Xiaomi: MiMo-V2.5

Xiaomi: MiMo-V2.5 é um modelo de texto da Xiaomi, listado em api14 sob o id de modelo xiaomi/mimo-v2.5. A Xiaomi descreve-o como um modelo omnimodal nativo que oferece desempenho agêntico de nível Pro a aproximadamente metade do custo de inferência, e que supera o MiMo-V2-Omni na percepção multimodal em compreensão de imagem e vídeo. Situa-se na categoria de texto, portanto texto é o que recebe de volta, mas a variedade de entradas que aceita é muito mais ampla do que o rótulo da categoria sugere.

Do lado das entradas, o MiMo-V2.5 aceita texto, áudio, imagem e vídeo, e produz saída de texto. Isso faz dele um modelo que pode ser apontado para media mistos em vez de apenas para prompts escritos. A janela de contexto é de 1.050.000 tokens, o que é suficiente para conter documentos muito longos, transcrições longas ou contexto prolongado derivado de media num único pedido. A saída máxima é de 131.072 tokens, portanto gerações longas são possíveis na mesma chamada. O raciocínio também faz parte do quadro: os parâmetros suportados incluem reasoning e include_reasoning, para que possa trabalhar com o comportamento de raciocínio do modelo em vez de o tratar como um simples gerador de texto.

Essas capacidades apontam para um conjunto bastante específico de casos de uso. Como áudio, imagem e vídeo são todos aceites como entrada, o MiMo-V2.5 serve tarefas como resumir ou consultar reuniões gravadas e outro áudio, extrair informação de imagens e responder a perguntas sobre conteúdo de vídeo, tudo sem um passo separado de transcrição ou visão à frente do modelo. A janela de contexto muito grande adequa-se a trabalho sobre material de origem longo, por exemplo analisar um relatório extenso juntamente com media de apoio, ou manter uma sessão de agente longa em vista. Como o modelo é descrito como agêntico, o uso de ferramentas também é um encaixe natural, e a lista de parâmetros confirma isso.

Chama-o através da API compatível com OpenAI da api14 usando o id de modelo xiaomi/mimo-v2.5. Os parâmetros de pedido que suporta são 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. Na prática, isso significa que pode controlar a amostragem com temperature, top_p e top_k, moldar a saída com response_format ou structured_outputs, limitar a geração com max_tokens, tornar as execuções reproduzíveis com seed, e definir chamadas de funções através de tools e tool_choice. O raciocínio pode ser solicitado ou exposto através dos parâmetros reasoning e include_reasoning.

O principal a ter em mente é o lado da saída. O MiMo-V2.5 devolve apenas texto, portanto se a sua aplicação precisa de imagens, áudio ou vídeo gerados, este modelo não os produzirá, ainda que possa ler esses formatos como entrada. A sua categoria é texto, por isso é melhor tratá-lo como um modelo de entrada multimodal e saída de texto. Para cargas de trabalho puramente de texto e que não precisam de compreensão de áudio, imagem ou vídeo, um modelo de texto mais simples pode ser um encaixe mais direto, e a janela de contexto grande e o tratamento de entradas omnimodais são as características que vale a pena ponderar quando decidir.