärder. Den specifika leveransen bör definieras från början, inklusive dess obligatoriska innehåll och hur slutförande ska kännas igen. Håll filskapande, rendering och applikationsoperationer kopplade till de verktyg som utför dem i stället för att behandla ett textsvar som en redan skapad fil.
För praktiskt videoarbete tillhandahåller du inspelade klipp och en fokuserad fråga. Xiaomi skiljer detta klippbearbetningsflöde från perception i realtid i sin forskningsplan, så kontinuerlig direktstyrning bör inte antas utifrån en inspelad demonstration. Dess exempel visar även längre uppgifter genom en agentmiljö snarare än fastställer en obegränsad planeringshorisont eller ett allmängiltigt löfte om slutförandetid. Granska scentolkningar, diagramvärden, talarkopplingar och föreslagna åtgärder mot originalindata. MiMo-V2-Omnis användbara roll är att föra samman modaliteterna till en underbyggd tolkning av uppgiften, med ett resultat vars belägg och åtgärdsutfall kan granskas.
", "aboutText": "MiMo-V2-Omni är Xiaomis modell för att förstå text, bilder, ljud och video tillsammans och använda denna förståelse i en agentuppgift. Dess arkitektur för in särskilda bild-, video- och ljudkodare i en gemensam grundarkitektur. Den centrala skillnaden är gemensam perception: en fråga kan bero på vad som syns, vad som hörs och vad den medföljande texten säger, snarare än att varje källa måste tolkas isolerat. Dess utdata stöder skriftlig analys och strukturerade verktygsbegäranden.\n\nXiaomi beskriver modellen som en modell som lär sig att koppla perception, förutseende och handling. Den tolkar den aktuella scenen, resonerar om vad som kan hända härnäst och väljer ett användbart nästa steg. Detta är särskilt relevant för inspelat material där betydelsen av en händelse beror på fler än en modalitet. Tillhandahåll exempelvis ett klipp och be modellen identifiera följden av synliga handlingar, relevanta ljud och hur de förhåller sig till varandra. Ange om du behöver en händelsesammanfattning, en förklaring av scenen eller en lista med observationer för senare granskning. Håll observerade fakta åtskilda från förutsägelser: en tolkning av vad som skulle kunna hända är inte ett bevis för att händelsen kommer att inträffa.\n\nLjudförståelse är bredare än transkription i tillverkarens beskrivning. Xiaomi framhäver klassificering av omgivningsljud, att skilja mellan flera talare och gemensamt resonemang om ljud och bild. Företaget visar även en strukturerad sammanfattning av en lång, oavbruten podd. För en ljuduppgift anger du ämnena eller frågorna som är viktiga och den utdata du behöver, till exempel en översikt över argument, punkter där åsikterna skiljer sig eller en tematisk sammanfattning. För video med tal ber du modellen koppla ett uttalande till den handling eller det skärminnehåll som följer med det. Om exakt ordalydelse eller talartilldelning är viktig ber du modellen markera tvetydighet i stället för att tyst lösa den.\n\nPå den visuella sidan framhäver tillverkaren tvärvetenskapligt bildresonemang och komplex diagramanalys. Tillhandahåll ett läsbart diagram och förklara analysfrågan, inklusive vad axlar, enheter och kategorier betyder när den informationen inte är tydlig i bilden. En illustrativ begäran är att beskriva huvudmönstret, identifiera en synbar förändring och skilja värden som är direkt synliga i diagrammet från en föreslagen förklaring. För en bildjämförelse definierar du de skillnader som är viktiga och ber om en tabell kopplad till synliga belägg. Förbered källmaterialet så att etiketter och relevanta detaljer är läsbara; en användbar analys beror på vad indatan faktiskt innehåller.\n\nMiMo-V2-Omni stöder även strukturerade verktygsanrop och förankring i användargränssnitt. Tillverkarens demonstrationer kopplar modellen till en agentmiljö som tillhandahåller webbläsarkontroll, filåtkomst och terminalinteraktion. Modellen tolkar det aktuella tillståndet, avgör vad som ska göras och utfärdar en åtgärd; miljön utför den och returnerar det uppdaterade tillståndet. För en sådan uppgift anger du ett tydligt mål, den relevanta skärmen eller materialet och beskrivningar av tillåtna åtgärder. Be modellen koppla varje nästa steg till det observerade tillståndet och använda det returnerade resultatet innan den fortsätter. En verktygsbegäran och utfallet av den utförda åtgärden är separata uppgifter.