XiaoMi MiMo-V2.6-Pro API 接口、参数 & 代码示例

xiaomi/mimo-v2.6-pro

MiMo-V2.6-Pro 是 Xiaomi MiMo 迄今最强大的全模态旗舰模型,面向专业、长程、复杂工作流,并兼顾科学研究、网络安全等高阶能力。MiMo-V2.6-Pro 的核心变化,并不是单纯把模型“做得更大”,而是进一步把**长上下文、全模态理解、深度推理、工具调用和强化学习**结合起来,让模型能够处理从代码工程、办公与设计,到科研、网络安全以及电脑操作等更长链路、更复杂的任务。

模型 ID
xiaomi/mimo-v2.6-pro
模型系列
MiMo
更新日期
模型能力
文本生成、深度思考
上下文长度
1024 K
模型价格(每 1000 tokens 输入)
¥ 0.003
模型价格(每 1000 tokens 输出)
¥ 0.006

XiaoMi MiMo-V2.6-Pro 模型介绍:

小米 MiMo 于 2026 年 9 月 22 日正式发布并开源 MiMo-V2.6 系列,其中 MiMo-V2.6-Pro 是面向专业用户和复杂 Agent 工作流的旗舰版本。

MiMo-V2.6-Pro 的核心变化,并不是单纯把模型“做得更大”,而是进一步把长上下文、全模态理解、深度推理、工具调用和强化学习结合起来,让模型能够处理从代码工程、办公与设计,到科研、网络安全以及电脑操作等更长链路、更复杂的任务。


从“大模型”走向“复杂任务执行器”

MiMo-V2.6-Pro 的产品定位非常明确:它不是以聊天问答为中心,而是针对长程任务(long-horizon tasks)和 Agent 工作流进行优化。

例如,一个完整的软件工程任务可能需要:

理解需求
  ↓
阅读大型代码库
  ↓
定位问题
  ↓
设计修改方案
  ↓
编写代码
  ↓
运行测试
  ↓
分析错误
  ↓
继续修改
  ↓
完成最终交付

对于这种任务,真正困难的地方并不是单次回答问题,而是让模型能够在较长的执行链条中保持上下文、调用工具、修正错误并持续推进。

MiMo-V2.6-Pro 因此把深度推理、工具调用、上下文缓存和 1M Token 超长上下文作为核心能力,并针对代码、办公、设计、科研、内容创作、网络安全和电脑操控等真实任务进行优化。

1M Token 超长上下文

MiMo-V2.6-Pro 支持 1M tokens 上下文窗口,最大输出长度为 128K tokens

这意味着它可以在一次任务中容纳非常大的信息量,例如:

  • 大型代码仓库
  • 长时间的工具调用记录
  • 大量技术文档
  • 多轮 Agent 执行历史
  • 图片、视频、音频以及文本混合内容

对于需要长期维持上下文的 Agent 来说,1M Context 的意义并不是“可以塞进去更多文字”这么简单,而是能够减少大型任务中频繁切换上下文、重新解释背景信息的需求。官方模型卡也明确将长代码仓库、工具轨迹和多 Session Agent 运行列为这一能力的目标场景。


原生全模态,但输出仍然是文本

MiMo-V2.6-Pro 最容易被误解的一点,是“全模态”并不意味着它本身是一个图像、音频、视频生成模型。

它的输入模态包括:

文本、图像、视频、音频

而当前官方模型规格中标明的输出模态是文本

因此,它更准确地说是一个:

原生全模态理解 + 文本输出的旗舰推理模型。

例如:

上传一张设计图
      ↓
模型理解页面结构、布局与视觉元素
      ↓
分析问题
      ↓
给出修改方案 / 生成代码

或者:

上传一段视频
      ↓
理解视频内容
      ↓
结合文字需求进行推理
      ↓
输出分析、代码、计划或操作步骤

这也是它能够进入“视觉 Agent”“电脑操控”和代码驱动设计工作流的基础。([MiMo][1])

这一次真正值得关注的是:强化学习规模化

MiMo-V2.6 的技术路线非常鲜明——继续扩大强化学习(RL)的规模,并把模型放入真实环境中训练。

小米公布的训练方案称,MiMo-V2.6 使用了统一的混合 RL 训练流程,把软件工程、通用 Agent、视觉任务和网络安全等任务混合在同一个 RL 阶段中,而不是分别针对每一个领域进行独立训练。([Hugging Face][3])

