MiMo-V2.5 vs MiMo-V2.5-Pro Model Xiaomi Mana yang Lebih Baik

TL;DR

MiMo-V2.5 ialah pilihan lalai yang lebih kuat untuk kerja multimodal, ejen rutin, dan produksi sensitif kos. MiMo-V2.5-Pro ialah pilihan pakar untuk penaakulan sukar, pengekodan skala repositori, dan penggunaan alat jangka panjang. Kedua-duanya menyediakan tetingkap konteks 1M token dan sehingga 128K token keluaran, tetapi Pro menggunakan rangka bahasa yang jauh lebih besar dan menelan kos kira-kira 3.1× ganda untuk token input dan output biasa.

MiMo-V2.5 vs. Pro: Quick Decision

Perbezaan Penentu: Multimodal vs Utamakan Ejen

V2.5 menerima teks, imej, video dan audio secara asli. Xiaomi memasangkan rangka bahasa dengan penyandi visi 729M parameter dan penyandi audio 261M parameter, membolehkan maklumat multimodal mengambil bahagian secara langsung dalam aliran kerja penaakulan yang sama.

• Analisis tangkapan skrin sebelum memanggil alat.
• Memahami video dan trek audionya secara serentak.
• Menarik maklumat daripada rajah dan imej dokumen.
• Mengendalikan ejen antara muka visual dan sokongan multimodal.
• Membuat penaakulan ke atas jujukan video yang panjang.

V2.5-Pro mengikuti reka bentuk berbeza. Xiaomi ketika ini menyatakan teks sebagai modaliti input dan menekankan penaakulan mendalam, pembangunan kod, serta orkestrasi alat jangka panjang.

Jika aliran kerja itu sendiri mengandungi input imej, video atau audio, mulakan dengan V2.5. Uji Pro apabila bahagian sukarnya ialah penaakulan ke atas teks, kod sumber, alat, atau trajektori ejen yang panjang.

Perbandingan penanda aras multimodal rasmi Xiaomi.

Mengapa V2.5-Pro Boleh Lebih Baik untuk Tugas Sukar

Skala Model: 310B/15B vs. 1.02T/42B

Kedua-dua model menggunakan rangka belakang Sparse Mixture-of-Experts, perhatian hibrid tetingkap gelongsor dan global, serta tiga modul Multi-Token Prediction. Kad model V2.5 Xiaomi mendokumentasikan rangka belakang jumlah 310B, 15B aktif; kad model Pro meningkatkan skala kepada 1.02T parameter jumlah dengan 42B diaktifkan per token.

V2.5 menggunakan pola perhatian 5:1, manakala Pro beralih kepada pola setempat-ke-global 6:1. Xiaomi menyatakan reka bentuk ini mengurangkan keperluan cache KV hampir 6× dan 7× masing-masing berbanding perhatian penuh sepanjang rangkaian.

Jumlah parameter tidak diterjemah secara linear kepada kualiti jawapan. Rangka belakang lebih besar Pro paling ketara apabila kesukaran penaakulan atau panjang trajektori menyebabkan peningkatan kebolehpercayaan kecil per langkah menjadi berlipat ganda.

Mengapa Peningkatan Kebolehpercayaan Kecil Berkumulatif

Tugas ejen yang panjang mempunyai banyak langkah saling bergantung. Ralat pada panggilan alat awal boleh memaksa percubaan semula atau membatalkan kerja seterusnya, jadi peningkatan sederhana dalam kebolehpercayaan setiap langkah boleh memberi kesan lebih besar pada penyiapan hujung ke hujung. Nilai kesan itu pada tugas yang mewakili, bukannya menganggap saiz model menjaminnya.

Di Mana V2.5-Pro Sebenarnya Meningkat?

Perbandingan berangka paling bersih ialah evaluasi model asas Xiaomi, di mana kedua-dua model muncul di bawah tetapan yang sama. Ini mengelakkan penggabungan hasil yang dihasilkan oleh rangka kerja tidak berkaitan atau konfigurasi pascalatih.

Pengetahuan Am: Peningkatan Kecil hingga Sederhana

Dalam perbandingan model asas Xiaomi, Pro memperoleh 1.2 mata pada BBH, 3.1 pada MMLU, dan 2.7 pada MMLU-Pro. Ini boleh diukur tetapi lebih kecil berbanding peningkatan pada tugas penaakulan lebih sukar.