\n\nXiaomis exempel på multimedieproduktion följer samma arbetsfördelning: modellen utformar innehållet och styr en programmatisk process, medan verktyg skapar och hanterar de faktiska mediefilerna. Du kan använda modellen för att förbereda en scenplan, en skriftlig förklaring av en inspelning eller en följd av verktygsåtgärder. Den specifika leveransen bör definieras från början, inklusive dess obligatoriska innehåll och hur slutförande ska kännas igen. Håll filskapande, rendering och applikationsoperationer kopplade till de verktyg som utför dem i stället för att behandla ett textsvar som en redan skapad fil.\n\nFör praktiskt videoarbete tillhandahåller du inspelade klipp och en fokuserad fråga. Xiaomi skiljer detta klippbearbetningsflöde från perception i realtid i sin forskningsplan, så kontinuerlig direktstyrning bör inte antas utifrån en inspelad demonstration. Dess exempel visar även längre uppgifter genom en agentmiljö snarare än fastställer en obegränsad planeringshorisont eller ett allmängiltigt löfte om slutförandetid. Granska scentolkningar, diagramvärden, talarkopplingar och föreslagna åtgärder mot originalindata. MiMo-V2-Omnis användbara roll är att föra samman modaliteterna till en underbyggd tolkning av uppgiften, med ett resultat vars belägg och åtgärdsutfall kan granskas.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Summarize a supplied podcast transcript\n\nSummarize this podcast transcript by theme. Speaker A: Smaller batches reduced our queue, but we measured only one week. Speaker B: Returns rose that week; we have not linked them to batch size. Speaker A: We should compare another week before expanding. Return agreements, unresolved relationships and the proposed next step, preserving speaker attribution.A theme-based summary with speaker labels, the agreed next step and unresolved causal claims.Check that the summary does not attribute the rise in returns to batch size or report a multi-week measurement.mimo-v2-omniMiMo-V2-Omni är Xiaomis modell för gemensam förståelse av text, bilder, ljud och video. Den kopplar perception till strukturerade verktygsbegäranden och förankring i gränssnitt och stöder scenanalys, diagramtolkning och agentflöden som använder faktiska verktygsresultat.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
MiMo-V2-Omni är Xiaomis modell för att förstå text, bilder, ljud och video tillsammans och använda denna förståelse i en agentuppgift. Dess arkitektur för in särskilda bild-, video- och ljudkodare i en gemensam grundarkitektur. Den centrala skillnaden är gemensam perception: en fråga kan bero på vad som syns, vad som hörs och vad den medföljande texten säger, snarare än att varje källa måste tolkas isolerat. Dess utdata stöder skriftlig analys och strukturerade verktygsbegäranden.
Xiaomi beskriver modellen som en modell som lär sig att koppla perception, förutseende och handling. Den tolkar den aktuella scenen, resonerar om vad som kan hända härnäst och väljer ett användbart nästa steg. Detta är särskilt relevant för inspelat material där betydelsen av en händelse beror på fler än en modalitet. Tillhandahåll exempelvis ett klipp och be modellen identifiera följden av synliga handlingar, relevanta ljud och hur de förhåller sig till varandra. Ange om du behöver en händelsesammanfattning, en förklaring av scenen eller en lista med observationer för senare granskning. Håll observerade fakta åtskilda från förutsägelser: en tolkning av vad som skulle kunna hända är inte ett bevis för att händelsen kommer att inträffa.
Ljudförståelse är bredare än transkription i tillverkarens beskrivning. Xiaomi framhäver klassificering av omgivningsljud, att skilja mellan flera talare och gemensamt resonemang om ljud och bild. Företaget visar även en strukturerad sammanfattning av en lång, oavbruten podd. För en ljuduppgift anger du ämnena eller frågorna som är viktiga och den utdata du behöver, till exempel en översikt över argument, punkter där åsikterna skiljer sig eller en tematisk sammanfattning. För video med tal ber du modellen koppla ett uttalande till den handling eller det skärminnehåll som följer med det. Om exakt ordalydelse eller talartilldelning är viktig ber du modellen markera tvetydighet i stället för att tyst lösa den.
