Xiaomi: MiMo-V2.5-Pro

Xiaomi : MiMo-V2.5-Pro est un modèle de texte de Xiaomi. C'est le modèle phare de l'entreprise, positionné autour des capacités agentiques générales, de l'ingénierie logicielle complexe et des tâches à long horizon. Xiaomi rapporte des classements en tête pour celui-ci sur des benchmarks tels que ClawEval, GDPVal et SWE-bench Pro. C'est un modèle texte en entrée, texte en sortie, il fonctionne donc avec des invites écrites et renvoie des réponses écrites.

Le modèle accepte une entrée texte et produit une sortie texte, avec une fenêtre de contexte de 1 050 000 tokens. C'est suffisamment grand pour contenir des bases de code entières, de longs ensembles de documents ou des transcriptions d'agents étendues dans une seule requête. La longueur maximale de sortie est de 131 072 tokens, ce qui prend en charge de longues réponses générées plutôt que de simples réponses courtes. Le raisonnement fait partie de l'ensemble des fonctionnalités du modèle : les paramètres pris en charge incluent reasoning et include_reasoning, vous pouvez donc contrôler ou exposer le comportement de raisonnement du modèle lorsque votre client le prend en charge.

Ces capacités indiquent quelques usages pratiques. Les flux de travail agentiques sont un choix naturel, puisque le modèle est conçu pour un comportement agentique général et des tâches à long horizon qui s'étendent sur de nombreuses étapes. L'ingénierie logicielle complexe en est un autre, y compris le travail sur de grands dépôts où la fenêtre de contexte compte. Comme la sortie peut atteindre 131 072 tokens, le modèle convient aussi aux tâches qui nécessitent de longs livrables structurés plutôt que de brèves réponses. Les sorties structurées et l'appel d'outils le rendent utilisable dans des pipelines où le modèle doit renvoyer des données lisibles par machine ou invoquer des fonctions externes.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "xiaomi/mimo-v2.5-pro". Les paramètres de requête qu'il prend en charge sont 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 et top_p. En pratique, temperature, top_p et top_k façonnent l'échantillonnage ; max_tokens et stop bornent la réponse ; seed ajoute de la reproductibilité ; frequency_penalty, presence_penalty et repetition_penalty découragent la répétition ; response_format et structured_outputs contraignent la forme de la sortie ; et tools plus tool_choice activent l'appel de fonctions. logprobs et top_logprobs renvoient des informations de probabilité au niveau des tokens, et reasoning plus include_reasoning concernent la sortie de raisonnement du modèle.

Les considérations portent principalement sur l'adéquation. L'entrée est uniquement du texte, il n'y a donc pas de prise en charge des images, de l'audio ou d'une autre modalité ; si votre tâche dépend de ces entrées, un autre modèle est nécessaire. La très grande fenêtre de contexte et la longue sortie maximale sont utiles mais pas toujours nécessaires, donc pour des tâches textuelles courtes et simples, un modèle plus petit ou plus rapide peut mieux convenir. Dans ces limites, MiMo-V2.5-Pro vise le travail textuel exigeant : agents, ingénierie logicielle et tâches qui s'étendent sur de longs horizons.