MiMo-V2.5-Pro API

ข้อมูลจำเพาะทาง技术ของ MiMo-V2.5-Pro

ความแตกต่างระหว่าง พารามิเตอร์รวม 1.02T กับพารามิเตอร์ที่ทำงานจริง 42B มีความสำคัญ MiMo-V2.5-Pro เป็นโมเดล MoE: แต่ละโทเคนจะกระตุ้นเพียงบางส่วนของพารามิเตอร์ที่มีอยู่ นั่นเปลี่ยนโพรไฟล์การคำนวณขณะแปลความ (inference) ไปอย่างมากเมื่อเทียบกับโมเดลแบบ dense ขนาด 1T พารามิเตอร์ แม้ว่าโมเดลโดยรวมยังคงมีความต้องการด้านหน่วยความจำและการปรับใช้ที่มหาศาล

คุณสมบัติหลักของ MiMo-V2.5-Pro คืออะไร?

1. สถาปัตยกรรม MoE แบบ Sparse ระดับทริลเลียน

MiMo-V2.5-Pro มี พารามิเตอร์รวม 1.02T และพารามิเตอร์ที่ถูกกระตุ้น 42B

สถาปัตยกรรมประกอบด้วย ผู้เชี่ยวชาญแบบกำหนดเส้นทาง (routed experts) 384 ตัว โดยกระตุ้นผู้เชี่ยวชาญ 8 ตัวต่อโทเคน โมเดลมี 70 ชั้น Transformer ประกอบด้วยชั้น dense 1 ชั้นและชั้น MoE 69 ชั้น

สิ่งนี้ทำให้มีศักยภาพในการแทนค่า (representational capacity) มากกว่ารุ่นมาตรฐาน MiMo-V2.5 อย่างมาก ในขณะที่หลีกเลี่ยงต้นทุนการคำนวณจากการกระตุ้นพารามิเตอร์ทั้งหมด 1.02T สำหรับทุกโทเคน

ประเด็นปฏิบัติที่ควรเข้าใจคือ:

MiMo-V2.5-Pro เป็นโมเดลระดับล้านล้านพารามิเตอร์ตามความจุรวม แต่การคำนวณต่อโทเคนถูกกำหนดโดยเส้นทางพารามิเตอร์ที่ทำงานอยู่ 42B

2. บริบทขนาด 1 ล้านโทเคน

โมเดลรองรับบริบทได้สูงสุด 1M โทเคน

นี่คือความสามารถที่สำคัญที่สุดอย่างหนึ่งสำหรับเอเจนต์อัตโนมัติ เพราะเวิร์กโฟลว์ระยะยาวสามารถสะสมสิ่งต่าง ๆ ได้ เช่น:

• ผลลัพธ์จากเครื่องมือ
• ซอร์สโค้ด
• ผลการค้นหา
• เอกสาร
• สถานะการให้เหตุผลระหว่างทาง
• คำสั่งผู้ใช้
• บันทึกการรัน

แทนที่จะต้องสรุปและทิ้งบริบทเก่า ๆ ซ้ำ ๆ เอเจนต์อาจรักษาประวัติการทำงานที่ใหญ่กว่าไว้ได้

การประเมินบริบทยาวของ Xiaomi ทดสอบโมเดลตั้งแต่ 32K ไปจนถึง 1M โทเคนอินพุต

3. ความสนใจแบบ Sliding-Window ผสาน Global

MiMo-V2.5-Pro ใช้อัตราส่วน SWA ต่อ Global Attention ที่ 6:1 พร้อมหน้าต่างเลื่อน 128 โทเคน

สถาปัตยกรรมประกอบด้วย:

• ชั้น SWA 60 ชั้น
• ชั้น Global Attention 10 ชั้น
• หน้าต่าง SWA ขนาด 128 โทเคน

Xiaomi รายงานว่าการออกแบบนี้ลดพื้นที่จัดเก็บ KV‑cache ได้เกือบ 7× ในขณะที่ยังคงประสิทธิภาพบริบทยาวผ่านไบแอสแบบ attention‑sink ที่เรียนรู้ได้

