只看单价时容易选错:MiMo-V2.5 多模态任务该比完成成本
Back to Blog
技术实践MiMo-V2.5MiMo-V2.5-Pro多模态智能体

只看单价时容易选错:MiMo-V2.5 多模态任务该比完成成本

November 18, 2026
13 min read
On this page26 sections

简明摘要

MiMo-V2.5 是面向多模态感知与智能体任务的效率型基础模型:它能原生接收文本、图像、视频和音频,并输出文本,支持 100 万 tokens 上下文与工具调用。标准版有 310B 总参数,每 token 激活 15B 参数,适合多模态智能体、文档与媒体分析以及高频自动化。MiMo-V2.5-Pro 的模型容量更大,面向高难度编程和长时程自主执行,但以文本输入为主,官方 token 价格约为标准版的 3.1 倍;选型时应比较任务完成成本。

关键要点

  • 标准版有 310B 总参数、15B 激活参数,并支持 1M 上下文和最高 128K 输出。
  • 原生输入覆盖文本、图像、视频和音频;API 支持工具调用、联网搜索、流式输出、结构化输出和上下文缓存。
  • 发布方报告 Terminal-Bench 2.0 为 65.8、SWE-Bench Pro 为 56.1;Pro 这两项分别为 68.4 和 57.2。差距有限,且基准结果不保证能迁移到具体工作流。
  • 官方每百万 tokens 价格:标准版输入/输出 $0.14/$0.28,Pro 为 $0.435/$0.87。
  • 官方 mimo-v2.5 与 mimo-v2.5-pro 模型名计划于 2026-10-21 10:00(北京时间)退役,并且不会自动替换;部署前需确认实际使用的 API 路由与迁移安排。

什么是标准模型

MiMo-V2.5 是系列中偏重效率的标准型号。系列公测始于 2026-04-23,模型权重后续以 MIT 许可证发布。该型号共有 310B 参数,但每 token 仅激活约 15B:48 层中有 47 层是 MoE,256 个路由专家每次激活 8 个。它提供 1M 上下文,并原生支持图像、视频和音频输入;Pro 则面向高难度编程与长时程智能体,官方规格为 1.02T 总参数、42B 激活参数,输入以文本为主。

.5 规格与功能

MiMo-V2.5 的核心配置是 310B 总参数、15B 激活参数,上下文上限 1M tokens,单次最大输出 128K tokens。输入端原生覆盖文本、图像、视频和音频,输出为文本;API 侧公布的能力包括工具调用、联网搜索、流式输出、结构化输出和上下文缓存。

官方架构细节 参数或做法 影响
架构 稀疏 MoE 扩大专家容量,同时按 token 选择性计算
总参数 / 激活参数 310B / 15B 激活计算量远低于总容量
Transformer 层 48 层:1 层稠密 + 47 层 MoE 多数层使用路由专家
路由专家 256 个,每 token 激活 8 个 避免以稠密方式执行全部 310B 参数
注意力 39 层 SWA + 9 层全局注意力 兼顾局部效率与长距离信息传递
SWA 窗口 128 tokens 降低长上下文缓存压力
上下文 / 最大输出 1M / 128K tokens 支持长文档与扩展轨迹
输入 / 输出 文本、图像、视频、音频 / 文本 原生多模态感知,输出仍为文本
视觉编码器 729M ViT,28 层 处理图像与视频输入
音频编码器 261M Transformer,24 层 处理音频输入
多 token 预测 3 个模块,约 329M 参数 支持推测解码效率
训练规模 约 48T tokens,后训练阶段扩展至 1M 上下文 形成长上下文能力

公布的运行约束还包括每分钟 100 次请求和每分钟 1000 万 tokens;实际限制可能因账户、服务方和接入路径而异。

.5 架构原理

效率来自路由激活,而非把 310B 参数全部投入每次计算。长上下文则由混合注意力与原生编码器共同支撑;这些配置决定容量上限,不等于在任意任务上都能稳定达到同等效果。

