Grund för agentarbete
MiMo-V2-Pro är Xiaomis flaggskeppsmodell bland grundmodeller för komplexa agentuppgifter och mjukvaruutveckling. Dess roll är att resonera om en uppgift, organisera de nödvändiga stegen och använda information som verktyg returnerar för att fortsätta mot ett definierat resultat. Modellens fokus går utöver att formulera ett enda svar: den är utformad för sammanhängande arbete där tidigare beslut och observationer påverkar nästa steg.
Skala och effektiv arkitektur
Tillverkaren beskriver totalt fler än 1 biljon parametrar med 42 miljarder aktiva parametrar. Pro vidareutvecklar MiMo-V2-Flashs hybriduppmärksamhet och använder en fördelning på 7:1 mellan uppmärksamhet med glidande fönster och global uppmärksamhet. Ett lättviktigt lager för prediktion av flera token stöder genereringen, och den annonserade kontexten når 1 miljon token. Detta är arkitektur- och kontextegenskaper hos Pro; de anger inte exekveringshastighet, minnestilldelning eller begärandegränser i en viss integration.
Utgåvans ursprung
Xiaomi identifierar Hunter Alpha som en tidig intern testversion före MiMo-V2-Pro. Den publicerade Pro-modellen har ett eget namn och förbättringar för arbete med lång kontext och stabilitet i agentscenarier. Skillnaden är viktig när beskrivningar jämförs eller en modellidentitet bevaras: en tidigare testversion, MiMo-V2-Flash och MiMo-V2-Omni har var sin roll och specifikation.
Byggd för agenter
Modellen finjusteras genom övervakad inlärning och förstärkningsinlärning över varierande agentramverk, med fokus på verktygsanrop och resonemang i flera steg. Förbered en uppgift med ett observerbart slutförandevillkor och beskrivningar av tillgängliga verktyg. En projektassistent kan exempelvis få en ändringsbegäran, granska de tillhandahållna modulerna, föreslå berörda komponenter och fortsätta efter att ett verktyg returnerar ett byggfel. Användbara utdata är en följd av beslut kopplade till faktiska observationer, följd av den begärda koden, förklaringen eller arbetssammanfattningen. Den anslutna miljön utför åtgärderna.
Mjukvaruutveckling och frontenduppgifter
Xiaomi framhåller systemdesign, uppgiftsplanering och kodinriktad problemlösning. Demonstrationerna omfattar interaktiva webbsidor och ett webbläsarbaserat spel som skapats inom en agentmiljö. Ett illustrativt utvecklingsunderlag kan ange sidbeteende, navigering, datatillstånd och en responsiv layout och sedan begära en implementation och kontroller mot dessa krav. För ett befintligt projekt tillhandahåller du aktuella filer, det felande fallet och gränssnitten som måste förbli oförändrade. Begär en avgränsad ändring och en förklaring av de beroenden den berör i stället för en orelaterad ersättningsapplikation.
Lång kontext och ett kontrollerbart resultat
Kontexten på upp till 1 miljon token är användbar när flera filer, dokument, instruktioner och tidigare observationer hör till samma uppgift. Organisera materialet efter dess roll: styrande krav, aktuell kod, referensexempel och verktygsresultat. Ange den slutliga leveransen och dess acceptansvillkor innan du ber agenten att fortsätta. En dokumentationsuppgift kan behöva en jämförelse med obesvarade frågor; en utvecklingsuppgift kan behöva en patch och en redogörelse för vad som kontrollerats.
Praktiska begränsningar och utgåvans omfattning
En lång kontext ger plats för material men garanterar inte att ett genererat projekt är korrekt eller att varje krav har uppfyllts. Återför faktiska fel och observationer inför nästa steg och validera resultatet i den avsedda miljön. Tillverkaren beskriver uttryckligen robusthet i komplexa verkliga uppgifter som något att bedöma och förbättra. Den här beskrivningen omfattar MiMo-V2-Pros specialisering på text- och verktygsagenter; Omnis modalitetsfunktioner och specifikationer för senare MiMo-generationer hör till respektive modeller. Verktygen, de tillgängliga parametrarna och hanteringen av utdata förblir egenskaper hos den anslutna applikationen.
