Xiaomi: MiMo-V2.5

Xiaomi: MiMo-V2.5 to model tekstowy od Xiaomi, wymieniony na api14 pod identyfikatorem modelu xiaomi/mimo-v2.5. Xiaomi opisuje go jako natywny model omnimodalny, który zapewnia wydajność agentową na poziomie Pro przy mniej więcej połowie kosztu wnioskowania i który przewyższa MiMo-V2-Omni w percepcji multimodalnej w zakresie rozumienia obrazu i wideo. Należy do kategorii tekstowej, więc w odpowiedzi otrzymujesz tekst, ale zakres akceptowanych danych wejściowych jest znacznie szerszy, niż sugeruje etykieta kategorii.

Po stronie danych wejściowych MiMo-V2.5 akceptuje tekst, dźwięk, obraz i wideo, a generuje dane wyjściowe w postaci tekstu. To czyni go modelem, który można wskazać na multimedia mieszane, a nie tylko na prompty pisane. Okno kontekstu wynosi 1 050 000 tokenów, co jest wystarczająco duże, aby pomieścić bardzo długie dokumenty, długie transkrypcje lub rozszerzony kontekst pochodzący z multimediów w jednym żądaniu. Maksymalna długość danych wyjściowych to 131 072 tokeny, więc długie generowania są możliwe w tym samym wywołaniu. Rozumowanie również wchodzi w grę: obsługiwane parametry obejmują reasoning i include_reasoning, więc można pracować z zachowaniem rozumowania modelu, zamiast traktować go jako zwykły generator tekstu.

Te możliwości wskazują na dość konkretny zestaw przypadków użycia. Ponieważ dźwięk, obraz i wideo są akceptowane jako dane wejściowe, MiMo-V2.5 pasuje do zadań takich jak streszczanie lub odpytywanie nagranych spotkań i innego dźwięku, wyodrębnianie informacji z obrazów oraz odpowiadanie na pytania dotyczące treści wideo, wszystko bez oddzielnego etapu transkrypcji lub analizy wizualnej przed modelem. Bardzo duże okno kontekstu pasuje do pracy nad długim materiałem źródłowym, na przykład do analizy długiego raportu wraz z towarzyszącymi multimediami lub do utrzymania długiej sesji agentowej w polu widzenia. Ponieważ model jest opisany jako agentowy, użycie narzędzi również jest naturalnym zastosowaniem, co potwierdza lista parametrów.

Wywołujesz go przez kompatybilne z OpenAI API api14, używając identyfikatora modelu xiaomi/mimo-v2.5. Obsługiwane parametry żądania to frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k i top_p. W praktyce oznacza to, że możesz kontrolować próbkowanie za pomocą temperature, top_p i top_k, kształtować dane wyjściowe za pomocą response_format lub structured_outputs, ograniczać generowanie za pomocą max_tokens, czynić uruchomienia powtarzalnymi za pomocą seed oraz definiować wywoływanie funkcji przez tools i tool_choice. Rozumowanie można żądać lub ujawniać za pomocą parametrów reasoning i include_reasoning.

Najważniejszą rzeczą do zapamiętania jest strona danych wyjściowych. MiMo-V2.5 zwraca wyłącznie tekst, więc jeśli Twoja aplikacja potrzebuje generowanych obrazów, dźwięku lub wideo, ten model ich nie wygeneruje, mimo że potrafi odczytywać te formaty jako dane wejściowe. Jego kategoria to tekst, więc najlepiej traktować go jako model o multimodalnych danych wejściowych i tekstowych danych wyjściowych. W przypadku obciążeń, które są wyłącznie tekstowe i nie wymagają rozumienia dźwięku, obrazu lub wideo, prostszy model tekstowy może być bardziej bezpośrednim wyborem, a duże okno kontekstu i obsługa omnimodalnych danych wejściowych to cechy warte rozważenia przy podejmowaniu decyzji.