稀疏专家:总容量不等于激活计算量

310B 总参数与 15B 激活参数之间的差异,是理解 MiMo-V2.5 成本与部署门槛的关键。路由器为每个 token 从 256 个专家中选择 8 个,使模型能够调用远大于常规 15B 稠密模型的参数池,同时不必每次都执行全部 310B 参数。

这并不表示自托管会变得简单。完整权重仍须存储和分发,显存容量、互联带宽、专家路由与服务软件都是实际约束。激活参数描述的是单 token 计算量,不是完整模型所需的存储规模。

长上下文混合注意力

主干网络按 5:1 的比例交错布置滑动窗口注意力与全局注意力:39 个局部层负责抑制缓存增长,滑动窗口为 128 tokens;9 个全局层则保留远距离信息的流动。发布方称,与全部使用全局注意力的设计相比,这种混合结构可把 KV 缓存减少近六倍。

需要区分容量与效果:1M token 是上下文上限,并不代表模型在整个窗口内都能稳定检索和推理。检索质量、延迟、工具状态累积带来的上下文膨胀,以及模型对远距离证据的注意力分配,仍要按具体工作负载单独评估。

原生编码器与智能体功能

多模态输入能力来自独立的编码器:一个 729M 参数、28 层的视觉 Transformer 负责处理图像与视频,一个 261M 参数、24 层的音频 Transformer 负责处理音频。两者的输出经投影层映射进语言主干,使同一个智能体能在单次任务中组合截图、视频片段、音轨、文本指令与工具返回结果,而不必在外部拼接多个专用模型。

三个多 token 预测模块合计约 329M 参数,作用是提升推测解码与强化学习训练的效率;模型在约 48T tokens 上完成训练,并在后训练阶段把上下文逐步扩展至 1M。开放权重采用 MIT 许可,可用于商业部署、修改、微调与再分发,但许可只解决使用权问题,显存与互联带宽等基础设施成本、以及第三方依赖的维护责任仍需单独核算。

.5 基准测试:编程、智能体与多模态结果

下列分数均由发布方报告,只作为方向性证据,并不保证在特定仓库、媒体格式、工具链、延迟目标或安全策略下取得相同结果。

编程与智能体结果

官方编程与智能体基准 报告分数 决策信号
MiMo Coding Bench 71.8 较广泛的编程智能体能力
Claw-Eval Text 62.3 通用文本智能体任务完成度
Terminal-Bench 2.0 65.8 交互式终端执行
SWE-Bench Pro 56.1 贴近真实软件工程的任务
Claw-Eval Multi-Turn 63.2 较长多步智能体任务
ResearchClawBench 16.91 自主研究流程

这组结果最能说明的是实际工具调用,而不是孤立的代码补全。Terminal-Bench 2.0 的 65.8 支持面向终端的智能体场景;SWE-Bench Pro 的 56.1 则表明模型具备一定仓库级处理能力。ResearchClawBench 仅 16.91,提示证据收集与引用行为需要单独测试,不能由编程分数外推。

多模态结果

官方多模态基准 报告分数 考察能力
CharXiv RQ 81.0 图表与文档推理
MMMU-Pro 77.9 专家级多模态推理
HR-Bench 4K 88.5 高分辨率图像理解
OmniDocBench 87.2 文档理解
Claw-Eval Multimodal 23.8 多模态智能体任务完成度
Video-MME 87.7 视频理解
DailyOmni 83.5 日常音视频推理
VideoHolmes 64.0 时序视频推理

文档、高分辨率图像与视频理解是较清晰的优势项。Claw-Eval Multimodal 的 23.8 明显低于感知类分数,说明当系统既要理解媒体又要可靠操作工具时,应按端到端任务评估,而不能把感知基准分数直接当作智能体完成率。

编程与智能体结果

在共享的编程与终端基准上,Pro 的领先幅度有限:SWE-Bench Pro 相差 1.1 分,Terminal-Bench 2.0 相差 2.6 分。这些发布方报告的数字更适合作为实测参照,而不是通用质量结论。

多模态结果

多模态能力的关键差异在输入侧:标准版原生接收图像、视频与音频,Pro 的官方规格为文本输入。选型时应把这一差异与端到端任务完成度一起测试,而不是只比较单项感知分数。

