MiMo-V2.5 API

ข้อมูลจำเพาะทางเทคนิคของ MiMo-V2.5

สถาปัตยกรรม 310B/15B มีความสำคัญอย่างยิ่ง โดยเฉพาะอย่างยิ่ง MiMo-V2.5 ไม่ใช่โมเดล 15B ในความหมายทั่วไป; 15B คือจำนวนพารามิเตอร์ที่ถูกกระตุ้นต่อโทเค็น ขณะที่ MoE เต็มรูปแบบมี 310B พารามิเตอร์ โมเดลใช้ routed experts จำนวน 256 ตัว และกระตุ้นผู้เชี่ยวชาญแปดตัวต่อโทเค็น

MiMo-V2.5 คืออะไร?

MiMo-V2.5 คือโมเดลมัลติโมดัลรุ่นถัดไปของ Xiaomi ที่สร้างขึ้นโดยมุ่งเน้นไปที่ การรับรู้แบบ omni-modal และแอปพลิเคชันเชิงเอเจนต์

แตกต่างจาก LLM แบบข้อความล้วนทั่วไป MiMo-V2.5 เข้าใจ รูปภาพ วิดีโอ เสียง และข้อความ ได้โดยกำเนิด Xiaomi จัดวางตำแหน่งไว้สำหรับบริบทยาวและสถานการณ์เอเจนต์มัลติโมดัลที่โมเดลต้องรับรู้ข้อมูล ให้เหตุผล และจากนั้นใช้เครื่องมือหรือดำเนินการ

ยังมีข้อพิจารณาสำคัญสำหรับนักพัฒนาสำหรับเวอร์ชันปัจจุบัน: Xiaomi เลิกใช้งานโมเดล MiMo-V2 รุ่นเก่าเมื่อวันที่ 30 มิถุนายน 2026 และแนะนำให้ย้ายไปยังซีรีส์ V2.5

ดังนั้น mimo-v2.5 จึงเป็น Model ID ที่เกี่ยวข้องสำหรับการผสานรวมใหม่ แทน mimo-v2-pro, mimo-v2-omni หรือ mimo-v2-flash รุ่นเก่า

คุณสมบัติหลักของ MiMo-V2.5 มีอะไรบ้าง?

ความเข้าใจแบบ Omni-Modal โดยกำเนิด

คุณลักษณะนิยามของ MiMo-V2.5 คือการผสานมัลติโมดัลเข้าในโมเดลโดยตรง

โมเดลรับอินพุตได้จาก:

• Text
• Images
• Video
• Audio

สิ่งนี้ทำให้นักพัฒนาสร้างแอปที่ให้เหตุผลข้ามหลายประเภทข้อมูลได้ แทนการประมวลผลแต่ละโมดาลิตีแยกกันแล้วส่งผลลัพธ์ให้ LLM ข้อความ Xiaomi เรียกสิ่งนี้ว่า การรับรู้แบบเต็มโมดาลโดยกำเนิด

ตัวอย่างเชิงปฏิบัติ คือเอเจนต์วิเคราะห์วิดีโอที่รับวิดีโอยาวพร้อมแทร็กเสียงและคำถามเชิงข้อความ จากนั้นระบุเหตุการณ์ อธิบายสิ่งที่เกิดขึ้น และผลิตคำตอบแบบมีโครงสร้าง

หน้าต่างบริบท 1M-Token

MiMo-V2.5 รองรับบริบท 1 million tokens และเอาต์พุตได้สูงสุด 128K tokens

สิ่งนี้ทำให้โมเดลน่าสนใจเป็นพิเศษสำหรับ:

• การวิเคราะห์เอกสารขนาดใหญ่
• ความเข้าใจวิดีโอยาว
• การโค้ดระดับรีโพสิทอรี
• เซสชันวิจัยระยะยาว
• เอเจนต์หลายขั้นตอน
• บทสนทนาต่อเนื่องยาว
• ฐานความรู้ระดับองค์กรขนาดใหญ่

ค่าบริบท 1M ไม่ใช่แค่ตัวเลขทางการตลาด Xiaomi ระบุชัดว่าการติดตามวิดีโอยาว การวิเคราะห์เอกสารยาว และการให้เหตุผลตามลำดับเวลาที่ยาวนานเป็นงานเป้าหมาย

