MiMo-V2.5 与 MiMo-V2.5-Pro 对比
Back to Blog
技术实践MiMo-V2.5 与 MiMo-V2.5-Pro 对比多模态推理长上下文代理

MiMo-V2.5 与 MiMo-V2.5-Pro 对比

November 18, 2026
14 min read
On this page26 sections

摘要

MiMo-V2.5 更适合承担多模态任务、常规智能体以及成本敏感型生产负载;MiMo-V2.5-Pro 则是面向困难推理、仓库级编程与长时间工具调用的专用选项。两者都提供 100 万 token 上下文窗口和最高 128K 输出 token,但 Pro 的语言主干规模大得多,普通输入与输出 token 的价格约为 V2.5 的 3.1 倍。

-V2.5 与 Pro:快速抉择

可以把两者的关系理解为“默认”与“升级”:V2.5 覆盖绝大多数日常请求,Pro 只在任务难度或轨迹长度足以抵消其价格差距时才值得启用。

判断依据应来自代表性任务上的实测表现,而非参数规模本身。总参数量并不会线性转化为答案质量;Pro 更大的主干在推理难度提升、或单步可靠性误差会沿长链条累积时,才体现出结构性的价值。

决定性区别:多模态 vs 智能体优先

V2.5 原生接受文本、图像、视频与音频输入。语言主干之外,它配备 7.29 亿参数的视觉编码器与 2.61 亿参数的音频编码器,使多模态信息能够直接进入同一条推理链路,而不必先被压缩成纯文本描述。这一设计对应若干典型工作负载:

  • 在调用工具前分析界面截图。
  • 同时理解视频画面与其音轨。
  • 从图表和文档图像中抽取信息。
  • 驱动视觉界面操作类与多模态客服类智能体。
  • 对长视频序列进行推理。

Pro 走的是另一条路线。目前其输入模态被标注为文本,设计重心放在深度推理、代码开发与长时程工具编排上。

因此,选型的第一道分叉不在价格,而在输入形态:当工作流本身包含图像、视频或音频时,应从 V2.5 起步;当难点在于对文本、源码、工具或一段很长的智能体轨迹做推理时,才值得把 Pro 纳入测试。多模态推理与长上下文代理这两种诉求,往往指向不同的模型。

为什么 V2.5-Pro 在困难任务上可能更出色

参数更大并不保证答案更好。但在困难任务上,规模差异会通过另外两条路径体现出来:单步可靠性,以及这些步骤在长链条中的累加效应。

模型规模:310B/15B vs. 1.02T/42B

两者采用相同的基本结构:稀疏 MoE 主干、滑动窗口与全局注意力混合,以及三个多 token 预测(MTP)模块。差别主要体现在尺度上。

架构对比 — 官方模型卡 V2.5 Pro 差异
总参数 310B 1.02T 约 3.3×
激活参数 15B 42B 2.8×
隐藏层维度 4,096 6,144 1.5×
LLM 层数 48 70 多 22 层
注意力头数 64 128 2×
路由专家数 256 384 1.5×
每 token 专家数 8 8 相同
MTP 层数 3 3 相同

V2.5 采用 5:1 的注意力模式,Pro 则改为 6:1 的局部对全局比例。按照官方说明,与整个网络都使用全注意力相比,这两种设计分别把 KV 缓存需求降低近 6 倍与 7 倍。

需要注意的是,总参数量并不会线性转化为答案质量。Pro 更大的主干,在推理难度更高或轨迹更长、从而让单步可靠性误差被放大时,才真正重要。

为何微小的可靠性提升会累积

长时程智能体任务由大量相互依赖的步骤组成。早期一次工具调用出错,就可能触发重试,或使后续工作全部作废。因此,单步可靠性上看似不大的提升,可能在端到端完成率上放大成明显差距。

这一效应应当在代表性任务上实测验证,而不能仅凭模型规模推断。规模提供的是可能性,是否真的转化为完成率,取决于工具、提示、重试策略与执行环境的具体组合。

V2.5-Pro 究竟在哪些方面有所提升?

