代理工作的基礎
MiMo-V2-Pro 是 Xiaomi 用於複雜代理工作負載與軟體工程的旗艦基礎模型。它的角色是推理任務、組織必要步驟，並利用工具回傳的資訊持續朝明確結果前進。模型的重點不僅是撰寫單次回答，而是圍繞相互連結的工作設計，讓先前決策與觀察影響接下來的步驟。
規模與高效率架構
原廠說明總參數量超過 1 兆，活躍參數量為 420 億。Pro 延伸 MiMo-V2-Flash 的混合注意力方法，滑動視窗注意力與全域注意力的比例為 7:1。輕量的多 token 預測層支援生成，宣傳的上下文可達 100 萬個 token。這些是 Pro 的架構與上下文屬性，並未指定特定整合的執行速度、記憶體配置或請求限制。
發布沿革
Xiaomi 將 Hunter Alpha 識別為 MiMo-V2-Pro 之前的早期內部測試版本。正式發布的 Pro 模型具有自己的名稱，並針對長上下文工作與代理情境穩定性加以完善。比較描述或保留模型身分時，這項區別很重要：早期測試版本、MiMo-V2-Flash 與 MiMo-V2-Omni 各有不同的角色與規格。
為代理打造
模型透過監督式學習與強化學習，在多種代理框架中進行微調，著重工具呼叫與多步驟推理。請準備具有可觀察完成條件的任務，以及可用工具的說明。例如，專案助理可以接收變更要求、檢查提供的模組、提出受影響元件，並在工具回傳建置錯誤後繼續。實用的輸出是一連串與實際觀察相關的決策，接著提供所需程式碼、說明或工作摘要。動作由連接的環境執行。
軟體工程與前端任務
Xiaomi 強調系統設計、任務規劃及以程式碼為核心的問題解決。其展示包括在代理環境中產生的互動網頁與瀏覽器遊戲。示範性的開發簡報可以指定頁面行為、導覽、資料狀態與響應式版面，再要求實作並檢查是否符合需求。對既有專案，請提供目前檔案、失敗案例，以及必須維持不變的介面。要求聚焦的變更及對其涉及相依關係的說明，而非無關的替代應用程式。
長上下文與可檢查的結果
當多個檔案、文件、指令與先前觀察屬於同一任務時，最高 100 萬個 token 的上下文很有用。請依角色組織材料：權威需求、現有程式碼、參考範例及工具結果。要求代理執行之前，先指定最終成品及其驗收條件。文件任務可能需要附有未解問題的比較；工程任務則可能需要修補程式及檢查紀錄。
實際限制與版本範圍
長上下文提供容納材料的空間，但不保證生成專案正確，也不保證每項需求均已滿足。請回傳實際錯誤與觀察供下一步使用，並在預定環境中驗證結果。原廠明確將複雜真實任務中的穩健性，定位為需要評估與改善的項目。本說明涵蓋 MiMo-V2-Pro 專門的文字與工具代理用途；Omni 的模態功能與後續 MiMo 世代的規格，則屬於各自的模型。工具、可用參數與輸出處理方式，仍是連接應用程式的屬性。
", "aboutText": "代理工作的基礎\n\nMiMo-V2-Pro 是 Xiaomi 用於複雜代理工作負載與軟體工程的旗艦基礎模型。它的角色是推理任務、組織必要步驟，並利用工具回傳的資訊持續朝明確結果前進。模型的重點不僅是撰寫單次回答，而是圍繞相互連結的工作設計，讓先前決策與觀察影響接下來的步驟。\n\n規模與高效率架構\n\n原廠說明總參數量超過 1 兆，活躍參數量為 420 億。Pro 延伸 MiMo-V2-Flash 的混合注意力方法，滑動視窗注意力與全域注意力的比例為 7:1。輕量的多 token 預測層支援生成，宣傳的上下文可達 100 萬個 token。這些是 Pro 的架構與上下文屬性，並未指定特定整合的執行速度、記憶體配置或請求限制。\n\n發布沿革\n\nXiaomi 將 Hunter Alpha 識別為 MiMo-V2-Pro 之前的早期內部測試版本。正式發布的 Pro 模型具有自己的名稱，並針對長上下文工作與代理情境穩定性加以完善。比較描述或保留模型身分時，這項區別很重要：早期測試版本、MiMo-V2-Flash 與 MiMo-V2-Omni 各有不同的角色與規格。\n\n為代理打造\n\n模型透過監督式學習與強化學習，在多種代理框架中進行微調，著重工具呼叫與多步驟推理。請準備具有可觀察完成條件的任務，以及可用工具的說明。例如，專案助理可以接收變更要求、檢查提供的模組、提出受影響元件，並在工具回傳建置錯誤後繼續。實用的輸出是一連串與實際觀察相關的決策，接著提供所需程式碼、說明或工作摘要。動作由連接的環境執行。\n\n軟體工程與前端任務\n\nXiaomi 強調系統設計、任務規劃及以程式碼為核心的問題解決。其展示包括在代理環境中產生的互動網頁與瀏覽器遊戲。示範性的開發簡報可以指定頁面行為、導覽、資料狀態與響應式版面，再要求實作並檢查是否符合需求。對既有專案，請提供目前檔案、失敗案例，以及必須維持不變的介面。要求聚焦的變更及對其涉及相依關係的說明，而非無關的替代應用程式。\n\n長上下文與可檢查的結果\n\n當多個檔案、文件、指令與先前觀察屬於同一任務時，最高 100 萬個 token 的上下文很有用。請依角色組織材料：權威需求、現有程式碼、參考範例及工具結果。要求代理執行之前，先指定最終成品及其驗收條件。文件任務可能需要附有未解問題的比較；工程任務則可能需要修補程式及檢查紀錄。\n\n實際限制與版本範圍\n\n長上下文提供容納材料的空間，但不保證生成專案正確，也不保證每項需求均已滿足。請回傳實際錯誤與觀察供下一步使用，並在預定環境中驗證結果。原廠明確將複雜真實任務中的穩健性，定位為需要評估與改善的項目。本說明涵蓋 MiMo-V2-Pro 專門的文字與工具代理用途；Omni 的模態功能與後續 MiMo 世代的規格，則屬於各自的模型。工具、可用參數與輸出處理方式，仍是連接應用程式的屬性。", "editorialOverlay": { "copy_fields": { "practical_html": "英文技術範例
