< 返回

测试文章颜色

2026-06-24

Xiaomi MiMo-V2.5 简介

2026年4月27日，我们正式发布并开源Xiaomi MiMo-V2.5，在 Agent 能力和全模态理解方面迈出了一大步。凭借音频、视频、图片、文字能力，Xiaomi MiMo-V2.5 能够无缝跨模态推理，在 Agent 性能上超越 MiMo-V2-Pro，并支持最高 100 万 token 上下文窗口。

Xiaomi MiMo-V2.5 是一个 310B 参数的稀疏 MoE 模型（激活参数 15B），在 48T token 上训练。其语言骨干继承自 MiMo-V2-Flash 的混合滑动窗口注意力架构，并配备了专用的视觉和音频编码器（均为自研预训练），通过轻量级投影器（projector）连接。

Xiaomi MiMo-V2.5 架构

训练经历五个阶段：文本预训练，在多样化语料上构建 LLM 骨干；投影器预热，对齐音频和视觉投影器与语言模型；大规模多模态预训练，在高质量跨模态数据上训练；监督微调和 Agent 后训练，上下文窗口从 32K 渐进扩展至 256K 再到 100 万；最后是 RL 和 MOPD，进一步增强感知、推理和 Agent 能力。

这些阶段共同产出了一个能看、能听、能对所感知内容行动的模型——一个理解万物并完成任务的模型。

业界领先的 Agent 能力

在对真实部署最重要的 Agent 基准测试中，Xiaomi MiMo-V2.5 交付了业界领先的性能：

在我们的内部 MiMo Coding Bench 中，Xiaomi MiMo-V2.5 在日常编码任务上表现强劲，缩小了与前沿模型的差距，以一半成本达到了与 Xiaomi MiMo-V2.5-Pro 相当的水平。

在 Claw-Eval（日常 Agent 任务基准）上，Xiaomi MiMo-V2.5 在通用子集上达到 62.3，处于性能与效率的绝佳平衡点。

这些结果凸显了 Xiaomi MiMo-V2.5 的独特之处：顶尖 Agent 能力与高 token 效率兼得。

更敏锐的感知，更长程的任务

Xiaomi MiMo-V2.5 提供更敏锐的感知能力，实现精确视觉推理、复杂图表分析和深度全模态理解，原生支持最高 100 万 token 上下文。

在图像、视频和全模态 Agent 任务中，Xiaomi MiMo-V2.5 与前沿闭源模型持平——视频与 Gemini 3 Pro相当，多模态 Agent与 Claude Sonnet 4.6相当，在图像和文档理解方面保持更佳的竞争力，一个模型即可覆盖全部需求

开源

Xiaomi MiMo-V2.5 系列现已完全开源。权重、分词器和完整模型卡可在 Hugging Face 上获取。

Xiaomi MiMo-V2.5-Base：

XiaomiMiMo/MiMo-V2.5-Base · Hugging Face

Xiaomi MiMo-V2.5:

XiaomiMiMo/MiMo-V2.5 · Hugging Face

下一步

Xiaomi MiMo-V2.5 将前沿 Agent 能力和原生全模态感知能力带入同一个模型，让两者可以达到生产级的性价比。我们已经在训练下一代模型，将带来更深推理、更紧密工具集成和更丰富的真实世界基础。同时，请访问 AI Studio 或开放平台进行试用——我们期待看到你的创造。