Xiaomi: MiMo-V2.5-Pro

Xiaomi: MiMo-V2.5-Pro ist ein Textmodell von Xiaomi. Es ist das Flaggschiffmodell des Unternehmens und positioniert sich rund um allgemeine agentische Fähigkeiten, komplexe Softwareentwicklung und Langzeithorizont-Aufgaben. Xiaomi meldet Spitzenplatzierungen für es in Benchmarks wie ClawEval, GDPVal und SWE-bench Pro. Es ist ein Text-in-, Text-out-Modell, arbeitet also mit geschriebenen Prompts und liefert geschriebene Antworten zurück.

Das Modell akzeptiert Texteingabe und erzeugt Textausgabe, mit einem Kontextfenster von 1.050.000 Tokens. Das ist groß genug, um ganze Codebasen, lange Dokumentensätze oder ausgedehnte Agent-Transkripte in einer einzigen Anfrage zu halten. Die maximale Ausgabelänge beträgt 131.072 Tokens, was lange generierte Antworten statt nur kurzer Erwiderungen unterstützt. Reasoning ist Teil des Funktionsumfangs des Modells: Die unterstützten Parameter umfassen reasoning und include_reasoning, sodass Sie das Reasoning-Verhalten des Modells steuern oder sichtbar machen können, wo Ihr Client dies unterstützt.

Diese Fähigkeiten deuten auf einige praktische Einsatzmöglichkeiten hin. Agentische Workflows passen natürlich, da das Modell für allgemeines Agent-Verhalten und Langzeithorizont-Aufgaben gebaut ist, die sich über viele Schritte erstrecken. Komplexe Softwareentwicklung ist eine weitere, einschließlich Arbeit über große Repositories hinweg, wo das Kontextfenster zählt. Weil die Ausgabe bis zu 131.072 Tokens umfassen kann, eignet sich das Modell auch für Aufgaben, die lange, strukturierte Ergebnisse statt kurzer Antworten benötigen. Strukturierte Ausgaben und Tool-Aufrufe machen es in Pipelines nutzbar, in denen das Modell maschinenlesbare Daten zurückgeben oder externe Funktionen aufrufen muss.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID "xiaomi/mimo-v2.5-pro" auf. Die unterstützten Anforderungsparameter sind frequency_penalty, include_reasoning, logprobs, max_tokens, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs und top_p. In der Praxis formen temperature, top_p und top_k die Stichprobenentnahme; max_tokens und stop begrenzen die Antwort; seed fügt Reproduzierbarkeit hinzu; frequency_penalty, presence_penalty und repetition_penalty wirken Wiederholungen entgegen; response_format und structured_outputs schränken die Form der Ausgabe ein; und tools plus tool_choice ermöglichen Funktionsaufrufe. logprobs und top_logprobs liefern Wahrscheinlichkeitsinformationen auf Token-Ebene, und reasoning plus include_reasoning beziehen sich auf die Reasoning-Ausgabe des Modells.

Überlegungen betreffen hauptsächlich die Eignung. Die Eingabe ist nur Text, es gibt also keine Unterstützung für Bilder, Audio oder andere Modalitäten; wenn Ihre Aufgabe von solchen Eingaben abhängt, ist ein anderes Modell erforderlich. Das sehr große Kontextfenster und die lange maximale Ausgabe sind nützlich, aber nicht immer notwendig, daher kann für kurze, einfache Textaufgaben ein kleineres oder schnelleres Modell die bessere Wahl sein. Innerhalb dieser Grenzen ist MiMo-V2.5-Pro auf anspruchsvolle Textarbeit ausgerichtet: Agenten, Softwareentwicklung und Aufgaben, die über lange Horizonte laufen.