", "aboutText": "Grund för agentarbete\n\nMiMo-V2-Pro är Xiaomis flaggskeppsmodell bland grundmodeller för komplexa agentuppgifter och mjukvaruutveckling. Dess roll är att resonera om en uppgift, organisera de nödvändiga stegen och använda information som verktyg returnerar för att fortsätta mot ett definierat resultat. Modellens fokus går utöver att formulera ett enda svar: den är utformad för sammanhängande arbete där tidigare beslut och observationer påverkar nästa steg.\n\nSkala och effektiv arkitektur\n\nTillverkaren beskriver totalt fler än 1 biljon parametrar med 42 miljarder aktiva parametrar. Pro vidareutvecklar MiMo-V2-Flashs hybriduppmärksamhet och använder en fördelning på 7:1 mellan uppmärksamhet med glidande fönster och global uppmärksamhet. Ett lättviktigt lager för prediktion av flera token stöder genereringen, och den annonserade kontexten når 1 miljon token. Detta är arkitektur- och kontextegenskaper hos Pro; de anger inte exekveringshastighet, minnestilldelning eller begärandegränser i en viss integration.\n\nUtgåvans ursprung\n\nXiaomi identifierar Hunter Alpha som en tidig intern testversion före MiMo-V2-Pro. Den publicerade Pro-modellen har ett eget namn och förbättringar för arbete med lång kontext och stabilitet i agentscenarier. Skillnaden är viktig när beskrivningar jämförs eller en modellidentitet bevaras: en tidigare testversion, MiMo-V2-Flash och MiMo-V2-Omni har var sin roll och specifikation.\n\nByggd för agenter\n\nModellen finjusteras genom övervakad inlärning och förstärkningsinlärning över varierande agentramverk, med fokus på verktygsanrop och resonemang i flera steg. Förbered en uppgift med ett observerbart slutförandevillkor och beskrivningar av tillgängliga verktyg. En projektassistent kan exempelvis få en ändringsbegäran, granska de tillhandahållna modulerna, föreslå berörda komponenter och fortsätta efter att ett verktyg returnerar ett byggfel. Användbara utdata är en följd av beslut kopplade till faktiska observationer, följd av den begärda koden, förklaringen eller arbetssammanfattningen. Den anslutna miljön utför åtgärderna.\n\nMjukvaruutveckling och frontenduppgifter\n\nXiaomi framhåller systemdesign, uppgiftsplanering och kodinriktad problemlösning. Demonstrationerna omfattar interaktiva webbsidor och ett webbläsarbaserat spel som skapats inom en agentmiljö. Ett illustrativt utvecklingsunderlag kan ange sidbeteende, navigering, datatillstånd och en responsiv layout och sedan begära en implementation och kontroller mot dessa krav. För ett befintligt projekt tillhandahåller du aktuella filer, det felande fallet och gränssnitten som måste förbli oförändrade. Begär en avgränsad ändring och en förklaring av de beroenden den berör i stället för en orelaterad ersättningsapplikation.\n\nLång kontext och ett kontrollerbart resultat\n\nKontexten på upp till 1 miljon token är användbar när flera filer, dokument, instruktioner och tidigare observationer hör till samma uppgift. Organisera materialet efter dess roll: styrande krav, aktuell kod, referensexempel och verktygsresultat. Ange den slutliga leveransen och dess acceptansvillkor innan du ber agenten att fortsätta. En dokumentationsuppgift kan behöva en jämförelse med obesvarade frågor; en utvecklingsuppgift kan behöva en patch och en redogörelse för vad som kontrollerats.\n\nPraktiska begränsningar och utgåvans omfattning\n\nEn lång kontext ger plats för material men garanterar inte att ett genererat projekt är korrekt eller att varje krav har uppfyllts. Återför faktiska fel och observationer inför nästa steg och validera resultatet i den avsedda miljön. Tillverkaren beskriver uttryckligen robusthet i komplexa verkliga uppgifter som något att bedöma och förbättra. Den här beskrivningen omfattar MiMo-V2-Pros specialisering på text- och verktygsagenter; Omnis modalitetsfunktioner och specifikationer för senare MiMo-generationer hör till respektive modeller. Verktygen, de tillgängliga parametrarna och hanteringen av utdata förblir egenskaper hos den anslutna applikationen.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
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 är Xiaomis agentinriktade textmodell för mjukvaruutveckling, planering i flera steg och verktygsdrivet arbete. Kontexten på upp till 1 miljon token hjälper till att hålla omfattande projektmaterial, uppgiftsbegränsningar och successiva observationer inom ett sammanhängande arbetsflöde.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Grund för agentarbete
MiMo-V2-Pro är Xiaomis flaggskeppsmodell bland grundmodeller för komplexa agentuppgifter och mjukvaruutveckling. Dess roll är att resonera om en uppgift, organisera de nödvändiga stegen och använda information som verktyg returnerar för att fortsätta mot ett definierat resultat. Modellens fokus går utöver att formulera ett enda svar: den är utformad för sammanhängande arbete där tidigare beslut och observationer påverkar nästa steg.