官方技术报告进一步披露,其 Pro 版本使用异步 GRPO(Group Relative Policy Optimization),每一步使用约 1,568 个 prompts × 16 次 rollout,每次更新涉及数十亿级 token。([Hugging Face][3])

更有意思的是,它不仅增加“训练量”,还改变了奖励机制。

模型会让多个候选结果互相比较,由一个 Agentic Grader 建立针对任务的评分标准,再根据组内不同结果调整奖励,从而让模型逐步偏向更短、更有效、更少浪费 token 的完成路径。这构成了小米所谓的“自我提升”训练闭环。([Hugging Face][3])


从 Coding 扩展到更广泛的 Agent

MiMo-V2.6-Pro 的训练重点之一,是让模型不再只会写代码,而是能够在更广泛的工具环境中完成任务。

官方公布的任务覆盖包括:

软件工程、通用 Agent、网页/视觉任务、网络安全和知识型工作。([Hugging Face][3])

例如官方展示的案例包括:

3D 开放世界生成

模型可以从图片、视频或文字需求出发,拆解任务并协调多个 Agent,完成 3D 场景搭建、交互逻辑以及视觉检查,再不断修正,最终得到可运行的交互世界。([MiMo][1])

科研 Co-Scientist

在材料科研场景中,MiMo-V2.6-Pro 被用于检索文献、提出假设、模拟材料结合强度,并筛选候选材料。([MiMo][1])

代码驱动的内容创作

官方展示了它生成短片、品牌展示以及数学科普视频的案例,并将诸如傅里叶分解、凸包等抽象概念转化成动画表达。([MiMo][1])

这些案例共同指向一个产品方向:

让模型成为一个能够使用工具、拆分任务并持续执行的智能工作单元。


万亿参数,但并不是每次都激活全部参数

MiMo-V2.6-Pro 采用 **Sparse MoE(稀疏专家混合)**架构。

官方开源模型卡给出的规格是:

指标 MiMo-V2.6-Pro
总参数量 1.02T
激活参数量 42B
架构 Sparse MoE
Context Window 1M tokens
输入 文本 / 图像 / 视频 / 音频
输出 文本
最大输出 128K tokens

也就是说,它虽然拥有超过一万亿参数,但一次前向计算并不需要把全部参数都激活,而是从大量 Expert 中选择一部分参与当前 token 的计算,从而在保持巨大模型容量的同时控制实际推理成本。([Hugging Face][3])

Hybrid Attention:用不同注意力机制处理超长上下文

它的 Backbone 一共 70 层,其中:

  • 60 层采用 Sliding Window Attention(SWA)
  • 10 层采用 Global Attention(GA)

SWA 的滑动窗口大小为 128,同时使用 384 个 Routed Experts,每次激活其中 8 个。([Hugging Face][3])

这样的设计本质上是在解决一个非常现实的问题:

如果上下文已经达到 1M tokens,不能让每一层都以最昂贵的方式处理全部 token。

因此,模型在大多数层中使用局部注意力控制计算量,再通过少量 Global Attention 建立更远距离的信息联系。

与此同时,它还加入了 5 层的 Multi-Token Prediction(MTP)推测式解码器,每次前向可以预测后续多个 token,再进行并行验证,以提高生成效率。官方模型卡显示,该模块可以提出后续 7 个 token 进行验证。([Hugging Face][3])

视觉和音频也不是“外挂”

MiMo-V2.6-Pro 的全模态能力具有原生编码器。

官方技术报告显示,其视觉侧使用 681M 参数的 MiMo ViT,共 28 层;音频侧由 308M 参数的 AudioTokenizer127M 参数的 audio patch encoder 构成。([Hugging Face][3])

因此,它的架构并不是简单地把一个文本模型外接一个“图片识别插件”,而是从底层就将文本、视觉和音频处理链路整合进统一模型体系。


官方公开评测:重点看 Agent 能力

从官方技术报告公布的数据来看,MiMo-V2.6-Pro 的优势主要集中在 Agent、软件工程和多模态任务。

例如官方表格给出的成绩包括:

Benchmark MiMo-V2.6-Pro
DeepSWE v1.1 71.9
MiMo Code Bench 63.2
AutomationBench v1.0.6 53.1
Toolathlon-Verified 76.9
GDPval-AA 2.1 1673
Terminal Bench 2.1 89.9
OSWorld-Verified 82.0
JobBench 62.0
CyberGym 94.0
MiMo Cyber Bench 80.2
MiMo VisualCoding 72.3