Correct an error-state transition\n\nA text specification says a search box has idle, loading, results and error states. Existing logic sets loading=true before fetch and false only on success, so failures leave the spinner visible. Propose pseudocode that preserves results on success, shows an error on failure and always clears loading. Include the two distinguishing checks.Focused async pseudocode and success/failure checks covering final loading state and visible result or error.Check that loading is cleared in both branches without suppressing the error.mimo-v2-proMiMo-V2-Pro 是 Xiaomi 聚焦代理用途的文字模型，適用於軟體工程、多步驟規劃與工具驅動工作。最高 100 萬個 token 的上下文，有助於將大量專案材料、任務限制與接續觀察保留在連貫的工作流程內。
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
代理工作的基礎
MiMo-V2-Pro 是 Xiaomi 用於複雜代理工作負載與軟體工程的旗艦基礎模型。它的角色是推理任務、組織必要步驟，並利用工具回傳的資訊持續朝明確結果前進。模型的重點不僅是撰寫單次回答，而是圍繞相互連結的工作設計，讓先前決策與觀察影響接下來的步驟。
規模與高效率架構
原廠說明總參數量超過 1 兆，活躍參數量為 420 億。Pro 延伸 MiMo-V2-Flash 的混合注意力方法，滑動視窗注意力與全域注意力的比例為 7:1。輕量的多 token 預測層支援生成，宣傳的上下文可達 100 萬個 token。這些是 Pro 的架構與上下文屬性，並未指定特定整合的執行速度、記憶體配置或請求限制。
發布沿革
Xiaomi 將 Hunter Alpha 識別為 MiMo-V2-Pro 之前的早期內部測試版本。正式發布的 Pro 模型具有自己的名稱，並針對長上下文工作與代理情境穩定性加以完善。比較描述或保留模型身分時，這項區別很重要：早期測試版本、MiMo-V2-Flash 與 MiMo-V2-Omni 各有不同的角色與規格。
為代理打造
模型透過監督式學習與強化學習，在多種代理框架中進行微調，著重工具呼叫與多步驟推理。請準備具有可觀察完成條件的任務，以及可用工具的說明。例如，專案助理可以接收變更要求、檢查提供的模組、提出受影響元件，並在工具回傳建置錯誤後繼續。實用的輸出是一連串與實際觀察相關的決策，接著提供所需程式碼、說明或工作摘要。動作由連接的環境執行。
軟體工程與前端任務
Xiaomi 強調系統設計、任務規劃及以程式碼為核心的問題解決。其展示包括在代理環境中產生的互動網頁與瀏覽器遊戲。示範性的開發簡報可以指定頁面行為、導覽、資料狀態與響應式版面，再要求實作並檢查是否符合需求。對既有專案，請提供目前檔案、失敗案例，以及必須維持不變的介面。要求聚焦的變更及對其涉及相依關係的說明，而非無關的替代應用程式。
長上下文與可檢查的結果
當多個檔案、文件、指令與先前觀察屬於同一任務時，最高 100 萬個 token 的上下文很有用。請依角色組織材料：權威需求、現有程式碼、參考範例及工具結果。要求代理執行之前，先指定最終成品及其驗收條件。文件任務可能需要附有未解問題的比較；工程任務則可能需要修補程式及檢查紀錄。
實際限制與版本範圍
長上下文提供容納材料的空間，但不保證生成專案正確，也不保證每項需求均已滿足。請回傳實際錯誤與觀察供下一步使用，並在預定環境中驗證結果。原廠明確將複雜真實任務中的穩健性，定位為需要評估與改善的項目。本說明涵蓋 MiMo-V2-Pro 專門的文字與工具代理用途；Omni 的模態功能與後續 MiMo 世代的規格，則屬於各自的模型。工具、可用參數與輸出處理方式，仍是連接應用程式的屬性。
POST /v1/chat/completionstexttext| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 mimo-v2-pro | 預設值— |
欄位messages | 類型message[] | 要求必填 | 值與限制 項目數下限: 1 | 預設值— |
欄位messages[].role | 類型string | 要求必填 | 值與限制 範例：system, user, assistant, tool, function 條件: 這些角色由 原始碼中的相容型別明確表示；確切角色集合仍依模型而定。 依模型而定 | 預設值— |
欄位messages[].content | 類型string|content_part[]|null | 要求選填 | 值與限制 | 預設值— |