解读两者差距最可靠的方式,是看小米公布的基座模型评测:两款模型在同一套评测设置下参与测试,因此结果不会混入不同测试框架或不同后训练配置带来的偏差。下面这些分差反映的是基座层面的能力差距。

基座评测项 V2.5 → Pro 的分差 所属类别
BBH +1.2 通用知识
MMLU +3.1 通用知识
MMLU-Pro +2.7 通用知识
GPQA-Diamond +8.6 科学与高难推理
GSM8K +16.3 数学
MATH +18.5 数学

通用知识:小幅至中等提升

在基座模型对比中,Pro 在 BBH 上领先 1.2 分,在 MMLU 上领先 3.1 分,在 MMLU-Pro 上领先 2.7 分。这些提升真实可测,但幅度明显小于它在更难推理任务上的表现。换言之,如果工作负载以常规知识问答为主,Pro 带来的边际收益相对有限。

数学与科学:提升更大

同一组基座评测中,Pro 在 GPQA-Diamond 上提升 8.6 分,在 GSM8K 上提升 16.3 分,在 MATH 上提升 18.5 分。这是支持选用 Pro 的最清晰证据:当任务成败取决于高难度推理时,V2.5 较小的语言主干就会成为能力上限。

需要区分评测分数与线上表现。以上数值均为基座模型评测结果,并不构成生产环境 API 会复现同样分数的承诺;智能体任务的最终结果还取决于工具、提示词、重试策略、执行环境与 token 预算。

编程:有提升,但并非全面提升

在基座模型评测中,MiMo-V2.5-Pro 的编程能力提升并不均匀:

编程评测项 V2.5 → Pro 的分差
HumanEval+ +4.3
MBPP+ +3.2
LiveCodeBench v6 +4.1
SWE-Bench AgentLess +4.9

在代码生成和仓库级修复方面,Pro 确实有优势,但提升幅度小于它在 MATH 或 GSM8K 上的提升。Pro 的价格约为 V2.5 的 3 倍,但能力并非整体达到 3 倍;只有当推理难度和任务持续时间上升时,它的相对价值才会逐步显现。

对于仓库级任务和工具调用,建议分别进行测试。上述基座分数并未覆盖所有生产智能体工作流;线上结果还会受到工具、提示词、重试、执行环境与 token 预算的影响。

后训练与长时程智能体

相较于基座模型,生产版本增加了监督微调、智能体强化学习与多教师同策略蒸馏。在官方公布的后训练成绩中,V2.5 在 SWE-bench Pro 上为 56.1,在 Terminal-Bench 2.0 上为 65.8,在 Claw-Eval 通用部分为 62.1 Pass³。

Pro 更明确地针对长时程软件工程进行优化:官方描述它可在持续轨迹中执行数百次工具调用,并公布 SWE-bench Verified 为 78.9%。在一个官方案例中,Pro 用 4.3 小时、672 次工具调用完成了 SysY 编译器,233 项测试全部通过。

这并不意味着所有编程请求都需要 Pro,而是说明当工作流包含数百个相互依赖的动作时,单步可靠性的微小差异可能决定任务能否完成。

长上下文:容量相同,工作负载不同

两者通过当前 API 都提供 100 万 token 的上下文窗口,最高可输出 128K tokens。因此,单从原始上下文容量看,二者没有区别。

当长上下文中包含多模态材料时,V2.5 适合使用,例如视频、文档图像或视觉智能体轨迹。Pro 更值得测试的场景是:上下文本身成为推理问题,例如大型代码仓库、长合同、研究语料,或包含大量顺序动作的智能体轨迹。

上下文窗口描述的是容量,并不等于有保证的推理保真度。应用应在实际运行长度上评估检索、指令保持与证据使用情况,而不能仅凭 100 万 token 的标称值推断表现。

价格与成本效益

按官方按量付费价格,两者的价差主要体现在未缓存输入与输出 token 上。

官方价目表 V2.5 Pro 倍数
未缓存输入(每 100 万 tokens) $0.14 $0.435 3.11×
缓存输入(每 100 万 tokens) $0.0028 $0.0036 1.29×
输出(每 100 万 tokens) $0.28 $0.87 3.11×
上下文窗口 100 万 100 万 相同
最大输出 128K 128K 相同

一次包含 100 万未缓存输入 tokens 和 20 万输出 tokens 的请求,在计入缓存命中、联网搜索费用或供应商特定计费之前,V2.5 的估算成本约为 $0.196,Pro 约为 $0.609。

缓存价格的差距明显更小:在缓存命中输入上,Pro 约贵 29%,而非 211%。因此,长期运行的智能体如果使用稳定的系统提示、工具定义或代码仓库前缀,应测量实际缓存命中率,而不是只比较标准输入价格。更可靠的成本效率指标是每个成功任务的成本:一个较贵的模型一次完成困难工作流,可能比便宜模型反复失败重试更划算。

应该使用哪个模型?

