Xiaomi: MiMo-V2.5

Xiaomi: MiMo-V2.5 ist ein Textmodell von Xiaomi, das auf api14 unter der Modell-ID xiaomi/mimo-v2.5 gelistet ist. Xiaomi beschreibt es als ein natives omnimodales Modell, das Agenten-Leistung auf Pro-Niveau bei etwa halben Inferenzkosten liefert und MiMo-V2-Omni bei der multimodalen Wahrnehmung von Bild- und Videoverständnis übertrifft. Es liegt in der Kategorie Text, Sie erhalten also Text zurück, aber die Bandbreite der akzeptierten Eingaben ist viel größer, als das Kategorie-Label vermuten lässt.

Auf der Eingabeseite akzeptiert MiMo-V2.5 Text, Audio, Bild und Video und erzeugt Textausgabe. Damit ist es ein Modell, das Sie auf gemischte Medien richten können und nicht nur auf geschriebene Prompts. Das Kontextfenster beträgt 1.050.000 Token, was groß genug ist, um sehr lange Dokumente, lange Transkripte oder ausgedehnten medienbasierten Kontext in einer einzigen Anfrage zu halten. Die maximale Ausgabe beträgt 131.072 Token, sodass lange Generierungen innerhalb desselben Aufrufs möglich sind. Auch Reasoning gehört zum Bild: Zu den unterstützten Parametern gehören reasoning und include_reasoning, sodass Sie mit dem Reasoning-Verhalten des Modells arbeiten können, statt es als reinen Textgenerator zu behandeln.

Diese Fähigkeiten deuten auf eine ziemlich spezifische Gruppe von Anwendungsfällen hin. Da Audio, Bild und Video alle als Eingabe akzeptiert werden, eignet sich MiMo-V2.5 für Aufgaben wie das Zusammenfassen oder Abfragen aufgezeichneter Meetings und anderer Audiodaten, das Extrahieren von Informationen aus Bildern und das Beantworten von Fragen zu Videoinhalten, alles ohne einen separaten Transkriptions- oder Vision-Schritt vor dem Modell. Das sehr große Kontextfenster eignet sich für Arbeit über langem Quellmaterial, zum Beispiel die Analyse eines umfangreichen Berichts zusammen mit begleitenden Medien oder das Im-Blick-Behalten einer langen Agenten-Sitzung. Da das Modell als agentisch beschrieben wird, passt auch Tool-Nutzung natürlich dazu, und die Parameterliste stützt das.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID xiaomi/mimo-v2.5 auf. Die unterstützten Anfrageparameter sind frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k und top_p. In der Praxis bedeutet das, dass Sie die Stichprobenauswahl mit temperature, top_p und top_k steuern, die Ausgabe mit response_format oder structured_outputs formen, die Generierung mit max_tokens begrenzen, Läufe mit seed reproduzierbar machen und Funktionsaufrufe über tools und tool_choice definieren können. Reasoning kann über die Parameter reasoning und include_reasoning angefordert oder sichtbar gemacht werden.

Der wichtigste Punkt, den Sie im Auge behalten sollten, ist die Ausgabeseite. MiMo-V2.5 gibt nur Text zurück. Wenn Ihre Anwendung generierte Bilder, Audio oder Video benötigt, wird dieses Modell sie nicht erzeugen, obwohl es diese Formate als Eingabe lesen kann. Seine Kategorie ist Text, daher sollte es am besten als Modell mit multimodaler Eingabe und Textausgabe behandelt werden. Für Arbeitslasten, die rein textbasiert sind und kein Audio-, Bild- oder Videoverständnis benötigen, könnte ein einfacheres Textmodell direkter passen, und das große Kontextfenster sowie die omnimodale Eingabeverarbeitung sind die Merkmale, die beim Entscheiden abzuwägen sind.