Adakah berat terbuka dan bolehkah saya jalankan MiMo-V2.5-Pro secara tempatan?

Ya, beratnya tersedia secara awam di Hugging Face di bawah XiaomiMiMo/MiMo-V2.5-Pro. Menjalankannya secara tempatan secara teknikal boleh dilakukan tetapi memerlukan perkakasan multi-GPU yang besar kerana model ini mempunyai 1.02T jumlah parameter dalam presisi campuran FP8.

Berapa kos MiMo-V2.5-Pro dan berapa panjang konteksnya?

Melalui API Xiaomi, harganya $0.43 setiap sejuta token input dan $0.87 setiap sejuta token output, dengan tetingkap konteks sehingga 1,000,000 token.

Bagaimana MiMo-V2.5-Pro berbeza daripada MiMo-V2.5 (model lebih kecil)?

MiMo-V2.5-Pro berskala hingga 1.02T jumlah parameter berbanding 310B, meluaskan konteks daripada tetingkap model lebih kecil ke 1M token, dan dilatih semula dengan pembelajaran penguatan agen berskala besar khusus untuk kejuruteraan perisian kompleks dan tugas autonomi jangka panjang.

▲

3.4%

minggu ini

MiMo V2.5 Pro

8096°

#llm #xiaomi #penalaran #ejen #pengaturcaraan #konteks panjang

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

Xiaomi | konteks 1,050,000 token | $0.43/M input, $0.87/M output. MiMo-V2.5-Pro adalah model utama Xiaomi, menyampaikan prestasi kuat dalam keupayaan agen umum, kejuruteraan perisian kompleks, dan tugasan jangka panjang, dengan kedudukan teratas pada penanda aras seperti ClawEval, GDPVal, dan SWE-bench Pro. Ia boleh menyelesaikan tugasan profesional secara berdikari dan autonomi yang memerlukan pakar manusia berhari-hari atau berminggu-minggu, melibatkan lebih daripada seribu panggilan alat. Panjang konteksnya sehingga 1M menjadikannya sesuai untuk integrasi dengan pelbagai rangka kerja agen.

Panduan untuk model ini

LLM tempatan terbaik mengikut kegunaan (Oktober 2026): model terbuka yang sesuai untuk setiap kerja

Berapa banyak VRAM yang saya perlukan untuk AI tempatan?

Berat terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya kamu dibenarkan lakukan

Apakah fail GGUF? Model kuantisasi diterangkan (Q4, Q8, fp8, NF4)

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

MiMo-V2.5-Pro adalah model MoE berat terbuka utama Xiaomi, dengan 1.02T jumlah parameter dan 42B aktif, dibina khusus untuk kerja agen: kejuruteraan perisian berbilang langkah, tugas jangka panjang, dan trajektori merangkumi ribuan panggilan alat. Tetingkap konteks 1M-token dan seni bina Ramalan Multi-Token yang melipat tiga kali kelajuan output menjadikannya pilihan praktikal untuk integrasi rangka kerja agen. Jika beban kerja anda kompleks, autonomi dan jangka panjang, inilah yang Xiaomi bina untuk itu.

Dikenali untuk

Mengekalkan trajektori koheren merentasi ribuan panggilan alat secara autonomi
Tetingkap konteks 1M-token sesuai untuk kod besar dan agen jangka panjang
Reka bentuk MoE: 1.02T jumlah parameter, hanya 42B aktif semasa inferens
Ramalan Multi-Token melipat tiga kali kelajuan output semasa inferens
Keputusan teratas pada SWE-bench Pro dan penanda aras agen ClawEval dan GDPVal

Berhati-hati dengan

1.02T jumlah parameter bermakna pelaksanaan tempatan memerlukan infrastruktur multi-GPU yang serius walaupun angka 42B aktif.
Berat terbuka dikeluarkan dalam presisi campuran FP8; periksa tumpukan inferens anda menyokong format itu sebelum memuat turun.
Terma lesen tidak diperincikan dalam kad model; sahkan kegunaan yang dibenarkan di repositori Hugging Face sebelum pelaksanaan komersial.

