MiMo-V2.5 API

Thông số kỹ thuật của MiMo-V2.5

Kiến trúc 310B/15B đặc biệt quan trọng. MiMo-V2.5 không phải là một mô hình 15B theo nghĩa thông thường; 15B là số tham số được kích hoạt cho mỗi token, trong khi toàn bộ MoE có 310B tham số. Mô hình sử dụng 256 chuyên gia định tuyến và kích hoạt tám chuyên gia cho mỗi token.

MiMo-V2.5 là gì?

MiMo-V2.5 là mô hình đa phương thức thế hệ tiếp theo của Xiaomi, được xây dựng tập trung vào nhận thức omni-modal và các ứng dụng tác tử.

Không giống một LLM chỉ văn bản thông thường, MiMo-V2.5 hiểu gốc hình ảnh, video, âm thanh và văn bản. Xiaomi định vị nó cho các kịch bản ngữ cảnh dài và tác tử đa phương thức, nơi mô hình cần cảm nhận thông tin, suy luận và sau đó sử dụng công cụ hoặc thực hiện hành động.

Cũng có một lưu ý quan trọng cho nhà phát triển ở phiên bản hiện tại: Xiaomi đã ngừng hỗ trợ các mô hình MiMo-V2 cũ vào ngày 30 tháng 6 năm 2026, khuyến nghị chuyển sang dòng V2.5.

Điều đó khiến mimo-v2.5 trở thành ID mô hình phù hợp cho các tích hợp mới thay vì mimo-v2-pro, mimo-v2-omni hay mimo-v2-flash cũ.

Những tính năng chính của MiMo-V2.5 là gì?

Hiểu omni-modal gốc

Tính năng nổi bật của MiMo-V2.5 là đa phương thức được tích hợp trực tiếp trong mô hình.

Mô hình chấp nhận:

• Văn bản
• Hình ảnh
• Video
• Âm thanh

Điều này cho phép nhà phát triển tạo ứng dụng suy luận trên nhiều loại thông tin thay vì xử lý độc lập từng phương thức rồi chuyển kết quả cho một LLM văn bản. Xiaomi gọi đây là nhận thức toàn phương thức gốc.

Một ví dụ thực tế là một tác tử phân tích video nhận một video dài cùng với bản âm thanh và một câu hỏi văn bản, rồi xác định sự kiện, giải thích điều đã xảy ra và tạo ra câu trả lời có cấu trúc.

Cửa sổ ngữ cảnh 1M token

MiMo-V2.5 hỗ trợ 1 triệu token ngữ cảnh và tối đa 128K token đầu ra.

Điều này khiến mô hình đặc biệt phù hợp với:

• Phân tích tài liệu lớn
• Hiểu video dài
• Lập trình ở cấp độ kho mã
• Phiên nghiên cứu dài
• Tác tử nhiều bước
• Hội thoại mở rộng
• Cơ sở tri thức doanh nghiệp lớn

Con số 1M ngữ cảnh không chỉ là số liệu tiếp thị. Xiaomi nêu rõ theo dõi video dài, phân tích tài liệu dài và suy luận theo thời gian kéo dài là các tải công việc mục tiêu.

Sử dụng công cụ theo kiểu tác tử

MiMo-V2.5 hỗ trợ gọi hàm, tìm kiếm web, đầu ra có cấu trúc và streaming.

Điều đó khiến nó hữu ích hơn nhiều cho các ứng dụng tác tử so với một mô hình chỉ giới hạn ở sinh văn bản.

Một quy trình điển hình có thể như sau:

Nhận biết → Suy luận → Tìm kiếm → Gọi công cụ → Phân tích kết quả → Tiếp tục

Điều này đặc biệt hữu ích cho tác tử nghiên cứu, trợ lý lập trình, tác tử hỗ trợ khách hàng và tự động hóa đa phương thức.

Hiệu quả MoE thưa (Sparse MoE)

MiMo-V2.5 sử dụng kiến trúc MoE thưa 310B tham số với chỉ 15B tham số được kích hoạt cho mỗi token.

Backbone của nó gồm 48 tầng, bao gồm 39 tầng chú ý cửa sổ trượt và chín tầng chú ý toàn phần. Thiết kế lai nhằm giúp tính toán ngữ cảnh rất dài trở nên khả thi hơn.

Điểm phân biệt quan trọng cho nhà phát triển là số tham số được kích hoạt không nên được hiểu là tổng yêu cầu bộ nhớ. Tự vận hành một mô hình 310B tham số vẫn là một hạ tầng đáng kể.

