MiMo-V2.6-Flash är Xiaomis modell med balanserad effektivitet i MiMo-V2.6-serien. Den kombinerar förståelse av text, bilder, video och ljud i en enda arkitektur, med ett textsvar som kan vägleda en stödjande applikations nästa steg. Uppgiftsområdet omfattar programvaruutveckling, allmänt agentarbete, visuella arbetsflöden och cybersäkerhetsanalys. Flash är en separat mindre modell än V2.6-Pro, med sin egen parameterskala snarare än bara en inställning för kortare svar.
Tillverkarens släppta Flash-profil beskriver en gles mixture-of-experts-modell med totalt 309B parametrar och 15B aktiverade parametrar. Basarkitekturen med 48 lager kombinerar lokal attention med glidande fönster och global attention för att arbeta med lång historik. Separata bild- och ljudkodare för in de olika indatatyperna i denna språkbasarkitektur. Xiaomi anger en kontext på en miljon token för kodarkiv, samlade verktygsresultat och långa uppgiftshistoriker. Ordna det utrymmet kring det aktuella målet, relevant underlag och beslut som måste förbli konsekventa.
V2.6-träningsmetoden blandar kodning, allmänna agenter, visuellt arbete och cybersäkerhetsuppgifter i samma körning för förstärkningsinlärning. Den varierar också agentmiljöerna i stället för att träna varje domän separat. Tillverkaren beskriver jämförelser mellan kandidatförlopp med uppgiftsspecifika kriterier så att även ett godkänt resultat kan förbättras avseende kvalitet och effektivitet. Detta är en metod för modellträning; ett användbart uppgiftsunderlag behöver fortfarande ett tydligt färdigkriterium och underlag som visar om resultatet uppfyller det.
För en kodarkivsuppgift tillhandahåller du det observerade felet, relevanta filer, förväntat beteende och begränsningar för ändringen. Be modellen identifiera orsaken, föreslå en avgränsad patch och förklara vilka kontroller som behövs. I en miljö med exekveringsverktyg återför du deras faktiska utdata så att modellen kan förfina nästa steg. Håll kommandon, fel och ändringar kopplade till den relevanta filen. Slutresultatet bör skilja en föreslagen korrigering från en ändring som har tillämpats och kontrollerats.
För visuellt arbete tillhandahåller du en läsbar skärmbild eller referensbild och identifierar layouten, beteendet eller den rumsliga relation som ska återskapas. Xiaomis V2.6-utgåva beskriver frontendgränssnitt, presentationer, 3D-scener och interaktiva världar byggda genom kodning och verktygsanvändning. En praktisk leverans kan vara en komponentimplementation med en lista över synliga detaljer att granska i det renderade resultatet. Bild- och videoförståelse tillför underlag till arbetsflödet; modellens textutdata är åtskilda från medier som produceras av de omgivande verktygen.
Ljud och video kan tillföra kontext som saknas i ett skriftligt underlag. Ställ en avgränsad fråga om det tillhandahållna materialet och bevara dess relation till det efterfrågade resultatet. Kombinera till exempel en gränssnittsinspelning med stegen som misslyckades och be om en diagnos knuten till den observerade sekvensen. Behåll otydliga avsnitt eller händelser för granskning. En välformulerad förklaring bör inte obemärkt bli belägg för att ett otydligt ljud, en liten etikett eller en flyktig bildruta har förståtts korrekt.
Xiaomis modellkort rekommenderar temperature 1.0 och top_p 0.95 för inferensreceptet och beskriver en femlagers avkodare för prediktion av flera token. Dessa inställningar och optimeringar tillhör tillverkarens implementation. I långa verktygsarbetsflöden kontrollerar du att varje nytt anrop fyller ett nytt informationsbehov eller svarar på ett ändrat resultat. Tillverkaren dokumenterar upprepade verktygsanrop som ett träningsproblem i V2.6 och skiljer mellan sina RL-checkpoints och senare MOPD-checkpoints. Håll den valda utgåvan och den faktiska framstegsdokumentationen uttryckliga när en slutförd uppgift granskas.
