TL;DR
Xiaomis Standardmodell V2.5 vereint natives Verständnis für Text, Bild, Video und Audio mit einem Kontextfenster von 1 Million Tokens, Tool-Nutzung und der Effizienz einer sparsamen Mixture-of-Experts. Es ist die bessere Wahl, wenn multimodale Eingaben und die Kosten pro erledigter Aufgabe zählen. Die Pro-Variante ist größer und stärker bei anspruchsvollem Codieren und langhorizontigen Agentenarbeiten, ist jedoch auf Texteingaben fokussiert und kostet laut Xiaomis veröffentlichten Tarifen pro Token etwa das Dreifache.
Die praktische Entscheidung ist einfach: Wählen Sie das Standardmodell für multimodale Agenten, Dokument- und Medienanalyse sowie hochvolumige Automatisierung; wählen Sie Pro, wenn schwierige Softwareentwicklung oder anhaltende autonome Ausführung der Engpass ist.
Key Takeaways
- Das Standardmodell nutzt 310B Gesamtparameter und aktiviert 15B pro Token.
- Es akzeptiert Text, Bilder, Videos und Audio und liefert Text zurück.
- Die API unterstützt 1M Kontext, bis zu 128K Ausgabe, Tool-Aufrufe, Websuche, Streaming, strukturierte Ausgaben und Kontext-Caching.
- Vom Publisher gemeldete Ergebnisse umfassen 65.8 auf Terminal-Bench 2.0 und 56.1 auf SWE-Bench Pro.
- Xiaomis aktueller Model Card für MiMo-V2.5-Pro listet 1.02T Gesamt- und 42B aktive Parameter. Die vom Publisher gelisteten SWE-Bench-Pro-Werte sind 56.1 für MiMo-V2.5 und 57.2 für Pro; dies sind datierte, publisher-gemeldete Vergleiche, keine Garantie für einen spezifischen Coding-Workflow.
- Zu den aktuellen Xiaomi-Tarifen kosten Standard-Eingabe/-Ausgabe $0.14/$0.28 pro Million Tokens; Pro kostet $0.435/$0.87.
- Beide APIs in der CometAPI sind 20% unter dem offiziellen ungecachten Preispaar bepreist.
Information geprüft: 28. September 2026. Preise, Benchmarks, Limits, Verfügbarkeit und Request-Formate können sich ändern. Xiaomi hat angekündigt, dass die offiziellen API-Modellnamen mimo-v2.5 und mimo-v2.5-pro am 21. Oktober 2026 um 10:00 Pekinger Zeit deprecaten werden, ohne automatische Ersatzbereitstellung. Planen Sie die Migration und verifizieren Sie vor dem Deployment die Live-Route.
API-Lifecycle-Hinweis: Die offizielle Xiaomi-Plattform plant, beide V2.5-Modell-IDs am 21. Oktober 2026 außer Betrieb zu nehmen. Dieser Hinweis betrifft Xiaomis API-Plattform; prüfen Sie etwaige Drittanbieter-Gateways separat. Xiaomi Modell-Abkündigungsmitteilung
What the Standard Model Is
MiMo-V2.5 ist Xiaomis MiMo-Foundation-Modell, optimiert auf Effizienz für multimodale Wahrnehmung und agentische Arbeit. Es bietet native Text-, Bild-, Video- und Audioeingabe innerhalb einer Architektur und erzeugt Textausgaben.
Xiaomis Modell-Veröffentlichungslog datiert die öffentliche Beta der MiMo-V2.5-Serie auf den 23. April 2026. Die Gewichte wurden anschließend unter der MIT-Lizenz veröffentlicht. MiMo-V2.5 hat 310B Parameter insgesamt, aktiviert jedoch nur etwa 15B pro Token; es nutzt einen großen Pool an Spezialisten, ohne alle gleichzeitig auszuführen.
MiMo-V2.5-Pro zielt auf einen anderen Workload. Es ist ein Billionen-Parameter-, Texteingabe-Modell, entworfen für die härtesten Coding-, Terminal- und langlaufenden Agentenaufgaben. Beide Varianten teilen ein maximales Kontextfenster von 1M, unterscheiden sich jedoch stark in Modalität, aktiver Rechenleistung und Preis.
