MiMo-V2-Omni là mô hình của Xiaomi để hiểu chung văn bản, hình ảnh, âm thanh và video, rồi dùng khả năng đó trong tác vụ tác tử. Kiến trúc đưa các bộ mã hóa riêng cho ảnh, video và âm thanh vào xương sống chung. Điểm khác biệt trung tâm là nhận thức kết hợp: câu hỏi có thể phụ thuộc vào điều nhìn thấy, điều nghe được và nội dung văn bản đi kèm, thay vì phải diễn giải từng nguồn riêng. Đầu ra hỗ trợ phân tích bằng văn bản và yêu cầu công cụ có cấu trúc.
Xiaomi mô tả mô hình học cách nối nhận thức, dự đoán và hành động. Nó diễn giải cảnh hiện tại, suy luận điều có thể xảy ra tiếp theo và chọn bước kế hữu ích. Điều này đặc biệt phù hợp tư liệu ghi sẵn khi ý nghĩa sự kiện phụ thuộc nhiều phương thức. Ví dụ, cung cấp clip và yêu cầu xác định chuỗi hành động nhìn thấy, âm thanh liên quan và quan hệ giữa chúng. Nêu cần tóm tắt sự kiện, giải thích cảnh hay danh sách quan sát để rà sau. Tách dữ kiện quan sát khỏi dự đoán: diễn giải điều có thể xảy ra không phải bằng chứng sự kiện sẽ xảy ra.
Trong mô tả của nhà sản xuất, hiểu âm thanh rộng hơn chép lời. Xiaomi nhấn mạnh phân loại âm thanh môi trường, phân biệt nhiều người nói và suy luận chung âm thanh với hình ảnh. Hãng cũng trình diễn bản tóm tắt có cấu trúc của podcast dài liên tục. Với tác vụ âm thanh, nêu chủ đề hoặc câu hỏi quan trọng cùng đầu ra cần, như dàn ý lập luận, điểm bất đồng hoặc tóm tắt theo chủ đề. Với video có lời nói, yêu cầu nối phát biểu với hành động hoặc tư liệu trên màn hình đi kèm. Nếu lời văn chính xác hoặc quy thuộc người nói quan trọng, yêu cầu đánh dấu điểm mơ hồ thay vì âm thầm giải quyết.
Ở phía thị giác, nhà sản xuất nhấn mạnh suy luận hình ảnh đa lĩnh vực và phân tích biểu đồ phức tạp. Cung cấp biểu đồ rõ và giải thích câu hỏi phân tích, gồm ý nghĩa trục, đơn vị và hạng mục nếu ảnh không làm rõ. Yêu cầu minh họa là mô tả xu hướng chính, xác định thay đổi biểu kiến và phân biệt giá trị nhìn trực tiếp trên biểu đồ với cách giải thích đề xuất. Khi so sánh ảnh, xác định khác biệt quan tâm và yêu cầu bảng gắn với bằng chứng nhìn thấy. Chuẩn bị tư liệu nguồn để đọc rõ nhãn và chi tiết liên quan; phân tích hữu ích phụ thuộc nội dung thực sự có trong đầu vào.
MiMo-V2-Omni cũng hỗ trợ gọi công cụ có cấu trúc và định vị thao tác trên giao diện. Trình diễn của nhà sản xuất nối mô hình với môi trường tác tử cung cấp điều khiển trình duyệt, truy cập tệp và tương tác terminal. Mô hình diễn giải trạng thái hiện tại, quyết định việc cần làm và phát hành động; môi trường thực thi rồi trả trạng thái cập nhật. Với tác vụ kiểu này, cung cấp mục tiêu rõ, màn hình hoặc tư liệu liên quan và mô tả hành động được phép. Yêu cầu nối từng bước kế với trạng thái quan sát và dùng kết quả trả về trước khi tiếp tục. Yêu cầu công cụ và kết quả hành động đã thực thi là hai phần thông tin riêng.