", "aboutText": "MiMo-V2.6-Flash är Xiaomis modell med balanserad effektivitet i MiMo-V2.6-serien. Den kombinerar förståelse av text, bilder, video och ljud i en enda arkitektur, med ett textsvar som kan vägleda en stödjande applikations nästa steg. Uppgiftsområdet omfattar programvaruutveckling, allmänt agentarbete, visuella arbetsflöden och cybersäkerhetsanalys. Flash är en separat mindre modell än V2.6-Pro, med sin egen parameterskala snarare än bara en inställning för kortare svar.\n\nTillverkarens släppta Flash-profil beskriver en gles mixture-of-experts-modell med totalt 309B parametrar och 15B aktiverade parametrar. Basarkitekturen med 48 lager kombinerar lokal attention med glidande fönster och global attention för att arbeta med lång historik. Separata bild- och ljudkodare för in de olika indatatyperna i denna språkbasarkitektur. Xiaomi anger en kontext på en miljon token för kodarkiv, samlade verktygsresultat och långa uppgiftshistoriker. Ordna det utrymmet kring det aktuella målet, relevant underlag och beslut som måste förbli konsekventa.\n\nV2.6-träningsmetoden blandar kodning, allmänna agenter, visuellt arbete och cybersäkerhetsuppgifter i samma körning för förstärkningsinlärning. Den varierar också agentmiljöerna i stället för att träna varje domän separat. Tillverkaren beskriver jämförelser mellan kandidatförlopp med uppgiftsspecifika kriterier så att även ett godkänt resultat kan förbättras avseende kvalitet och effektivitet. Detta är en metod för modellträning; ett användbart uppgiftsunderlag behöver fortfarande ett tydligt färdigkriterium och underlag som visar om resultatet uppfyller det.\n\nFör en kodarkivsuppgift tillhandahåller du det observerade felet, relevanta filer, förväntat beteende och begränsningar för ändringen. Be modellen identifiera orsaken, föreslå en avgränsad patch och förklara vilka kontroller som behövs. I en miljö med exekveringsverktyg återför du deras faktiska utdata så att modellen kan förfina nästa steg. Håll kommandon, fel och ändringar kopplade till den relevanta filen. Slutresultatet bör skilja en föreslagen korrigering från en ändring som har tillämpats och kontrollerats.\n\nFör visuellt arbete tillhandahåller du en läsbar skärmbild eller referensbild och identifierar layouten, beteendet eller den rumsliga relation som ska återskapas. Xiaomis V2.6-utgåva beskriver frontendgränssnitt, presentationer, 3D-scener och interaktiva världar byggda genom kodning och verktygsanvändning. En praktisk leverans kan vara en komponentimplementation med en lista över synliga detaljer att granska i det renderade resultatet. Bild- och videoförståelse tillför underlag till arbetsflödet; modellens textutdata är åtskilda från medier som produceras av de omgivande verktygen.\n\nLjud och video kan tillföra kontext som saknas i ett skriftligt underlag. Ställ en avgränsad fråga om det tillhandahållna materialet och bevara dess relation till det efterfrågade resultatet. Kombinera till exempel en gränssnittsinspelning med stegen som misslyckades och be om en diagnos knuten till den observerade sekvensen. Behåll otydliga avsnitt eller händelser för granskning. En välformulerad förklaring bör inte obemärkt bli belägg för att ett otydligt ljud, en liten etikett eller en flyktig bildruta har förståtts korrekt.\n\nXiaomis modellkort rekommenderar temperature 1.0 och top_p 0.95 för inferensreceptet och beskriver en femlagers avkodare för prediktion av flera token. Dessa inställningar och optimeringar tillhör tillverkarens implementation. I långa verktygsarbetsflöden kontrollerar du att varje nytt anrop fyller ett nytt informationsbehov eller svarar på ett ändrat resultat. Tillverkaren dokumenterar upprepade verktygsanrop som ett träningsproblem i V2.6 och skiljer mellan sina RL-checkpoints och senare MOPD-checkpoints. Håll den valda utgåvan och den faktiska framstegsdokumentationen uttryckliga när en slutförd uppgift granskas.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Repair a CSV field serializer\n\nBug report: serialize(['Ada, Inc','plain']) returns 'Ada, Inc,plain', creating three columns. Current function: fields.join(','). Required rules: quote fields containing commas, quotes or line breaks, and double embedded quotes. Propose a focused JavaScript serializer and regression cases for the reported row, an embedded quote and an empty field. Do not claim the code ran.A serializer implementation, explanation of escaping and three regression cases with expected CSV text.Check embedded quotes are doubled inside a quoted field and commas within one field do not create extra columns.xiaomi/mimo-v2.6-flashMiMo-V2.6-Flash kombinerar förståelse av text, bilder, video och ljud för kodning och långvariga agentarbetsflöden. Den publicerade modellprofilen använder totalt 309B parametrar, 15B aktiva per token och en kontext på en miljon token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
MiMo-V2.6-Flash är Xiaomis modell med balanserad effektivitet i MiMo-V2.6-serien. Den kombinerar förståelse av text, bilder, video och ljud i en enda arkitektur, med ett textsvar som kan vägleda en stödjande applikations nästa steg. Uppgiftsområdet omfattar programvaruutveckling, allmänt agentarbete, visuella arbetsflöden och cybersäkerhetsanalys. Flash är en separat mindre modell än V2.6-Pro, med sin egen parameterskala snarare än bara en inställning för kortare svar.