MiMo-V2.5 Specifications and Features
| Offizielle Architekturdaten | Wert | Warum es wichtig ist |
|---|---|---|
| Architektur | Sparse MoE | Große Expertenkapazität mit selektiver Aktivierung |
| Gesamt-/aktive Parameter | 310B / 15B | Aktive Rechenleistung liegt weit unter der Gesamtkapazität |
| Transformer-Ebenen | 48: 1 dicht + 47 MoE | Die meisten Ebenen verwenden geroutete Experten |
| Geroutete Experten | 256; 8 aktiv pro Token | Spezialisierung ohne dichte 310B-Ausführung |
| Attention | 39 SWA + 9 globale Ebenen | Balanciert lokale Effizienz und Langstreckenfluss |
| SWA-Fenster | 128 Tokens | Reduziert den KV-Cache-Druck bei langem Kontext |
| Kontext / maximale Ausgabe | 1M / 128K Tokens | Unterstützt lange Dokumente und ausgedehnte Traces |
| Eingabe / Ausgabe | Text, Bild, Video, Audio / Text | Native Wahrnehmung über vier Eingabetypen |
| Vision-Encoder | 729M ViT; 28 Ebenen | Bild- und Videoverständnis |
| Audio-Encoder | 261M Transformer; 24 Ebenen | Natives Audioverständnis |
| Multi-Token Prediction | 3 Module; etwa 329M Parameter | Unterstützt Effizienz durch spekulative Dekodierung |
| Trainingsumfang | Etwa 48T Tokens | Breiter Text- und multimodaler Trainings-Pipeline |
| API-Fähigkeiten | Tools, Web, Streaming, strukturierte Ausgaben, Caching | Produktionsorientierte Agentenbausteine |
| Lizenz | MIT | Kommerzielle Nutzung und Modifikation erlaubt |
Der Betriebsrahmen umfasst 1M Kontext und 128K Ausgabe sowie veröffentlichte Limits von 100 Requests pro Minute und 10 Millionen Tokens pro Minute. Provider-spezifische Limits können je nach Konto und Integrationsroute variieren.
Offizielles Architekturdiagramm von Xiaomi MiMo. Offizielles Architektur-Asset.
How MiMo-V2.5 Architecture Works
Sparse Experts: Gesamtkapazität ist nicht aktive Rechenleistung
Die zentrale Effizienzfakt ist das Design mit 310B gesamt und 15B aktiv. Der Router wählt acht von 256 Experten für jedes Token. Das gibt dem Modell Zugang zu einem viel größeren Parameterpool als ein konventionelles 15B dichtes Modell, ohne jedes Mal alle 310B Parameter auszuführen.
Das macht Self-Hosting nicht trivial. Die vollständigen Gewichte müssen weiterhin gespeichert und verteilt werden, daher bleiben Speicherkapazität, Interconnect-Bandbreite, Expertenrouting und Serving-Software wesentliche Einschränkungen.
Hybride Attention für langen Kontext
Das Backbone verschachtelt Sliding-Window- und globale Attention in einem 5:1-Verhältnis von SWA zu global. Neununddreißig lokale Ebenen kontrollieren das Cache-Wachstum, während neun globale Ebenen den Langstreckeninformationsfluss erhalten. Xiaomi berichtet von einer nahezu sechsfachen KV-Cache-Reduktion gegenüber einem vollständig globalen Design.
Ein Maximum von 1M Tokens ist Kapazität, keine garantierte Genauigkeit. Retrieval-Qualität, Latenz, Wachstum des Tool-Zustands und Aufmerksamkeit über entfernte Evidenz erfordern weiterhin eine workload-spezifische Evaluation.
Native Encoder und Agentenfunktionen
Ein Vision-Transformer mit 729M Parametern verarbeitet Bild- und Videoeingaben; ein Audio-Transformer mit 261M Parametern verarbeitet Audio. Die Projektoren bringen beide Ströme in das Sprach-Backbone ein, sodass ein Agent einen Screenshot, ein Videosegment, eine Audiospur, Textanweisungen und Tool-Ergebnisse kombinieren kann.
Drei Multi-Token-Prediction-Module unterstützen Effizienz bei spekulativer Dekodierung und Reinforcement Learning. Das Modell wurde auf etwa 48T Tokens trainiert, wobei der Kontext während des Post-Trainings schrittweise auf 1M erweitert wurde.
Die offenen Gewichte verwenden eine MIT-Lizenz. Kommerzielle Bereitstellung ist erlaubt, jedoch erfordern Infrastrukturkosten und Abhängigkeiten Dritter weiterhin eine separate Prüfung.
