MiMo-V2.5-Pro API

Tekniske specifikationer for MiMo-V2.5-Pro

Forskellen mellem 1.02T samlede parametre og 42B aktive parametre er vigtig. MiMo-V2.5-Pro er en MoE-model: hvert token aktiverer kun en underdel af de tilgængelige parametre. Det ændrer markant dens inferens-beregningsprofil sammenlignet med en tæt 1T-parameters model, selvom den komplette model stadig har enorme hukommelses- og deploymentskrav.

Hvad er de vigtigste funktioner i MiMo-V2.5-Pro?

1. Spars MoE-arkitektur i billion-klassen

MiMo-V2.5-Pro indeholder 1.02T samlede parametre og 42B aktiverede parametre.

Dens arkitektur indeholder 384 routede eksperter, hvor otte eksperter aktiveres for hvert token. Modellen har 70 transformer-lag, bestående af ét tæt lag og 69 MoE-lag.

Dette giver væsentligt mere repræsentationskapacitet end den standard MiMo-V2.5, samtidig med at man undgår beregningsomkostningen ved at aktivere alle 1.02T parametre for hvert token.

Den praktiske pointe er:

MiMo-V2.5-Pro er en model i billion-klassen i total kapacitet, men dens per-token-beregning bestemmes af dens 42B aktive-parameter-sti.

2. Kontekst på 1 million tokens

Modellen understøtter op til 1M tokens kontekst.

Dette er en af dens vigtigste kapabiliteter for autonome agenter, fordi langvarige workflows kan akkumulere:

• Værktøjsuddata
• Kildekode
• Søgeresultater
• Dokumentation
• Mellemregnings- og ræsonnementstilstand
• Brugerinstruktioner
• Eksekveringslogfiler

I stedet for gentagne gange at sammenfatte og kassere gammel kontekst kan en agent potentielt bevare en meget større arbejdshistorik.

Xiaomis langkontekst-evaluering tester specifikt modellen fra 32K til 1M inputtokens.

3. Hybrid Sliding-Window og global opmærksomhed

MiMo-V2.5-Pro bruger et 6:1-forhold mellem Sliding Window Attention (SWA) og global opmærksomhed, med et 128-token sliding window.

Arkitekturen indeholder:

• 60 SWA-lag
• 10 lag med global opmærksomhed
• 128-token SWA-vindue

Xiaomi rapporterer, at dette design reducerer KV-cache-lagring med næsten 7×, samtidig med at performance på lang kontekst bevares gennem lærbar attention-sink-bias.

Dette er en af de mest teknisk betydningsfulde dele af modellen.

Et 1M kontekstvindue er dyrt, hvis hvert lag udfører fuld opmærksomhed over hele sekvensen. Hybrid opmærksomhed reducerer den mængde information, hvert lag skal rette global opmærksomhed mod, samtidig med at dedikerede lag med global opmærksomhed bevares til langtrækkende relationer.

4. Multi-Token Prediction

MiMo-V2.5-Pro indeholder tre letvægts MTP-moduler.

Multi-Token Prediction gør det muligt for modellen at forudsige flere fremtidige tokens på en måde, der kan bruges til spekulativ-lignende dekodning og accelereret inferens.

Xiaomi rapporterer, at dens MTP-arkitektur kan tredoble uddatahastigheden under inferens i den beskrevne deploymentkonfiguration.

Dette er særligt vigtigt for agenter, fordi en agent kan generere store mængder mellemresultater over en lang bane. Forbedring af token-genereringshastighed kan derfor have en meningsfuld effekt på den samlede opgavelatens.

5. Agentorienteret forstærkningslæring

MiMo-V2.5-Pros eftertræningspipeline omfatter:

• Superviseret finjustering
• Storskalig agentorienteret forstærkningslæring
• Multi-Teacher On-Policy Distillation (MOPD)

Træningsmålet er eksplicit orienteret mod kompleks agentadfærd frem for kun statisk benchmark-spørgsmål-besvarelse.

Dette er grunden til, at modellens stærkeste evalueringer er koncentreret omkring kodning, terminalinteraktion, langkontekst-ræsonnement og agentbenchmarks.

6. 27T-token prætræning

MiMo-V2.5-Pro blev prætrænet på cirka 27 billioner tokens, med FP8-mikset præcision og en nativ 32K sekvenslængde, før den understøttede det udvidede 1M kontekstvindue.

Skalaen af prætræningen kombineret med MoE-arkitekturen i billion-klassen placerer MiMo-V2.5-Pro solidt i den nuværende frontier-model-klasse.

---

Hvordan klarer MiMo-V2.5-Pro sig på benchmarks?

De offentliggjorte evalueringsresultater er særligt nyttige, fordi de omfatter både generelle ræsonnementsbenchmarks og praktiske kodnings-/agentevalueringer.

Resultaterne viser en særligt stærk profil inden for softwareudvikling og matematisk ræsonnement. De rapporterede 78.9 på SWE-Bench Verified og 68.4 på Terminal-Bench 2.0 er især relevante for udviklere, der bygger autonome kodningssystemer.