MiMo-V2.5 与 MiMo-V2.5-Pro:多维度对比

下表汇总官方架构、接口上限与发布方报告的基准结果。基准分数具有日期与测试条件,不能直接外推为特定仓库或工作流的保证。

官方架构对比 MiMo-V2.5 MiMo-V2.5-Pro 实际含义
总参数 310B 1.02T Pro 的总容量超过标准版 3 倍
激活参数 15B 42B Pro 每 token 激活参数约为标准版 2.8 倍
层数 / 路由专家数 48 / 256 70 / 384 Pro 是更大的服务目标
模型卡上下文上限 1M 1M 两者均列出最高 1M tokens;需按实际负载测试检索与延迟
官方 API 最大输出 128K 128K 当前模型页均列出 128K;不同供应商的限制可能不同
原生输入 文本、图像、视频、音频 文本 标准版是有文档支持的多模态选择;向 Pro 端点发送媒体前需核实端点能力
SWE-Bench Pro 56.1 57.2 Pro 领先 1.1 分
Terminal-Bench 2.0 65.8 68.4 Pro 领先 2.6 分
主要适用场景 高效多模态智能体 复杂编程与长周期智能体 按实测负载选择;模型级差距不足以证明普遍质量领先

在两项共享的编程智能体测试上,Pro 的优势是有限而非普遍的;标准版则增加原生图像、视频、音频输入,且每 token 激活计算量低得多。只有当困难任务完成率的小幅提升比多模态输入和更低单位成本更重要时,Pro 才更具选型理由。

MiMo-V2.5 和 MiMo-V2.5-Pro 的价格是多少?

按 2026 年 5 月 27 日的官方价格口径,标准版的未缓存输入/输出分别为每百万 tokens 0.14/0.28 美元;Pro 为 0.435/0.87 美元。Pro 两项单价都约为标准版的 3.1 倍,缓存命中输入也更高。

价格口径(每百万 tokens) MiMo-V2.5 MiMo-V2.5-Pro
输入,缓存未命中 $0.14 $0.435
输出 $0.28 $0.87
输入,缓存命中 $0.0028 $0.0036

Token 单价并不等于单任务总成本。工具重试、上下文长度、输出长度、延迟、失败任务恢复和人工复核都会改变实际支出;可按请求日志排查费用异常,再比较完成同类任务的总成本。

MiMo-V2.5 最适合哪些场景?

  • 多模态智能体:在同一工作流中组合截图、文档、视频、音频、指令与工具结果。
  • 长文档分析:处理代码仓库、合同、研究资料、日志和支持记录。
  • 媒体理解:总结视频、提取事件、解读图表,以及回答视听问题。
  • 编程与终端智能体:查看文件、运行命令、修改代码,并依据测试结果迭代。
  • 高频自动化:利用稀疏激活和较低 token 价格处理重复性生产任务。

局限与风险

  • 每 token 仅激活 15B 参数,但自托管仍需存储和分发完整的 310B 权重系统,内存、互联带宽、专家路由与服务软件都是实际约束。
  • 多模态输出仅限文本;图像、语音和视频生成需要其他模型。
  • 1M 上下文是容量上限,不代表整个窗口内的检索准确率一致。
  • 发布方基准结果未必能迁移到自定义工具、代码仓库、提示词或安全约束。
  • 不同供应商对模态能力的暴露可能与底层开放权重模型存在差异。
  • mimo-v2.5 与 mimo-v2.5-pro 的官方 API 模型名计划于 2026 年 10 月 21 日北京时间 10:00 退役,且没有自动替换。生产团队应在部署前确认当前路由,并在代表性任务上验证准确率、工具调用完成度、延迟、token 消耗、模态处理和回退行为。

API 示例

标准模型可以通过 OpenAI 兼容接口调用。部署前应确认当前端点、请求格式与鉴权方式;下面的代码只展示请求结构,base_url 由实际使用的路由提供。

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["API_KEY"],
    base_url=os.environ["OPENAI_COMPATIBLE_BASE_URL"],
    max_retries=0,
)

response = client.chat.completions.create(
    model="mimo-v2.5",
    max_tokens=256,
    messages=[
        {
            "role": "user",
            "content": "总结这份技术报告的主要发现。",
        }
    ],
)

print(response.choices[0].message.content)

model="mimo-v2.5" 对应标准版。官方 API 模型名 mimo-v2.5 与 mimo-v2.5-pro 计划于 2026 年 10 月 21 日北京时间 10:00 退役,且没有自动替换。该退役通知针对官方 API 平台;使用其他网关时,需要单独核对其生命周期和模型映射。

