MiMo-V2.5-Pro är Xiaomis stora textinriktade mixture-of-experts-modell för krävande agentarbete, komplex programvaruutveckling och uppgifter som kräver många sammanlänkade steg. Tillverkaren beskriver totalt 1.02 biljoner parametrar, 42 miljarder aktiva parametrar och en kontext på upp till en miljon token. Syftet är att behålla uppgiftens instruktioner och det samlade underlaget medan en stödjande applikation tillhandahåller verktyg och återför resultaten från dem.
Modellen kombinerar attention med glidande fönster och global attention i ett 6:1-mönster. Det lokala fönstret omfattar 128 token, medan lager med global attention kopplar samman information genom den längre historiken. Detta beskriver attention-arkitekturen och innebär inte att användarens indata begränsas till 128 token. Basarkitekturen har 70 lager och gles expertroutning, där åtta routade experter väljs per token. Tre moduler för prediktion av flera token är integrerade i tränings- och inferensdesignen för att stödja spekulativ avkodning.
Tillverkaren beskriver förträning på 27 biljoner token, följd av övervakad finjustering, domänspecialiserad förstärkningsinlärning och on-policy-destillering från flera lärarmodeller. De specialiserade lärarmodellerna täcker områden som matematik, säkerhet och komplex verktygsanvändning, och det sista steget samlar deras vägledning i en enda modell. Denna träningsinriktning stöder modellens roll i långa programvaru- och agentarbetsflöden; en konkret uppgift behöver fortfarande angivna krav och ett sätt att avgöra om resultatet är komplett.
För en programvaruändring anger du relevanta filer, ett observerat fel eller önskat beteende, projektets konventioner och de kontroller som är viktiga. En användbar instruktion är att identifiera vilket beteende som berörs, föreslå en avgränsad implementation och förklara hur både det önskade fallet och ett relevant gränsfall kan verifieras. Bevara de exakta identifierare som används i projektet. Om miljön tillåter körning återför du det faktiska kontrollresultatet i stället för att be modellen anta att en rimlig patch fungerar.
För en längre agentuppgift för du en kortfattad förteckning över målet, redan fattade beslut och underlag som verktygen har returnerat. Ange vad varje åtgärd får ändra och vilket resultat som skulle motivera nästa steg. Modellen kan hjälpa till att resonera över dessa interaktioner och förbereda nästa begäran, men den omgivande applikationen utför åtgärderna. Behåll fel och olösta villkor i slutredovisningen så att en lång sekvens inte döljer ett misslyckat steg bakom en välformulerad förklaring.
Den stora kontexten kan vara användbar för att jämföra implementationer eller sammanställa flera omfattande dokument. Markera gränserna mellan filer och dokument, identifiera avsnitten som svaret måste använda och ange önskat utdataformat. Be till exempel om ett migreringsförslag som kopplar varje berörd komponent till ett krav och redovisar saknad information separat. Behåll stödjande textstycken eller kodpositioner tillsammans med resultatet så att en granskare kan följa resonemanget tillbaka till dess indata.
Xiaomis publicerade driftsexempel använder en kontextkonfiguration på 1,048,576 token, medan sammanfattningen beskriver stöd för upp till 1M token. Lämna utrymme för genererad text och växande verktygshistorik inom den konfiguration som används. Tillverkaren rekommenderar temperature 1.0 och top_p 0.95 för lokal inferens. Detta är detaljer i tillverkarens körrecept och ingen garanti för att varje applikation erbjuder identiska reglage eller samma arbetsfönster.
MiMo-V2.5-Pro skiljer sig från den omnimodala syskonmodellen MiMo-V2.5 och den senare V2.6-serien. Använd denna utgåva för dess dokumenterade språk- och agentuppgifter utan att överföra en annan utgåvas villkor för bild- eller ljudhantering. Slutresultatet kan vara ett kodförslag, en implementationsförklaring eller en analys grundad i underlag; kontrollera viktiga beräkningar, krav och verktygsresultat mot materialet som tillhandahållits för uppgiften.
