小米这次放了个大招。一个1.02万亿参数的MoE模型，直接以最宽松的MIT协议开源，开放平台还豪气地送出100T Token。这消息一出，估计不少人的第一反应是：小米？是那个做手机的小米吗？
在AI大模型的竞技场上，小米的存在感一直不算强。当DeepSeek、Kimi、通义千问轮番占据热搜时，小米的MiMo系列更像是个埋头钻研的“学霸”，成绩不差，却鲜少成为话题中心。但这次的V2.5版本，情况确实有些不同了。
图片来源：mimo.xiaomi.com/mimo-v2-5/a…
真正的“王炸”：MIT协议下的完全开源
最令人震撼的，无疑是MiMo-V2.5-Pro的发布策略。1.02万亿总参数，420亿激活参数，这本身已是顶级规模。但更关键的是其开源协议——MIT。这不是那种附加了诸多限制的“伪开源”，也不是仅限研究用途的“阉割版”。MIT协议意味着什么？商用、修改、二次训练，几乎没有任何限制，连版权声明都不是强制要求。这种开放程度，在动辄万亿参数的大模型领域，堪称罕见。
而且，小米并非只开源一个“旗舰版”做做样子。而是将整个模型家族全盘托出：310B参数的多模态版、1T参数的Pro版、8B的语音识别版、语音合成版，乃至基础模型（Base版），全部采用MIT协议。回顾过去，市场上不乏“开源小模型，闭源大模型”或“开源权重，限制商用”的策略。像小米这样，将顶级规模的Pro版和多模态版一并开源，且采用最宽松的协议，其决心和诚意可见一斑。
当然，开源慷慨是一回事，模型本身的实力才是硬道理。
性能实测：数据说话
先看MiMo-V2.5-Pro在基础能力上的表现。在MMLU、GSM8K、MATH等核心基准测试中，其Base模型分别取得了89.4、99.6和86.2的成绩。尤其是MATH 86.2分，对比DeepSeek-V4-Pro Base的64.5分和Kimi-K2 Base的70.2分，优势相当明显。在GPQA-Diamond测试中达到66.7，也显著高于Kimi-K2 Base的48.1。需要指出的是，不同Base模型的训练数据量和策略存在差异，直接对比需谨慎，但这至少表明小米在预训练阶段投入了扎实的工作。
MiMo-V2.5-Pro Base vs DeepSeek-V4-Pro Base vs Kimi-K2 Base
此次升级，Agent（智能体）能力是重点方向。在SWE-Bench Pro上取得57.2分，与Claude Opus 4.6的57.3分几乎持平；Terminal-Bench 2.0得分68.4，超过了Opus 4.6的65.4。在综合评测Claw-Eval上，其63.8分的成绩虽未追上Opus 4.6的70.4分，但已高于GPT-5.4的60.3分和DeepSeek V4 Pro的59.8分。
然而，真正值得开发者关注的亮点，或许是其Token效率。在Claw-Eval评测中，MiMo-V2.5-Pro平均每个任务轨迹消耗约70K Token，实现了64%的通过率。对比来看，Claude Opus 4.6消耗114K Token达到70.8%的通过率，GPT-5.4消耗183K Token达到60.3%，而Gemini 3.1 Pro更是消耗了227K Token仅获得55.9%的通过率。简而言之，MiMo-V2.5-Pro用不到GPT-5.4四成的Token消耗量，取得了更好的成绩。对于需要频繁调用API的实际业务场景，这种效率差异直接转化为可观的成本节约。
ClawEval评测，MiMo-V2.5-Pro用最少Token跑出最好成绩
多模态方面，MiMo-V2.5（310B/15B激活）采用原生全模态统一架构，而非模块拼接。其在Video-MME、CharXiv RQ、HR-Bench 4k等评测中，与Gemini 3 Pro、Kimi K2.6处于同一水平线。从基准测试看，没有明显短板。
架构设计的巧思
除了亮眼的数据，MiMo-V2.5在架构设计上也颇有看点。
