Xiaomi: MiMo-V2.5-Pro

Xiaomi: MiMo-V2.5-Pro es un modelo de texto de Xiaomi. Es el modelo insignia de la compañía, posicionado en torno a capacidades agénticas generales, ingeniería de software compleja y tareas de horizonte largo. Xiaomi reporta los primeros puestos para él en benchmarks como ClawEval, GDPVal y SWE-bench Pro. Es un modelo de texto de entrada y texto de salida, por lo que funciona con prompts escritos y devuelve respuestas escritas.

El modelo acepta entrada de texto y produce salida de texto, con una ventana de contexto de 1.050.000 tokens. Eso es suficientemente grande para contener bases de código enteras, conjuntos largos de documentos o transcripciones extendidas de agentes en una sola solicitud. La longitud máxima de salida es de 131.072 tokens, lo que admite respuestas generadas largas en lugar de solo respuestas breves. El razonamiento es parte del conjunto de características del modelo: los parámetros admitidos incluyen reasoning e include_reasoning, por lo que puedes controlar o mostrar el comportamiento de razonamiento del modelo donde tu cliente lo admita.

Esas capacidades apuntan a algunos usos prácticos. Los flujos de trabajo agénticos encajan de forma natural, ya que el modelo está construido para comportamiento agéntico general y tareas de horizonte largo que abarcan muchos pasos. La ingeniería de software compleja es otra, incluido el trabajo sobre repositorios grandes donde la ventana de contexto importa. Debido a que la salida puede alcanzar los 131.072 tokens, el modelo también se adapta a tareas que necesitan entregables largos y estructurados en lugar de respuestas breves. Las salidas estructuradas y el llamamiento de herramientas lo hacen utilizable en pipelines donde el modelo debe devolver datos legibles por máquina o invocar funciones externas.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "xiaomi/mimo-v2.5-pro". Los parámetros de solicitud que admite son 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 y top_p. En la práctica, temperature, top_p y top_k dan forma al muestreo; max_tokens y stop acotan la respuesta; seed añade reproducibilidad; frequency_penalty, presence_penalty y repetition_penalty desalientan la repetición; response_format y structured_outputs restringen la forma de la salida; y tools más tool_choice habilitan el llamamiento de funciones. logprobs y top_logprobs devuelven información de probabilidad a nivel de token, y reasoning más include_reasoning se relacionan con la salida de razonamiento del modelo.

Las consideraciones son principalmente sobre la idoneidad. La entrada es solo texto, por lo que no hay soporte de imagen, audio u otra modalidad; si tu tarea depende de esas entradas, se necesita un modelo diferente. La ventana de contexto muy grande y la salida máxima larga son útiles pero no siempre necesarias, así que para tareas de texto cortas y simples un modelo más pequeño o más rápido puede ser una mejor opción. Dentro de esos límites, MiMo-V2.5-Pro está orientado a trabajo de texto exigente: agentes, ingeniería de software y tareas que se extienden a lo largo de horizontes largos.