", "aboutText": "MiMo-V2.5-Pro är Xiaomis stora textinriktade mixture-of-experts-modell för krävande agentarbete, komplex programvaruutveckling och uppgifter som kräver många sammanlänkade steg. Tillverkaren beskriver totalt 1.02 biljoner parametrar, 42 miljarder aktiva parametrar och en kontext på upp till en miljon token. Syftet är att behålla uppgiftens instruktioner och det samlade underlaget medan en stödjande applikation tillhandahåller verktyg och återför resultaten från dem.\n\nModellen kombinerar attention med glidande fönster och global attention i ett 6:1-mönster. Det lokala fönstret omfattar 128 token, medan lager med global attention kopplar samman information genom den längre historiken. Detta beskriver attention-arkitekturen och innebär inte att användarens indata begränsas till 128 token. Basarkitekturen har 70 lager och gles expertroutning, där åtta routade experter väljs per token. Tre moduler för prediktion av flera token är integrerade i tränings- och inferensdesignen för att stödja spekulativ avkodning.\n\nTillverkaren beskriver förträning på 27 biljoner token, följd av övervakad finjustering, domänspecialiserad förstärkningsinlärning och on-policy-destillering från flera lärarmodeller. De specialiserade lärarmodellerna täcker områden som matematik, säkerhet och komplex verktygsanvändning, och det sista steget samlar deras vägledning i en enda modell. Denna träningsinriktning stöder modellens roll i långa programvaru- och agentarbetsflöden; en konkret uppgift behöver fortfarande angivna krav och ett sätt att avgöra om resultatet är komplett.\n\nFör en programvaruändring anger du relevanta filer, ett observerat fel eller önskat beteende, projektets konventioner och de kontroller som är viktiga. En användbar instruktion är att identifiera vilket beteende som berörs, föreslå en avgränsad implementation och förklara hur både det önskade fallet och ett relevant gränsfall kan verifieras. Bevara de exakta identifierare som används i projektet. Om miljön tillåter körning återför du det faktiska kontrollresultatet i stället för att be modellen anta att en rimlig patch fungerar.\n\nFör en längre agentuppgift för du en kortfattad förteckning över målet, redan fattade beslut och underlag som verktygen har returnerat. Ange vad varje åtgärd får ändra och vilket resultat som skulle motivera nästa steg. Modellen kan hjälpa till att resonera över dessa interaktioner och förbereda nästa begäran, men den omgivande applikationen utför åtgärderna. Behåll fel och olösta villkor i slutredovisningen så att en lång sekvens inte döljer ett misslyckat steg bakom en välformulerad förklaring.\n\nDen stora kontexten kan vara användbar för att jämföra implementationer eller sammanställa flera omfattande dokument. Markera gränserna mellan filer och dokument, identifiera avsnitten som svaret måste använda och ange önskat utdataformat. Be till exempel om ett migreringsförslag som kopplar varje berörd komponent till ett krav och redovisar saknad information separat. Behåll stödjande textstycken eller kodpositioner tillsammans med resultatet så att en granskare kan följa resonemanget tillbaka till dess indata.\n\nXiaomis publicerade driftsexempel använder en kontextkonfiguration på 1,048,576 token, medan sammanfattningen beskriver stöd för upp till 1M token. Lämna utrymme för genererad text och växande verktygshistorik inom den konfiguration som används. Tillverkaren rekommenderar temperature 1.0 och top_p 0.95 för lokal inferens. Detta är detaljer i tillverkarens körrecept och ingen garanti för att varje applikation erbjuder identiska reglage eller samma arbetsfönster.\n\nMiMo-V2.5-Pro skiljer sig från den omnimodala syskonmodellen MiMo-V2.5 och den senare V2.6-serien. Använd denna utgåva för dess dokumenterade språk- och agentuppgifter utan att överföra en annan utgåvas villkor för bild- eller ljudhantering. Slutresultatet kan vara ett kodförslag, en implementationsförklaring eller en analys grundad i underlag; kontrollera viktiga beräkningar, krav och verktygsresultat mot materialet som tillhandahållits för uppgiften.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
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 är Xiaomis textinriktade modell för komplex programvaruutveckling och långvariga agentarbetsflöden. Den publicerade profilen kombinerar en MoE med 1.02T parametrar, 42B aktiva parametrar och upp till en miljon token i kontexten, med träning inriktad på sammanhängande verktygsanvändning.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
MiMo-V2.5-Pro är Xiaomis stora textinriktade mixture-of-experts-modell för krävande agentarbete, komplex programvaruutveckling och uppgifter som kräver många sammanlänkade steg. Tillverkaren beskriver totalt 1.02 biljoner parametrar, 42 miljarder aktiva parametrar och en kontext på upp till en miljon token. Syftet är att behålla uppgiftens instruktioner och det samlade underlaget medan en stödjande applikation tillhandahåller verktyg och återför resultaten från dem.
