Xiaomi: MiMo-V2.5

Xiaomi : MiMo-V2.5 est un modèle de texte de Xiaomi, répertorié sur api14 sous l'identifiant de modèle xiaomi/mimo-v2.5. Xiaomi le décrit comme un modèle omnimodal natif qui offre des performances agentiques de niveau Pro pour environ la moitié du coût d'inférence, et qui surpasse MiMo-V2-Omni en perception multimodale pour la compréhension des images et des vidéos. Il appartient à la catégorie texte, donc le texte est ce que vous obtenez en retour, mais l'éventail des entrées qu'il accepte est bien plus large que ne le suggère l'étiquette de catégorie.

Côté entrées, MiMo-V2.5 accepte le texte, l'audio, l'image et la vidéo, et il produit une sortie texte. Cela en fait un modèle que vous pouvez pointer vers des médias mixtes plutôt que seulement vers des invites écrites. La fenêtre de contexte est de 1 050 000 tokens, ce qui est suffisamment grand pour contenir de très longs documents, de longues transcriptions ou un contexte étendu dérivé de médias dans une seule requête. La sortie maximale est de 131 072 tokens, donc de longues générations sont possibles au sein du même appel. Le raisonnement fait aussi partie du tableau : les paramètres pris en charge incluent reasoning et include_reasoning, vous pouvez donc travailler avec le comportement de raisonnement du modèle plutôt que de le traiter comme un simple générateur de texte.

Ces capacités renvoient à un ensemble assez spécifique de cas d'usage. Comme l'audio, l'image et la vidéo sont tous acceptés en entrée, MiMo-V2.5 convient à des tâches telles que résumer ou interroger des réunions enregistrées et d'autres contenus audio, extraire des informations à partir d'images, et répondre à des questions sur du contenu vidéo, le tout sans étape séparée de transcription ou de vision en amont du modèle. La très grande fenêtre de contexte convient au travail sur de longues sources, par exemple analyser un rapport volumineux accompagné de médias de support, ou garder une longue session d'agent en vue. Comme le modèle est décrit comme agentique, l'utilisation d'outils lui convient naturellement aussi, et la liste des paramètres le confirme.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle xiaomi/mimo-v2.5. Les paramètres de requête qu'il prend en charge sont frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k et top_p. En pratique, cela signifie que vous pouvez contrôler l'échantillonnage avec temperature, top_p et top_k, façonner la sortie avec response_format ou structured_outputs, plafonner la génération avec max_tokens, rendre les exécutions reproductibles avec seed, et définir l'appel de fonctions via tools et tool_choice. Le raisonnement peut être demandé ou exposé via les paramètres reasoning et include_reasoning.

Le point principal à garder en tête est le côté sortie. MiMo-V2.5 renvoie uniquement du texte, donc si votre application a besoin d'images, d'audio ou de vidéo générés, ce modèle ne les produira pas, même s'il peut lire ces formats en entrée. Sa catégorie est texte, il est donc préférable de le traiter comme un modèle à entrées multimodales et sortie texte. Pour les charges de travail purement textuelles qui n'ont pas besoin de compréhension de l'audio, de l'image ou de la vidéo, un modèle de texte plus simple peut être plus direct, et la grande fenêtre de contexte ainsi que la gestion des entrées omnimodales sont les caractéristiques à peser lorsque vous décidez.