Terbaik untuk

Ejen dan penggunaan alat

Pengaturcaraan

Penalaran

Konteks panjang

Jalankan secara tempatan

Arahan untuk cuba

Pemburuan pepijat repositori autonomi

Anda mempunyai akses kepada shell dan alat sistem fail. Klon repositori di URL yang saya berikan, ulang semula ujian gagal dalam penjejak isu, jejak punca akar merentasi fail, tulis pembetulan, dan buka ringkasan setiap panggilan alat yang anda buat dan sebabnya. Mula dengan: https://github.com/pallets/flask/issues/5508

Pelan refaktor berbilang langkah

Saya ada monolit Python kira-kira 8,000 baris yang mencampur akses pangkalan data, logik perniagaan dan pengendali HTTP dalam fail yang sama. Hasilkan pelan refaktor berperingkat: kenal pasti graf pergantungan, cadangkan struktur modul, senaraikan urutan perubahan untuk elak ujian gagal setiap langkah, dan tandakan tiga langkah paling berisiko.

Rujukan silang dokumen panjang

Saya akan tampal spesifikasi teknikal 200 muka surat di bawah. Baca keseluruhan dokumen, kemudian: senaraikan setiap keperluan yang bercanggah dengan keperluan lain, rujuk kedua-duanya mengikut nombor seksyen, dan cadangkan perubahan ayat minimum yang menyelesaikan setiap konflik. Spesifikasi: [tampal di sini]

Bandingkan dengan

MiMo-V2.6-Pro-UltraSpeed
Model hanya API
konteks 1,048,576 token · Input $4.35/M, output $8.70/M
MiMo-V2.6-Flash
Model berat terbuka
konteks 1,050,000 token · Input $0.14/M, output $0.28/M
MiMo-V2.5
Model berat terbuka
konteks 1,050,000 token · Input $0.14/M, output $0.28/M
MiMo-V2.6-Pro
Model berat terbuka
konteks 1,050,000 token · Input $0.43/M, output $0.87/M

Lebih banyak model teks dari xiaomi

Soalan yang sering ditanya

Adakah berat terbuka dan bolehkah saya jalankan MiMo-V2.5-Pro secara tempatan?: Ya, beratnya tersedia secara awam di Hugging Face di bawah XiaomiMiMo/MiMo-V2.5-Pro. Menjalankannya secara tempatan secara teknikal boleh dilakukan tetapi memerlukan perkakasan multi-GPU yang besar kerana model ini mempunyai 1.02T jumlah parameter dalam presisi campuran FP8.
Berapa kos MiMo-V2.5-Pro dan berapa panjang konteksnya?: Melalui API Xiaomi, harganya $0.43 setiap sejuta token input dan $0.87 setiap sejuta token output, dengan tetingkap konteks sehingga 1,000,000 token.
Bagaimana MiMo-V2.5-Pro berbeza daripada MiMo-V2.5 (model lebih kecil)?: MiMo-V2.5-Pro berskala hingga 1.02T jumlah parameter berbanding 310B, meluaskan konteks daripada tetingkap model lebih kecil ke 1M token, dan dilatih semula dengan pembelajaran penguatan agen berskala besar khusus untuk kejuruteraan perisian kompleks dan tugas autonomi jangka panjang.

Keputusan Kapten
Kuda kerja agen serius dari Xiaomi: konteks 1M dan peningkatan kelajuan MTP adalah kelebihan sebenar, jika anda mempunyai perkakasan atau bajet API.

Kad model di Hugging Face

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh berubah.

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.

Change colors / personalize / get code

Also ranked: #73 Hottest Text / LLM model · #73 Hottest Text / LLM text model

Not this creator?