Modellen kombinerar attention med glidande fönster och global attention i ett 6:1-mönster. Det lokala fönstret omfattar 128 token, medan lager med global attention kopplar samman information genom den längre historiken. Detta beskriver attention-arkitekturen och innebär inte att användarens indata begränsas till 128 token. Basarkitekturen har 70 lager och gles expertroutning, där åtta routade experter väljs per token. Tre moduler för prediktion av flera token är integrerade i tränings- och inferensdesignen för att stödja spekulativ avkodning.
Tillverkaren beskriver förträning på 27 biljoner token, följd av övervakad finjustering, domänspecialiserad förstärkningsinlärning och on-policy-destillering från flera lärarmodeller. De specialiserade lärarmodellerna täcker områden som matematik, säkerhet och komplex verktygsanvändning, och det sista steget samlar deras vägledning i en enda modell. Denna träningsinriktning stöder modellens roll i långa programvaru- och agentarbetsflöden; en konkret uppgift behöver fortfarande angivna krav och ett sätt att avgöra om resultatet är komplett.
För en programvaruändring anger du relevanta filer, ett observerat fel eller önskat beteende, projektets konventioner och de kontroller som är viktiga. En användbar instruktion är att identifiera vilket beteende som berörs, föreslå en avgränsad implementation och förklara hur både det önskade fallet och ett relevant gränsfall kan verifieras. Bevara de exakta identifierare som används i projektet. Om miljön tillåter körning återför du det faktiska kontrollresultatet i stället för att be modellen anta att en rimlig patch fungerar.
För en längre agentuppgift för du en kortfattad förteckning över målet, redan fattade beslut och underlag som verktygen har returnerat. Ange vad varje åtgärd får ändra och vilket resultat som skulle motivera nästa steg. Modellen kan hjälpa till att resonera över dessa interaktioner och förbereda nästa begäran, men den omgivande applikationen utför åtgärderna. Behåll fel och olösta villkor i slutredovisningen så att en lång sekvens inte döljer ett misslyckat steg bakom en välformulerad förklaring.
Den stora kontexten kan vara användbar för att jämföra implementationer eller sammanställa flera omfattande dokument. Markera gränserna mellan filer och dokument, identifiera avsnitten som svaret måste använda och ange önskat utdataformat. Be till exempel om ett migreringsförslag som kopplar varje berörd komponent till ett krav och redovisar saknad information separat. Behåll stödjande textstycken eller kodpositioner tillsammans med resultatet så att en granskare kan följa resonemanget tillbaka till dess indata.
Xiaomis publicerade driftsexempel använder en kontextkonfiguration på 1,048,576 token, medan sammanfattningen beskriver stöd för upp till 1M token. Lämna utrymme för genererad text och växande verktygshistorik inom den konfiguration som används. Tillverkaren rekommenderar temperature 1.0 och top_p 0.95 för lokal inferens. Detta är detaljer i tillverkarens körrecept och ingen garanti för att varje applikation erbjuder identiska reglage eller samma arbetsfönster.
MiMo-V2.5-Pro skiljer sig från den omnimodala syskonmodellen MiMo-V2.5 och den senare V2.6-serien. Använd denna utgåva för dess dokumenterade språk- och agentuppgifter utan att överföra en annan utgåvas villkor för bild- eller ljudhantering. Slutresultatet kan vara ett kodförslag, en implementationsförklaring eller en analys grundad i underlag; kontrollera viktiga beräkningar, krav och verktygsresultat mot materialet som tillhandahållits för uppgiften.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser xiaomi/mimo-v2.5-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.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00087 / 1K token Utdata · Utdatatoken $0.00174 / 1K token Indata · Cacheläsning $0.0000072 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00087 / 1K token Utdata · Utdatatoken $0.00174 / 1K token Indata · Cacheläsning $0.0000072 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "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 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 xiaomi/mimo-v2.5-pro
Använd metodsökvägarna som visas ovan.
xiaomi/mimo-v2.5-proMiMo-V2.5-Pro är Xiaomis textinriktade modell för komplex programvaruutveckling och långvariga agentarbetsflöden. Den publicerade profilen kombinerar en MoE med 1.02T parametrar, 42B aktiva parametrar och upp till en miljon token i kontexten, med träning inriktad på sammanhängande verktygsanvändning.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
MiMo-V2.5-Pro är Xiaomis stora textinriktade mixture-of-experts-modell för krävande agentarbete, komplex programvaruutveckling och uppgifter som kräver många sammanlänkade steg. Tillverkaren beskriver totalt 1.02 biljoner parametrar, 42 miljarder aktiva parametrar och en kontext på upp till en miljon token. Syftet är att behålla uppgiftens instruktioner och det samlade underlaget medan en stödjande applikation tillhandahåller verktyg och återför resultaten från dem.
