Xiaomi: MiMo-V2.5-Pro

Xiaomi: MiMo-V2.5-Pro è un modello testuale di Xiaomi. È il modello di punta dell'azienda, posizionato sulle capacità agentiche generali, sull'ingegneria del software complessa e sui compiti a lungo orizzonte. Xiaomi segnala per esso le prime posizioni in benchmark come ClawEval, GDPVal e SWE-bench Pro. È un modello text-in, text-out, quindi funziona con prompt scritti e restituisce risposte scritte.

Il modello accetta input testuale e produce output testuale, con una finestra di contesto di 1.050.000 token. È abbastanza ampia da contenere interi codebase, lunghi insiemi di documenti o trascrizioni estese di agenti in una singola richiesta. La lunghezza massima dell'output è di 131.072 token, il che supporta risposte generate lunghe e non solo brevi repliche. Il ragionamento fa parte delle funzionalità del modello: i parametri supportati includono reasoning e include_reasoning, quindi puoi controllare o rendere visibile il comportamento di ragionamento del modello dove il tuo client lo supporta.

Queste capacità indicano alcuni usi pratici. I flussi di lavoro agentici sono una scelta naturale, dato che il modello è costruito per il comportamento agentico generale e per compiti a lungo orizzonte che si estendono su molti passaggi. L'ingegneria del software complessa è un'altra, incluso il lavoro su repository di grandi dimensioni dove la finestra di contesto conta. Poiché l'output può arrivare a 131.072 token, il modello si adatta anche a compiti che richiedono elaborati lunghi e strutturati anziché risposte brevi. Gli output strutturati e il tool calling lo rendono utilizzabile in pipeline in cui il modello deve restituire dati leggibili dalla macchina o invocare funzioni esterne.

Lo chiami tramite l'API compatibile con OpenAI di api14 usando l'id del modello "xiaomi/mimo-v2.5-pro". I parametri di richiesta che supporta sono 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 e top_p. In pratica, temperature, top_p e top_k modellano il campionamento; max_tokens e stop delimitano la risposta; seed aggiunge riproducibilità; frequency_penalty, presence_penalty e repetition_penalty scoraggiano le ripetizioni; response_format e structured_outputs vincolano la forma dell'output; e tools insieme a tool_choice abilitano il function calling. logprobs e top_logprobs restituiscono informazioni di probabilità a livello di token, mentre reasoning e include_reasoning riguardano l'output di ragionamento del modello.

Le considerazioni riguardano soprattutto l'idoneità. L'input è solo testuale, quindi non c'è supporto per immagini, audio o altre modalità; se il tuo compito dipende da quegli input, serve un modello diverso. La finestra di contesto molto ampia e la lunga lunghezza massima dell'output sono utili ma non sempre necessarie, quindi per compiti testuali brevi e semplici un modello più piccolo o più veloce può essere una scelta migliore. Entro questi limiti, MiMo-V2.5-Pro è pensato per lavoro testuale impegnativo: agenti, ingegneria del software e compiti che si estendono su lunghi orizzonti.