Xiaomi: MiMo-V2.5-Pro

Xiaomi: MiMo-V2.5-Pro é um modelo de texto da Xiaomi. É o modelo principal da empresa, posicionado em torno de capacidades agênticas gerais, engenharia de software complexa e tarefas de longo horizonte. A Xiaomi relata as melhores classificações para ele em benchmarks como ClawEval, GDPVal e SWE-bench Pro. É um modelo de entrada de texto e saída de texto, portanto funciona com prompts escritos e retorna respostas escritas.

O modelo aceita entrada de texto e produz saída de texto, com uma janela de contexto de 1.050.000 tokens. Isso é grande o suficiente para conter bases de código inteiras, conjuntos longos de documentos ou transcrições estendidas de agentes em uma única requisição. O comprimento máximo de saída é de 131.072 tokens, o que suporta respostas geradas longas em vez de apenas respostas curtas. O raciocínio faz parte do conjunto de recursos do modelo: os parâmetros suportados incluem reasoning e include_reasoning, para que você possa controlar ou expor o comportamento de raciocínio do modelo onde seu cliente oferece suporte.

Essas capacidades apontam para alguns usos práticos. Fluxos de trabalho agênticos são um encaixe natural, já que o modelo é construído para comportamento agêntico geral e tarefas de longo horizonte que abrangem muitas etapas. Engenharia de software complexa é outro, incluindo trabalho sobre grandes repositórios onde a janela de contexto importa. Como a saída pode chegar a 131.072 tokens, o modelo também se adequa a tarefas que precisam de entregáveis longos e estruturados em vez de respostas breves. Saídas estruturadas e chamada de ferramentas tornam-no utilizável em pipelines onde o modelo deve retornar dados legíveis por máquina ou invocar funções externas.

Você o chama através da API compatível com OpenAI da api14 usando o id de modelo "xiaomi/mimo-v2.5-pro". Os parâmetros de requisição que ele suporta são 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. Na prática, temperature, top_p e top_k moldam a amostragem; max_tokens e stop limitam a resposta; seed adiciona reprodutibilidade; frequency_penalty, presence_penalty e repetition_penalty desencorajam repetição; response_format e structured_outputs restringem a forma da saída; e tools mais tool_choice habilitam a chamada de funções. logprobs e top_logprobs retornam informações de probabilidade em nível de token, e reasoning mais include_reasoning relacionam-se com a saída de raciocínio do modelo.

As considerações são principalmente sobre adequação. A entrada é apenas texto, portanto não há suporte a imagem, áudio ou outra modalidade; se sua tarefa depende dessas entradas, um modelo diferente é necessário. A janela de contexto muito grande e a saída máxima longa são úteis, mas nem sempre necessárias, então para tarefas de texto curtas e simples um modelo menor ou mais rápido pode ser uma combinação melhor. Dentro desses limites, o MiMo-V2.5-Pro é voltado para trabalho de texto exigente: agentes, engenharia de software e tarefas que se estendem por longos horizontes.