MiMo V2.5 Pro
8096°
Lancer ce modèle
Offres / Pub
Xiaomi | contexte de 1 050 000 tokens | 0,43 $/M en entrée, 0,87 $/M en sortie. MiMo-V2.5-Pro est le modèle phare de Xiaomi, offrant de solides performances en capacités agentiques générales, ingénierie logicielle complexe et tâches à long horizon, avec des classements élevés sur des benchmarks tels que ClawEval, GDPVal et SWE-bench Pro. Il peut accomplir de manière indépendante et autonome des tâches professionnelles qui prendraient des jours ou semaines à des experts humains, impliquant plus de mille appels d'outils. Sa longueur de contexte allant jusqu'à 1M le rend bien adapté à l'intégration avec une large gamme de frameworks d'agents.
Guides pour ce modèle
Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche
De combien de VRAM ai-je vraiment besoin pour l'IA locale ?
Poids ouverts vs open source vs API uniquement : ce que tu peux vraiment faire
Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)
Notes du capitaine
Notes du 2026-10-13
MiMo-V2.5-Pro est le modèle MoE phare à poids ouverts de Xiaomi, avec 1,02 trillion de paramètres au total et 42 milliards actifs, conçu spécifiquement pour le travail agentique : ingénierie logicielle multi-étapes, tâches à long terme, et trajectoires couvrant des milliers d’appels d’outils. Une fenêtre de contexte d’1 million de tokens et une architecture Multi-Token Prediction qui triple la vitesse de sortie en font un choix pratique pour l’intégration dans des frameworks d’agents. Si votre charge de travail est complexe, autonome et de longue durée, c’est pour cela que Xiaomi l’a conçu.
Connu pour
- Maintient des trajectoires cohérentes sur des milliers d’appels d’outils de manière autonome
- Fenêtre de contexte d’1 million de tokens adaptée aux grands codes et agents à long terme
- Conception MoE : 1,02 trillion de paramètres au total, seulement 42 milliards actifs à l’inférence
- Multi-Token Prediction triple la vitesse de sortie lors de l’inférence
- Meilleurs résultats sur SWE-bench Pro et benchmarks agentiques ClawEval et GDPVal
Attention à
- 1,02 trillion de paramètres au total signifie que le déploiement local nécessite une infrastructure multi-GPU sérieuse malgré les 42 milliards actifs.
- Les poids ouverts sont publiés en précision mixte FP8 ; vérifiez que votre stack d’inférence supporte ce format avant de télécharger.
- Les conditions de licence ne sont pas détaillées dans la fiche modèle ; vérifiez les usages permis sur le dépôt Hugging Face avant un déploiement commercial.
Prompts à essayer
Chasse autonome aux bugs dans un dépôt
Vous avez accès à un shell et aux outils système. Clonez le dépôt à l’URL que je fournis, reproduisez le test qui échoue dans le tracker d’incidents, remontez la cause racine à travers les fichiers, écrivez un correctif, et ouvrez un résumé de chaque appel d’outil effectué et pourquoi. Commencez par : https://github.com/pallets/flask/issues/5508
Plan de refactorisation multi-étapes
J’ai un monolithe Python d’environ 8 000 lignes qui mélange accès base de données, logique métier et gestionnaires HTTP dans les mêmes fichiers. Produisez un plan de refactorisation en phases : identifiez le graphe de dépendances, proposez une structure modulaire, listez l’ordre des changements pour éviter de casser les tests à chaque étape, et signalez les trois mouvements les plus risqués.
Référencement croisé d’un long document
Je colle ci-dessous une spécification technique de 200 pages. Lisez l’intégralité du document, puis : listez chaque exigence qui contredit une autre exigence, citez les deux par numéro de section, et suggérez la modification minimale de formulation qui résout chaque conflit. Spécification : [collez ici]
Comparer avec
- MiMo-V2.6-Pro-UltraSpeedModèle uniquement APIContexte de 1,048,576 tokens · entrée $4.35/M, sortie $8.70/M
- MiMo-V2.6-FlashModèle à poids ouvertsContexte de 1,050,000 tokens · entrée $0.14/M, sortie $0.28/M
- MiMo-V2.5Modèle à poids ouvertsContexte de 1,050,000 tokens · entrée $0.14/M, sortie $0.28/M
- MiMo-V2.6-ProModèle à poids ouvertsContexte de 1,050,000 tokens · entrée $0.43/M, sortie $0.87/M
Plus de modèles de texte de xiaomi
Questions fréquentes
- Les poids sont-ils ouverts et puis-je exécuter MiMo-V2.5-Pro localement ?
- Oui, les poids sont publiquement disponibles sur Hugging Face sous XiaomiMiMo/MiMo-V2.5-Pro. L’exécution locale est techniquement possible mais exigeante : le modèle compte 1,02 trillion de paramètres en précision mixte FP8, donc vous aurez besoin d’un matériel multi-GPU conséquent.
- Quel est le coût de MiMo-V2.5-Pro et quelle est la longueur du contexte ?
- Via l’API Xiaomi, il est tarifé à 0,43 $ par million de tokens d’entrée et 0,87 $ par million de tokens de sortie, avec une fenêtre de contexte allant jusqu’à 1 000 000 de tokens.
- En quoi MiMo-V2.5-Pro diffère-t-il de MiMo-V2.5 (le modèle plus petit) ?