欄位messages[].tool_calls | 類型tool_call[] | 要求選填 | 值與限制 | 預設值— |
欄位messages[].tool_call_id | 類型string | 要求選填 | 值與限制 適用條件: role=tool；使用實際回傳的 ID | 預設值— |
欄位messages[].name | 類型string | 要求選填 | 值與限制 | 預設值— |
欄位messages[].reasoning_content | 類型string | 要求選填 | 值與限制 適用條件: 此模型使用推理內容時，將實際回傳的推理內容帶回後續請求 | 預設值— |
欄位messages[].reasoning_details | 類型object|array | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位max_tokens | 類型integer | 要求選填 | 值與限制 最小值: 1 依模型而定 | 預設值— |
欄位max_completion_tokens | 類型integer | 要求選填 | 值與限制 最小值: 1 依模型而定 | 預設值— |
欄位stream | 類型boolean | 要求選填 | 值與限制 | 預設值false |
欄位stream_options.include_usage | 類型boolean | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位temperature | 類型number | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位top_p | 類型number | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位stop | 類型string|string[] | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位tools | 類型function_tool[] | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位tools[].type | 類型string | 要求選填 | 值與限制 function 依模型而定 | 預設值— |
欄位tools[].function.name | 類型string | 要求必填 | 值與限制 適用條件: 已提供函式工具 | 預設值— |
欄位tools[].function.description | 類型string | 要求選填 | 值與限制 | 預設值— |
欄位tools[].function.parameters | 類型JSON_schema | 要求選填 | 值與限制 | 預設值— |
欄位tool_choice | 類型string|object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位parallel_tool_calls | 類型boolean | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位response_format | 類型object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位reasoning_effort | 類型string | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位reasoning | 類型object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位service_tier | 類型string | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位instructions | 類型string | 要求選填 | 值與限制 相容性欄位 | 預設值— |
欄位functions | 類型function[] | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位function_call | 類型string|object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位prompt_cache_options | 類型object | 要求選填 | 值與限制 依模型而定 | 預設值— |
欄位modalities | 類型string[] | 要求選填 | 值與限制 text | 預設值— |
欄位provider | 類型object | 要求選填 | 值與限制 條件: 此 Ultra 文字路由拒絕 provider.options | 預設值— |
欄位cache_control.ttl | 類型string | 要求選填 | 值與限制 條件: 實際提示詞快取位置拒絕 1h | 預設值— |
文字 · UTF8 文字
messages[].content
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, messages |
參數material_types | 規格text |
參數messages | 規格具有 role/content 結構的訊息陣列 |