Matematik dan Sains: Peningkatan Lebih Besar

Pro memperoleh 8.6 mata pada GPQA-Diamond, 16.3 pada GSM8K, dan 18.5 pada MATH dalam evaluasi model asas yang sama. Ini ialah bukti paling jelas untuk memilih Pro apabila penaakulan sukar memacu kejayaan tugas.

Pengekodan: Lebih Baik, tetapi Tidak Secara Seragam

Peningkatan yang dilaporkan ialah 4.3 mata pada HumanEval+, 3.2 pada MBPP+, 4.1 pada LiveCodeBench v6, dan 4.9 pada SWE-Bench AgentLess. Uji tugas peringkat repositori dan penggunaan alat secara berasingan: skor model asas ini tidak mengukur setiap aliran kerja ejen produksi.

Keputusan penanda aras: Pro bukan tiga kali lebih baik kerana kosnya kira-kira tiga kali ganda. Nilainya meningkat secara progresif apabila kesukaran penaakulan dan tempoh tugas meningkat.

Baris ini ialah evaluasi model asas, bukan janji bahawa API produksi akan menghasilkan skor yang sama. Keputusan ejen bergantung pada alat, prom, percubaan semula, persekitaran pelaksanaan, dan bajet token.

Pascalatih dan Ejen Jangka Panjang

Model produksi menambah penalaan terselia, pembelajaran pengukuhan berorientasikan ejen, dan penyulingan on-policy berbilang guru (Multi-Teacher On-Policy Distillation). Xiaomi melaporkan skor pascalatih 56.1 pada SWE-bench Pro, 65.8 pada Terminal-Bench 2.0, dan 62.1 Pass³ pada bahagian umum Claw-Eval untuk V2.5.

Pro dioptimumkan dengan lebih jelas untuk kejuruteraan perisian jangka panjang. Xiaomi menerangkan ratusan panggilan alat dalam trajektori berterusan dan menerbitkan hasil 78.9% SWE-bench Verified.

Satu kajian kes rasmi menunjukkan Pro menyiapkan penyusun SysY dalam 4.3 jam dengan 672 panggilan alat dan semua 233 ujian lulus. Pengajarannya bukan setiap permintaan pengekodan memerlukan Pro; ia adalah bahawa perbezaan kebolehpercayaan kecil boleh menentukan sama ada aliran kerja dengan ratusan tindakan bergantung diselesaikan.

Rajah penanda aras pengekodan dan ejen rasmi Xiaomi.

Konteks Panjang: Kapasiti Sama, Beban Kerja Berbeza

Kedua-dua model menyediakan tetingkap konteks 1M token dan sehingga 128K token keluaran melalui API Xiaomi semasa. Saiz konteks mentah oleh itu tidak membezakan mereka.

V2.5 menarik apabila konteks panjang merangkumi bahan multimodal seperti video, imej dokumen, atau jejak ejen visual. Pro ialah model untuk diuji apabila konteks itu sendiri menjadi masalah penaakulan: repositori besar, kontrak panjang, korpus penyelidikan, atau trajektori ejen yang mengandungi banyak tindakan berjujukan.

Tetingkap konteks besar menggambarkan kapasiti, bukan kesetiaan penaakulan yang terjamin. Nilai pengambilan, pengekalan arahan, dan penggunaan bukti pada panjang yang penting bagi aplikasi.

Harga dan Kecekapan Kos

Harga bayar-semasa-guna luar negara Xiaomi menjadikan pertukaran jelas.

Satu permintaan dengan 1M token input tanpa cache dan 200K token output dianggarkan berharga $0.196 pada V2.5 dan $0.609 pada Pro sebelum hit cache, caj carian web, atau pengebilan khusus penyedia.

Perbezaan harga cache adalah lebih kecil: Pro lebih mahal kira-kira 29% untuk input hit cache berbanding 211% lebih mahal. Ejen jangka panjang dengan prom sistem, definisi alat, atau prefiks repositori yang stabil oleh itu harus mengukur kadar hit cache sebenar mereka.

Anggarkan kos bagi setiap tugas berjaya. Ejen Pro yang menyiapkan aliran kerja sukar sekali mungkin menelan kos kurang daripada percubaan gagal berulang pada model yang lebih murah.