工作负载 更合适的选择 原因
常规文本对话 V2.5 成本更低;Pro 往往没有必要
高并发或大批量生成 V2.5 标准 token 价格约低 3.1×
图像、视频或音频理解 V2.5 原生支持多模态输入
常规工具调用 V2.5 以更低成本提供较强的智能体能力
困难的数学与科学任务 Pro 基准提升幅度更大
仓库级编程 Pro 面向复杂软件工程
数百次相互依赖的工具调用 Pro 更适合持续执行
成本敏感的 100 万上下文 V2.5 标称上下文相同,价格低得多

选择结果:V2.5 是多模态应用、常规智能体和成本敏感型工作负载的默认选择;Pro 是困难推理、复杂软件工程与长时间自主轨迹的升级选项。若任务本身包含图像、视频或音频输入,应优先从 V2.5 开始;只有当难点转移到文本推理、源代码、工具编排或长轨迹执行时,才值得为 Pro 支付更高成本。

更佳的生产策略:在两者之间进行路由

在多个模型之间做一次全局性、固定的选择,往往没有必要。可以把多模态请求与常规请求交给 V2.5,只把困难的文本推理、复杂编程或长时程执行升级到 Pro;这样既能保留 V2.5 的成本效率,又能保留 Pro 的可靠性。

路由决策应依据可度量的信号,而不应依赖主观印象。下面的维度用于持续评估,并据此决定何时把某类请求升级到 Pro:

评估维度 测量方式 为何重要 路由信号
完成率 成功任务数 / 尝试次数 反映端到端可靠性 升级完成率低的任务类别
质量 人工打分或评分量表得分 防止 token 成本压过质量目标 升级高风险任务
工具可靠性 错误数与重试次数 小幅错误会在智能体中累积 升级长轨迹任务
延迟 直到结果被接受所需的时间 包含重试带来的额外开销 交互式任务保持轻量模型
成本 每个被接受任务的支出 反映失败与重跑 使用能够成功完成的最便宜模型

在这套指标中,完成率最低、重试最多的请求类别应最先升级到 Pro;高风险且质量要求明确的任务,按评分结果升级;交互式场景则倾向于继续留在 V2.5,以免把重试开销计入用户等待时间。评估的最终目标很明确:选出在具体任务上确实能成功的最便宜模型,而不必对全部流量统一使用同一个模型。

在 中测试两个 API

在可同时访问两个模型的环境中,可以用同一组请求对两者做对比评估。向两个模型发送相同的提示、系统指令、工具定义与输出上限,再比较任务成功情况和成本。测试批次应覆盖常规请求、困难推理、代码编辑、长上下文任务和智能体工具调用。除了答案质量,还应记录完成率、token 用量、延迟、工具错误、重试次数,以及每个成功任务的成本;这些指标能反映失败与重跑带来的实际开销。

限制

V2.5 的限制

V2.5 的语言主干较小,随着推理难度上升,性能差距也会扩大。在 BBH 上差距不大,但在 GPQA-Diamond 和 MATH 上明显更大。100 万 token 的上下文窗口表示容量,不能说明在同等长度下仍能保持可靠的检索、指令遵循与推理保真度。

Pro 的局限性

Pro 的常规输入与输出价格约为 V2.5 的 3.1 倍,高频调用会迅速放大成本压力。其当前标注的输入模态为文本,因此不能直接替代需要图像、视频或音频输入的多模态应用。即使每个 token 仅激活 42B 参数,1.02T 总参数的开源权重模型仍是要求很高的自托管项目,部署与运维门槛都不低。困难推理和长时程任务上的优势,也不意味着普通请求值得支付溢价。

最终结论

多模态应用、常规智能体与成本敏感型生产负载更适合 V2.5;困难推理、复杂软件工程和长时间自主运行的任务更适合 Pro。混合负载不必二选一:大部分流量交给 V2.5,只把难度或轨迹长度足以抵消成本差的请求升级到 Pro。