Ví dụ sản xuất đa phương tiện của Xiaomi theo cùng cách phân công: mô hình thiết kế nội dung và chỉ đạo quy trình bằng chương trình, còn công cụ tạo và xử lý tệp tư liệu thực tế. Có thể dùng mô hình để chuẩn bị kế hoạch cảnh, giải thích bằng văn bản về bản ghi hoặc chuỗi hành động công cụ. Cần xác định sản phẩm cụ thể từ đầu, gồm nội dung bắt buộc và cách nhận biết hoàn thành. Gắn việc tạo tệp, kết xuất và thao tác ứng dụng với công cụ thực hiện, thay vì coi phản hồi văn bản là tài sản đã tạo.
Với công việc video thực dụng, cung cấp clip ghi sẵn và câu hỏi tập trung. Xiaomi phân biệt quy trình xử lý clip này với nhận thức thời gian thực trong lộ trình nghiên cứu, nên không nên suy ra điều khiển trực tiếp liên tục từ trình diễn ghi sẵn. Ví dụ cũng cho thấy tác vụ kéo dài qua môi trường tác tử, không xác lập chân trời lập kế hoạch vô hạn hoặc cam kết thời gian hoàn thành chung. Đối chiếu diễn giải cảnh, giá trị biểu đồ, liên kết người nói và hành động đề xuất với đầu vào gốc. Vai trò hữu ích của MiMo-V2-Omni là kết hợp các phương thức thành một diễn giải có suy luận về tác vụ, với kết quả có thể kiểm tra bằng chứng và kết quả hành động.
", "aboutText": "MiMo-V2-Omni là mô hình của Xiaomi để hiểu chung văn bản, hình ảnh, âm thanh và video, rồi dùng khả năng đó trong tác vụ tác tử. Kiến trúc đưa các bộ mã hóa riêng cho ảnh, video và âm thanh vào xương sống chung. Điểm khác biệt trung tâm là nhận thức kết hợp: câu hỏi có thể phụ thuộc vào điều nhìn thấy, điều nghe được và nội dung văn bản đi kèm, thay vì phải diễn giải từng nguồn riêng. Đầu ra hỗ trợ phân tích bằng văn bản và yêu cầu công cụ có cấu trúc.\n\nXiaomi mô tả mô hình học cách nối nhận thức, dự đoán và hành động. Nó diễn giải cảnh hiện tại, suy luận điều có thể xảy ra tiếp theo và chọn bước kế hữu ích. Điều này đặc biệt phù hợp tư liệu ghi sẵn khi ý nghĩa sự kiện phụ thuộc nhiều phương thức. Ví dụ, cung cấp clip và yêu cầu xác định chuỗi hành động nhìn thấy, âm thanh liên quan và quan hệ giữa chúng. Nêu cần tóm tắt sự kiện, giải thích cảnh hay danh sách quan sát để rà sau. Tách dữ kiện quan sát khỏi dự đoán: diễn giải điều có thể xảy ra không phải bằng chứng sự kiện sẽ xảy ra.\n\nTrong mô tả của nhà sản xuất, hiểu âm thanh rộng hơn chép lời. Xiaomi nhấn mạnh phân loại âm thanh môi trường, phân biệt nhiều người nói và suy luận chung âm thanh với hình ảnh. Hãng cũng trình diễn bản tóm tắt có cấu trúc của podcast dài liên tục. Với tác vụ âm thanh, nêu chủ đề hoặc câu hỏi quan trọng cùng đầu ra cần, như dàn ý lập luận, điểm bất đồng hoặc tóm tắt theo chủ đề. Với video có lời nói, yêu cầu nối phát biểu với hành động hoặc tư liệu trên màn hình đi kèm. Nếu lời văn chính xác hoặc quy thuộc người nói quan trọng, yêu cầu đánh dấu điểm mơ hồ thay vì âm thầm giải quyết.\n\nỞ phía thị giác, nhà sản xuất nhấn mạnh suy luận hình ảnh đa lĩnh vực và phân tích biểu đồ phức tạp. Cung cấp biểu đồ rõ và giải thích câu hỏi phân tích, gồm ý nghĩa trục, đơn vị và hạng mục nếu ảnh không làm rõ. Yêu cầu minh họa là mô tả xu hướng chính, xác định thay đổi biểu kiến và phân biệt giá trị nhìn trực tiếp trên biểu đồ với cách giải thích đề xuất. Khi so sánh ảnh, xác định khác biệt quan tâm và yêu cầu bảng gắn với bằng chứng nhìn thấy. Chuẩn bị tư liệu nguồn để đọc rõ nhãn và chi tiết liên quan; phân tích hữu ích phụ thuộc nội dung thực sự có trong đầu vào.