MiMo-V2.5 Benchmarks: Coding, Agenten und Multimodale Ergebnisse
Benchmark-Hinweis:
die folgenden Zahlen sind vom Publisher gemeldet. Sie sind Richtwerte, keine Garantie für ein spezifisches Repository, Medienformat, Tool-Stack, Latenzziel oder Safety-Policy.
Coding- und Agenten-Ergebnisse
Offizielles Benchmark-Diagramm für Coding und Agenten von Xiaomi MiMo.
| Offizieller Coding-Benchmark | Gemeldeter Score | Entscheidungssignal |
|---|---|---|
| MiMo Coding Bench | 71.8 | Breite Coding-Agenten-Fähigkeit |
| Claw-Eval Text | 62.3 | Allgemeine Text-Agenten-Abschlüsse |
| Terminal-Bench 2.0 | 65.8 | Interaktive Terminalausführung |
| SWE-Bench Pro | 56.1 | Real-World Software Engineering |
| Claw-Eval Multi-Turn | 63.2 | Längere mehrstufige Agentenarbeit |
| ResearchClawBench | 16.91 | Autonome Research-Workflows |
Ergebnis: Der stärkste Fall ist die praktische Tool-Nutzung statt isolierter Code-Vervollständigung. Ein 65.8-Resultat auf Terminal-Bench stützt terminalorientierte Agenten, während 56.1 auf SWE-Bench Pro nützliche Repository-Fähigkeit nahelegt. Der deutlich niedrigere Research-Score erinnert daran, Evidenzsuche und Zitationsverhalten separat zu testen.
Multimodale Ergebnisse
Offizielles Benchmark-Diagramm für Bild, Video und multimodale Agenten von Xiaomi MiMo.
| Offizieller Multimodal-Benchmark | Gemeldeter Score | Getestete Fähigkeit |
|---|---|---|
| CharXiv RQ | 81.0 | Diagramm- und Dokumenten-Reasoning |
| MMMU-Pro | 77.9 | Expertenniveau im multimodalen Reasoning |
| HR-Bench 4K | 88.5 | Hochauflösendes Bildverständnis |
| OmniDocBench | 87.2 | Dokumentenverständnis |
| Claw-Eval Multimodal | 23.8 | Multimodaler Agentenabschluss |
| Video-MME | 87.7 | Videoverständnis |
| DailyOmni | 83.5 | Alltägliches audiovisuelles Reasoning |
| VideoHolmes | 64.0 | Temporales Video-Reasoning |
Ergebnis: Dokument-, High-Resolution-Bild- und Videoverständnis sind die klarsten Stärken. Der 23.8-Multimodal-Agenten-Score liegt deutlich unter den Wahrnehmungsscores, daher sollte ein System, das sowohl Medien versteht als auch zuverlässig Tools bedient, Ende-zu-Ende evaluiert werden.
MiMo-V2.5 vs MiMo-V2.5-Pro: Multi-Dimensionale Gegenüberstellung
| Offizieller Architekturvergleich | MiMo-V2.5 | MiMo-V2.5-Pro Offizielle Pro-Spezifikationen Offizielle Pro-Benchmarks | Praktische Implikation |
|---|---|---|---|
| Gesamtparameter | 310B | 1.02T | Pro hat mehr als 3× die Gesamtkapazität |
| Aktivierte Parameter | 15B | 42B | Pro nutzt etwa 2.8× mehr aktive Parameter |
| Ebenen / geroutete Experten | 48 / 256 | 70 / 384 | Pro ist ein größeres Serving-Ziel |
| Model-Card-Kontextlimit | 1M | 1M | Beide listen bis zu 1M Tokens; testen Sie Retrieval und Latenz bei Ihrer Workload-Größe |
| Offizielles API-Maximum Ausgabe | 128K | 128K | Beide aktuellen Xiaomi-API-Modellseiten listen 128K; provider-spezifische Limits können variieren |
| Native Eingabe | Text, Bild, Video, Audio | Text | MiMo-V2.5 ist die dokumentierte multimodale Wahl; verifizieren Sie den genauen Pro-Endpunkt vor dem Senden von Medien |
| SWE-Bench Pro | 56.1 | 57.2 | Pro führt mit 1.1 Punkten |
| Terminal-Bench 2.0 | 65.8 | 68.4 | Pro führt mit 2.6 Punkten |
| Primärer Fit | Effiziente multimodale Agenten | Komplexes Coding und langhorizontige Agenten | Wählen Sie anhand getesteter Workloads; die Modell-Level-Margen beweisen keinen generellen Qualitätsvorsprung |
Ergebnis des Vergleichs: Pro liegt auf den zwei gemeinsamen Coding-Agenten-Tests nur moderat vorne, während die Standardvariante native Bild-, Video- und Audioeingabe bietet und deutlich weniger aktive Parameter nutzt. Pro ist gerechtfertigt, wenn kleine Zugewinne bei harten Aufgaben mehr wert sind als multimodale Eingabe und geringere Stückkosten.