นี่เป็นส่วนที่มีนัยสำคัญทางเทคนิคอย่างยิ่งของโมเดล

หน้าต่างบริบทขนาด 1M มีต้นทุนสูง หากทุกชั้นต้องทำความสนใจแบบเต็มกับลำดับทั้งหมด ความสนใจแบบไฮบริดช่วยลดข้อมูลที่แต่ละชั้นต้องให้ความสนใจแบบทั่วโลก ในขณะเดียวกันยังคงชั้น Global Attention เฉพาะสำหรับความสัมพันธ์ระยะไกล

4. การทำนายหลายโทเคน

MiMo-V2.5-Pro มี โมดูล MTP น้ำหนักเบา 3 โมดูล

การทำนายหลายโทเคนช่วยให้โมเดลทำนายโทเคนอนาคตหลายตัวได้ ในรูปแบบที่สามารถใช้กับการถอดรหัสแบบ speculative และการเร่งความเร็วการอนุมาน

Xiaomi รายงานว่าสถาปัตยกรรม MTP ของตนสามารถ เพิ่มความเร็วการสร้างผลลัพธ์ระหว่างอนุมานได้ถึง 3 เท่า ภายใต้การตั้งค่าการปรับใช้ที่ระบุ

ประเด็นนี้สำคัญเป็นพิเศษสำหรับเอเจนต์ เนื่องจากเอเจนต์อาจสร้างเอาต์พุตระหว่างทางจำนวนมาก การเพิ่มความเร็วในการสร้างโทเคนจึงส่งผลต่อระยะเวลารวมของงานอย่างมีนัยสำคัญ

5. การเรียนรู้แบบเสริมแรงเชิงตัวแทน

กระบวนการ post‑training ของ MiMo-V2.5-Pro ประกอบด้วย:

• การปรับแต่งแบบมีผู้กำกับ
• การเรียนรู้แบบเสริมแรงเชิงตัวแทนขนาดใหญ่
• การกลั่นแบบ Multi‑Teacher แบบ On‑Policy (MOPD)

วัตถุประสงค์การฝึกมุ่งไปที่พฤติกรรมเอเจนต์ที่ซับซ้อน ไม่ใช่เพียงการตอบคำถามเชิงมาตรฐานแบบคงที่เท่านั้น

นี่คือเหตุผลที่การประเมินที่แข็งแกร่งที่สุดของโมเดลนี้กระจุกอยู่รอบ ๆ การเขียนโค้ด ปฏิสัมพันธ์กับเทอร์มินัล การให้เหตุผลบริบทยาว และเบนช์มาร์กด้านเอเจนต์

6. การพรีเทรน 27T โทเคน

MiMo-V2.5-Pro ถูกพรีเทรนบนประมาณ 27 ทริลเลียนโทเคน โดยใช้ความละเอียดผสม FP8 และความยาวลำดับแบบเนทีฟ 32K ก่อนจะรองรับหน้าต่างบริบทขยาย 1M

ขนาดการพรีเทรนรวมกับสถาปัตยกรรม MoE ระดับทริลเลียน ทำให้ MiMo-V2.5-Pro อยู่ในชั้นของโมเดลระดับแนวหน้าปัจจุบัน

---

MiMo-V2.5-Pro ทำผลงานบนเบนช์มาร์กอย่างไร?