\n\nMiMo-V2-Omni cũng hỗ trợ gọi công cụ có cấu trúc và định vị thao tác trên giao diện. Trình diễn của nhà sản xuất nối mô hình với môi trường tác tử cung cấp điều khiển trình duyệt, truy cập tệp và tương tác terminal. Mô hình diễn giải trạng thái hiện tại, quyết định việc cần làm và phát hành động; môi trường thực thi rồi trả trạng thái cập nhật. Với tác vụ kiểu này, cung cấp mục tiêu rõ, màn hình hoặc tư liệu liên quan và mô tả hành động được phép. Yêu cầu nối từng bước kế với trạng thái quan sát và dùng kết quả trả về trước khi tiếp tục. Yêu cầu công cụ và kết quả hành động đã thực thi là hai phần thông tin riêng.\n\nVí dụ sản xuất đa phương tiện của Xiaomi theo cùng cách phân công: mô hình thiết kế nội dung và chỉ đạo quy trình bằng chương trình, còn công cụ tạo và xử lý tệp tư liệu thực tế. Có thể dùng mô hình để chuẩn bị kế hoạch cảnh, giải thích bằng văn bản về bản ghi hoặc chuỗi hành động công cụ. Cần xác định sản phẩm cụ thể từ đầu, gồm nội dung bắt buộc và cách nhận biết hoàn thành. Gắn việc tạo tệp, kết xuất và thao tác ứng dụng với công cụ thực hiện, thay vì coi phản hồi văn bản là tài sản đã tạo.\n\nVới công việc video thực dụng, cung cấp clip ghi sẵn và câu hỏi tập trung. Xiaomi phân biệt quy trình xử lý clip này với nhận thức thời gian thực trong lộ trình nghiên cứu, nên không nên suy ra điều khiển trực tiếp liên tục từ trình diễn ghi sẵn. Ví dụ cũng cho thấy tác vụ kéo dài qua môi trường tác tử, không xác lập chân trời lập kế hoạch vô hạn hoặc cam kết thời gian hoàn thành chung. Đối chiếu diễn giải cảnh, giá trị biểu đồ, liên kết người nói và hành động đề xuất với đầu vào gốc. Vai trò hữu ích của MiMo-V2-Omni là kết hợp các phương thức thành một diễn giải có suy luận về tác vụ, với kết quả có thể kiểm tra bằng chứng và kết quả hành động.", "editorialOverlay": { "copy_fields": { "practical_html": "Ví dụ kỹ thuật bằng tiếng Anh
Summarize a supplied podcast transcript\n\nSummarize this podcast transcript by theme. Speaker A: Smaller batches reduced our queue, but we measured only one week. Speaker B: Returns rose that week; we have not linked them to batch size. Speaker A: We should compare another week before expanding. Return agreements, unresolved relationships and the proposed next step, preserving speaker attribution.A theme-based summary with speaker labels, the agreed next step and unresolved causal claims.Check that the summary does not attribute the rise in returns to batch size or report a multi-week measurement.mimo-v2-omniMiMo-V2-Omni là mô hình của Xiaomi để hiểu kết hợp văn bản, hình ảnh, âm thanh và video. Mô hình nối nhận thức với yêu cầu công cụ có cấu trúc và định vị thao tác trên giao diện, hỗ trợ phân tích cảnh, diễn giải biểu đồ cùng quy trình tác tử dùng kết quả công cụ thực tế.
Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.
MiMo-V2-Omni là mô hình của Xiaomi để hiểu chung văn bản, hình ảnh, âm thanh và video, rồi dùng khả năng đó trong tác vụ tác tử. Kiến trúc đưa các bộ mã hóa riêng cho ảnh, video và âm thanh vào xương sống chung. Điểm khác biệt trung tâm là nhận thức kết hợp: câu hỏi có thể phụ thuộc vào điều nhìn thấy, điều nghe được và nội dung văn bản đi kèm, thay vì phải diễn giải từng nguồn riêng. Đầu ra hỗ trợ phân tích bằng văn bản và yêu cầu công cụ có cấu trúc.
Xiaomi mô tả mô hình học cách nối nhận thức, dự đoán và hành động. Nó diễn giải cảnh hiện tại, suy luận điều có thể xảy ra tiếp theo và chọn bước kế hữu ích. Điều này đặc biệt phù hợp tư liệu ghi sẵn khi ý nghĩa sự kiện phụ thuộc nhiều phương thức. Ví dụ, cung cấp clip và yêu cầu xác định chuỗi hành động nhìn thấy, âm thanh liên quan và quan hệ giữa chúng. Nêu cần tóm tắt sự kiện, giải thích cảnh hay danh sách quan sát để rà sau. Tách dữ kiện quan sát khỏi dự đoán: diễn giải điều có thể xảy ra không phải bằng chứng sự kiện sẽ xảy ra.
Trong mô tả của nhà sản xuất, hiểu âm thanh rộng hơn chép lời. Xiaomi nhấn mạnh phân loại âm thanh môi trường, phân biệt nhiều người nói và suy luận chung âm thanh với hình ảnh. Hãng cũng trình diễn bản tóm tắt có cấu trúc của podcast dài liên tục. Với tác vụ âm thanh, nêu chủ đề hoặc câu hỏi quan trọng cùng đầu ra cần, như dàn ý lập luận, điểm bất đồng hoặc tóm tắt theo chủ đề. Với video có lời nói, yêu cầu nối phát biểu với hành động hoặc tư liệu trên màn hình đi kèm. Nếu lời văn chính xác hoặc quy thuộc người nói quan trọng, yêu cầu đánh dấu điểm mơ hồ thay vì âm thầm giải quyết.
Ở phía thị giác, nhà sản xuất nhấn mạnh suy luận hình ảnh đa lĩnh vực và phân tích biểu đồ phức tạp. Cung cấp biểu đồ rõ và giải thích câu hỏi phân tích, gồm ý nghĩa trục, đơn vị và hạng mục nếu ảnh không làm rõ. Yêu cầu minh họa là mô tả xu hướng chính, xác định thay đổi biểu kiến và phân biệt giá trị nhìn trực tiếp trên biểu đồ với cách giải thích đề xuất. Khi so sánh ảnh, xác định khác biệt quan tâm và yêu cầu bảng gắn với bằng chứng nhìn thấy. Chuẩn bị tư liệu nguồn để đọc rõ nhãn và chi tiết liên quan; phân tích hữu ích phụ thuộc nội dung thực sự có trong đầu vào.
MiMo-V2-Omni cũng hỗ trợ gọi công cụ có cấu trúc và định vị thao tác trên giao diện. Trình diễn của nhà sản xuất nối mô hình với môi trường tác tử cung cấp điều khiển trình duyệt, truy cập tệp và tương tác terminal. Mô hình diễn giải trạng thái hiện tại, quyết định việc cần làm và phát hành động; môi trường thực thi rồi trả trạng thái cập nhật. Với tác vụ kiểu này, cung cấp mục tiêu rõ, màn hình hoặc tư liệu liên quan và mô tả hành động được phép. Yêu cầu nối từng bước kế với trạng thái quan sát và dùng kết quả trả về trước khi tiếp tục. Yêu cầu công cụ và kết quả hành động đã thực thi là hai phần thông tin riêng.
