Xiaomi: MiMo-V2.5

Xiaomi: MiMo-V2.5 är en textmodell från Xiaomi, listad på api14 under modell-id:t xiaomi/mimo-v2.5. Xiaomi beskriver den som en inbyggd omnimodal modell som levererar agentisk prestanda på Pro-nivå till ungefär halva inferenskostnaden, och som överträffar MiMo-V2-Omni i multimodal perception inom bild- och videoförståelse. Den tillhör kategorin text, så text är vad du får tillbaka, men utbudet av indata den accepterar är mycket bredare än kategorietiketten antyder.

På indatasidan accepterar MiMo-V2.5 text, ljud, bild och video, och den producerar textutdata. Det gör den till en modell du kan rikta mot blandade medier snarare än bara mot skrivna prompter. Kontextfönstret är 1 050 000 tokens, vilket är tillräckligt stort för att rymma mycket långa dokument, långa transkriptioner eller utökad mediebaserad kontext i en enda förfrågan. Maximal utdata är 131 072 tokens, så långa genereringar är möjliga inom samma anrop. Resonemang är också en del av bilden: de stödda parametrarna inkluderar reasoning och include_reasoning, så du kan arbeta med modellens resonemangsbeteende i stället för att behandla den som en vanlig textgenerator.

Dessa förmågor pekar mot en ganska specifik uppsättning användningsfall. Eftersom ljud, bild och video alla accepteras som indata passar MiMo-V2.5 uppgifter som att sammanfatta eller ställa frågor om inspelade möten och annat ljud, extrahera information från bilder och svara på frågor om videoinnehåll, allt utan ett separat transkriptions- eller visionssteg före modellen. Det mycket stora kontextfönstret passar arbete över långt källmaterial, till exempel att analysera en lång rapport tillsammans med stödjande medier, eller att hålla en lång agentsession i sikte. Eftersom modellen beskrivs som agentisk passar verktygsanvändning också naturligt, och parameterlistan stöder det.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t xiaomi/mimo-v2.5. De förfrågningsparametrar den stöder är frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k och top_p. I praktiken innebär det att du kan styra sampling med temperature, top_p och top_k, forma utdata med response_format eller structured_outputs, begränsa generering med max_tokens, göra körningar reproducerbara med seed, och definiera funktionsanrop genom tools och tool_choice. Resonemang kan begäras eller visas via parametrarna reasoning och include_reasoning.

Det viktigaste att ha i åtanke är utdatasidan. MiMo-V2.5 returnerar endast text, så om din applikation behöver genererade bilder, ljud eller video kommer denna modell inte att producera dem, även om den kan läsa dessa format som indata. Dess kategori är text, så den behandlas bäst som en modell med multimodal indata och textutdata. För arbetsbelastningar som är helt och hållet text och inte behöver förståelse av ljud, bild eller video kan en enklare textmodell vara en mer direkt lösning, och det stora kontextfönstret och hanteringen av omnimodal indata är de funktioner som är värda att väga in när du bestämmer dig.