การใช้เครื่องมือแบบเอเจนต์

MiMo-V2.5 รองรับ function calling, web search, structured output และ streaming

ทำให้มีประโยชน์อย่างยิ่งสำหรับแอปเอเจนต์เมื่อเทียบกับโมเดลที่จำกัดเฉพาะการสร้างข้อความ

เวิร์กโฟลว์ทั่วไปอาจเป็น:

Perceive → Reason → Search → Call Tool → Analyze Result → Continue

สิ่งนี้มีประโยชน์อย่างยิ่งสำหรับเอเจนต์วิจัย ผู้ช่วยโค้ด เอเจนต์สนับสนุนลูกค้า และระบบอัตโนมัติแบบมัลติโมดัล

ประสิทธิภาพของ Sparse MoE

MiMo-V2.5 ใช้สถาปัตยกรรม Sparse MoE ขนาด 310B พารามิเตอร์ โดยกระตุ้นเพียง 15B พารามิเตอร์ต่อโทเค็น

แบ็กโบนมี 48 ชั้น รวมถึงชั้น sliding-window-attention 39 ชั้น และชั้น full-attention เก้าชั้น ดีไซน์แบบไฮบริดนี้มีจุดมุ่งหมายเพื่อทำให้บริบทยาวมากๆ จัดการเชิงคำนวณได้มากขึ้น

ข้อแตกต่างสำคัญสำหรับนักพัฒนาคือ จำนวนพารามิเตอร์ที่ถูกกระตุ้นไม่ควรถูกตีความว่าเท่ากับความต้องการหน่วยความจำทั้งหมด การโฮสต์โมเดล 310B ด้วยตนเองยังคงเป็นภาระโครงสร้างพื้นฐานที่ใหญ่

Hybrid Sliding-Window Attention

MiMo-V2.5 ผสาน sliding-window attention เข้ากับ global attention

สถาปัตยกรรมใช้หน้าต่าง SWA ขนาด 128 โทเค็น พร้อมชั้น SWA 39 ชั้น และชั้น full-attention เก้าชั้น

ทางเลือกสถาปัตยกรรมนี้เกี่ยวข้องโดยตรงกับความสามารถบริบท 1M โทเค็นของโมเดล เพราะการคง full attention ทุกชั้นจะทำให้การอนุมานบริบทยาวมีต้นทุนสูงอย่างมาก

Multi-Token Prediction

MiMo-V2.5 มี ชั้น MTP สามชั้น ด้วยพารามิเตอร์ประมาณ 329M การออกแบบ MTP มีจุดประสงค์เพื่อเพิ่มประสิทธิภาพการอนุมานผ่าน speculative decoding และสนับสนุนการฝึก RL ที่มีประสิทธิภาพยิ่งขึ้น

---

ประสิทธิภาพของ MiMo-V2.5 บน Benchmarks เป็นอย่างไร?

MiMo-V2.5 เผยแพร่ผลเบนช์มาร์กครอบคลุมการโค้ด เอเจนต์เทอร์มินัล เอเจนต์วิจัย และงานเอเจนต์มัลติโมดัล ขณะนี้การ์ดโมเดลบน Hugging Face รายงานผลดังต่อไปนี้:

ตัวเลขเหล่านี้ต้องตีความอย่างระมัดระวัง

ผล 56.1 บน SWE-Bench Pro บ่งชี้ความสามารถด้านวิศวกรรมซอฟต์แวร์ที่มีนัยสำคัญ ขณะที่ผล 65.8 บน Terminal-Bench 2.0 เกี่ยวข้องอย่างยิ่งสำหรับเอเจนต์ที่โต้ตอบกับเทอร์มินัลและสภาพแวดล้อมพัฒนา

ในขณะเดียวกัน ความแตกต่างระหว่างคะแนน Claw-Eval ทั่วไป (62.1) และคะแนนมัลติโมดัล (23.8) เป็นสัญญาณเตือนที่มีประโยชน์ว่า: ประสิทธิภาพเอเจนต์โดยรวมที่แข็งแกร่งไม่ได้หมายความว่าทำงานได้แข็งแกร่งเท่าๆ กันในทุกงานเอเจนต์มัลติโมดัล

สำหรับการประเมินการใช้งานจริง นักพัฒนาควรทดสอบเวิร์กโหลดของตนเองแทนการพึ่งเพียงตัวเลขบนกระดานจัดอันดับเดียว

---

MiMo-V2.5 เทียบกับ MiMo-V2.5-Pro อย่างไร?