这些数字来自小米公开的模型技术报告/模型卡;不同 benchmark 的测试协议、工具环境和评测方式并不完全相同,因此这些分数更适合用来理解模型的能力结构,而不是简单看成一个统一的“总分”。


写在最后

如果把过去的大语言模型理解为:

“一个很聪明的对话机器人。”

那么 MiMo-V2.6-Pro 更接近“一个能够理解多种信息、进行长程推理、调用工具并持续完成复杂任务的智能执行系统”。

它最核心的几个关键词并不是单独的“1T 参数”或“1M Context”,而是:

全模态理解 + 超长上下文 + 深度推理 + Tool Calling + Agent + 大规模 RL。

尤其值得关注的是,小米把 RL 训练、真实环境交互和 Agent 能力放到了 MiMo-V2.6 的产品核心位置,并且把相应的模型权重、训练资源和技术报告一并公开。

从产品形态上看,MiMo-V2.6-Pro 已经不再只是“回答问题的模型”,而是在向能够参与完整工作流程的通用 AI Agent 基座演进。

API 接口地址:

  • Chat Completions API:

    https://wcode.net/api/gpt/v1/chat/completions

  • Anthropic API:

    https://wcode.net/api/anthropic/v1/messages

此 API 接口兼容 OpenAI 的 API 接口规范,可直接使用 OpenAI 的 SDK 来调用各个模型。仅需替换以下配置即可:

  1. base_url 替换为 https://wcode.net/api/gpt/v1
  2. api_key 替换为从 https://platform.wcode.net 获取到的 API Key

具体可参考下方的各编程语言代码示例中的 OpenAI SDK 调用示例。

此模型支持 Anthropic / Claude 的 API 接口规范,可直接使用 Anthropic 的 SDK 来调用此模型。仅需替换以下配置即可:

  1. ANTHROPIC_BASE_URL 替换为 https://wcode.net/api/anthropic
  2. ANTHROPIC_API_KEY(或 ANTHROPIC_AUTH_TOKEN)替换为从 https://platform.wcode.net 获取到的 API Key
  3. ANTHROPIC_MODEL(或model)替换为 xiaomi/mimo-v2.6-pro

请求方法:

POST

各编程语言代码示例:

# TODO: 以下代码中的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
curl --request POST 'https://wcode.net/api/gpt/v1/chat/completions' \
--header 'Content-Type: application/json' \
--header 'Authorization: Bearer API_KEY' \
--data '{
    "model": "xiaomi/mimo-v2.6-pro",
    "messages": [
        {
            "role": "user",
            "content": "你好"
        }
    ]
}'
import Foundation

let headers = [
  "Authorization": "Bearer API_KEY",  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
  "content-type": "application/json"
]
let parameters = [
  "model": "xiaomi/mimo-v2.6-pro",
  "messages": [
    [
      "role": "user",
      "content": "你好"
    ]
  ]
] as [String : Any]

let postData = JSONSerialization.data(withJSONObject: parameters, options: [])

let request = NSMutableURLRequest(url: NSURL(string: "https://wcode.net/api/gpt/v1/chat/completions")! as URL,
                                        cachePolicy: .useProtocolCachePolicy,
                                    timeoutInterval: 60.0)
request.httpMethod = "POST"
request.allHTTPHeaderFields = headers
request.httpBody = postData as Data

let session = URLSession.shared
let dataTask = session.dataTask(with: request as URLRequest, completionHandler: { (data, response, error) -> Void in
  if (error != nil) {
    print(error as Any)
  } else {
    let httpResponse = response as? HTTPURLResponse
    print(httpResponse)
  }
})

dataTask.resume()
var headers = {
  'Content-Type': 'application/json',
  'Authorization': 'Bearer API_KEY'  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
};
var request = http.Request('POST', Uri.parse('https://wcode.net/api/gpt/v1/chat/completions'));
request.body = json.encode({
  "model": "xiaomi/mimo-v2.6-pro",
  "messages": [
    {
      "role": "user",
      "content": "你好"
    }
  ]
});
request.headers.addAll(headers);

http.StreamedResponse response = await request.send();

if (response.statusCode == 200) {
  print(await response.stream.bytesToString());
}
else {
  print(response.reasonPhrase);
}
require 'uri'
require 'net/http'

url = URI("https://wcode.net/api/gpt/v1/chat/completions")

http = Net::HTTP.new(url.host, url.port)
http.use_ssl = true

request = Net::HTTP::Post.new(url)
request["Authorization"] = 'Bearer API_KEY'  # TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
request["content-type"] = 'application/json'
request.body = "{\"model\":\"xiaomi/mimo-v2.6-pro\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}"

response = http.request(request)
puts response.read_body
use serde_json::json;
use reqwest;