Skala och effektiv arkitektur
Tillverkaren beskriver totalt fler än 1 biljon parametrar med 42 miljarder aktiva parametrar. Pro vidareutvecklar MiMo-V2-Flashs hybriduppmärksamhet och använder en fördelning på 7:1 mellan uppmärksamhet med glidande fönster och global uppmärksamhet. Ett lättviktigt lager för prediktion av flera token stöder genereringen, och den annonserade kontexten når 1 miljon token. Detta är arkitektur- och kontextegenskaper hos Pro; de anger inte exekveringshastighet, minnestilldelning eller begärandegränser i en viss integration.
Utgåvans ursprung
Xiaomi identifierar Hunter Alpha som en tidig intern testversion före MiMo-V2-Pro. Den publicerade Pro-modellen har ett eget namn och förbättringar för arbete med lång kontext och stabilitet i agentscenarier. Skillnaden är viktig när beskrivningar jämförs eller en modellidentitet bevaras: en tidigare testversion, MiMo-V2-Flash och MiMo-V2-Omni har var sin roll och specifikation.
Byggd för agenter
Modellen finjusteras genom övervakad inlärning och förstärkningsinlärning över varierande agentramverk, med fokus på verktygsanrop och resonemang i flera steg. Förbered en uppgift med ett observerbart slutförandevillkor och beskrivningar av tillgängliga verktyg. En projektassistent kan exempelvis få en ändringsbegäran, granska de tillhandahållna modulerna, föreslå berörda komponenter och fortsätta efter att ett verktyg returnerar ett byggfel. Användbara utdata är en följd av beslut kopplade till faktiska observationer, följd av den begärda koden, förklaringen eller arbetssammanfattningen. Den anslutna miljön utför åtgärderna.
Mjukvaruutveckling och frontenduppgifter
Xiaomi framhåller systemdesign, uppgiftsplanering och kodinriktad problemlösning. Demonstrationerna omfattar interaktiva webbsidor och ett webbläsarbaserat spel som skapats inom en agentmiljö. Ett illustrativt utvecklingsunderlag kan ange sidbeteende, navigering, datatillstånd och en responsiv layout och sedan begära en implementation och kontroller mot dessa krav. För ett befintligt projekt tillhandahåller du aktuella filer, det felande fallet och gränssnitten som måste förbli oförändrade. Begär en avgränsad ändring och en förklaring av de beroenden den berör i stället för en orelaterad ersättningsapplikation.
Lång kontext och ett kontrollerbart resultat
Kontexten på upp till 1 miljon token är användbar när flera filer, dokument, instruktioner och tidigare observationer hör till samma uppgift. Organisera materialet efter dess roll: styrande krav, aktuell kod, referensexempel och verktygsresultat. Ange den slutliga leveransen och dess acceptansvillkor innan du ber agenten att fortsätta. En dokumentationsuppgift kan behöva en jämförelse med obesvarade frågor; en utvecklingsuppgift kan behöva en patch och en redogörelse för vad som kontrollerats.
Praktiska begränsningar och utgåvans omfattning
En lång kontext ger plats för material men garanterar inte att ett genererat projekt är korrekt eller att varje krav har uppfyllts. Återför faktiska fel och observationer inför nästa steg och validera resultatet i den avsedda miljön. Tillverkaren beskriver uttryckligen robusthet i komplexa verkliga uppgifter som något att bedöma och förbättra. Den här beskrivningen omfattar MiMo-V2-Pros specialisering på text- och verktygsagenter; Omnis modalitetsfunktioner och specifikationer för senare MiMo-generationer hör till respektive modeller. Verktygen, de tillgängliga parametrarna och hanteringen av utdata förblir egenskaper hos den anslutna applikationen.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mimo-v2-pro | 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 $0.0022 / 1K token Utdata · Utdatatoken $0.0066 / 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-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 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-pro
Använd metodsökvägarna som visas ovan.
mimo-v2-proMiMo-V2-Pro är Xiaomis agentinriktade textmodell för mjukvaruutveckling, planering i flera steg och verktygsdrivet arbete. Kontexten på upp till 1 miljon token hjälper till att hålla omfattande projektmaterial, uppgiftsbegränsningar och successiva observationer inom ett sammanhängande arbetsflöde.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Grund för agentarbete
MiMo-V2-Pro är Xiaomis flaggskeppsmodell bland grundmodeller för komplexa agentuppgifter och mjukvaruutveckling. Dess roll är att resonera om en uppgift, organisera de nödvändiga stegen och använda information som verktyg returnerar för att fortsätta mot ett definierat resultat. Modellens fokus går utöver att formulera ett enda svar: den är utformad för sammanhängande arbete där tidigare beslut och observationer påverkar nästa steg.