參數file_material | 規格實際 UTF-8 文件以原文文字插入；不推定檔案 ID |
參數optional_controls | 規格stream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
參數control_scope | 規格依模型而定；使用者函式工具與託管工具不同 |
參數output_modalities | 規格text |
參數hosted_operations | 規格false |
參數multimodal_input_binding | 規格null |
生命週期： synchronous_or_streamed
將確切模型 ID 與 messages 一併送出。
上下文長度不是輸出上限。
文字檔案可提供原文文字；圖片／音訊／檔案物件輸入需要精確綁定。
費率資訊不會增加請求選項。支援的參數列於所選方法中。
| 設定 | 費率表 | 費用 |
|---|---|---|
| 設定詞元基本費率 | 費率表基本費率 | 費用 輸入 · 輸入 Token $0.0022 / 1K Token 輸出 · 輸出 Token $0.0066 / 1K Token 輸入 · 讀取快取 $0 / 1K Token 輸入 · 寫入快取 $0 / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mimo-v2-pro", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mimo-v2-pro',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mimo-v2-pro',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 或 SSE
請保留所有完整傳回的回應、檔案與內容區塊。
保留每個候選項及其內容／工具呼叫／推理。SSE 中依候選項／工具索引組合增量，保留最終完成原因與用量。
保留請求／回應 ID 與標頭。未提供通用的文字工作擷取 URL。
| 欄位 | 類型 |
|---|---|
欄位choices[].index | 類型integer |
欄位choices[].message.content | 類型string|null |
欄位choices[].message.tool_calls | 類型tool_call[] |
欄位choices[].message.reasoning_content | 類型string |
欄位choices[].message.reasoning_details | 類型object|array |
欄位choices[].finish_reason | 類型string|null |
欄位usage | 類型object |
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
Ailoot Ultra mimo-v2-pro
請使用上方列出的 API 方法路徑。
mimo-v2-proMiMo-V2-Pro 是 Xiaomi 聚焦代理用途的文字模型，適用於軟體工程、多步驟規劃與工具驅動工作。最高 100 萬個 token 的上下文，有助於將大量專案材料、任務限制與接續觀察保留在連貫的工作流程內。
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
代理工作的基礎
MiMo-V2-Pro 是 Xiaomi 用於複雜代理工作負載與軟體工程的旗艦基礎模型。它的角色是推理任務、組織必要步驟，並利用工具回傳的資訊持續朝明確結果前進。模型的重點不僅是撰寫單次回答，而是圍繞相互連結的工作設計，讓先前決策與觀察影響接下來的步驟。
規模與高效率架構
原廠說明總參數量超過 1 兆，活躍參數量為 420 億。Pro 延伸 MiMo-V2-Flash 的混合注意力方法，滑動視窗注意力與全域注意力的比例為 7:1。輕量的多 token 預測層支援生成，宣傳的上下文可達 100 萬個 token。這些是 Pro 的架構與上下文屬性，並未指定特定整合的執行速度、記憶體配置或請求限制。
發布沿革
Xiaomi 將 Hunter Alpha 識別為 MiMo-V2-Pro 之前的早期內部測試版本。正式發布的 Pro 模型具有自己的名稱，並針對長上下文工作與代理情境穩定性加以完善。比較描述或保留模型身分時，這項區別很重要：早期測試版本、MiMo-V2-Flash 與 MiMo-V2-Omni 各有不同的角色與規格。
為代理打造
模型透過監督式學習與強化學習，在多種代理框架中進行微調，著重工具呼叫與多步驟推理。請準備具有可觀察完成條件的任務，以及可用工具的說明。例如，專案助理可以接收變更要求、檢查提供的模組、提出受影響元件，並在工具回傳建置錯誤後繼續。實用的輸出是一連串與實際觀察相關的決策，接著提供所需程式碼、說明或工作摘要。動作由連接的環境執行。
軟體工程與前端任務
Xiaomi 強調系統設計、任務規劃及以程式碼為核心的問題解決。其展示包括在代理環境中產生的互動網頁與瀏覽器遊戲。示範性的開發簡報可以指定頁面行為、導覽、資料狀態與響應式版面，再要求實作並檢查是否符合需求。對既有專案，請提供目前檔案、失敗案例，以及必須維持不變的介面。要求聚焦的變更及對其涉及相依關係的說明，而非無關的替代應用程式。
長上下文與可檢查的結果