På den visuella sidan framhäver tillverkaren tvärvetenskapligt bildresonemang och komplex diagramanalys. Tillhandahåll ett läsbart diagram och förklara analysfrågan, inklusive vad axlar, enheter och kategorier betyder när den informationen inte är tydlig i bilden. En illustrativ begäran är att beskriva huvudmönstret, identifiera en synbar förändring och skilja värden som är direkt synliga i diagrammet från en föreslagen förklaring. För en bildjämförelse definierar du de skillnader som är viktiga och ber om en tabell kopplad till synliga belägg. Förbered källmaterialet så att etiketter och relevanta detaljer är läsbara; en användbar analys beror på vad indatan faktiskt innehåller.
MiMo-V2-Omni stöder även strukturerade verktygsanrop och förankring i användargränssnitt. Tillverkarens demonstrationer kopplar modellen till en agentmiljö som tillhandahåller webbläsarkontroll, filåtkomst och terminalinteraktion. Modellen tolkar det aktuella tillståndet, avgör vad som ska göras och utfärdar en åtgärd; miljön utför den och returnerar det uppdaterade tillståndet. För en sådan uppgift anger du ett tydligt mål, den relevanta skärmen eller materialet och beskrivningar av tillåtna åtgärder. Be modellen koppla varje nästa steg till det observerade tillståndet och använda det returnerade resultatet innan den fortsätter. En verktygsbegäran och utfallet av den utförda åtgärden är separata uppgifter.
Xiaomis exempel på multimedieproduktion följer samma arbetsfördelning: modellen utformar innehållet och styr en programmatisk process, medan verktyg skapar och hanterar de faktiska mediefilerna. Du kan använda modellen för att förbereda en scenplan, en skriftlig förklaring av en inspelning eller en följd av verktygsåtgärder. Den specifika leveransen bör definieras från början, inklusive dess obligatoriska innehåll och hur slutförande ska kännas igen. Håll filskapande, rendering och applikationsoperationer kopplade till de verktyg som utför dem i stället för att behandla ett textsvar som en redan skapad fil.
För praktiskt videoarbete tillhandahåller du inspelade klipp och en fokuserad fråga. Xiaomi skiljer detta klippbearbetningsflöde från perception i realtid i sin forskningsplan, så kontinuerlig direktstyrning bör inte antas utifrån en inspelad demonstration. Dess exempel visar även längre uppgifter genom en agentmiljö snarare än fastställer en obegränsad planeringshorisont eller ett allmängiltigt löfte om slutförandetid. Granska scentolkningar, diagramvärden, talarkopplingar och föreslagna åtgärder mot originalindata. MiMo-V2-Omnis användbara roll är att föra samman modaliteterna till en underbyggd tolkning av uppgiften, med ett resultat vars belägg och åtgärdsutfall kan granskas.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mimo-v2-omni | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00088 / 1K token Utdata · Utdatatoken $0.0044 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mimo-v2-omni", "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-omni',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-omni',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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra mimo-v2-omni
Använd metodsökvägarna som visas ovan.
mimo-v2-omniMiMo-V2-Omni är Xiaomis modell för gemensam förståelse av text, bilder, ljud och video. Den kopplar perception till strukturerade verktygsbegäranden och förankring i gränssnitt och stöder scenanalys, diagramtolkning och agentflöden som använder faktiska verktygsresultat.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
MiMo-V2-Omni är Xiaomis modell för att förstå text, bilder, ljud och video tillsammans och använda denna förståelse i en agentuppgift. Dess arkitektur för in särskilda bild-, video- och ljudkodare i en gemensam grundarkitektur. Den centrala skillnaden är gemensam perception: en fråga kan bero på vad som syns, vad som hörs och vad den medföljande texten säger, snarare än att varje källa måste tolkas isolerat. Dess utdata stöder skriftlig analys och strukturerade verktygsbegäranden.
Xiaomi beskriver modellen som en modell som lär sig att koppla perception, förutseende och handling. Den tolkar den aktuella scenen, resonerar om vad som kan hända härnäst och väljer ett användbart nästa steg. Detta är särskilt relevant för inspelat material där betydelsen av en händelse beror på fler än en modalitet. Tillhandahåll exempelvis ett klipp och be modellen identifiera följden av synliga handlingar, relevanta ljud och hur de förhåller sig till varandra. Ange om du behöver en händelsesammanfattning, en förklaring av scenen eller en lista med observationer för senare granskning. Håll observerade fakta åtskilda från förutsägelser: en tolkning av vad som skulle kunna hända är inte ett bevis för att händelsen kommer att inträffa.