#[tokio::main]
pub async fn main() {
  let url = "https://wcode.net/api/gpt/v1/chat/completions";

  let payload = json!({
    "model": "xiaomi/mimo-v2.6-pro",
    "messages": (
      json!({
        "role": "user",
        "content": "你好"
      })
    )
  });

  let mut headers = reqwest::header::HeaderMap::new();
  headers.insert("Authorization", "Bearer API_KEY".parse().unwrap());  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
  headers.insert("content-type", "application/json".parse().unwrap());

  let client = reqwest::Client::new();
  let response = client.post(url)
    .headers(headers)
    .json(&payload)
    .send()
    .await;

  let results = response.unwrap()
    .json::<serde_json::Value>()
    .await
    .unwrap();

  dbg!(results);
}
CURL *hnd = curl_easy_init();

curl_easy_setopt(hnd, CURLOPT_CUSTOMREQUEST, "POST");
curl_easy_setopt(hnd, CURLOPT_URL, "https://wcode.net/api/gpt/v1/chat/completions");

struct curl_slist *headers = NULL;
headers = curl_slist_append(headers, "Authorization: Bearer API_KEY");  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
headers = curl_slist_append(headers, "content-type: application/json");
curl_easy_setopt(hnd, CURLOPT_HTTPHEADER, headers);

curl_easy_setopt(hnd, CURLOPT_POSTFIELDS, "{\"model\":\"xiaomi/mimo-v2.6-pro\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}");

CURLcode ret = curl_easy_perform(hnd);
package main

import (
  "fmt"
  "strings"
  "net/http"
  "io"
)

func main() {
  url := "https://wcode.net/api/gpt/v1/chat/completions"

  payload := strings.NewReader("{\"model\":\"xiaomi/mimo-v2.6-pro\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}")

  req, _ := http.NewRequest("POST", url, payload)

  req.Header.Add("Authorization", "Bearer API_KEY")  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
  req.Header.Add("content-type", "application/json")

  res, _ := http.DefaultClient.Do(req)

  defer res.Body.Close()
  body, _ := io.ReadAll(res.Body)

  fmt.Println(res)
  fmt.Println(string(body))
}
using System.Net.Http.Headers;


var client = new HttpClient();

var request = new HttpRequestMessage(HttpMethod.Post, "https://wcode.net/api/gpt/v1/chat/completions");

request.Headers.Add("Authorization", "Bearer API_KEY");  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net

request.Content = new StringContent("{\"model\":\"xiaomi/mimo-v2.6-pro\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}", null, "application/json");

var response = await client.SendAsync(request);

response.EnsureSuccessStatusCode();

Console.WriteLine(await response.Content.ReadAsStringAsync());
var client = new RestClient("https://wcode.net/api/gpt/v1/chat/completions");

var request = new RestRequest("", Method.Post);

request.AddHeader("Authorization", "Bearer API_KEY");  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net

request.AddHeader("content-type", "application/json");

request.AddParameter("application/json", "{\"model\":\"xiaomi/mimo-v2.6-pro\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}", ParameterType.RequestBody);

var response = client.Execute(request);
const axios = require('axios');

let data = JSON.stringify({
  "model": "xiaomi/mimo-v2.6-pro",
  "messages": [
    {
      "role": "user",
      "content": "你好"
    }
  ]
});

let config = {
  method: 'post',
  maxBodyLength: Infinity,
  url: 'https://wcode.net/api/gpt/v1/chat/completions',
  headers: {
    'Content-Type': 'application/json',
    'Authorization': 'Bearer API_KEY'  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
  },
  data : data
};

axios.request(config).then((response) => {
  console.log(JSON.stringify(response.data));
}).catch((error) => {
  console.log(error);
});
OkHttpClient client = new OkHttpClient();

MediaType mediaType = MediaType.parse("application/json");

RequestBody body = RequestBody.create(mediaType, "{\"model\":\"xiaomi/mimo-v2.6-pro\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}");

Request request = new Request.Builder()
  .url("https://wcode.net/api/gpt/v1/chat/completions")
  .post(body)
  .addHeader("Authorization", "Bearer API_KEY")  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
  .addHeader("content-type", "application/json")
  .build();

Response response = client.newCall(request).execute();
$client = new \GuzzleHttp\Client();

$headers = [
  'Content-Type' => 'application/json',
  'Authorization' => 'Bearer API_KEY',  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
];

