MiMo-V2.5 - 小米推出的全模态 Agent 大模型系列

MiMo-V2.5是什么

MiMo-V2.5 是小米大模型团队的新一代全模态 Agent 模型系列，包含 V2.5、V2.5-Pro、V2.5-TTS 及 V2.5-ASR 四个版本。MiMo-V2.5 属于原生全模态 Agent，图像、音频、视频都能理解并转化为行动，上下文长达 1M Token；MiMo-V2.5-Pro 专为长程复杂任务设计，可稳定完成近千轮工具调用，软件工程能力对标 Claude Opus 4.6 与 GPT-5.4，Token 效率提升 42%~50%。MiMo-V2.5 全系模型即将开源。

MiMo-V2.5的主要功能

• MiMo-V2.5

  • 原生全模态 Agent：能同时看、听、读，把理解落到行动上，图像、音频、视频都在感知范围内。
  • 通用 Agent 场景：日常简单到中等难度的任务都能接，API 成本比上一代低了约 50%。
  • 多模态感知升级：跨模态推理、视频理解、图表分析都比前代 MiMo-V2-Omni 强，在 VideoMME、CharXiv、MMMU-Pro 这些评测里已经逼近顶级闭源模型。

  MiMo-V2.5-Pro

  • 长程复杂任务：一次能稳稳完成近千轮工具调用的专业任务，指令遵循和对模糊指令的理解也比之前强了不少。
  • 复杂软件工程：大型代码库开发、多语言编程、调试和性能优化都能做，编译器、视频编辑器这类项目可以独立交付。
  • 自主项目交付：用 Rust 从零写了一个完整的 SysY 编译器，耗时 4.3 小时、调用 672 次，隐藏测试集 233/233 满分；另一次只给了简单指令，它搭出可运行的多轨道视频编辑器 Web 应用，8,192 行代码，调用 1,868 次，11.5 小时完成。

  语音能力

  • V2.5-TTS 系列：语音合成的自然度提升，多语种、方言和音色支持也做了扩充。
  • V2.5-ASR：语音识别准确率与实时性提升，支持多语种和多方言。

如何使用MiMo-V2.5

• 网页端体验：访问 MiMo Studio 官网，注册登录后挑 MiMo-V2.5 模型就能开聊。
• API 开发接入：到 API 开放平台 https://platform.xiaomimimo.com/#/token-plan 注册开发者账号，建应用拿 API Key。

MiMo-V2.5的关键信息和使用要求

• 访问方式
  • MiMo Studio 体验：https://aistudio.xiaomimimo.com
  • API 调用：https://platform.xiaomimimo.com
• 开源计划：MiMo-V2.5-Pro 和 MiMo-V2.5 即将全球开源。
• 定价与计费
  • MiMo-V2.5：1x Credits（1 Token = 1 Credit）
  • MiMo-V2.5-Pro：2x Credits（1 Token = 2 Credits）
• 上下文窗口：全系都是 1M Token（约 75 万字）上下文，长文档分析不额外加价。

MiMo-V2.5的核心优势

• Token 效率革命：在 ClawEval 上拿到同样分数时，V2.5-Pro 比 Kimi K2.6 少用 42% Token，V2.5 比 Muse Spark 少用 50% Token，大规模部署的成本能压下来不少。
• 长程任务稳定性：配上合适的运行框架，单次近千轮工具调用的长程任务也能稳住，超长周期里逻辑不走样，还能自我修正——编译器那个任务里，第 512 轮重构之后它就是自己诊断、自己恢复的。
• 全模态原生融合：文本、图像、音频、视频都在一个模型里，不用在多模态模型和文本模型之间来回切。
• 推理速度：V2.5 平均 100~150 tokens/s，V2.5-Pro 是 60~80 tokens/s，对时延敏感的场景用基础版更合适。

MiMo-V2.5的项目地址

• 项目官网：https://platform.xiaomimimo.com/docs/news/v2.5-news
• HuggingFace模型库：https://huggingface.co/collections/XiaomiMiMo/mimo-v25

MiMo-V2.5的同类竞品对比

MiMo-V2.5的应用场景

• 复杂软件开发：编译器、视频编辑器、Web 应用这类大型工程，从零构建到调试它都能自己走完，顶得上人类专家几天到几周的工作量。
• 多模态内容分析：上传冰箱照片获取菜谱建议、解析视频教程生成步骤摘要、录制会议提取待办事项。
• 科研与工程自动化：模拟电路 EDA 设计、性能优化、学术文献长程分析与跨文档推理。
• 智能客服与交互：基于全模态感知（语音+图像+文本）的车载、智能家居、实时交互系统。
• 企业级 Agent 部署：大规模调 API 的场景里，靠 Token 效率把自动化工作流的成本控住。