Ljudförståelse är bredare än transkription i tillverkarens beskrivning. Xiaomi framhäver klassificering av omgivningsljud, att skilja mellan flera talare och gemensamt resonemang om ljud och bild. Företaget visar även en strukturerad sammanfattning av en lång, oavbruten podd. För en ljuduppgift anger du ämnena eller frågorna som är viktiga och den utdata du behöver, till exempel en översikt över argument, punkter där åsikterna skiljer sig eller en tematisk sammanfattning. För video med tal ber du modellen koppla ett uttalande till den handling eller det skärminnehåll som följer med det. Om exakt ordalydelse eller talartilldelning är viktig ber du modellen markera tvetydighet i stället för att tyst lösa den.
På den visuella sidan framhäver tillverkaren tvärvetenskapligt bildresonemang och komplex diagramanalys. Tillhandahåll ett läsbart diagram och förklara analysfrågan, inklusive vad axlar, enheter och kategorier betyder när den informationen inte är tydlig i bilden. En illustrativ begäran är att beskriva huvudmönstret, identifiera en synbar förändring och skilja värden som är direkt synliga i diagrammet från en föreslagen förklaring. För en bildjämförelse definierar du de skillnader som är viktiga och ber om en tabell kopplad till synliga belägg. Förbered källmaterialet så att etiketter och relevanta detaljer är läsbara; en användbar analys beror på vad indatan faktiskt innehåller.
MiMo-V2-Omni stöder även strukturerade verktygsanrop och förankring i användargränssnitt. Tillverkarens demonstrationer kopplar modellen till en agentmiljö som tillhandahåller webbläsarkontroll, filåtkomst och terminalinteraktion. Modellen tolkar det aktuella tillståndet, avgör vad som ska göras och utfärdar en åtgärd; miljön utför den och returnerar det uppdaterade tillståndet. För en sådan uppgift anger du ett tydligt mål, den relevanta skärmen eller materialet och beskrivningar av tillåtna åtgärder. Be modellen koppla varje nästa steg till det observerade tillståndet och använda det returnerade resultatet innan den fortsätter. En verktygsbegäran och utfallet av den utförda åtgärden är separata uppgifter.
Xiaomis exempel på multimedieproduktion följer samma arbetsfördelning: modellen utformar innehållet och styr en programmatisk process, medan verktyg skapar och hanterar de faktiska mediefilerna. Du kan använda modellen för att förbereda en scenplan, en skriftlig förklaring av en inspelning eller en följd av verktygsåtgärder. Den specifika leveransen bör definieras från början, inklusive dess obligatoriska innehåll och hur slutförande ska kännas igen. Håll filskapande, rendering och applikationsoperationer kopplade till de verktyg som utför dem i stället för att behandla ett textsvar som en redan skapad fil.
För praktiskt videoarbete tillhandahåller du inspelade klipp och en fokuserad fråga. Xiaomi skiljer detta klippbearbetningsflöde från perception i realtid i sin forskningsplan, så kontinuerlig direktstyrning bör inte antas utifrån en inspelad demonstration. Dess exempel visar även längre uppgifter genom en agentmiljö snarare än fastställer en obegränsad planeringshorisont eller ett allmängiltigt löfte om slutförandetid. Granska scentolkningar, diagramvärden, talarkopplingar och föreslagna åtgärder mot originalindata. MiMo-V2-Omnis användbara roll är att föra samman modaliteterna till en underbyggd tolkning av uppgiften, med ett resultat vars belägg och åtgärdsutfall kan granskas.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mimo-v2-omni | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.00088 / 1K token Utdata · Utdatatoken $0.0044 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "mimo-v2-omni",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-omni', '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-omni', '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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra mimo-v2-omni
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Summarize a supplied podcast transcript\n\nSummarize this podcast transcript by theme. Speaker A: Smaller batches reduced our queue, but we measured only one week. Speaker B: Returns rose that week; we have not linked them to batch size. Speaker A: We should compare another week before expanding. Return agreements, unresolved relationships and the proposed next step, preserving speaker attribution.A theme-based summary with speaker labels, the agreed next step and unresolved causal claims.Check that the summary does not attribute the rise in returns to batch size or report a multi-week measurement.