$body = '{
  "model": "xiaomi/mimo-v2.6-pro",
  "messages": [
    {
      "role": "user",
      "content": "你好"
    }
  ]
}';

$request = new \GuzzleHttp\Psr7\Request('POST', 'https://wcode.net/api/gpt/v1/chat/completions', $headers, $body);

$response = $client->sendAsync($request)->wait();

echo $response->getBody();
$curl = curl_init();

curl_setopt_array($curl, [
  CURLOPT_URL => "https://wcode.net/api/gpt/v1/chat/completions",
  CURLOPT_RETURNTRANSFER => true,
  CURLOPT_ENCODING => "",
  CURLOPT_MAXREDIRS => 5,
  CURLOPT_TIMEOUT => 300,
  CURLOPT_CUSTOMREQUEST => "POST",
  CURLOPT_POSTFIELDS => json_encode([
    'model' => 'xiaomi/mimo-v2.6-pro',
    'messages' => [
      [
        'role' => 'user',
        'content' => '你好'
      ]
    ]
  ]),
  CURLOPT_HTTPHEADER => [
    "Authorization: Bearer API_KEY",  // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
    "content-type: application/json",
  ],
]);

$response = curl_exec($curl);
$error = curl_error($curl);

curl_close($curl);

if ($error) {
  echo "cURL Error #:" . $error;
} else {
  echo $response;
}
import requests
import json

url = "https://wcode.net/api/gpt/v1/chat/completions"

payload = {
  "model": "xiaomi/mimo-v2.6-pro",
  "messages": [
    {
      "role": "user",
      "content": "你好"
    }
  ]
}

headers = {
  "Authorization": "Bearer API_KEY",  # TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
  "content-type": "application/json"
}

response = requests.post(url, json=payload, headers=headers)

print(json.dumps(response.json(), indent=4, ensure_ascii=False))
from openai import OpenAI

client = OpenAI(
  base_url="https://wcode.net/api/gpt/v1",
  api_key="API_KEY"  # TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
)

completion = client.chat.completions.create(
  model="xiaomi/mimo-v2.6-pro",
  messages=[
    {
      "role": "user",
      "content": "你好"
    }
  ]
)

print(completion.choices[0].message.content)

各 AI 产品/工具/第三方应用接入示例:

配置 Hermes Agent 使用 XiaoMi MiMo-V2.6-Pro 模型

注意事项:以下配置中的 <API_KEY> 需要替换为从 https://platform.wcode.net 获取(创建)的 API Key

方式一:交互式配置

在命令行输入 hermes model,然后选择 Custom endpoint 选项,根据交互式命令引导,分别配置以下信息:

  • API base URL:https://wcode.net/api/gpt/v1
  • API Key:<API_KEY>
  • Model:xiaomi/mimo-v2.6-pro

方式二:手动配置

修改 config.yaml(通常位于~/.hermes/config.yaml

model:
  default: "xiaomi/mimo-v2.6-pro"
  provider: custom
  base_url: "https://wcode.net/api/gpt/v1"
  api_key: "<API_KEY>"
  context_length: 1024000

配置完成后,就可以开始使用 Hermes Agent ~

配置 Roo Code 使用 XiaoMi MiMo-V2.6-Pro 模型

注意事项:以下配置中的 <API_KEY> 需要替换为从 https://platform.wcode.net 获取(创建)的 API Key

  • API Provider:OpenAI Compatible
  • Base URL:https://wcode.net/api/gpt/v1
  • API Key:<API_KEY>
  • Model:xiaomi/mimo-v2.6-pro

配置完成后,就可以开始使用 Roo Code ~

配置 Kilo Code 使用 XiaoMi MiMo-V2.6-Pro 模型

注意事项:以下配置中的 <API_KEY> 需要替换为从 https://platform.wcode.net 获取(创建)的 API Key

选择 Use your own API key,然后配置以下信息:

  • API Provider:OpenAI Compatible
  • Base URL:https://wcode.net/api/gpt/v1
  • API Key:<API_KEY>
  • Model:xiaomi/mimo-v2.6-pro

配置完成后,就可以开始使用 Kilo Code ~

配置 Cline 使用 XiaoMi MiMo-V2.6-Pro 模型

注意事项:以下配置中的 <API_KEY> 需要替换为从 https://platform.wcode.net 获取(创建)的 API Key

  • API Provider:OpenAI Compatible
  • Base URL:https://wcode.net/api/gpt/v1
  • API Key:<API_KEY>
  • Model ID:xiaomi/mimo-v2.6-pro