选型指南

工作负载信号 起步选择 切换条件
图像、视频或音频是一等输入 标准版 除非能接受多模态预处理,否则不切换到 Pro
大文档或混合媒体处理量大 标准版 仅当推理失败成为主要成本时考虑 Pro
困难的代码仓库工程任务 两者都测试 若 Pro 的完成度提升足以抵消约 3.1 倍单价,再选 Pro
长时间自主终端任务 Pro 若收益无法测量,则回到标准版
高频例行自动化 标准版 仅将失败或高价值任务升级到 Pro

推荐的调用路由是:以标准版作为多模态和高频任务的默认模型,只把困难的纯文本编程或长程任务交给 Pro。比较时应看完成同类任务的总成本,而不是只看每 token 价格。

结论

标准版不是简单缩小后的 Pro,而是一个独立的优化点:原生多模态输入、1M 上下文、面向工具使用的基准表现、每 token 激活 15B 参数,以及更低的 token 价格。Pro 则面向高难度软件工程和持续自主执行;它的额外容量带来可测量但并非普遍存在的优势。按工作负载路由,比用单一变体处理所有请求更符合成本与能力要求。

常见问题

标准模型是开源的吗?

标准模型的权重已按 MIT 许可证发布,允许商业使用、修改、微调和再分发,但须遵守许可证条款。开放权重并不等于部署没有门槛,完整权重仍需存储、分发,并依赖相应的服务软件与基础设施。

它有多少参数?

它采用稀疏混合专家结构,总参数为 310B,每个 token 激活约 15B。激活参数描述的是单 token 的计算量,并不代表完整模型的存储规模;自托管仍需承载全部 310B 权重。

是否支持图像、视频和音频?

标准版原生接受文本、图像、视频和音频输入,统一输出文本;截图、视频片段和音轨可与文字指令、工具结果进入同一智能体流程。它不生成图像、语音或视频。Pro 的官方规格列出文本输入,部署前应确认具体端点是否开放媒体输入。

最大上下文窗口是多少?

两个模型的规格说明都标称最高 1M tokens 上下文,当前 API 页面列出两款模型的最大输出均为 128K tokens。实际可用上限随端点、提供商、账户和请求格式变化;1M 是容量,不等于全窗口检索准确率。应按实际负载验证检索质量、延迟和线路的实时限制。

哪个变体更适合编程智能体?

发布方报告的共享基准中,Pro 略高:SWE-Bench Pro 为 57.2 对 56.1,Terminal-Bench 2.0 为 68.4 对 65.8。对于困难仓库工程或长时间自主终端任务,可以优先测试 Pro;否则,标准版的多模态输入和更低单价更有优势。最终应按目标仓库的任务完成率、延迟与总成本进行选择。

哪种变体更适合多模态智能体?

标准版更合适:它原生接受图像、视频和音频输入,并能把这些输入与文本指令、工具结果放进同一智能体流程。Pro 的官方规格以文本输入为主。上线前仍要确认目标端点是否开放这些模态,因为提供商可能只开放底层模型的部分能力;发布方基准也不能直接证明某种媒体格式在真实工作流中的效果。

生产团队应如何选择?

先用标准版作为默认选择,承载多模态和高频任务,并记录失败类型;只有确实能带来收益的困难、文本优先的编码任务或长周期任务,才路由到 Pro。评估时应比较“每完成一项任务”的成本,不能只看每百万 tokens 单价,因为工具重试、上下文长度、输出长度、延迟和人工复核都会改变总成本。面向发布方 API 的两个模型名计划于北京时间 2026 年 10 月 21 日 10:00 退役,且不会自动替换;投产前应完成迁移验证,并确认实际线路的可用性。