當多個檔案、文件、指令與先前觀察屬於同一任務時，最高 100 萬個 token 的上下文很有用。請依角色組織材料：權威需求、現有程式碼、參考範例及工具結果。要求代理執行之前，先指定最終成品及其驗收條件。文件任務可能需要附有未解問題的比較；工程任務則可能需要修補程式及檢查紀錄。
實際限制與版本範圍
長上下文提供容納材料的空間，但不保證生成專案正確，也不保證每項需求均已滿足。請回傳實際錯誤與觀察供下一步使用，並在預定環境中驗證結果。原廠明確將複雜真實任務中的穩健性，定位為需要評估與改善的項目。本說明涵蓋 MiMo-V2-Pro 專門的文字與工具代理用途；Omni 的模態功能與後續 MiMo 世代的規格，則屬於各自的模型。工具、可用參數與輸出處理方式，仍是連接應用程式的屬性。
POST /v1/messagestextjson, sse| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 mimo-v2-pro | 預設值— |
欄位messages | 類型message[] | 要求必填 | 值與限制 | 預設值— |
欄位messages[].role | 類型string | 要求必填 | 值與限制 user, assistant | 預設值— |
欄位messages[].content | 類型string | 要求必填 | 值與限制 | 預設值— |
欄位max_tokens | 類型integer | 要求必填 | 值與限制 | 預設值— |
欄位stream | 類型boolean | 要求選填 | 值與限制 | 預設值false |
文字 · UTF-8 文字
messages[].content 字串
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, messages, max_tokens |
參數optional_controls | 規格stream |
參數material_types | 規格text |
參數text_file_material | 規格讀取實際 UTF-8 文件，將文字放入指定的 input 或訊息內容字串。 |
生命週期： synchronous_or_streamed
費率資訊不會增加請求選項。支援的參數列於所選方法中。
| 設定 | 費率表 | 費用 |
|---|---|---|
| 設定詞元基本費率 | 費率表基本費率 | 費用 輸入 · 輸入 Token $0.0022 / 1K Token 輸出 · 輸出 Token $0.0066 / 1K Token 輸入 · 讀取快取 $0 / 1K Token 輸入 · 寫入快取 $0 / 1K Token 輸入 · 寫入快取，1 小時 — / 1K Token |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
{\n "model": "mimo-v2-pro",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mimo-v2-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mimo-v2-pro', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 或 SSE
請保留所有完整傳回的回應、檔案與內容區塊。
保留所有內容區塊、思考簽章與實際工具使用 ID。組合所有 SSE 區塊增量；第一個文字區塊不是完整輸出。
保留請求／回應 ID 與標頭。未提供通用的文字工作擷取 URL。
| 欄位 | 類型 |
|---|---|
欄位id | 類型string |
欄位model | 類型string |
欄位content[] | 類型text|thinking|tool_use|other content block |
欄位stop_reason | 類型string|null |
欄位usage | 類型object |
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
Ailoot Ultra mimo-v2-pro
請使用上方列出的 API 方法路徑。
英文技術範例
Correct an error-state transition\n\nA text specification says a search box has idle, loading, results and error states. Existing logic sets loading=true before fetch and false only on success, so failures leave the spinner visible. Propose pseudocode that preserves results on success, shows an error on failure and always clears loading. Include the two distinguishing checks.Focused async pseudocode and success/failure checks covering final loading state and visible result or error.Check that loading is cleared in both branches without suppressing the error.