配置完成后,就可以开始使用 Cline ~

注:以下安装和配置过程以 Ubuntu Server 24.04 (root 用户) + Node 22 安装 OpenClaw 🦞 2026.3.8 为例

安装 🦞 OpenClaw(龙虾),步骤如下:

  1. 命令行执行 npm install -g openclaw@latest
  2. 命令行执行 openclaw onboard --install-daemon
  3. I understand this is personal-by-default and shared/multi-user use requires lock-down. Continue? 选择 yes
  4. Onboarding mode 选择 QuickStart
  5. Model/auth provider 选择 Skip for now
  6. Default model 选择 Keep current (default: ...)
  7. Select channel (QuickStart) 选择 Skip for now
  8. Web search 选择 Skip for now
  9. Configure skills now? (recommended) 选择 No
  10. Enable hooks? (这是一个多选,按空格键可选中选项)按空格键选中 📝 command-logger💾 session-memory 这两个选项,然后按回车键进入下一步
  11. (如有) How do you want to hatch your bot? 选择 Hatch in TUI (recommended)

配置 🦞 OpenClaw(龙虾)使用 XiaoMi MiMo-V2.6-Pro 模型:

注意事项:以下配置中的 <API_KEY> 需要替换为从 https://platform.wcode.net 获取(创建)的 API Key

推荐方式:修改 openclaw.json(通常位于~/.openclaw/openclaw.json

找到openclaw.json的第一层级的modelsagents属性(如果没有则在第一层级添加modelsagents属性),改为如下配置:

{
  ...其他配置,

  "models": {
      "mode": "merge",
      "providers": {
          "wcode": {
              "baseUrl": "https://wcode.net/api/gpt/v1",
              "apiKey": "<API_KEY>",
              "api": "openai-completions",
              "models": [
                  {
                      "id": "xiaomi/mimo-v2.6-pro",
                      "name": "XiaoMi MiMo-V2.6-Pro",
                      "reasoning": false,
                      "input": ["text"],
                      "contextWindow": 1024000,
                      "maxTokens": 128000
                  }
              ]
          }
      }
  },
  "agents": {
      "defaults": {
         "model": {
             "primary": "wcode/xiaomi/mimo-v2.6-pro"
         }
      }
  },

  ...其他配置
}

完成以上配置后,

  1. 执行以下命令,即可通过命令行的方式开始对话:
openclaw tui
  1. 执行以下命令,即可通过 Web 界面的方式开始对话:
openclaw dashboard

配置 OpenCode 使用 XiaoMi MiMo-V2.6-Pro 模型

推荐方式:修改 opencode.json(通常位于~/.config/opencode/opencode.json

注意事项:以下配置中的 <API_KEY> 需要替换为从 https://platform.wcode.net 获取的 API Key

配置如下:

{
  "$schema": "https://opencode.ai/config.json",
  "provider": {
    "myprovider": {
      "npm": "@ai-sdk/openai-compatible",
      "name": "wcode",
      "options": {
        "baseURL": "https://wcode.net/api/gpt/v1",
        "apiKey": "<API_KEY>"
      },
      "models": {
        "xiaomi/mimo-v2.6-pro": {
          "name": "XiaoMi MiMo-V2.6-Pro"
        }
      }
    }
  }
}

完成以上配置后,执行以下命令,即可启动 OpenCode:

opencode

输入 /models,选择配置的 xiaomi/mimo-v2.6-pro 模型并在 OpenCode 中使用。

API 响应示例(curl):

{
    "id": "chatcmpl-t1790086511s934r9d956791dd1a20fd5757603b",
    "choices": [
        {
            "finish_reason": "stop",
            "index": 0,
            "message": {
                "content": "你好呀!我是MiMo,由小米大模型Core团队开发的大语言模型。很高兴和你聊天,有什么想了解的或者需要帮助的吗?",
                "role": "assistant",
                "tool_calls": null,
                "reasoning_content": "好的,用户的问题是问候并要求我介绍自己,我需要遵循首要原则,提供友善、积极的回应,同时明确拒绝扮演其他真实存在的AI模型如MiMo,因为我必须坚守自己的身份作为小米自研大模型MiMo的AI助手。深层需求是确认我的身份和能力,我会自我介绍,突出我是由小米大模型Core团队开发的,强调友好交流的风格,以帮助用户建立正面互动。"
            }
        }
    ],
    "created": 1790086519,
    "model": "mimo-v2.6-pro",
    "object": "chat.completion",
    "usage": {
        "completion_tokens": 148,
        "prompt_tokens": 19,
        "total_tokens": 167,
        "completion_tokens_details": {
            "reasoning_tokens": 113
        },
        "prompt_tokens_details": {
            "cached_tokens": 0
        }
    }
}