Ví dụ sản xuất đa phương tiện của Xiaomi theo cùng cách phân công: mô hình thiết kế nội dung và chỉ đạo quy trình bằng chương trình, còn công cụ tạo và xử lý tệp tư liệu thực tế. Có thể dùng mô hình để chuẩn bị kế hoạch cảnh, giải thích bằng văn bản về bản ghi hoặc chuỗi hành động công cụ. Cần xác định sản phẩm cụ thể từ đầu, gồm nội dung bắt buộc và cách nhận biết hoàn thành. Gắn việc tạo tệp, kết xuất và thao tác ứng dụng với công cụ thực hiện, thay vì coi phản hồi văn bản là tài sản đã tạo.
Với công việc video thực dụng, cung cấp clip ghi sẵn và câu hỏi tập trung. Xiaomi phân biệt quy trình xử lý clip này với nhận thức thời gian thực trong lộ trình nghiên cứu, nên không nên suy ra điều khiển trực tiếp liên tục từ trình diễn ghi sẵn. Ví dụ cũng cho thấy tác vụ kéo dài qua môi trường tác tử, không xác lập chân trời lập kế hoạch vô hạn hoặc cam kết thời gian hoàn thành chung. Đối chiếu diễn giải cảnh, giá trị biểu đồ, liên kết người nói và hành động đề xuất với đầu vào gốc. Vai trò hữu ích của MiMo-V2-Omni là kết hợp các phương thức thành một diễn giải có suy luận về tác vụ, với kết quả có thể kiểm tra bằng chứng và kết quả hành động.
POST /v1/chat/completionstexttext| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn mimo-v2-omni | Mặc định— |
Trườngmessages | Loạimessage[] | Yêu cầuBắt buộc | Giá trị & giới hạn Số mục tối thiểu: 1 | Mặc định— |
Trườngmessages[].role | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Ví dụ: system, user, assistant, tool, function Điều kiện: Các vai trò này được biểu diễn rõ trong các kiểu tương thích của mã nguồn; tập vai trò chính xác vẫn tùy từng mô hình. Tùy thuộc vào mô hình | Mặc định— |
Trườngmessages[].content | Loạistring|content_part[]|null | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].tool_calls | Loạitool_call[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].tool_call_id | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Áp dụng khi: role=tool; dùng ID thực tế được trả về | Mặc định— |
Trườngmessages[].name | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].reasoning_content | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Áp dụng khi: Gửi lại dữ liệu suy luận thực tế đã được trả về khi mô hình này sử dụng dữ liệu đó | Mặc định— |
Trườngmessages[].reasoning_details | Loạiobject|array | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngmax_tokens | Loạiinteger | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tối thiểu: 1 Tùy thuộc vào mô hình | Mặc định— |
Trườngmax_completion_tokens | Loạiinteger | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tối thiểu: 1 Tùy thuộc vào mô hình | Mặc định— |
Trườngstream | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc địnhfalse |
Trườngstream_options.include_usage | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtemperature | Loạinumber | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtop_p | Loạinumber | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngstop | Loạistring|string[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtools | Loạifunction_tool[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngtools[].type | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn function Tùy thuộc vào mô hình | Mặc định— |
Trườngtools[].function.name | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Áp dụng khi: Có cung cấp công cụ hàm | Mặc định— |
Trườngtools[].function.description | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngtools[].function.parameters | LoạiJSON_schema | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngtool_choice | Loạistring|object | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngparallel_tool_calls | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngresponse_format | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngreasoning_effort | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngreasoning | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngservice_tier | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườnginstructions | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Trường tương thích | Mặc định— |