常见问题

Pro 一定比 V2.5 更好吗? 不是。Pro 在困难文本推理与编程上更强,但 V2.5 支持图像、视频和音频输入,价格也低得多。

两个模型都支持 100 万 token 上下文窗口吗? 是。两者都标称 100 万 token 上下文和最高 128K 输出 token;应用仍应在实际运行长度上验证检索与推理表现。

多模态智能体该用哪个模型? 从 V2.5 开始,因为它原生接受视觉和音频输入;Pro 当前面向文本输入工作流。

Pro 版何时值回更高的价格? 当更强的推理可靠性直接影响困难数学、仓库级编程,或包含大量相互依赖工具调用的长轨迹能否完成时,溢价最有依据。

生产系统是否应只使用一个模型? 不一定。路由层可让常规与多模态任务留在 V2.5,把困难文本和智能体任务升级到 Pro。

Pro 一定比 V2.5 更好吗?

不是。Pro 在困难文本推理与编程任务上更强,同级基准评测中 GPQA-Diamond 提升 8.6 分、MATH 提升 18.5 分;但 V2.5 原生支持图像、视频与音频输入,标准输入输出价格约为 Pro 的三分之一。当负载以多模态或高频常规请求为主时,Pro 的规模优势难以转化为更好的结果,只会抬高单价。

两个模型都支持 100 万 token 上下文窗口吗?

是。两者在当前 API 中均提供 100 万 token 上下文与最高 128K 输出 token,标称容量本身不构成区分点。差异在负载形态:V2.5 适合上下文中混有视频、文档图像等材料的场景,Pro 适合上下文本身即推理对象的情形,例如大型代码仓库或包含大量顺序动作的智能体轨迹。容量不等于推理保真度,仍需在应用实际运行长度上验证检索、指令保持与证据使用。

多模态智能体该用哪个模型?

从 V2.5 开始。它原生接受文本、图像、视频和音频,729M 参数视觉编码器与 261M 参数音频编码器让多模态信息直接进入同一推理流程,可用于调用工具前分析截图、同时理解视频与音轨。Pro 当前标注为文本输入,只有当对文本、源码或工具轨迹的推理成为瓶颈时,才值得把它纳入测试。

Pro 版何时值回更高的价格?

Pro 的溢价在任务成功与否高度依赖推理可靠性时才容易被证明。Xiaomi 官方公布的案例中,Pro 用 4.3 小时、672 次工具调用完成一个 SysY 编译器,233 项测试全部通过;这类包含数百个相互依赖动作的工作流,单步可靠性的微小差距会直接决定整条链路能否收敛。判断标准应落在"每次成功任务的成本"上:一个 Pro 智能体一次跑通困难流程,可能比便宜模型反复失败重试更省钱。

缓存命中会明显收窄价差。普通未缓存输入与输出价格约为 3.1 倍,而缓存命中输入仅约 1.29 倍;系统提示、工具定义或代码仓库前缀长期稳定的长时程智能体,实际支出取决于自身缓存命中率。在未计入缓存命中、联网搜索与其他计费项的前提下,100 万未缓存输入 token 加 20 万输出 token 的请求,V2.5 估算约 0.196 美元,Pro 约 0.609 美元。

生产系统是否应只使用一个模型?

不必。单一的全局模型选择往往并非必要:把多模态与常规请求交给 V2.5,仅在困难文本推理、复杂编程或长时程执行时升级到 Pro,可以同时保留成本效率与难题可靠性。路由策略需要可测量的信号,而不是主观偏好。

评估维度 度量方式 为何重要 路由信号
完成度 成功任务数 / 尝试次数 反映端到端可靠性 升级完成率低的请求类别
质量 人工或评分标准打分 防止 token 成本主导判断 升级高风险任务
工具可靠性 错误与重试次数 智能体中小错误会累积 升级长轨迹请求
延迟 至结果被接受的时间 包含重试开销 交互类任务保持轻量
成本 每个被接受任务的支出 反映失败与重跑 选用能成功的最便宜模型

路由的价值在于把 Pro 的算力集中投放到真正需要它的请求上。对多数混合负载而言,V2.5 承担主要流量,Pro 只处理难度或轨迹长度足以抵消价差的少数请求。