MiMo-V2.5 และ MiMo-V2.5-Pro อยู่ในเจเนอเรชัน V2.5 เดียวกันแต่มีเป้าหมายการปรับให้เหมาะต่างกัน

ความแตกต่างนั้นตรงไปตรงมา:

เลือก MiMo-V2.5 สำหรับความเข้าใจมัลติโมดัลโดยกำเนิดและเอเจนต์อเนกประสงค์ที่มีประสิทธิภาพ เลือก MiMo-V2.5-Pro สำหรับการให้เหตุผลที่ยากที่สุด การโค้ด และเอเจนต์ระยะยาว

คู่มือคัดเลือกโมเดลของ Xiaomi แนะนำ mimo-v2.5 โดยเฉพาะสำหรับความเข้าใจเนื้อหารูปภาพ เสียง และวิดีโอ ขณะที่แนะนำ mimo-v2.5-pro สำหรับการให้เหตุผลที่ซับซ้อนและการประมวลผลเอกสารยาว

กรณีใช้งานของ MiMo-V2.5

เอเจนต์ AI แบบมัลติโมดัล

MiMo-V2.5 สามารถทำหน้าที่เป็นโมเดลหลักสำหรับเอเจนต์ที่ต้องตรวจสอบเอกสาร รูปภาพ วิดีโอ และเสียงก่อนตัดสินใจดำเนินการ

การวิเคราะห์เอกสารบริบทยาว

บริบท 1M โทเค็นทำให้เหมาะสำหรับการวิเคราะห์:

• คอลเลกชันเอกสารกฎหมายขนาดใหญ่
• เอกสารทางเทคนิค
• แฟ้มวิจัย
• โค้ดเบสขนาดใหญ่
• ฐานความรู้ระดับองค์กร

เอเจนต์ช่วยโค้ด

ผลเบนช์มาร์กด้านเอเจนต์ของโมเดลและความสามารถการใช้เครื่องมือทำให้เหมาะกับผู้ช่วยโค้ดที่ต้องตรวจรีโพสิทอรี ให้เหตุผลเกี่ยวกับบั๊ก เรียกใช้เครื่องมือ และวนแก้ปัญหา

ความเข้าใจวิดีโอ

แทนการถือว่าการสร้างวิดีโอเป็นวัตถุประสงค์หลัก MiMo-V2.5 ใช้วิดีโอเป็น โมดาลิตีอินพุต เพื่อความเข้าใจ

การประยุกต์ที่เป็นไปได้รวมถึง:

• สรุปวิดีโอ
• ตอบคำถามจากวิดีโอยาว
• ค้นหาวิดีโอ
• ตรวจจับเหตุการณ์
• วิเคราะห์วิดีโอการศึกษา
• วิเคราะห์ภาพจากกล้องวงจรปิด

ผู้ช่วยเชิงภาพและเสียง

เนื่องจากโมเดลรับทั้งข้อมูลเสียงและภาพ นักพัฒนาจึงสามารถสร้างผู้ช่วยที่ตีความคำสั่งเสียงร่วมกับบริบทภาพได้

เอเจนต์อัตโนมัติที่ทำงานยาวนาน

การผสมผสานบริบทยาวกับการเทรนแบบเอเจนต์ทำให้ MiMo-V2.5 เหมาะสำหรับเวิร์กโฟลว์ที่โมเดลต้องรักษาสถานะผ่านหลายขั้นตอนกลาง แทนการจบงานในคำตอบเดียว

ข้อจำกัดของ MiMo-V2.5

แม้ MiMo-V2.5 จะมีสเปกน่าประทับใจ แต่ก็มีข้อจำกัดเชิงปฏิบัติที่ควรใส่ใจ

ประการแรก บริบท 1M ไม่ได้หมายความว่าแอปทุกประเภทจะได้ประสิทธิภาพที่เหมาะที่สุดที่หน้าต่างสูงสุด การอนุมานบริบทยาวยังคงเกี่ยวข้องกับข้อจำกัดด้านหน่วยความจำ แบนด์วิดท์ และเวลาแฝง

ประการที่สอง โมเดลนี้เป็นระบบ MoE ขนาดใหญ่มาก แม้จะกระตุ้นเพียง 15B พารามิเตอร์ต่อโทเค็น แต่โมเดลเต็มมีประมาณ 310B พารามิเตอร์ ทำให้การโฮสต์เองต้องการโครงสร้างพื้นฐานมากกว่าการรันโมเดล dense ขนาดเล็ก