Trườngfunctions | Loạifunction[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngfunction_call | Loạistring|object | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngprompt_cache_options | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tùy thuộc vào mô hình | Mặc định— |
Trườngmodalities | Loạistring[] | Yêu cầuKhông bắt buộc | Giá trị & giới hạn text | Mặc định— |
Trườngprovider | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Điều kiện: provider.options bị từ chối trên tuyến văn bản Ultra này | Mặc định— |
Trườngcache_control.ttl | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Điều kiện: 1h bị từ chối tại các vị trí lưu đệm prompt thực tế | Mặc định— |
Văn bản · Văn bản UTF8
messages[].content
| Tham số | Hợp đồng |
|---|---|
Tham sốcontent_type | Hợp đồngapplication/json |
Tham sốrequired | Hợp đồngmodel, messages |
Tham sốmaterial_types | Hợp đồngtext |
Tham sốmessages | Hợp đồngMảng thông điệp có cấu trúc role/content |
Tham sốfile_material | Hợp đồngTài liệu UTF-8 thực tế được chèn nguyên dạng văn bản; không suy ra ID tệp |
Tham sốoptional_controls | Hợp đồngstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Tham sốcontrol_scope | Hợp đồngTùy từng mô hình; công cụ hàm của người dùng khác với công cụ do dịch vụ cung cấp |
Tham sốoutput_modalities | Hợp đồngtext |
Tham sốhosted_operations | Hợp đồngfalse |
Tham sốmultimodal_input_binding | Hợp đồngnull |
Vòng đời: synchronous_or_streamed
Gửi ID mô hình chính xác cùng messages.
Độ dài ngữ cảnh không phải giới hạn đầu ra.
Tệp văn bản có thể cung cấp nguyên văn nội dung; đầu vào hình ảnh, âm thanh hoặc đối tượng tệp cần có liên kết chính xác.
Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.
| Cấu hình | Biểu mức phí | Phí |
|---|---|---|
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Phí Đầu vào · Token đầu vào $0.00088 / 1K token Đầu ra · Token đầu ra $0.0044 / 1K token Đầu vào · Đọc bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mimo-v2-omni", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mimo-v2-omni',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mimo-v2-omni',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson hoặc SSE
Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.
Giữ mọi phương án trả lời cùng nội dung, lệnh gọi công cụ và dữ liệu suy luận của phương án đó. Với SSE, ghép các phần thay đổi theo chỉ số phương án và công cụ, giữ lý do kết thúc cuối cùng cùng dữ liệu sử dụng.
Giữ ID và header của yêu cầu, phản hồi. Không cung cấp URL chung để truy xuất tác vụ văn bản.
| Trường | Loại |
|---|---|
Trườngchoices[].index | Loạiinteger |
Trườngchoices[].message.content | Loạistring|null |
Trườngchoices[].message.tool_calls | Loạitool_call[] |
Trườngchoices[].message.reasoning_content | Loạistring |
Trườngchoices[].message.reasoning_details | Loạiobject|array |
Trườngchoices[].finish_reason | Loạistring|null |
Trườngusage | Loạiobject |
| Phản hồi | Điều kiện | Bước tiếp theo |
|---|---|---|
Phản hồi400 · invalid_request_error | Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ | Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới. |
Ailoot Ultra mimo-v2-omni
Dùng các đường dẫn phương thức hiển thị ở trên.
mimo-v2-omniMiMo-V2-Omni là mô hình của Xiaomi để hiểu kết hợp văn bản, hình ảnh, âm thanh và video. Mô hình nối nhận thức với yêu cầu công cụ có cấu trúc và định vị thao tác trên giao diện, hỗ trợ phân tích cảnh, diễn giải biểu đồ cùng quy trình tác tử dùng kết quả công cụ thực tế.
Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.
MiMo-V2-Omni là mô hình của Xiaomi để hiểu chung văn bản, hình ảnh, âm thanh và video, rồi dùng khả năng đó trong tác vụ tác tử. Kiến trúc đưa các bộ mã hóa riêng cho ảnh, video và âm thanh vào xương sống chung. Điểm khác biệt trung tâm là nhận thức kết hợp: câu hỏi có thể phụ thuộc vào điều nhìn thấy, điều nghe được và nội dung văn bản đi kèm, thay vì phải diễn giải từng nguồn riêng. Đầu ra hỗ trợ phân tích bằng văn bản và yêu cầu công cụ có cấu trúc.
