Подробный обзор модели MiMo V2.5 от Xiaomi

MiMo V2.5 — это мощная нативная омнимодальная модель с выдающимися агентными возможностями, разработанная компанией Xiaomi. Она способна понимать текст, изображения, видео и аудио в единой архитектуре и специально оптимизирована для сложных, многошаговых агентных задач.

• Ключевые особенности
  • Нативная мультимодальность
  • Контекст 1М токенов
  • Гибридное внимание (SWA/GA)
  • Агентная специализация
• Версии модели
  • Базовая (MiMo-V2.5) — Мультимодальный специалист, высокая эффективность
  • Pro (MiMo-V2.5-Pro) — Агентный специалист, сложные инженерные задачи
  • Pro-UltraSpeed — Пиковая скорость 1000+ т/с, инновации DFlash
• Применение
  • Кодинг-агенты
  • Мультимодальный анализ
  • Долгосрочные задачи

Архитектура и технические характеристики

Гибридное внимание (Hybrid Attention)

Модель использует гибридную архитектуру внимания, сочетающую скользящее оконное (Sliding Window Attention, SWA) и глобальное (Global Attention, GA) внимание в соотношении 5:1 с размером окна 128 токенов. Это позволяет сократить объём хранимого KV-кеша почти в 6 раз при сохранении высокой производительности на длинных контекстах за счёт обучаемого bias (attention sink bias).

Эффективная архитектура MoE

Ядро языковой модели основано на разреженной смеси экспертов (Sparse MoE):

• Всего параметров: 310B
• Активных параметров: 15B (при выводе активируется лишь часть экспертов, что обеспечивает высокую эффективность)
• Мультитокеновое предсказание (MTP): Три лёгких модуля MTP с плотными FFN ускоряют вывод через спекулятивное декодирование и повышают эффективность обучения с помощью обучения с подкреплением (RL).

Нативные омнимодальные кодировщики

Модель оснащена специализированными кодировщиками для разных модальностей:

Обучение и контекст

• Объём данных для обучения: около 48 триллионов токенов
• Контекстное окно: до 1 миллиона токенов нативно, что позволяет анализировать длинные видео, документы и вести расширенные временные рассуждения.

Ключевые возможности и преимущества

1. Нативная омнимодальность

Единая модель может обрабатывать текст, изображения, видео и аудио без необходимости внешних конвертеров, обеспечивая точное кросс-модальное восприятие.

2. Сильные агентные возможности

Модель специально обучена для агентных сценариев (использование инструментов, планирование, выполнение многошаговых задач). Пост-обучение включало SFT (Supervised Fine-Tuning), многомасштабное агентное RL и дистилляцию от нескольких учителей (MOPD).

3. Эффективность токенов

Одно из главных преимуществ — высокая эффективность использования токенов. На бенчмарке ClawEval (агентные задачи) модель находится на Парето-фронтиру (производительность/эффективность), потребляя на 40-60% меньше токенов, чем Claude Opus 4.6, Gemini 3.1 Pro и GPT-5.4 для достижения сопоставимых результатов.

4. Высокая скорость вывода (версия Pro-UltraSpeed)

Существует версия MiMo-V2.5-Pro-UltraSpeed, которая использует FP4 безпотерьное квантование и DFlash параллельное декодирование (алгоритмическая инновация MiMo), а также TileRT системную оптимизацию для максимальной эффективности GPU (постоянные ядра, гетерогенные пайплайны). Это позволяет достигать пиковой скорости 1000+ токенов в секунду.

Производительность на бенчмарках

Агентные задачи (Ключевое преимущество)

На бенчмарках, критичных для реального развёртывания, MiMo-V2.5 демонстрирует лучшие в своём классе результаты.

Подробные результаты бенчмарков

Ключевой вывод: Pro-версия особенно сильна в сложных, долгосрочных задачах. Она способна автономно выполнять проекты, которые занимают у экспертов недели. Например, компилятор SysY на Rust был разработан с нуля за 4.3 часа (672 вызова инструментов) с оценкой 233/233 на скрытых тестах. Полноценный видео-редактор (приложение на 8192 строк) был создан за 11.5 часов (1868 вызовов инструментов).

Мультимодальное восприятие

Модель демонстрирует отличные результаты в понимании изображений, видео и сложных документов:

• MMMU-Pro (сложное мультимодальное рассуждение): 88.5%
• HR-Bench (4K): 87.2%
• OmniDocBench (понимание документов): 87.7%

Ценообразование и доступность

Версии и цены

Важно: С 18-27 июня 2026 года старые модели V2 автоматически перенаправляются на V2.5 (с ценами V2.5). Серия V2 будет полностью устарева к 30 июня 2026 года.

Как получить доступ

1. Открытый исходный код (MIT License): Модели можно скачать с платформ Hugging Face и ModelScope для локального запуска или на VPS.
2. API через платформу MiMo: Оплата по факту использования (Pay-As-You-Go) или подписка Token Plan.
3. Через агрегаторы: Модель доступна через различные платформы-агрегаторы API.
4. Ранний доступ к UltraSpeed: Требует заявки, лимитированные слоты.

Заключение: для кого и зачем?

MiMo V2.5 — это эффективный, открытый и специализированный инструмент для построения AI-агентов, особенно в следующих сценариях:

Практический пример вызова API

import { OpenRouter } from "@openrouter/sdk";

const openrouter = new OpenRouter({
  apiKey: "ВАШ_КЛЮЧ"
});

const stream = await openrouter.chat.send({
  model: "xiaomi/mimo-v2.5",
  messages: [
    { role: "user", content: "Сколько букв 'r' в слове 'strawberry'?" }
  ],
  stream: true,
  reasoning: { effort: 100 }
});

let response = "";
for await (const chunk of stream) {
  const content = chunk.choices[0]?.delta?.content;
  if (content) {
    response += content;
    process.stdout.write(content);
  }
  if (chunk.usage) {
    console.log("\nТокены рассуждения:", chunk.usage.reasoningTokens);
  }
}

Вердикт: Если вам нужна мощная, открытая и эффективная по токенам модель для создания AI-агентов, особенно работающих с кодом или мультимодальными данными, MiMo V2.5 (особенно Pro-версия) — один из лучших вариантов на рынке сегодня. Её уникальное сочетание архитектуры, обучения и ценообразования делает её серьёзным конкурентом закрытым фронт-моделям в нише агентных задач.

Официальный релиз модели MiMo V2.5