Xiaomi: MiMo-V2.5

Xiaomi: MiMo-V2.5 es un modelo de texto de Xiaomi, listado en api14 bajo el id de modelo xiaomi/mimo-v2.5. Xiaomi lo describe como un modelo omnimodal nativo que ofrece un rendimiento agéntico de nivel Pro a aproximadamente la mitad del coste de inferencia, y que supera a MiMo-V2-Omni en percepción multimodal en comprensión de imágenes y vídeo. Se sitúa en la categoría de texto, así que texto es lo que devuelve, pero el rango de entradas que acepta es mucho más amplio de lo que sugiere la etiqueta de categoría.

En el lado de la entrada, MiMo-V2.5 acepta texto, audio, imagen y vídeo, y produce salida de texto. Eso lo convierte en un modelo al que puedes apuntar a medios mixtos en lugar de solo a prompts escritos. La ventana de contexto es de 1.050.000 tokens, lo suficientemente grande como para contener documentos muy largos, transcripciones extensas o contexto prolongado derivado de medios en una sola solicitud. La salida máxima es de 131.072 tokens, por lo que son posibles generaciones largas dentro de la misma llamada. El razonamiento también forma parte del panorama: los parámetros soportados incluyen reasoning e include_reasoning, así que puedes trabajar con el comportamiento de razonamiento del modelo en lugar de tratarlo como un generador de texto simple.

Esas capacidades apuntan a un conjunto bastante específico de casos de uso. Como el audio, la imagen y el vídeo se aceptan como entrada, MiMo-V2.5 encaja en tareas como resumir o consultar reuniones grabadas y otro audio, extraer información de imágenes y responder preguntas sobre contenido de vídeo, todo ello sin un paso separado de transcripción o visión delante del modelo. La ventana de contexto tan grande se adapta al trabajo sobre material de origen extenso, por ejemplo analizar un informe largo junto con medios de apoyo, o mantener a la vista una sesión de agente prolongada. Dado que el modelo se describe como agéntico, el uso de herramientas también encaja de forma natural, y la lista de parámetros lo respalda.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo xiaomi/mimo-v2.5. Los parámetros de solicitud que soporta son frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k y top_p. En la práctica, eso significa que puedes controlar el muestreo con temperature, top_p y top_k, dar forma a la salida con response_format o structured_outputs, limitar la generación con max_tokens, hacer que las ejecuciones sean reproducibles con seed, y definir el llamamiento a funciones mediante tools y tool_choice. El razonamiento puede solicitarse o mostrarse a través de los parámetros reasoning e include_reasoning.

Lo principal que hay que tener en cuenta es el lado de la salida. MiMo-V2.5 devuelve solo texto, así que si tu aplicación necesita imágenes, audio o vídeo generados, este modelo no los producirá, aunque pueda leer esos formatos como entrada. Su categoría es texto, por lo que es mejor tratarlo como un modelo de entrada multimodal y salida de texto. Para cargas de trabajo que son puramente de texto y no necesitan comprensión de audio, imagen o vídeo, un modelo de texto más simple puede encajar de forma más directa, y la gran ventana de contexto y el manejo de entrada omnimodal son las características que merece la pena sopesar cuando decidas.