Tillverkarens släppta Flash-profil beskriver en gles mixture-of-experts-modell med totalt 309B parametrar och 15B aktiverade parametrar. Basarkitekturen med 48 lager kombinerar lokal attention med glidande fönster och global attention för att arbeta med lång historik. Separata bild- och ljudkodare för in de olika indatatyperna i denna språkbasarkitektur. Xiaomi anger en kontext på en miljon token för kodarkiv, samlade verktygsresultat och långa uppgiftshistoriker. Ordna det utrymmet kring det aktuella målet, relevant underlag och beslut som måste förbli konsekventa.
V2.6-träningsmetoden blandar kodning, allmänna agenter, visuellt arbete och cybersäkerhetsuppgifter i samma körning för förstärkningsinlärning. Den varierar också agentmiljöerna i stället för att träna varje domän separat. Tillverkaren beskriver jämförelser mellan kandidatförlopp med uppgiftsspecifika kriterier så att även ett godkänt resultat kan förbättras avseende kvalitet och effektivitet. Detta är en metod för modellträning; ett användbart uppgiftsunderlag behöver fortfarande ett tydligt färdigkriterium och underlag som visar om resultatet uppfyller det.
För en kodarkivsuppgift tillhandahåller du det observerade felet, relevanta filer, förväntat beteende och begränsningar för ändringen. Be modellen identifiera orsaken, föreslå en avgränsad patch och förklara vilka kontroller som behövs. I en miljö med exekveringsverktyg återför du deras faktiska utdata så att modellen kan förfina nästa steg. Håll kommandon, fel och ändringar kopplade till den relevanta filen. Slutresultatet bör skilja en föreslagen korrigering från en ändring som har tillämpats och kontrollerats.
För visuellt arbete tillhandahåller du en läsbar skärmbild eller referensbild och identifierar layouten, beteendet eller den rumsliga relation som ska återskapas. Xiaomis V2.6-utgåva beskriver frontendgränssnitt, presentationer, 3D-scener och interaktiva världar byggda genom kodning och verktygsanvändning. En praktisk leverans kan vara en komponentimplementation med en lista över synliga detaljer att granska i det renderade resultatet. Bild- och videoförståelse tillför underlag till arbetsflödet; modellens textutdata är åtskilda från medier som produceras av de omgivande verktygen.
Ljud och video kan tillföra kontext som saknas i ett skriftligt underlag. Ställ en avgränsad fråga om det tillhandahållna materialet och bevara dess relation till det efterfrågade resultatet. Kombinera till exempel en gränssnittsinspelning med stegen som misslyckades och be om en diagnos knuten till den observerade sekvensen. Behåll otydliga avsnitt eller händelser för granskning. En välformulerad förklaring bör inte obemärkt bli belägg för att ett otydligt ljud, en liten etikett eller en flyktig bildruta har förståtts korrekt.
Xiaomis modellkort rekommenderar temperature 1.0 och top_p 0.95 för inferensreceptet och beskriver en femlagers avkodare för prediktion av flera token. Dessa inställningar och optimeringar tillhör tillverkarens implementation. I långa verktygsarbetsflöden kontrollerar du att varje nytt anrop fyller ett nytt informationsbehov eller svarar på ett ändrat resultat. Tillverkaren dokumenterar upprepade verktygsanrop som ett träningsproblem i V2.6 och skiljer mellan sina RL-checkpoints och senare MOPD-checkpoints. Håll den valda utgåvan och den faktiska framstegsdokumentationen uttryckliga när en slutförd uppgift granskas.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser xiaomi/mimo-v2.6-flash | 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 $0.00028 / 1K token Utdata · Utdatatoken $0.00056 / 1K token Indata · Cacheläsning $0.0000056 / 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 $0.00028 / 1K token Utdata · Utdatatoken $0.00056 / 1K token Indata · Cacheläsning $0.0000056 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "xiaomi/mimo-v2.6-flash", "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-v2.6-flash',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-v2.6-flash',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-v2.6-flash
Använd metodsökvägarna som visas ovan.
xiaomi/mimo-v2.6-flashMiMo-V2.6-Flash kombinerar förståelse av text, bilder, video och ljud för kodning och långvariga agentarbetsflöden. Den publicerade modellprofilen använder totalt 309B parametrar, 15B aktiva per token och en kontext på en miljon token.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
MiMo-V2.6-Flash är Xiaomis modell med balanserad effektivitet i MiMo-V2.6-serien. Den kombinerar förståelse av text, bilder, video och ljud i en enda arkitektur, med ett textsvar som kan vägleda en stödjande applikations nästa steg. Uppgiftsområdet omfattar programvaruutveckling, allmänt agentarbete, visuella arbetsflöden och cybersäkerhetsanalys. Flash är en separat mindre modell än V2.6-Pro, med sin egen parameterskala snarare än bara en inställning för kortare svar.