其采用了混合注意力机制，并非全程使用全局注意力，而是以5:1的比例交替使用滑动窗口注意力（窗口大小128）和全局注意力。这一设计将KV缓存存储需求降低了约7倍，同时通过可学习的注意力偏置，保证了长上下文性能没有显著损失。在GraphWalks长上下文评测中，MiMo-V2.5-Pro在1M上下文长度下，BFS任务保持率仍有37%，Parents任务保持率达62%，相比上一代模型在长上下文上的表现有显著提升。
模型还引入了多Token预测（MTP）技术，通过3个轻量级MTP模块，在推理时利用推测解码将输出速度提升了3倍。MoE路由方面，Pro版拥有384个路由专家，每次激活8个，实现了极高的稀疏性（1.02T总参仅激活42B），有助于控制推理成本。训练数据方面，V2.5预训练使用了约48T Token，Pro版使用了27T Token，结合多教师策略蒸馏的后训练方法，最终达到了不错的性能效果。
两个版本的关键架构参数对比
商业逻辑：生态优先，而非模型变&现
此次发布，另一个意外之举是MiMo开放平台为新用户赠送100T Token，甚至重置了老用户的Credit余额。这种手笔，比许多一线云厂商更为大方。
图片来源：mimo.xiaomi.com/mimo-v2-5-p…
那么，小米图什么呢？其背后的商业逻辑其实相当清晰。与OpenAI、Anthropic等公司不同，小米的核心盈利模式并非直接售卖API。它的根本目的，是降低开发者使用先进AI能力的门槛，从而将MiMo深度融入小米的整个生态体系——手机、汽车、智能家居。模型开源、API成本低廉，都是为了吸引更多开发者和企业进入小米的生态圈。将1T参数的顶级模型以MIT协议开源，本身就能在技术社区引发巨大声浪，其营销效果远胜于单纯的广告投放。而100T Token的赠送，看似是巨大的算力成本，实则是一笔高效的获客投资，用以换取开发者的入驻和生态的活跃。
这让人联想到小米早期做手机的策略：高配低价，用极致的性价比打开市场，硬件利润微薄，转而通过MIUI生态和互联网服务盈利。如今在AI领域，似乎是同样的配方：模型开源免费，核心目标是通过赋能生态硬件和服务来创造价值。当其他厂商还在依靠限制性许可证和API收费时，小米这种“开源即王道”的模式，无疑构成了一种商业策略上的“降维打击”。
行业影响与开发者选择
综合来看，MiMo-V2.5-Pro的整体能力大致介于DeepSeek V4 Pro和Claude Opus 4.6之间，在数学、长上下文等特定场景表现突出，但在复杂推理和多步骤规划等Agent综合能力上，与顶尖模型尚有差距。其最大的竞争优势在于极高的Token效率和极度友好的开源策略。
对于行业而言，小米的这一波操作，无疑给DeepSeek、Kimi等同样发力国产MoE模型的厂商带来了压力。参数更大、协议更宽松、使用成本更低，这些因素会吸引开源社区和开发者的注意力。毕竟，社区的关注度是有限的。
对于开发者而言，如果你的业务涉及Agent开发，尤其对Token成本敏感，那么MiMo-V2.5-Pro值得一试。100T的免费Token额度足以支撑大量的实验和原型开发。若考虑本地部署，1T参数的Pro版对算力要求极高，但310B/15B激活的V2.5版本则相对可行，且已有SGLang、vLLM等推理框架支持，部署难度可控。当然，任何模型的基准测试成绩与实际应用体验之间都可能存在差距，最终的选择还需结合具体业务场景进行验证。
总而言之，1T参数完全开源，100T Token免费赠送，MIT协议任君使用——这套组合拳，确实很“小米”。
信息来源
- MiMo-V2.5 官方博客
- MiMo-V2.5-Pro 官方博客
- HuggingFace MiMo-V2.5 模型卡
- HuggingFace MiMo-V2.5-Pro 模型卡
- MiMo 开放平台
- VentureBeat: Xiaomi stuns with new MiMo V2 Pro LLM