Model Mana Patut Anda Gunakan?

Keputusan pemilihan: V2.5 ialah lalai untuk aplikasi multimodal, ejen rutin, dan beban kerja sensitif kos. Pro ialah naik taraf untuk penaakulan sukar, kejuruteraan perisian kompleks, dan trajektori autonomi panjang.

Strategi Produksi yang Lebih Baik: Halakan Antara Kedua-duanya

Pilihan model global tunggal selalunya tidak perlu. Halakan permintaan multimodal dan rutin ke V2.5, kemudian tingkatkan hanya penaakulan teks sukar, pengekodan kompleks, atau pelaksanaan jangka panjang kepada Pro.

Uji Kedua-dua API dalam CometAPI

MiMo-V2.5 API dalam CometAPI dan MiMo-V2.5-Pro API dalam CometAPI menyokong evaluasi berdampingan melalui satu lapisan agregasi. Hantar prom yang sama, arahan sistem, alat, dan had output kepada kedua-dua model, kemudian bandingkan kejayaan tugas dan kos.

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["COMETAPI_KEY"],
    base_url="https://api.cometapi.com/v1",
)

models = ["mimo-v2.5", "mimo-v2.5-pro"]
prompt = """
Review this implementation plan.
Identify hidden technical risks and propose the three highest-priority fixes.
"""

for model in models:
    response = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
        max_tokens=2000,
    )
    print(f"\n--- {model} ---")
    print(response.choices[0].message.content)

Jalankan kumpulan perwakilan yang mengandungi permintaan mudah, penaakulan sukar, suntingan kod, tugas konteks panjang, dan panggilan alat ejen. Rekod kadar penyiapan, token, kependaman, ralat alat, percubaan semula, kualiti jawapan, dan kos per tugas berjaya.

Keterbatasan

Had V2.5

Rangka belakang bahasa yang lebih kecil meninggalkan prestasi apabila kesukaran penaakulan meningkat. Jurang adalah sederhana pada BBH tetapi menjadi jauh lebih besar pada GPQA-Diamond dan MATH. Tetingkap konteks 1M token juga tidak boleh disamakan dengan kesetiaan penaakulan 1M token yang dijamin.

Had Pro

Harga input dan output biasa Pro kira-kira 3.1× daripada V2.5, dan input berasaskan teks sahaja menjadikannya tidak sesuai sebagai pengganti segera untuk aplikasi multimodal. Model berat terbuka 1.02T parameter juga merupakan projek hos kendiri yang menuntut walaupun 42B parameter diaktifkan per token.

Keputusan Akhir

Pilih V2.5 untuk aplikasi multimodal, ejen rutin, dan produksi sensitif kos. Pilih Pro untuk penaakulan sukar, kejuruteraan perisian kompleks, dan ejen autonomi jangka panjang. Untuk beban kerja campuran, halakan kebanyakan trafik ke V2.5 dan tingkatkan hanya permintaan yang kesukaran atau panjang trajektorinya membenarkan kos tambahan.

Soalan Lazim

Adakah Pro sentiasa lebih baik daripada V2.5?

Tidak. Pro lebih kuat pada penaakulan teks sukar dan pengekodan, tetapi V2.5 menyokong input imej, video, dan audio serta jauh lebih murah.

Adakah kedua-dua model menyokong tetingkap konteks 1M token?

Ya. Kedua-duanya mengiklankan 1M token konteks dan sehingga 128K token keluaran. Aplikasi masih perlu menguji pengambilan dan penaakulan pada panjang operasi sebenar.

Model manakah yang patut digunakan oleh ejen multimodal?

Mulakan dengan V2.5 kerana ia menerima input visual dan audio secara asli. Pro ketika ini mensasarkan aliran kerja input teks.

Bilakah Pro berbaloi dengan harganya yang lebih tinggi?

Ia paling munasabah apabila kebolehpercayaan penaakulan yang lebih baik mempengaruhi penyiapan matematik sukar, pengekodan skala repositori, atau trajektori panjang yang mengandungi banyak panggilan alat bergantung.

Adakah sistem produksi perlu menggunakan hanya satu model?

Tidak semestinya. Lapisan penghalaan boleh mengekalkan kerja rutin dan multimodal pada V2.5 sambil meningkatkan penaakulan teks sukar dan tugas ejen kepada Pro.