Performance på lang kontekst

Resultaterne for lang kontekst er måske mere interessante end de standardiserede benchmarks.

På GraphWalks-evalueringen opretholder MiMo-V2.5-Pro målbar performance ved ekstreme kontekstlængder:

Xiaomi rapporterer, at den tidligere MiMo-V2-Pro forringes hurtigt ud over 128K og når 0.00 ved 1M på begge delopgaver, mens V2.5-Pro bevarer ikke-nul performance ved den fulde 1M kontekst.

Dette er en meningsfuld sondring: MiMo-V2.5-Pros 1M kontekst er ikke kun et teoretisk maksimum; den offentliggjorte langkontekst-evaluering demonstrerer nyttig performance dybt inde i dette vindue.

Virkelige agenteksempler

Dette er Xiaomis rapporterede demonstrationer snarere end standardiserede benchmarkscorer.

MiMo-V2.5-Pro vs MiMo-V2.5

De to modeller deler samme generation, men målretter forskellige arbejdsbelastninger.

Valget er derfor ikke blot "Pro er bedre".

Hvis en applikation har brug for naturlig forståelse af billeder, video og lyd, er MiMo-V2.5 det mere oplagte valg. Hvis arbejdsbelastningen centrerer sig om komplekst ræsonnement, softwareudvikling, terminalinteraktion og langkørende agenter, er MiMo-V2.5-Pro det stærkere match.

Begrænsninger for MiMo-V2.5-Pro

1. Kun tekstinput til modellen

I modsætning til mimo-v2.5 angiver Pro-modellens officielle specifikation Tekst som inputmodalitet. Den bør ikke markedsføres som den multimodale model i V2.5-familien.

2. Høje beregningskrav ved selv-hosting

Modellen har cirka 1T samlede parametre / 42B aktive parametre, hvilket gør lokal deployment betydeligt mere krævende end konventionelle små åbne modeller.

3. Agentpræstation afhænger af rammeværket

Xiaomis næsten 1.000 værktøjskald er eksplicit forbundet med brugen af et passende agent-rammeværk. Modellen alene garanterer ikke, at en applikation opnår samme lang-horisont-præstation.

4. Håndtering af ræsonnementsindhold

Fleromgangs agentapplikationer, der bruger tænketilstand og værktøjskald, skal korrekt bevare reasoning_content. Forkert håndtering kan give API-fejl.

Bedste anvendelser

Storskala softwareudvikling

• Repository-migrering
• Refaktorering
• Fejlsøgning
• Testgenerering
• Kompilatorudvikling
• Udvikling af full-stack applikationer

Autonome kodningsagenter

MiMo-V2.5-Pro er særligt velegnet til agenter, der gentagne gange skal:

inspicere → ændre → køre → teste → diagnosticere → ændre

Ræsonnement over lange dokumenter

Dens 1M kontekst gør den nyttig til:

• Juridiske kontrakter
• Tekniske specifikationer
• Store forskningssamlinger
• Virksomhedsdokumentation

Komplekse forretningsagenter

Værktøjskald + websøgning + struktureret output kan understøtte:

• Forskningsagenter
• Databehandlingsagenter
• Automatisering af virksomheders arbejdsgange
• Beslutningssystemer i flere trin

Sådan bruger du MiMo-V2.5-Pro API på CometAPI

Den relevante CometAPI-model-ID er:

mimo-v2.5-pro

For udviklere er et API-aggregeringslag særligt nyttigt til at teste MiMo-V2.5-Pro op imod andre højtydende ræsonnements- og agentmodeller uden at vedligeholde uafhængige provider-integrationer.

Trin 1: Få en CometAPI API-nøgle

Opret eller log ind på din CometAPI-konto og hent din API-nøgle fra API-konsollen.

Sæt den som en miljøvariabel:

export COMETAPI_KEY="YOUR_COMETAPI_KEY"

Trin 2: Konfigurer API-klienten

Xiaomi leverer en API, der er kompatibel med både OpenAI- og Anthropic-protokoller, hvilket gør migrering forholdsvis enkel. Til produktionsintegration bør du bruge den aktuelle CometAPI-endpoint/skema for mimo-v2.5-pro, især hvis du har brug for avancerede funktioner som værktøjskald, streaming, strukturerede outputs eller langkontekst-forespørgsler.

Trin 3: Forbind MiMo-V2.5-Pro til værktøjer

Modellen bliver væsentligt mere nyttig, når den forbindes til eksterne værktøjer.

For eksempel:

                    ┌── Web Search
                    │
User → MiMo-V2.5-Pro ├── GitHub
                    │
                    ├── Terminal
                    │
                    ├── Database
                    │
                    └── Internal APIs
                           ↓
                     Tool Results
                           ↓
                    MiMo-V2.5-Pro
                           ↓
                      Final Result

Denne arkitektur ligger langt tættere på modellens tiltænkte brug end en simpel chatbot-integration.