Modellen kombinerar attention med glidande fönster och global attention i ett 6:1-mönster. Det lokala fönstret omfattar 128 token, medan lager med global attention kopplar samman information genom den längre historiken. Detta beskriver attention-arkitekturen och innebär inte att användarens indata begränsas till 128 token. Basarkitekturen har 70 lager och gles expertroutning, där åtta routade experter väljs per token. Tre moduler för prediktion av flera token är integrerade i tränings- och inferensdesignen för att stödja spekulativ avkodning.
Tillverkaren beskriver förträning på 27 biljoner token, följd av övervakad finjustering, domänspecialiserad förstärkningsinlärning och on-policy-destillering från flera lärarmodeller. De specialiserade lärarmodellerna täcker områden som matematik, säkerhet och komplex verktygsanvändning, och det sista steget samlar deras vägledning i en enda modell. Denna träningsinriktning stöder modellens roll i långa programvaru- och agentarbetsflöden; en konkret uppgift behöver fortfarande angivna krav och ett sätt att avgöra om resultatet är komplett.
För en programvaruändring anger du relevanta filer, ett observerat fel eller önskat beteende, projektets konventioner och de kontroller som är viktiga. En användbar instruktion är att identifiera vilket beteende som berörs, föreslå en avgränsad implementation och förklara hur både det önskade fallet och ett relevant gränsfall kan verifieras. Bevara de exakta identifierare som används i projektet. Om miljön tillåter körning återför du det faktiska kontrollresultatet i stället för att be modellen anta att en rimlig patch fungerar.
För en längre agentuppgift för du en kortfattad förteckning över målet, redan fattade beslut och underlag som verktygen har returnerat. Ange vad varje åtgärd får ändra och vilket resultat som skulle motivera nästa steg. Modellen kan hjälpa till att resonera över dessa interaktioner och förbereda nästa begäran, men den omgivande applikationen utför åtgärderna. Behåll fel och olösta villkor i slutredovisningen så att en lång sekvens inte döljer ett misslyckat steg bakom en välformulerad förklaring.
Den stora kontexten kan vara användbar för att jämföra implementationer eller sammanställa flera omfattande dokument. Markera gränserna mellan filer och dokument, identifiera avsnitten som svaret måste använda och ange önskat utdataformat. Be till exempel om ett migreringsförslag som kopplar varje berörd komponent till ett krav och redovisar saknad information separat. Behåll stödjande textstycken eller kodpositioner tillsammans med resultatet så att en granskare kan följa resonemanget tillbaka till dess indata.
Xiaomis publicerade driftsexempel använder en kontextkonfiguration på 1,048,576 token, medan sammanfattningen beskriver stöd för upp till 1M token. Lämna utrymme för genererad text och växande verktygshistorik inom den konfiguration som används. Tillverkaren rekommenderar temperature 1.0 och top_p 0.95 för lokal inferens. Detta är detaljer i tillverkarens körrecept och ingen garanti för att varje applikation erbjuder identiska reglage eller samma arbetsfönster.
MiMo-V2.5-Pro skiljer sig från den omnimodala syskonmodellen MiMo-V2.5 och den senare V2.6-serien. Använd denna utgåva för dess dokumenterade språk- och agentuppgifter utan att överföra en annan utgåvas villkor för bild- eller ljudhantering. Slutresultatet kan vara ett kodförslag, en implementationsförklaring eller en analys grundad i underlag; kontrollera viktiga beräkningar, krav och verktygsresultat mot materialet som tillhandahållits för uppgiften.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser xiaomi/mimo-v2.5-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.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00087 / 1K token Utdata · Utdatatoken $0.00174 / 1K token Indata · Cacheläsning $0.0000072 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00087 / 1K token Utdata · Utdatatoken $0.00174 / 1K token Indata · Cacheläsning $0.0000072 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "xiaomi/mimo-v2.5-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 xiaomi/mimo-v2.5-pro
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
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.