ประการที่สาม ประสิทธิภาพเบนช์มาร์กแบบมัลติโมดัลอาจแตกต่างกันมากตามงาน ผล Claw-Eval แสดงคะแนนมัลติโมดัลที่ต่ำกว่าคะแนนทั่วไปมาก ตอกย้ำความจำเป็นในการทดสอบเฉพาะแอปพลิเคชัน

สุดท้าย ระบบนิเวศของโมเดลยังใหม่กว่าเมื่อเทียบกับ GPT, Claude และ Gemini นักพัฒนาควรประเมินเครื่องมือ ความเข้ากันได้กับผู้ให้บริการ พฤติกรรมเอาต์พุตแบบมีโครงสร้าง และความน่าเชื่อถือของการเรียกใช้เครื่องมือก่อนใช้ในระบบสำคัญระดับโปรดักชัน

วิธีใช้ MiMo-V2.5 API บน CometAPI

MiMo-V2.5 เหมาะอย่างยิ่งสำหรับแพลตฟอร์มรวม API เพราะปฏิบัติตามรูปแบบ API ที่เข้ากันได้กับระบบนิเวศ LLM ที่เป็นที่ยอมรับ Xiaomi เองมีการเข้าถึง API ที่เข้ากันได้กับ OpenAI และ Anthropic

ด้วย CometAPI การผสานรวมสามารถทำตามเวิร์กโฟลว์พื้นฐานเดียวกับโมเดลอื่นๆ ที่รองรับ

ขั้นตอนที่ 1: ขอรับคีย์ API ของ CometAPI

สร้างหรือลงชื่อเข้าใช้บัญชี CometAPI ของคุณและรับคีย์ API

import os

COMETAPI_KEY = os.environ["COMETAPI_KEY"]

ขั้นตอนที่ 2: ตั้งค่าโมเดล MiMo-V2.5

ตั้งค่าโมเดลเป็น:

mimo-v2.5

และใช้ API endpoint ที่เข้ากันได้ของ CometAPI

ควรตรวจสอบ endpoint และสคีมาคำขอเทียบกับเอกสาร CometAPI ปัจจุบันก่อนดีพลอย

ขั้นตอนที่ 3: สร้างเวิร์กโฟลว์แบบมัลติโมดัลและเอเจนต์

การใช้งาน mimo-v2.5 ที่น่าสนใจกว่าไม่ใช่เพียงแชตข้อความ นักพัฒนาสามารถผสานการให้เหตุผลแบบมัลติโมดัลเข้ากับเครื่องมือภายนอกเพื่อสร้างเวิร์กโฟลว์เช่น:

User input → image/video/audio understanding → reasoning → tool call → result analysis → next action

สิ่งนี้ทำให้โมเดลน่าดึงดูดเป็นพิเศษสำหรับเอเจนต์วิจัยอัตโนมัติ เอเจนต์ช่วยโค้ด ระบบสนับสนุนลูกค้าแบบมัลติโมดัล และผู้ช่วยองค์กรบริบทยาว

ทำไมจึงใช้ MiMo-V2.5 ผ่าน CometAPI?

MiMo-V2.5 มีประโยชน์อย่างยิ่งในสภาพแวดล้อม API หลายโมเดล เพราะนักพัฒนาอาจต้องการเปรียบเทียบกับ GPT, Claude, Gemini, DeepSeek หรือโมเดลเอเจนต์อื่นๆ โดยไม่ต้องสร้างสแตกโครงสร้างพื้นฐานแยกสำหรับผู้ให้บริการแต่ละราย

CometAPI มีประโยชน์เมื่อแอปของคุณต้องการ:

• เลเยอร์ API แบบรวม
• เข้าถึงตระกูลโมเดล AI หลายแบบ
• การสลับโมเดลง่ายขึ้น
• การจัดการคีย์ API แบบรวมศูนย์
• การเปรียบเทียบโมเดลอย่างรวดเร็ว
• เลเยอร์การผสานรวมเดียวสำหรับงานทดลองและโปรดักชัน

สำหรับทีมที่ประเมิน ประสิทธิภาพเอเจนต์เทียบกับต้นทุนการอนุมาน MiMo-V2.5 ควรค่าแก่การทดสอบควบคู่ไปกับโมเดลเรือธงที่มีราคาแพงกว่า แทนที่จะสันนิษฐานว่าโมเดลเชิงพาณิชย์ที่ใหญ่ที่สุดจะเป็นทางเลือกที่ดีที่สุดโดยอัตโนมัติ