Skala och effektiv arkitektur
Tillverkaren beskriver totalt fler än 1 biljon parametrar med 42 miljarder aktiva parametrar. Pro vidareutvecklar MiMo-V2-Flashs hybriduppmärksamhet och använder en fördelning på 7:1 mellan uppmärksamhet med glidande fönster och global uppmärksamhet. Ett lättviktigt lager för prediktion av flera token stöder genereringen, och den annonserade kontexten når 1 miljon token. Detta är arkitektur- och kontextegenskaper hos Pro; de anger inte exekveringshastighet, minnestilldelning eller begärandegränser i en viss integration.
Utgåvans ursprung
Xiaomi identifierar Hunter Alpha som en tidig intern testversion före MiMo-V2-Pro. Den publicerade Pro-modellen har ett eget namn och förbättringar för arbete med lång kontext och stabilitet i agentscenarier. Skillnaden är viktig när beskrivningar jämförs eller en modellidentitet bevaras: en tidigare testversion, MiMo-V2-Flash och MiMo-V2-Omni har var sin roll och specifikation.
Byggd för agenter
Modellen finjusteras genom övervakad inlärning och förstärkningsinlärning över varierande agentramverk, med fokus på verktygsanrop och resonemang i flera steg. Förbered en uppgift med ett observerbart slutförandevillkor och beskrivningar av tillgängliga verktyg. En projektassistent kan exempelvis få en ändringsbegäran, granska de tillhandahållna modulerna, föreslå berörda komponenter och fortsätta efter att ett verktyg returnerar ett byggfel. Användbara utdata är en följd av beslut kopplade till faktiska observationer, följd av den begärda koden, förklaringen eller arbetssammanfattningen. Den anslutna miljön utför åtgärderna.
Mjukvaruutveckling och frontenduppgifter
Xiaomi framhåller systemdesign, uppgiftsplanering och kodinriktad problemlösning. Demonstrationerna omfattar interaktiva webbsidor och ett webbläsarbaserat spel som skapats inom en agentmiljö. Ett illustrativt utvecklingsunderlag kan ange sidbeteende, navigering, datatillstånd och en responsiv layout och sedan begära en implementation och kontroller mot dessa krav. För ett befintligt projekt tillhandahåller du aktuella filer, det felande fallet och gränssnitten som måste förbli oförändrade. Begär en avgränsad ändring och en förklaring av de beroenden den berör i stället för en orelaterad ersättningsapplikation.
Lång kontext och ett kontrollerbart resultat
Kontexten på upp till 1 miljon token är användbar när flera filer, dokument, instruktioner och tidigare observationer hör till samma uppgift. Organisera materialet efter dess roll: styrande krav, aktuell kod, referensexempel och verktygsresultat. Ange den slutliga leveransen och dess acceptansvillkor innan du ber agenten att fortsätta. En dokumentationsuppgift kan behöva en jämförelse med obesvarade frågor; en utvecklingsuppgift kan behöva en patch och en redogörelse för vad som kontrollerats.
Praktiska begränsningar och utgåvans omfattning
En lång kontext ger plats för material men garanterar inte att ett genererat projekt är korrekt eller att varje krav har uppfyllts. Återför faktiska fel och observationer inför nästa steg och validera resultatet i den avsedda miljön. Tillverkaren beskriver uttryckligen robusthet i komplexa verkliga uppgifter som något att bedöma och förbättra. Den här beskrivningen omfattar MiMo-V2-Pros specialisering på text- och verktygsagenter; Omnis modalitetsfunktioner och specifikationer för senare MiMo-generationer hör till respektive modeller. Verktygen, de tillgängliga parametrarna och hanteringen av utdata förblir egenskaper hos den anslutna applikationen.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mimo-v2-pro | 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 $0.0022 / 1K token Utdata · Utdatatoken $0.0066 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "mimo-v2-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-pro
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
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.