Chú ý cửa sổ trượt lai

MiMo-V2.5 kết hợp chú ý cửa sổ trượt với chú ý toàn cục.

Kiến trúc của nó sử dụng cửa sổ SWA 128 token, với 39 tầng SWA và chín tầng chú ý toàn phần.

Lựa chọn kiến trúc này đặc biệt liên quan đến khả năng ngữ cảnh 1M token của mô hình vì duy trì chú ý toàn phần ở mọi tầng sẽ khiến suy luận ngữ cảnh dài đắt đỏ hơn rất nhiều.

Dự đoán đa token

MiMo-V2.5 bao gồm ba tầng MTP với khoảng 329M tham số. Thiết kế MTP nhằm cải thiện hiệu quả suy luận thông qua giải mã suy đoán và hỗ trợ huấn luyện tăng cường hiệu quả hơn.

---

MiMo-V2.5 thể hiện thế nào trên các benchmark?

MiMo-V2.5 đã công bố kết quả benchmark bao phủ tác vụ lập trình, tác tử terminal, tác tử nghiên cứu và tác vụ tác tử đa phương thức. Thẻ mô hình hiện tại trên Hugging Face báo cáo các kết quả sau:

Cần diễn giải các con số này một cách cẩn trọng.

Kết quả 56.1 ở SWE-Bench Pro cho thấy năng lực kỹ thuật phần mềm đáng kể, trong khi kết quả 65.8 ở Terminal-Bench 2.0 đặc biệt liên quan cho các tác tử tương tác với terminal và môi trường phát triển.

Đồng thời, sự chênh lệch giữa điểm Claw-Eval tổng quát (62.1) và điểm đa phương thức (23.8) là một cảnh báo hữu ích: hiệu năng tác tử tổng quát mạnh không đồng nghĩa hiệu năng mạnh ngang nhau trên mọi tác vụ tác tử đa phương thức.

Vì vậy, trong đánh giá sản xuất, nhà phát triển nên kiểm thử tải công việc của riêng mình thay vì chỉ dựa vào một con số trên bảng xếp hạng.

---

MiMo-V2.5 so sánh thế nào với MiMo-V2.5-Pro?

MiMo-V2.5 và MiMo-V2.5-Pro thuộc cùng thế hệ V2.5 nhưng có mục tiêu tối ưu khác nhau.

Sự khác biệt khá rõ ràng:

Hãy chọn MiMo-V2.5 cho khả năng hiểu đa phương thức gốc và tác tử đa dụng hiệu quả. Hãy chọn MiMo-V2.5-Pro cho các tác vụ suy luận khó nhất, lập trình và tác tử tầm dài.

Hướng dẫn chọn mô hình của chính Xiaomi khuyến nghị mimo-v2.5 cụ thể cho việc hiểu nội dung hình ảnh, âm thanh và video, trong khi khuyến nghị mimo-v2.5-pro cho suy luận phức tạp và xử lý tài liệu dài.

Trường hợp sử dụng cho MiMo-V2.5

Tác tử AI đa phương thức

MiMo-V2.5 có thể đóng vai trò là mô hình trung tâm cho các tác tử cần kiểm tra tài liệu, hình ảnh, video và âm thanh trước khi quyết định hành động.

Phân tích tài liệu ngữ cảnh dài

Cửa sổ ngữ cảnh 1M token khiến nó phù hợp để phân tích:

• Bộ sưu tập tài liệu pháp lý lớn
• Tài liệu kỹ thuật
• Lưu trữ nghiên cứu
• Kho mã lớn
• Cơ sở tri thức doanh nghiệp

Tác tử lập trình

Các benchmark về tác tử và khả năng sử dụng công cụ của mô hình khiến nó phù hợp cho trợ lý lập trình cần kiểm tra kho mã, suy luận lỗi, thực thi công cụ và lặp giải pháp.

Hiểu video

Thay vì coi sinh video là mục đích chính, MiMo-V2.5 dùng video như một phương thức đầu vào để hiểu.

Ứng dụng tiềm năng gồm:

• Tóm tắt video
• Hỏi đáp về video dài
• Tìm kiếm video
• Phát hiện sự kiện
• Phân tích video giáo dục
• Phân tích cảnh quay an ninh

Trợ lý nghe–nhìn

Vì mô hình chấp nhận cả âm thanh và hình ảnh, nhà phát triển có thể xây dựng trợ lý có khả năng diễn giải hướng dẫn nói kèm theo ngữ cảnh thị giác.

