昨天，小米 MiMo 官方扔出了一颗重磅冲击波：MiMo-V2.5 系列 API 永久降价，最高降幅直接杀到了 99%，并且不再区分上下文窗口长度。这个力度，在行业里确实不多见。

很快，小米 MiMo 的负责人罗福莉就在 X 上发文，解释了这次大幅降价的幕后技术逻辑。我们（观察，引入讨论）直接看原文翻译，信息量非常集中：

MiMo API 价格下调的背后：

最高降幅可达 99%，针对的是输入（缓存命中）。核心原因在于我们的推理框架现在支持针对 SWA 的分层 KV 缓存优化。生产推理引擎测试表明，该优化将缓存的 Token 容量提升了 5 倍，相当于降低了 80% 的缓存成本。再结合 Hybrid 模型中多个 Full Attention 模块之间的缓存读取重叠（Cache Read Overlap），实际成本得到了进一步降低。

输入（未命中缓存）和输出的价格也降低了约 60% 至 80%。这主要得益于模型架构带来的极致 1:7 Full:SWA 稀疏比（70 层的 MiMo-V2.5-Pro 的 prefill 计算量大致相当于一个 10 层的 GQA 模型）。这使得我们原始推理成本远低于行业平均水平，在定价上自然留出了 2 到 3 倍的利润空间。此次价格调整，只是我们决定把这些结构性成本优势直接让利给开发者。

在新的、更低的 API 价格之下，我们的生产推理引擎已接近满负载运行，并且我们基本上仍然可以维持收支平衡。我们此前曾建议大语言模型（LLM）公司不要盲目降价，正是因为很少有模型架构和推理优化能力，能够在 API 大幅降价后仍避免亏损。如果未来出现更多能够节省计算量和 KV 缓存的架构，并配合更好的推理基础设施（Infra）来降低 API 成本，这将在行业内形成一个绝佳的良性循环。

更重要的是，价格合理、性能优异的模型 API 将驱动真实、持续且大规模的推理需求。这种上游需求拉动了整个 AI 基础设施链的发展 —— 包括芯片、服务器、光模块、PCB、液冷、电力、储能和数据中心 —— 并作为 AI 硬件系统性重估的战略支点。从长远来看，这为训练和推理管线注入了更廉价、更易获取的算力，从而加速了全球通用人工智能（AGI）在多个地区和技术路线上的并行演进。

更多技术细节，我们后续会发布一篇详细的 Blog。

说白了，这次降价并不是赔本赚吆喝，而是把架构和工程优化省出来的成本，直接让利给了开发者。你听这技术细节：针对 SWA 的分层 KV 缓存优化，直接让缓存 Token 容量翻了 5 倍；Hybrid 模型里多个 Full Attention 模块之间的缓存读取重叠，又进一步压低了实际开销。而输入（未命中缓存）和输出的大幅降价，靠的是模型架构自带的极致稀疏比——70 层的 MiMo-V2.5-Pro，prefill 计算量只相当于 10 层 GQA 模型。这种先天优势，让它在定价上天然就有 2 到 3 倍的利润空间。

最关键的一句是：即使在新的低价下，生产推理引擎已经接近满负载运行，小米依然能维持收支平衡。这意味着，它确实有底气撑起这个价格。而罗福莉也特意强调，之前劝同行不要盲目降价，正是因为多数模型架构和推理优化能力扛不住这种价格战。如果有更多类似的结构性优势出现，整个行业就会进入一个正向循环：更好的架构 + 更强的推理基础设施 → 更低的 API 成本 → 更大的推理需求 → 反过来拉动芯片、服务器、光模块、液冷、数据中心等整个硬件链，最终加速 AGI 在多条路线上的并行演进。

从这份解释来看，MiMo 团队不仅算清了技术账，也算清了产业账。后续的技术博客，应该会释放更多具体的实现细节，值得持续关注。