How Much Do MiMo-V2.5 and MiMo-V2.5-Pro Cost?
| Preisstand: 27. Mai 2026 | Offizielle Standard-API | Offizielle Pro-API | MiMo-V2.5 API in CometAPI | MiMo-V2.5-Pro API in CometAPI |
|---|---|---|---|---|
| Eingabe, Cache-Miss / MTok | $0.14 | $0.435 | $0.112 | $0.348 |
| Ausgabe / MTok | $0.28 | $0.87 | $0.224 | $0.696 |
| Eingabe, Cache-Hit / MTok | $0.0028 | $0.0036 | Live-Billing prüfen | Live-Billing prüfen |
| Rabatt vs offizieller ungecachter Satz | Baseline | Baseline | 20% | 20% |
Zu offiziellen Raten kostet Pro für ungecachte Ein- und Ausgaben etwa 3.1× so viel wie Standard. Die oben gezeigten Providerpreise reduzieren jedes ungecachte Paar um 20%, aber die relative Lücke zwischen den Varianten bleibt im Wesentlichen unverändert.
Der Preis pro Token ist nicht die Gesamtkosten. Tool-Retries, Kontextgröße, Ausgabelänge, Latenz, Wiederherstellung fehlgeschlagener Aufgaben und menschliche Prüfung bestimmen die Kosten pro abgeschlossener Aufgabe. Führen Sie eine repräsentative Workload-Stichprobe aus, bevor Sie ein Standard-Produktionsmodell wählen.
What Is MiMo-V2.5 Best For?
- Multimodale Agenten: kombinieren Sie Screenshots, Dokumente, Video, Audio, Anweisungen und Tools in einem Workflow.
- Langdokument-Analyse: verarbeiten Sie Repositories, Verträge, Forschungsarchive, Logs und Support-Historien.
- Medienverständnis: fassen Sie Videos zusammen, extrahieren Sie Ereignisse, interpretieren Sie Diagramme und beantworten Sie audiovisuelle Fragen.
- Coding- und Terminal-Agenten: inspizieren Sie Dateien, führen Sie Befehle aus, ändern Sie Code und iterieren Sie anhand von Testergebnissen.
- Hochvolumige Automatisierung: nutzen Sie spärliche Aktivierung und niedrigere Token-Preise für wiederholte Produktionsaufgaben.
Limitations and Risks
- Pro Token sind nur 15B Parameter aktiv, aber Self-Hosting erfordert dennoch das vollständige 310B-Gewichtssystem.
- Multimodale Ausgabe ist Text; Bild-, Sprach- und Videogenerierung erfordert andere Modelle.
- Ein 1M-Kontextlimit garantiert keine gleichmäßige Retrieval-Genauigkeit über das gesamte Fenster.
- Publisher-Benchmarks übertragen sich möglicherweise nicht auf individuelle Tools, Repositories, Prompts oder Safety-Vorgaben.
- Die Modalitätsexponierung des Providers kann sich von den vollen Fähigkeiten des zugrunde liegenden Open-Weight-Modells unterscheiden.
Produktions-Gate:
validieren Sie Genauigkeit, Tool-Call-Abschluss, Latenz, Token-Verbrauch, Modalitätshandling und Fallback-Verhalten an repräsentativen Aufgaben, bevor Sie Traffic committen.
API Example
Der folgende Python-Beispielcode verwendet einen OpenAI-kompatiblen CometAPI-Endpunkt und die Standardmodell-ID. Bestätigen Sie den aktuellen Endpunkt und das unterstützte Request-Schema vor dem Deployment.
