Xiaomi: MiMo-V2.5

Xiaomi: MiMo-V2.5 は Xiaomi のテキストモデルで、api14 にモデル ID xiaomi/mimo-v2.5 として掲載されています。Xiaomi はこれを、およそ半分の推論コストで Pro レベルのエージェント性能を提供するネイティブなオムニモーダルモデルであり、画像および動画理解にわたるマルチモーダル知覚において MiMo-V2-Omni を上回ると説明しています。これはテキストカテゴリに属するため、返ってくるのはテキストですが、受け付ける入力の範囲はカテゴリのラベルが示唆するよりもはるかに広くなっています。

入力側では、MiMo-V2.5 はテキスト、音声、画像、動画を受け付け、テキスト出力を生成します。これにより、書き言葉のプロンプトだけでなく、混合メディアに向けられるモデルになっています。コンテキストウィンドウは 1,050,000 トークンで、非常に長い文書、長い文字起こし、またはメディア由来の拡張コンテキストを 1 回のリクエストに収められるだけの大きさです。最大出力は 131,072 トークンなので、同じ呼び出しの中で長い生成が可能です。推論もその一部です。サポートされるパラメータには reasoning と include_reasoning が含まれるため、単なるテキスト生成器として扱うのではなく、モデルの推論動作を扱うことができます。

これらの機能は、かなり特定のユースケース群を示しています。音声、画像、動画がいずれも入力として受け付けられるため、MiMo-V2.5 は録音された会議やその他の音声の要約や問い合わせ、画像からの情報抽出、動画コンテンツに関する質問への回答といったタスクに適しており、そのいずれもモデルの前段に別個の文字起こしや視覚処理のステップを必要としません。非常に大きなコンテキストウィンドウは長いソース資料を扱う作業に適しており、たとえば長いレポートを補助メディアとともに分析したり、長いエージェントセッションを視野に保持したりできます。このモデルはエージェント的と説明されているため、ツール使用も自然に適合し、パラメータ一覧もそれを裏付けています。

これは api14 の OpenAI 互換 API を通じて、モデル ID xiaomi/mimo-v2.5 を使って呼び出します。サポートされるリクエストパラメータは、frequency_penalty、include_reasoning、max_tokens、presence_penalty、reasoning、repetition_penalty、response_format、seed、stop、structured_outputs、temperature、tool_choice、tools、top_k、top_p です。実際には、temperature、top_p、top_k でサンプリングを制御し、response_format または structured_outputs で出力を整形し、max_tokens で生成を上限設定し、seed で実行を再現可能にし、tools と tool_choice で関数呼び出しを定義できます。推論は reasoning および include_reasoning パラメータを通じて要求または表出できます。

主に留意すべき点は出力側です。MiMo-V2.5 はテキストのみを返すため、アプリケーションが生成された画像、音声、動画を必要とする場合、このモデルはそれらを生成しません。ただし、それらの形式を入力として読むことはできます。そのカテゴリはテキストなので、マルチモーダル入力、テキスト出力のモデルとして扱うのが最適です。純粋にテキストのみで、音声、画像、動画の理解を必要としないワークロードでは、より単純なテキストモデルの方がより直接的に適合する可能性があり、判断する際には大きなコンテキストウィンドウとオムニモーダル入力処理が比較検討に値する特徴です。