Xiaomi: MiMo-V2.5

Xiaomi: MiMo-V2.5 è un modello text da Xiaomi, elencato su api14 con l'id modello xiaomi/mimo-v2.5. Xiaomi lo descrive come un modello omnimodale nativo che offre prestazioni agentiche di livello Pro a circa la metà del costo di inferenza, e che supera MiMo-V2-Omni nella percezione multimodale per la comprensione di immagini e video. Si colloca nella categoria text, quindi quello che ottieni in risposta è testo, ma la gamma di input che accetta è molto più ampia di quanto suggerisca l'etichetta della categoria.

Sul lato input, MiMo-V2.5 accetta testo, audio, immagini e video, e produce output testuale. Questo lo rende un modello a cui puoi indirizzare contenuti multimediali misti, non solo prompt scritti. La finestra di contesto è di 1.050.000 token, abbastanza ampia da contenere documenti molto lunghi, trascrizioni lunghe o un contesto esteso derivato da media in una singola richiesta. L'output massimo è di 131.072 token, quindi sono possibili generazioni lunghe nella stessa chiamata. Anche il ragionamento fa parte del quadro: i parametri supportati includono reasoning e include_reasoning, così puoi lavorare con il comportamento di ragionamento del modello invece di trattarlo come un semplice generatore di testo.

Queste capacità indicano un insieme di casi d'uso piuttosto specifico. Poiché audio, immagini e video sono tutti accettati come input, MiMo-V2.5 si adatta a compiti come riassumere o interrogare riunioni registrate e altro audio, estrarre informazioni dalle immagini e rispondere a domande sul contenuto video, tutto senza un passaggio separato di trascrizione o visione davanti al modello. La finestra di contesto molto ampia si presta al lavoro su materiale di origine lungo, per esempio analizzare un rapporto esteso insieme ai media di supporto, o mantenere in vista una lunga sessione di un agente. Poiché il modello è descritto come agentico, anche l'uso di strumenti è una scelta naturale, e l'elenco dei parametri lo conferma.

Lo chiami tramite l'API compatibile con OpenAI di api14 usando l'id modello xiaomi/mimo-v2.5. I parametri di richiesta supportati sono frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k e top_p. In pratica questo significa che puoi controllare il campionamento con temperature, top_p e top_k, modellare l'output con response_format o structured_outputs, limitare la generazione con max_tokens, rendere le esecuzioni riproducibili con seed, e definire il function calling tramite tools e tool_choice. Il ragionamento può essere richiesto o mostrato tramite i parametri reasoning e include_reasoning.

La cosa principale da tenere a mente è il lato output. MiMo-V2.5 restituisce solo testo, quindi se la tua applicazione necessita di immagini, audio o video generati, questo modello non li produrrà, anche se può leggere quei formati come input. La sua categoria è text, quindi è meglio trattarlo come un modello con input multimodale e output testuale. Per carichi di lavoro puramente testuali che non richiedono comprensione di audio, immagini o video, un modello text più semplice può essere una scelta più diretta, e la finestra di contesto ampia e la gestione dell'input omnimodale sono le caratteristiche da valutare quando decidi.