- MiMo-V2.5-Pro monte à 1,02 trillion de paramètres contre 310 milliards, étend la fenêtre de contexte du modèle plus petit à 1 million de tokens, et est post-entraîné avec un apprentissage par renforcement agentique à grande échelle spécifiquement pour l’ingénierie logicielle complexe et les tâches autonomes à long terme.
Verdict du capitaineUn véritable bourrin agentique de Xiaomi : le contexte d’1 million et les gains de vitesse MTP sont de vrais avantages, si vous avez le matériel ou le budget API.
Fiche modèle sur Hugging Face
Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.
Ranking badge
Updated Oct 22, 2026
Made this model? Show this badge on your page.
Paste it into your Hugging Face card or Civitai description.
Also ranked: #73 Hottest Text / LLM model · #73 Hottest Text / LLM text model
Not this creator?
Get your own badge
Tendance de popularité de MiMo V2.5 Pro
Score de chaleur depuis 22 Apr 2026
Score de popularité
8,096°
Cette semaine
▲
3.4%
8,091° alors, 8,096° maintenant
Ce mois-ci
▲
16.6%
8,073° alors, 8,096° maintenant
L'année passée
n/a
Pas encore publié/suivi
7,000°
Plancher
L’échelle va de 0° à 9 999°. Tout ce qui est en dessous de 7,000° est réservé aux modèles dont aucune source ne rapporte encore de données, ils portent un nombre de remplacement pour que les listes restent complètes. 7,000° est le point où les données mesurées commencent : un modèle avec de vraies données mais presque aucun téléchargement est au plancher, et les mesures remplissent les degrés au-dessus. Le plancher ne dit rien sur le modèle ; seuls les degrés au-dessus le font, et ce sont eux qui différencient un modèle d’un autre.
+1,096°
Tokens OpenRouter
45,007,664,648 tokens traités par ce modèle via OpenRouter au cours des 30 derniers jours, prompts et réponses confondus. Chaque 10,000,000 tokens compte comme un téléchargement dans le terme de téléchargement, 4,500 au total ; les tokens du dernier jour s'ajoutent au taux d'adoption. Source : OpenRouter (openrouter.ai/rankings).
Afficher le détail
Chaque chiffre sur ce site peut être vérifié. Le score de popularité de ce modèle est de 8,096°, et voici comment il est construit, ingrédient par ingrédient, avec le total cumulé après chaque étape : le plancher, les degrés ajoutés par chaque source, le bonus pour le type de modèle et ce que l’âge de ses poids enlève. Les couleurs correspondent aux bandes du graphique ci-dessus. Le glossaire à la fin définit chaque terme.
- 1Commence au plancher.Pourquoi 7,000° et pas zéro : l’échelle va de 0° à 9 999°, et la partie en dessous de 7,000° est réservée aux modèles dont aucune source ne rapporte encore de données, qui portent un nombre de remplacement pour que les listes restent complètes et ne dépassent jamais un modèle avec données. 7,000° est le point où les données mesurées commencent. Un modèle avec de vraies données mais presque aucun téléchargement est ici ; tout ce qui suit est une mesure, et l’espace au-dessus du plancher contient dix paliers de dix fois plus de téléchargements à 300° chacun. Le plancher est le même pour tous les modèles, donc il ne décide rien ; ce sont les degrés au-dessus qui le font.7,000°total en cours
- 2Ajoute les téléchargements.4,500 équivalents de téléchargement au total, venant de Tokens OpenRouter. Multiplier les téléchargements par dix ajoute le même 300°, donc la taille compte mais ne domine jamais le score.+1,096°8,096°total en cours
- =Le score de chaleur.La place de ce modèle dans chaque liste de ce site. Rien d’autre ne le modifie.8,096°
Glossaire : les termes utilisés ici
- Score de chaleur
- Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
- Plancher
- Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
- Équivalents de téléchargement
- Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
- Échelle logarithmique
- On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
- Likes
- Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
- Taux d’adoption
- Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
- Mesuré et estimé
- Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
- Seeder
- Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
- AI Horde
- Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
- Sites de génération
- Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
- Tokens OpenRouter
- Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Modèle complet (checkpoint)
- Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
- LoRA et embedding
- Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
- Famille et poids
- La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
- Âge
- Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
- Boost de la famille
- Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
- Score de remplacement
- Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
- Nouveau ! (période de grâce)
- Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
- Tendance
- Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
- Modèle typique
- Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.
Voici comment la popularité de ce modèle a évolué par rapport au reste du catalogue : sa croissance en téléchargements, likes et utilisation à chaque période, comparée à la croissance typique des modèles sur la même période, avec son score de chaleur à ce moment-là. Au-dessus de la croissance typique, c’est une hausse, en dessous, une baisse. Le passé est reconstitué à partir des totaux d’aujourd’hui, du premier jour du modèle et de sa vitesse de téléchargement mesurée quand il y a deux relevés ; un modèle qui n’existait pas au début d’une période affiche n/a.
MiMo V2.5 Pro est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.
Plus de modèles Text / LLMPlus de Texte / LLM Text / LLMllmxiaomiraisonnementagentsprogrammationcontexte longlocal
Parcourir par famille de modèles
Modèles Text / LLM
434
Modèles Anima
528
Modèles Chroma
19
Modèles Fibo
2
Modèles Flux
1,496
Modèles Flux 2 / Klein
1,239
Modèles Flux 3
3
Modèles Moss
3
Modèles Iris
1
Modèles MiniMax H3
364
Modèles Hunyuan
204
Modèles Ideogram
20
Modèles Krea2
717
Modèles Qwen
20
Modèles Qwen2
47
Modèles Ltx2
153