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["COMETAPI_KEY"],
base_url="https://api.cometapi.com/v1",
max_retries=0,
)
response = client.chat.completions.create(
model="mimo-v2.5",
max_tokens=256,
messages=[
{
"role": "user",
"content": "Summarize the main findings in this technical report.",
}
],
)
print(response.choices[0].message.content)
Decision Guide
| Workload-Signal | Start mit | Wechsel, wenn |
|---|---|---|
| Bilder, Video oder Audio sind zentrale Inputs | Standard | Nicht wechseln, es sei denn, multimodale Vorverarbeitung ist akzeptabel |
| Großes Dokument- oder Mixed-Media-Volumen | Standard | Pro nur, wenn Reasoning-Fehler die Kosten dominieren |
| Schwierige Repository-Entwicklung | Beide testen | Pro wählen, wenn der Completion-Gewinn den 3.1×-Preisaufschlag kompensiert |
| Lange autonome Terminal-Trajektorien | Pro | Zum Standard zurückkehren, wenn Zugewinne nicht messbar sind |
| Hochvolumige Routineautomatisierung | Standard | Nur fehlgeschlagene oder hochwertige Aufgaben eskalieren |
Empfohlenes Routing:
verwenden Sie Standard als Default für multimodale und hochvolumige Arbeit, und routen Sie nur schwierige, text-first Coding- oder langhorizontige Aufgaben zu Pro. So bewahren Sie die Fähigkeit und kontrollieren gleichzeitig die Gesamtkosten.
Conclusion
Das Standardmodell ist nicht einfach ein kleineres Pro. Es ist ein eigener Optimierungspunkt: native multimodale Eingabe, 1M Kontext, starke toolorientierte Benchmarks und 15B aktive Parameter zu einem deutlich niedrigeren Tokenpreis.
Pro ist die Spezialistenoption für schwierige Softwareentwicklung und anhaltende autonome Ausführung. Seine zusätzliche Kapazität erzeugt messbare, aber nicht universelle Zugewinne, daher ist das stärkste Deployment-Muster ein workloadbasiertes Routing, statt eine einzige Variante für jede Anfrage zu wählen.
FAQ
Ist das Standardmodell Open Source?
Seine Gewichte werden unter der MIT-Lizenz veröffentlicht, die kommerzielle Nutzung, Modifikation, Feintuning und Weiterverbreitung gemäß den Lizenzbedingungen erlaubt.
Wie viele Parameter nutzt es?
Das Sparse-MoE enthält 310B Gesamtparameter und aktiviert 15B pro Token. Aktive Parameter beschreiben die pro Token ausgeführte Berechnung, nicht die Speichergröße des vollständigen Modells.
Unterstützt es Bilder, Video und Audio?
Ja. Die Standardvariante akzeptiert Text, Bilder, Video und Audio und liefert Text. Die offizielle Spezifikation der Pro-Variante listet Texteingabe.
Wie groß ist das maximale Kontextfenster?
Beide Model Cards geben ein Kontextfenster von bis zu 1M Tokens an. Xiaomis aktuelle API-Seiten listen ein Maximum von 128K Ausgabe für MiMo-V2.5 und MiMo-V2.5-Pro. Tatsächlich nutzbare Limits können je nach Endpunkt, Provider, Konto und Request-Format variieren; verifizieren Sie die eingesetzte Route, bevor Sie sich auf diese Obergrenzen verlassen.
Die aktuelle offizielle Pro-API-Seite bestätigt separat den 1M-Kontext und 128K maximale Ausgabe: MiMo-V2.5-Pro API specifications
Welche Variante ist besser für Coding-Agenten?
Pro meldet höhere Ergebnisse bei gemeinsamen Coding- und Terminal-Benchmarks, aber die Marge ist moderat. Testen Sie beide im Ziel-Repository und wählen Sie anhand von Task-Abschluss, Latenz und Gesamtkosten.
Welche Variante ist besser für multimodale Agenten?
Die Standardvariante ist die natürliche Wahl, da sie native Bild-, Video- und Audioeingaben unterstützt. Pro ist auf Texteingaben fokussiert.
Wie sollte ein Produktionsteam wählen?
Starten Sie mit Standard, messen Sie Fehlschläge und routen Sie nur die schwierigen Text-First-Aufgaben, die von Pro profitieren. Vergleichen Sie die Kosten pro abgeschlossener Aufgabe statt nur den Preis pro Token.