Xiaomi mô tả mô hình học cách nối nhận thức, dự đoán và hành động. Nó diễn giải cảnh hiện tại, suy luận điều có thể xảy ra tiếp theo và chọn bước kế hữu ích. Điều này đặc biệt phù hợp tư liệu ghi sẵn khi ý nghĩa sự kiện phụ thuộc nhiều phương thức. Ví dụ, cung cấp clip và yêu cầu xác định chuỗi hành động nhìn thấy, âm thanh liên quan và quan hệ giữa chúng. Nêu cần tóm tắt sự kiện, giải thích cảnh hay danh sách quan sát để rà sau. Tách dữ kiện quan sát khỏi dự đoán: diễn giải điều có thể xảy ra không phải bằng chứng sự kiện sẽ xảy ra.
Trong mô tả của nhà sản xuất, hiểu âm thanh rộng hơn chép lời. Xiaomi nhấn mạnh phân loại âm thanh môi trường, phân biệt nhiều người nói và suy luận chung âm thanh với hình ảnh. Hãng cũng trình diễn bản tóm tắt có cấu trúc của podcast dài liên tục. Với tác vụ âm thanh, nêu chủ đề hoặc câu hỏi quan trọng cùng đầu ra cần, như dàn ý lập luận, điểm bất đồng hoặc tóm tắt theo chủ đề. Với video có lời nói, yêu cầu nối phát biểu với hành động hoặc tư liệu trên màn hình đi kèm. Nếu lời văn chính xác hoặc quy thuộc người nói quan trọng, yêu cầu đánh dấu điểm mơ hồ thay vì âm thầm giải quyết.
Ở phía thị giác, nhà sản xuất nhấn mạnh suy luận hình ảnh đa lĩnh vực và phân tích biểu đồ phức tạp. Cung cấp biểu đồ rõ và giải thích câu hỏi phân tích, gồm ý nghĩa trục, đơn vị và hạng mục nếu ảnh không làm rõ. Yêu cầu minh họa là mô tả xu hướng chính, xác định thay đổi biểu kiến và phân biệt giá trị nhìn trực tiếp trên biểu đồ với cách giải thích đề xuất. Khi so sánh ảnh, xác định khác biệt quan tâm và yêu cầu bảng gắn với bằng chứng nhìn thấy. Chuẩn bị tư liệu nguồn để đọc rõ nhãn và chi tiết liên quan; phân tích hữu ích phụ thuộc nội dung thực sự có trong đầu vào.
MiMo-V2-Omni cũng hỗ trợ gọi công cụ có cấu trúc và định vị thao tác trên giao diện. Trình diễn của nhà sản xuất nối mô hình với môi trường tác tử cung cấp điều khiển trình duyệt, truy cập tệp và tương tác terminal. Mô hình diễn giải trạng thái hiện tại, quyết định việc cần làm và phát hành động; môi trường thực thi rồi trả trạng thái cập nhật. Với tác vụ kiểu này, cung cấp mục tiêu rõ, màn hình hoặc tư liệu liên quan và mô tả hành động được phép. Yêu cầu nối từng bước kế với trạng thái quan sát và dùng kết quả trả về trước khi tiếp tục. Yêu cầu công cụ và kết quả hành động đã thực thi là hai phần thông tin riêng.
Ví dụ sản xuất đa phương tiện của Xiaomi theo cùng cách phân công: mô hình thiết kế nội dung và chỉ đạo quy trình bằng chương trình, còn công cụ tạo và xử lý tệp tư liệu thực tế. Có thể dùng mô hình để chuẩn bị kế hoạch cảnh, giải thích bằng văn bản về bản ghi hoặc chuỗi hành động công cụ. Cần xác định sản phẩm cụ thể từ đầu, gồm nội dung bắt buộc và cách nhận biết hoàn thành. Gắn việc tạo tệp, kết xuất và thao tác ứng dụng với công cụ thực hiện, thay vì coi phản hồi văn bản là tài sản đã tạo.