Get your own badge

Trend populariti MiMo V2.5 Pro

Skor panas sejak 22 Apr 2026

Skor haba

8,096°

Minggu ini

▲

3.4%

8,091° dulu, 8,096° sekarang

Bulan ini

▲

16.6%

8,073° dulu, 8,096° sekarang

Tahun lalu

n/a

Belum dikeluarkan/dipantau

7,000°

Lantai

Skala berjalan dari 0° hingga 9,999°. Apa sahaja di bawah 7,000° disimpan untuk model yang belum dilaporkan oleh mana-mana sumber, yang membawa nombor gantian di situ supaya senarai tetap lengkap. 7,000° adalah tempat data yang diukur bermula: model dengan data sebenar tapi hampir tiada muat turun berada di lantai, dan ukuran mengisi darjah di atasnya. Lantai tidak memberitahu apa-apa tentang model; hanya darjah di atasnya yang buat beza antara satu model dengan model lain.

+1,096°

Token OpenRouter

45,007,664,648 token diproses oleh model ini melalui OpenRouter dalam 30 hari terakhir, termasuk arahan dan jawapan. Setiap 10,000,000 token dikira sebagai satu muat turun dalam tempoh muat turun, 4,500 semuanya; token hari terakhir disertakan dalam kadar penggunaan. Sumber: OpenRouter (openrouter.ai/rankings).

Tunjukkan pecahan terperinci

Setiap nombor di laman ini boleh diperiksa. Skor panas model ini adalah 8,096°, dan ia dibina satu bahan pada satu masa, dengan jumlah terkini selepas setiap langkah: lantai, darjah yang ditambah oleh setiap sumber, bonus untuk jenis model dan apa yang umur beratnya tolak. Warna-warna itu adalah jalur carta di atas. Glosari di akhir menerangkan setiap istilah.

1
Mula di lantai.
Kenapa 7,000° dan bukan sifar: skala dari 0° hingga 9,999°, dan bahagian di bawah 7,000° dikhaskan untuk model yang belum dilaporkan oleh mana-mana sumber, yang membawa nombor gantian supaya senarai tetap lengkap dan tidak pernah mengatasi model dengan data. 7,000° adalah tempat data yang diukur bermula. Model dengan data sebenar tapi hampir tiada muat turun berada di sini; semua yang berikut adalah ukuran, dan ruang di atas lantai ada sepuluh langkah muat turun sepuluh kali ganda pada 300° setiap satu. Lantai sama untuk setiap model, jadi ia tidak tentukan apa-apa; darjah di atasnya yang buat beza.
7,000°
jumlah berjalan
2
Tambah muat turun.
4,500 muat turun setara semuanya, dari Token OpenRouter. Sepuluh kali muat turun menambah 300° yang sama, jadi saiz penting tapi tidak pernah mengatasi skor.
+1,096°
8,096°
jumlah berjalan
=
Skor heat.
Di mana model ini berdiri dalam setiap senarai laman ini. Tiada yang lain mengubahnya.
8,096°

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Bagaimana populariti model ini bergerak berbanding katalog lain: pertumbuhannya dalam muat turun, suka dan penggunaan setiap tempoh, diukur berbanding pertumbuhan model biasa dalam tempoh yang sama, dengan skor panasnya pada masa itu. Di atas pertumbuhan biasa dibaca sebagai kenaikan, di bawahnya sebagai penurunan. Masa lalu dibina semula dari jumlah hari ini, hari pertama model dan kelajuan muat turun yang diukur jika ada dua bacaan; model yang tidak wujud pada permulaan tempoh menunjukkan n/a.

Model serupa

DeepSeek V4 Flash 0423

TEXT / LLM

Nex N2.5 Mini

TEXT / LLM

Model AI untuk penjanaan imej, video dan teks

MiMo V2.5 Pro ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm xiaomi penalaran ejen pengaturcaraan konteks panjang tempatan

Layari mengikut keluarga model