ผลการประเมินที่เผยแพร่มีประโยชน์อย่างยิ่งเพราะรวมทั้งเบนช์มาร์กการให้เหตุผลทั่วไปและการประเมินด้านโค้ด/เอเจนต์เชิงปฏิบัติ

ผลลัพธ์แสดงโปรไฟล์ที่แข็งแกร่งเป็นพิเศษในด้าน วิศวกรรมซอฟต์แวร์และการให้เหตุผลเชิงคณิตศาสตร์ คะแนน 78.9 บน SWE‑Bench Verified และ 68.4 บน Terminal‑Bench 2.0 มีความเกี่ยวข้องอย่างยิ่งสำหรับนักพัฒนาที่สร้างระบบโค้ดอัตโนมัติ

ประสิทธิภาพกับบริบทยาว

ผลลัพธ์บริบทยาวน่าสนใจกว่าเบนช์มาร์กมาตรฐานเสียอีก

บนการประเมิน GraphWalks, MiMo-V2.5-Pro คงประสิทธิภาพที่วัดได้ในความยาวบริบทที่สุดโต่ง:

Xiaomi รายงานว่า MiMo-V2-Pro รุ่นก่อนหน้าทรุดลงอย่างรวดเร็วเกิน 128K และได้ 0.00 ที่ 1M ในทั้งสองงานย่อย ขณะที่ V2.5‑Pro ยังคงมีประสิทธิภาพที่ไม่เป็นศูนย์ในบริบทเต็ม 1M

นี่เป็นความแตกต่างที่มีนัยสำคัญ: บริบท 1M ของ MiMo-V2.5-Pro ไม่ใช่เพียงค่าสูงสุดในทฤษฎี; การประเมินบริบทยาวที่เผยแพร่แสดงให้เห็นว่ามีประสิทธิภาพที่ใช้งานได้ลึกเข้าไปในหน้าต่างนั้น

ตัวอย่างเอเจนต์ในโลกจริง

เหล่านี้เป็นเดโมที่ Xiaomi รายงาน ไม่ใช่คะแนนเบนช์มาร์กมาตรฐาน

MiMo-V2.5-Pro เทียบกับ MiMo-V2.5

สองโมเดลอยู่ในเจเนอเรชันเดียวกันแต่มุ่งเป้าไปที่งานต่างกัน

ดังนั้น ตัวเลือกจึงไม่ใช่แค่ “Pro ดีกว่า” อย่างง่าย ๆ

หากแอปพลิเคชันต้องการ ความเข้าใจภาพ วิดีโอ และเสียงแบบเนทีฟ MiMo‑V2.5 จะเหมาะกว่า หากงานมุ่งไปที่ การให้เหตุผลที่ซับซ้อน วิศวกรรมซอฟต์แวร์ ปฏิสัมพันธ์กับเทอร์มินัล และเอเจนต์ระยะยาว MiMo‑V2.5‑Pro จะเหมาะสมกว่า

ข้อจำกัดของ MiMo-V2.5-Pro

1. อินพุตแบบข้อความเท่านั้น

ต่างจาก mimo-v2.5, สเปกอย่างเป็นทางการของรุ่น Pro ระบุอินพุตเป็น ข้อความ ควรหลีกเลี่ยงการทำการตลาดว่าเป็นโมเดลมัลติโมดัลในตระกูล V2.5

2. ความต้องการคอมพิวต์สูงสำหรับการโฮสต์เอง

โมเดลมีประมาณ พารามิเตอร์รวม 1T / พารามิเตอร์ที่ทำงานจริง 42B ทำให้การปรับใช้ภายในมีความต้องการสูงกว่ามากเมื่อเทียบกับโมเดลเปิดขนาดเล็กทั่วไป

3. ประสิทธิภาพของเอเจนต์ขึ้นกับเฟรมเวิร์ก

คำกล่าวอ้างเรื่องการเรียกเครื่องมือเกือบ 1,000 ครั้งของ Xiaomi ผูกกับการใช้เฟรมเวิร์กเอเจนต์ที่เหมาะสมอย่างชัดเจน ตัวโมเดลเพียงอย่างเดียวไม่รับประกันว่าแอปพลิเคชันจะได้ประสิทธิภาพระยะยาวแบบเดียวกัน