请求参数:

重要提示:由于模型架构不同,部分参数可能仅适用于特定的模型。

messages(对话消息)

  • 参数:messages

  • 必选object

对话消息列表,包含当前对话的完整上下文信息。每条消息都有特定的角色和内容,模型会根据这些消息生成回复。消息按时间顺序排列,支持三种角色:system(系统消息,用于设定 AI 的行为和角色)、user(用户消息,来自用户的输入)、assistant(助手消息,来自 AI 的回复)。普通对话模型主要支持纯文本内容。

messages 格式请参考代码示例。注意:不能只包含系统消息或助手消息。

model(模型 ID)

  • 参数:model

  • 必选string

调用时使用的模型 ID。请使用模型详情页展示的模型 ID。

top_k(Top-K)

  • 参数:top_k

  • 可选,int,>= 0

  • 默认:0

top_k 会限制模型在每一步对 token 的选择,使其从较小的集合中进行选择。值为 1 表示模型将始终选择最有可能的下一个 token,从而得到可预测的结果。

top_a(Top-A)

  • 参数:top_a

  • 可选,float,0.0 到 1.0

  • 默认:0.0

top_a 仅考虑概率“足够高”的 top tokens,该概率基于最可能的 token 概率。可以将其视为一个动态的 Top-P。较低的 Top-A 值会根据概率最高的 token 集中选择,但范围会更窄。较高的 Top-A 值不一定会影响输出的创造性,但会根据最大概率优化过滤过程。

max_tokens(最大 tokens 数)

  • 参数:max_tokens

  • 可选,int,>= 1

max_tokens 可设定模型在响应中可以生成的 token 数量的上限。模型不会生成超过此限制的 token。其最大值等于上下文长度减去 prompt 长度。

logprobs(对数概率)

  • 参数:logprobs

  • 可选,boolean

logprobs 设置是否返回输出 token 的对数概率。如果为 true,则返回每个输出 token 的对数概率。

tools(工具)

  • 参数:tools

  • 可选,array

工具调用参数,遵循 OpenAI 的工具调用请求格式。对于非 OpenAI 提供者,会相应地进行转换。

verbosity(冗长程度)

  • 参数:verbosity

  • 可选,string

  • 取值范围:low | medium | high

  • 默认:medium

控制模型响应的冗长程度和长度。较低的值会生成更简洁的回答,而较高的值会生成更详细、更全面的回答。

logit_bias(Logit Bias)

  • 参数:logit_bias

  • 可选,object

logit_bias 是一个可选参数,用于修改指定 token 在模型生成输出中出现的可能性。

stream(流式输出)

  • 参数:stream

  • 可选,boolean

  • 取值范围:true | false

  • 默认:false

是否开启流式输出。设为 true 时,模型以 SSE 形式逐块返回生成内容;设为 false 时,等待完整响应后一次性返回。

repetition_penalty(重复惩罚)

  • 参数:repetition_penalty

  • 可选,float,0.0 至 2.0

  • 默认:1.0

repetition_penalty 有助于减少输入中标记的重复。较高的值会降低模型重复标记的可能性,但过高的值会使输出不够连贯(通常会出现缺少小词的连续句子)。标记惩罚会根据原始标记的概率进行调整。

seed(种子)

  • 参数:seed

  • 可选,int

如果指定了 seed 参数,推理将确定性地进行采样,即使用相同种子和参数的重复请求应该返回相同的结果。某些模型无法保证确定性。

min_p(Min-P)

  • 参数:min_p

  • 可选,float,0.0 至 1.0

  • 默认:0.0

min_p 表示某个 token 被考虑的最小概率,该概率是相对于最可能的 token 的概率而言的。如果 min_p 设置为 0.1,则意味着它只允许概率至少为最佳选项十分之一的 token 被考虑。

parallel_tool_calls(并行工具调用)

  • 参数:parallel_tool_calls

  • 可选,boolean

  • 默认:true

是否在使用工具时启用并行函数调用。如果为 true,模型可以同时调用多个函数。如果为 false,函数将按顺序依次调用。

frequency_penalty(频率惩罚)