Tác tử tự động chạy dài

Kết hợp giữa ngữ cảnh dài và huấn luyện theo hướng tác tử khiến MiMo-V2.5 phù hợp cho quy trình mà mô hình phải duy trì trạng thái qua nhiều bước trung gian thay vì hoàn thành tác vụ trong một phản hồi duy nhất.

Hạn chế của MiMo-V2.5

Thông số của MiMo-V2.5 ấn tượng, nhưng có vài hạn chế thực tế đáng lưu ý.

Thứ nhất, 1M ngữ cảnh không có nghĩa mọi ứng dụng sẽ đạt hiệu năng tối ưu ở mức cửa sổ tối đa. Suy luận ngữ cảnh dài vẫn liên quan đến cân nhắc đáng kể về bộ nhớ, băng thông và độ trễ.

Thứ hai, mô hình là một hệ thống MoE rất lớn. Dù chỉ 15B tham số được kích hoạt mỗi token, toàn bộ mô hình chứa khoảng 310B tham số, khiến tự vận hành đòi hỏi nhiều hơn đáng kể so với chạy một mô hình đặc dày nhỏ.

Thứ ba, hiệu năng benchmark đa phương thức có thể khác nhau đáng kể theo tác vụ. Kết quả Claw-Eval cho thấy điểm đa phương thức thấp hơn nhiều so với điểm tác tử tổng quát, củng cố nhu cầu kiểm thử theo ứng dụng.

Cuối cùng, hệ sinh thái của mô hình vẫn mới hơn so với những hệ sinh thái trưởng thành quanh GPT, Claude và Gemini. Vì vậy, nhà phát triển nên đánh giá công cụ, khả năng tương thích nhà cung cấp, hành vi đầu ra có cấu trúc và độ tin cậy gọi công cụ trước khi dùng trong hệ thống sản xuất quan trọng.

Cách sử dụng API MiMo-V2.5 trên CometAPI

MiMo-V2.5 đặc biệt phù hợp cho nền tảng tổng hợp API vì nó tuân theo mẫu API tương thích với các hệ sinh thái LLM đã có. Xiaomi tự cung cấp truy cập API tương thích OpenAI và Anthropic.

Với CometAPI, tích hợp có thể theo quy trình cơ bản giống như các mô hình được hỗ trợ khác.

Bước 1: Lấy khóa API CometAPI

Tạo hoặc đăng nhập vào tài khoản CometAPI của bạn và lấy khóa API.

import os

COMETAPI_KEY = os.environ["COMETAPI_KEY"]

Bước 2: Cấu hình mô hình MiMo-V2.5

Đặt mô hình là:

mimo-v2.5

và sử dụng endpoint API tương thích của CometAPI.

Endpoint và lược đồ yêu cầu chính xác nên được kiểm tra với tài liệu model/API hiện tại của CometAPI trước khi triển khai.

Bước 3: Xây dựng quy trình đa phương thức và tác tử

Cách sử dụng thú vị hơn của mimo-v2.5 không phải là trò chuyện văn bản thông thường. Nhà phát triển có thể kết hợp suy luận đa phương thức của nó với công cụ bên ngoài để tạo quy trình như:

Đầu vào người dùng → hiểu hình ảnh/video/âm thanh → suy luận → gọi công cụ → phân tích kết quả → hành động tiếp theo

Điều này khiến mô hình đặc biệt hấp dẫn cho tác tử nghiên cứu tự động, tác tử lập trình, hệ thống hỗ trợ khách hàng đa phương thức và trợ lý doanh nghiệp ngữ cảnh dài.

Tại sao dùng MiMo-V2.5 qua CometAPI?

MiMo-V2.5 đặc biệt hữu ích trong môi trường API đa mô hình vì nhà phát triển có thể muốn so sánh nó với GPT, Claude, Gemini, DeepSeek hoặc các mô hình tác tử khác mà không cần xây dựng một ngăn hạ tầng riêng cho từng nhà cung cấp.

CometAPI hữu ích khi ứng dụng của bạn cần:

• Lớp API thống nhất
• Truy cập nhiều họ mô hình AI
• Chuyển đổi mô hình dễ dàng hơn
• Quản lý khóa API tập trung
• So sánh mô hình nhanh chóng
• Một lớp tích hợp duy nhất cho thử nghiệm và sản xuất

Đối với các đội ngũ đánh giá hiệu năng tác tử so với chi phí suy luận, MiMo-V2.5 đáng để thử nghiệm song song các mô hình đầu bảng đắt hơn thay vì mặc định cho rằng mô hình sở hữu lớn nhất sẽ tự động là lựa chọn tốt nhất.