4. การจัดการเนื้อหาการให้เหตุผล

แอปเอเจนต์แบบหลายรอบที่ใช้โหมดคิดและการเรียกเครื่องมือต้องเก็บรักษา reasoning_content ให้ถูกต้อง การจัดการไม่ถูกต้องอาจทำให้เกิดข้อผิดพลาดของ API

กรณีใช้งานที่เหมาะสมที่สุด

วิศวกรรมซอฟต์แวร์ขนาดใหญ่

• การย้ายที่เก็บ
• รีแฟกตอริ่ง
• ดีบัก
• สร้างชุดทดสอบ
• พัฒนาคอมไพเลอร์
• พัฒนาแอปพลิเคชันฟูลสแตก

เอเจนต์โค้ดอัตโนมัติ

MiMo‑V2.5‑Pro เหมาะอย่างยิ่งกับเอเจนต์ที่ต้องทำซ้ำอย่างต่อเนื่อง:

ตรวจสอบ → แก้ไข → รัน → ทดสอบ → วินิจฉัย → แก้ไข

การให้เหตุผลกับเอกสารยาว

บริบท 1M ทำให้เหมาะกับ:

• สัญญากฎหมาย
• ข้อมูลจำเพาะทางเทคนิค
• คอลเลกชันงานวิจัยขนาดใหญ่
• เอกสารองค์กร

เอเจนต์ธุรกิจที่ซับซ้อน

การเรียกเครื่องมือ + การค้นเว็บ + เอาต์พุตแบบมีโครงสร้าง สามารถรองรับ:

• เอเจนต์วิจัย
• เอเจนต์ประมวลผลข้อมูล
• ระบบอัตโนมัติเวิร์กโฟลว์ในองค์กร
• ระบบตัดสินใจหลายขั้นตอน

วิธีใช้ API ของ MiMo-V2.5-Pro บน CometAPI

รหัสโมเดล CometAPI ที่เกี่ยวข้องคือ:

mimo-v2.5-pro

สำหรับนักพัฒนา เลเยอร์รวม API มีประโยชน์เป็นพิเศษในการทดสอบ MiMo‑V2.5‑Pro เทียบกับโมเดลให้เหตุผลและเอเจนต์ระดับไฮเอนด์อื่น ๆ โดยไม่ต้องดูแลการเชื่อมต่อผู้ให้บริการแยกกัน

ขั้นตอนที่ 1: รับคีย์ API ของ CometAPI

สร้างหรือเข้าสู่บัญชี CometAPI แล้วรับคีย์ API จากคอนโซล API

ตั้งค่าเป็นตัวแปรสภาพแวดล้อม:

export COMETAPI_KEY="YOUR_COMETAPI_KEY"

ขั้นตอนที่ 2: กำหนดค่าไคลเอนต์ API

Xiaomi มี API ที่เข้ากันได้กับทั้งโปรโตคอลของ OpenAI และ Anthropic ทำให้การย้ายใช้งานค่อนข้างตรงไปตรงมา สำหรับการผสานใช้งานจริง ให้ใช้ปลายทาง/สคีมาปัจจุบันของ CometAPI สำหรับ mimo-v2.5-pro โดยเฉพาะหากคุณต้องการความสามารถขั้นสูง เช่น การเรียกเครื่องมือ สตรีมมิง เอาต์พุตแบบมีโครงสร้าง หรือคำขอบริบทยาว

ขั้นตอนที่ 3: เชื่อม MiMo-V2.5-Pro กับเครื่องมือ

เมื่อเชื่อมกับเครื่องมือภายนอก โมเดลจะมีประโยชน์มากขึ้นอย่างมาก

เช่น:

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

สถาปัตยกรรมนี้สอดคล้องกับการใช้งานที่ตั้งใจของโมเดลมากกว่าการผสานแบบแชตบอตอย่างง่าย