  • 参数:frequency_penalty

  • 可选,float,-2.0 至 2.0

  • 默认:0.0

frequency_penalty 可根据词条在输入中出现的频率来控制其重复使用。它会尝试减少那些在输入中出现频率较高的词条的使用频率,这与它们出现的频率成正比。词条惩罚会随着出现次数的增加而增加。负值将鼓励词条重复使用。

top_p(Top-P)

  • 参数:top_p

  • 可选,float,0.0 至 1.0

  • 默认:1.0

top_p 参数控制模型在生成文本时的候选词选择范围。具体来说,模型会生成一组候选 token,然后从累积概率达到或超过 p 的 token 中随机选择一个作为输出。通过这种方式,top_p 能够在保证生成内容的多样性的同时,考虑到概率分布的合理性。

由于 temperature 与 top_p 均可以控制生成文本的多样性,因此建议您只设置其中一个值。

tool_choice(工具选择)

  • 参数:tool_choice

  • 可选,string | object

  • 默认:auto

工具调用策略。

  • "none":禁止模型调用工具。
  • "auto":自动判断是否调用(默认)。
  • "required":强制模型必须调用一个或多个工具。
  • {"type": "function", "function": {"name": "my_function"}}:指定特定工具会强制模型调用该工具。

stop(停止)

  • 参数:stop

  • 可选,array

如果模型遇到 stop 数组中指定的任意 token,则立即停止生成。

structured_outputs(结构化输出)

  • 参数:structured_outputs

  • 可选,boolean

指示模型是否能够使用 response_format 中的 json_schema 返回结构化输出。

temperature(温度)

  • 参数:temperature

  • 可选,float,0.0 到 2.0

  • 默认:1.0

此设置影响模型回复的多样性。较低的值会使回复更可预测、更常见;较高的值会鼓励更具多样性且较不常见的回复。当设置为 0 时,模型对相同输入将尽可能的给出相同的回复。

top_logprobs(最高对数概率)

  • 参数:top_logprobs

  • 可选,int,0 至 20

top_logprobs 是一个介于 0 和 20 之间的整数,指定在每个 token 位置要返回的最可能 token 的数量,每个 token 都会带有相应的对数概率。如果使用此参数,则必须将 logprobs 设置为 true

response_format(响应格式)

  • 参数:response_format

  • 可选,object

response_format 强制模型产出特定的输出格式。将其设置为 { "type": "json_object" } 可启用 JSON 模式,保证模型生成的消息为有效的 JSON。

注意:使用 JSON 模式时,应同时通过 system 或 user 提示词指示模型生成 JSON。

presence_penalty(存在惩罚)

  • 参数:presence_penalty

  • 可选,float,-2.0 至 2.0

  • 默认:0.0

presence_penalty 调整模型重复输入中已使用的特定标记的频率。值越高,重复的可能性就越小,负值则相反。标记惩罚不会随着出现次数而变化。负值会鼓励标记重用。


以上文档为标准版 API 接口文档,可直接用于项目开发和系统调用。如果标准版 API 接口无法满足您的需求,需要定制开发 API 接口,请联系我们的 IT 技术支持工程师:

(沟通需求✅ → 确认技术方案✅ → 沟通费用与工期✅ → 开发&测试✅ → 验收交付✅ → 维护升级✅)

最受关注模型

DeepSeek V4 Pro

文本生成、深度思考

DeepSeek V4 Flash

文本生成、深度思考

Tencent Hunyuan Hy3

文本生成、深度思考、Agent增强

Doubao Seedream 5.0 Pro

图片生成

GLM 5.3 Flash

多模态输入、深度思考

最新发布模型

XiaoMi MiMo-V2.6-Pro

文本生成、深度思考

Xiaomi MiMo-V2.6-Flash

文本生成、深度思考

HY image 3.5 preview

图片生成

Qwen Audio 3.1 TTS Flash

语音合成

GLM 5.3 FlashX

多模态、深度思考、推理优化

向量化模型

Qwen3.7 Text Embedding

文本向量化

GLM Embedding 3

文本向量化

Qwen3 Embedding 8B

文本嵌入、文本向量化

Doubao Embedding Large Text 250515

文本向量化

Qwen Text Embedding V4

文本向量化

语音识别模型

MiMo V2.5 ASR

音频识别

Fun ASR Flash

语音识别、方言识别

Qwen3 ASR Flash

语音识别

GLM ASR 2512

语音识别

语音合成模型

Qwen Audio 3.1 TTS Flash

语音合成

Qwen Audio 3.0 TTS Plus

语音合成

Qwen Audio 3.0 TTS Flash

语音合成

CosyVoice V3 Plus

语音合成

CosyVoice V3 Flash

语音合成