Tillverkarens släppta Flash-profil beskriver en gles mixture-of-experts-modell med totalt 309B parametrar och 15B aktiverade parametrar. Basarkitekturen med 48 lager kombinerar lokal attention med glidande fönster och global attention för att arbeta med lång historik. Separata bild- och ljudkodare för in de olika indatatyperna i denna språkbasarkitektur. Xiaomi anger en kontext på en miljon token för kodarkiv, samlade verktygsresultat och långa uppgiftshistoriker. Ordna det utrymmet kring det aktuella målet, relevant underlag och beslut som måste förbli konsekventa.
V2.6-träningsmetoden blandar kodning, allmänna agenter, visuellt arbete och cybersäkerhetsuppgifter i samma körning för förstärkningsinlärning. Den varierar också agentmiljöerna i stället för att träna varje domän separat. Tillverkaren beskriver jämförelser mellan kandidatförlopp med uppgiftsspecifika kriterier så att även ett godkänt resultat kan förbättras avseende kvalitet och effektivitet. Detta är en metod för modellträning; ett användbart uppgiftsunderlag behöver fortfarande ett tydligt färdigkriterium och underlag som visar om resultatet uppfyller det.
För en kodarkivsuppgift tillhandahåller du det observerade felet, relevanta filer, förväntat beteende och begränsningar för ändringen. Be modellen identifiera orsaken, föreslå en avgränsad patch och förklara vilka kontroller som behövs. I en miljö med exekveringsverktyg återför du deras faktiska utdata så att modellen kan förfina nästa steg. Håll kommandon, fel och ändringar kopplade till den relevanta filen. Slutresultatet bör skilja en föreslagen korrigering från en ändring som har tillämpats och kontrollerats.
För visuellt arbete tillhandahåller du en läsbar skärmbild eller referensbild och identifierar layouten, beteendet eller den rumsliga relation som ska återskapas. Xiaomis V2.6-utgåva beskriver frontendgränssnitt, presentationer, 3D-scener och interaktiva världar byggda genom kodning och verktygsanvändning. En praktisk leverans kan vara en komponentimplementation med en lista över synliga detaljer att granska i det renderade resultatet. Bild- och videoförståelse tillför underlag till arbetsflödet; modellens textutdata är åtskilda från medier som produceras av de omgivande verktygen.
Ljud och video kan tillföra kontext som saknas i ett skriftligt underlag. Ställ en avgränsad fråga om det tillhandahållna materialet och bevara dess relation till det efterfrågade resultatet. Kombinera till exempel en gränssnittsinspelning med stegen som misslyckades och be om en diagnos knuten till den observerade sekvensen. Behåll otydliga avsnitt eller händelser för granskning. En välformulerad förklaring bör inte obemärkt bli belägg för att ett otydligt ljud, en liten etikett eller en flyktig bildruta har förståtts korrekt.
Xiaomis modellkort rekommenderar temperature 1.0 och top_p 0.95 för inferensreceptet och beskriver en femlagers avkodare för prediktion av flera token. Dessa inställningar och optimeringar tillhör tillverkarens implementation. I långa verktygsarbetsflöden kontrollerar du att varje nytt anrop fyller ett nytt informationsbehov eller svarar på ett ändrat resultat. Tillverkaren dokumenterar upprepade verktygsanrop som ett träningsproblem i V2.6 och skiljer mellan sina RL-checkpoints och senare MOPD-checkpoints. Håll den valda utgåvan och den faktiska framstegsdokumentationen uttryckliga när en slutförd uppgift granskas.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser xiaomi/mimo-v2.6-flash | 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 $0.00028 / 1K token Utdata · Utdatatoken $0.00056 / 1K token Indata · Cacheläsning $0.0000056 / 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 $0.00028 / 1K token Utdata · Utdatatoken $0.00056 / 1K token Indata · Cacheläsning $0.0000056 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "xiaomi/mimo-v2.6-flash",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-v2.6-flash', '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-v2.6-flash', '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-v2.6-flash
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Repair a CSV field serializer\n\nBug report: serialize(['Ada, Inc','plain']) returns 'Ada, Inc,plain', creating three columns. Current function: fields.join(','). Required rules: quote fields containing commas, quotes or line breaks, and double embedded quotes. Propose a focused JavaScript serializer and regression cases for the reported row, an embedded quote and an empty field. Do not claim the code ran.A serializer implementation, explanation of escaping and three regression cases with expected CSV text.Check embedded quotes are doubled inside a quoted field and commas within one field do not create extra columns.