Với công việc video thực dụng, cung cấp clip ghi sẵn và câu hỏi tập trung. Xiaomi phân biệt quy trình xử lý clip này với nhận thức thời gian thực trong lộ trình nghiên cứu, nên không nên suy ra điều khiển trực tiếp liên tục từ trình diễn ghi sẵn. Ví dụ cũng cho thấy tác vụ kéo dài qua môi trường tác tử, không xác lập chân trời lập kế hoạch vô hạn hoặc cam kết thời gian hoàn thành chung. Đối chiếu diễn giải cảnh, giá trị biểu đồ, liên kết người nói và hành động đề xuất với đầu vào gốc. Vai trò hữu ích của MiMo-V2-Omni là kết hợp các phương thức thành một diễn giải có suy luận về tác vụ, với kết quả có thể kiểm tra bằng chứng và kết quả hành động.
POST /v1/messagestextjson, sse| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn mimo-v2-omni | Mặc định— |
Trườngmessages | Loạimessage[] | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmessages[].role | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn user, assistant | Mặc định— |
Trườngmessages[].content | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngmax_tokens | Loạiinteger | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngstream | Loạiboolean | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc địnhfalse |
Văn bản · Văn bản UTF-8
Chuỗi messages[].content
| Tham số | Hợp đồng |
|---|---|
Tham sốcontent_type | Hợp đồngapplication/json |
Tham sốrequired | Hợp đồngmodel, messages, max_tokens |
Tham sốoptional_controls | Hợp đồngstream |
Tham sốmaterial_types | Hợp đồngtext |
Tham sốtext_file_material | Hợp đồngĐọc tài liệu UTF-8 thực tế và đặt nội dung văn bản vào chuỗi đầu vào hoặc nội dung thông điệp được chỉ định. |
Vòng đời: synchronous_or_streamed
Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.
| Cấu hình | Biểu mức phí | Phí |
|---|---|---|
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Phí Đầu vào · Token đầu vào $0.00088 / 1K token Đầu ra · Token đầu ra $0.0044 / 1K token Đầu vào · Đọc bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm $0 / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
{\n "model": "mimo-v2-omni",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mimo-v2-omni', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mimo-v2-omni', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON hoặc SSE
Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.
Giữ mọi khối nội dung, chữ ký suy nghĩ và ID sử dụng công cụ thực tế. Ghép tất cả các phần thay đổi của khối SSE; khối văn bản đầu tiên không phải toàn bộ đầu ra.
Giữ ID và header của yêu cầu, phản hồi. Không cung cấp URL chung để truy xuất tác vụ văn bản.
| Trường | Loại |
|---|---|
Trườngid | Loạistring |
Trườngmodel | Loạistring |
Trườngcontent[] | Loạitext|thinking|tool_use|other content block |
Trườngstop_reason | Loạistring|null |
Trườngusage | Loạiobject |
| Phản hồi | Điều kiện | Bước tiếp theo |
|---|---|---|
Phản hồi400 · invalid_request_error | Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ | Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới. |
Ailoot Ultra mimo-v2-omni
Dùng các đường dẫn phương thức hiển thị ở trên.
Ví dụ kỹ thuật bằng tiếng Anh
Summarize a supplied podcast transcript\n\nSummarize this podcast transcript by theme. Speaker A: Smaller batches reduced our queue, but we measured only one week. Speaker B: Returns rose that week; we have not linked them to batch size. Speaker A: We should compare another week before expanding. Return agreements, unresolved relationships and the proposed next step, preserving speaker attribution.A theme-based summary with speaker labels, the agreed next step and unresolved causal claims.Check that the summary does not attribute the rise in returns to batch size or report a multi-week measurement.