小米放了个大招。1.02万亿参数的MoE模型，MIT协议直接开源，API平台狂送100T Token。我第一反应是，小米？做手机那个小米？
在AI大模型这件事上，小米一直存在感不高。DeepSeek、Kimi、通义千问轮番上热搜的时候，小米的MiMo系列就像个安静做题的学霸，考得不差，但就是没人注意。但这次V2.5，真的不太一样。
图片来源：mimo.xiaomi.com/mimo-v2-5/a...
先说最炸裂的。MiMo-V2.5-Pro，1.02万亿总参数，420亿激活参数，MIT协议。你没看错，MIT。不是什么Apache 2.0加一堆限制条款，不是「仅限研究用途」的假开源，是MIT------拿去商用、改代码、继续训练，想怎么用怎么用，连版权声明都不需要。当然标一下还是好的。1.02T总参，比DeepSeek-V4-Pro还大。
而且不是一个模型开源，是整个家族全端上来了。310B的多模态版，1T的Pro版，8B的语音识别版，还有语音合成版，全部MIT。连基础模型Base版都一起开了。我之前见过太多「开源」大模型了，开源权重但限制商用，开源小模型但大模型闭源。像小米这样一口气把1T参数的Pro版和310B的多模态版全开了，还用最宽松的MIT协议，确实少见。
说开源慷慨容易，关键还是得看本事。
先看MiMo-V2.5-Pro的表现。基础模型层面，MMLU 89.4，GSM8K 99.6，MATH 86.2。MATH 86.2是什么概念？DeepSeek-V4-Pro Base是64.5，Kimi-K2 Base是70.2，直接甩了一大截。GPQA-Diamond 66.7，Kimi-K2 Base只有48.1。当然Base模型的对比要谨慎，训练数据量不同、训练策略不同，差距不一定代表能力差距，但至少说明小米在预训练阶段下了大功夫。
MiMo-V2.5-Pro Base vs DeepSeek-V4-Pro Base vs Kimi-K2 Base
对话模型层面，Agent能力是这次的主打方向。SWE-Bench Pro 57.2，和Claude Opus 4.6的57.3几乎打平；Terminal-Bench 2.0 68.4，超过了Opus 4.6的65.4。Claw-Eval（Agent综合评测）63.8，还没追上Opus 4.6的70.4，但比GPT-5.4的60.3和DeepSeek V4 Pro的59.8都高。
但我觉得最值得说的，是Token效率。在Claw-Eval上，MiMo-V2.5-Pro平均每个轨迹消耗约70K Token，实现了64%的Pass³。作为对比，Claude Opus 4.6用114K Token达到70.8%，GPT-5.4用183K Token才到60.3%，Gemini 3.1 Pro更是烧了227K Token只拿到55.9%。MiMo-V2.5-Pro用不到GPT-5.4四成的Token量，跑出了比GPT-5.4更好的成绩。你在实际业务中跑Agent的话，这个Token效率差异就是真金白银。
ClawEval评测，MiMo-V2.5-Pro用最少Token跑出最好成绩
多模态方面，MiMo-V2.5（310B/15B那个）是原生全模态，文本、图像、视频、音频统一架构，不是拼接的。Video-MME 87.7，CharXiv RQ 81.0，HR-Bench 4k 88.5，跟Gemini 3 Pro和Kimi K2.6基本在一个水平线上。多模态这块我自己还没亲自测过，不好下太强的判断，至少从Benchmark来看，没有明显短板。
聊完数据聊架构，这次MiMo-V2.5的几个设计我觉得挺有意思。
混合注意力机制，不全用全局注意力，5:1交替使用滑动窗口注意力和全局注意力，窗口大小128。这招直接把KV缓存存储降了约7倍，但通过可学习的注意力汇聚偏置，长上下文性能没怎么掉。在GraphWalks长上下文评测里，MiMo-V2.5-Pro在1M上下文时BFS还能保持37%，Parents保持62%。上一代MiMo-V2-Pro在长上下文上基本就是断崖式下跌。
多Token预测，3个轻量级MTP模块，推理时用推测解码把输出速度提了3倍。DeepSeek也在用类似的思路，但小米在MTP模块里用了稠密FFN，329M参数3层，比较轻量。MoE路由方面，Pro版384个路由专家，每次激活8个，1.02T总参只激活42B，稀疏比很高，推理成本可以控制得比较低。训练数据量，V2.5用了约48T Token预训练，Pro版用了27T Token，不算特别大，但结合MOPD（多教师策略蒸馏）的后训练方法，最终效果不错。
两个版本的关键架构参数对比
这次最让我意外的，是MiMo开放平台的100T Token赠送活动。新用户注册就送，之前买过Token Plan的用户还重置了Credit余额。这手笔，比很多大厂都大方。
图片来源：mimo.xiaomi.com/mimo-v2-5-p...
小米图什么呢？坦率的讲，逻辑不难理解。小米跟OpenAI、Anthropic不一样，它不需要靠卖API赚钱，它需要的是让更多人用MiMo，把AI能力嵌入小米生态------手机、汽车、智能家居。模型开源、API便宜，都是为了降低开发者进入小米生态的门槛。1T参数MIT开源，这种事一出来，技术圈自然会讨论，比花钱投广告有效多了。100T Token看着多，但对小米来说就是算力成本，用100T Token换来一波开发者入驻，这获客成本比买量便宜多了。
小米在AI这件事上的策略跟做手机一样，性价比卷死你，用规模换利润。
说个有意思的事。Hacker News上有人评价MiMo-V2-Pro是「最被低估的模型发布」。这个评价放在V2.5上依然成立。小米做AI的方式，跟大多数公司不一样，它不搞「模型即服务」那一套，不靠API收费赚钱，不设各种使用限制，它就是把模型扔出来，MIT协议，你爱怎么用怎么用。
这让我想起小米做手机的早期。2011年，小米1发布，1999元，同等配置的其他手机至少要3000+。雷军说，小米的硬件综合净利润率永远不超过5%。当时很多人觉得这是噱头，后来发现，他是认真的。手机微利，靠MIUI生态和互联网服务赚钱；现在AI也一样，模型开源免费，靠生态和硬件赚钱。同样的配方，同样的味道。
你想想看，当小米把1T参数的模型用MIT协议开源出来的时候，其他还在用限制性许可证、还在靠API收费的厂商，压力有多大。这不是简单的技术竞争，这是商业模式的降维打击。
MiMo不是最强的模型，但它可能是目前对开发者最友好的模型。
我自己的判断是，MiMo-V2.5-Pro的能力介于DeepSeek V4 Pro和Claude Opus 4.6之间，某些场景比如数学和长上下文甚至更强，但Agent综合能力跟Opus 4.6还有差距，特别是复杂推理和多步骤规划。Token效率是它最大的亮点，实际部署成本低很多。对行业来说，小米这一波对DeepSeek和Kimi的压力不小------同样是国产MoE模型，MiMo-V2.5-Pro参数更大、协议更宽松、Token效率更高，开源社区的注意力是有限的，1T参数加MIT的组合，会分流很多原本关注DeepSeek的开发者。
如果你是做Agent开发，值得试。尤其是对Token成本敏感的场景，API调100T免费Token够跑不少实验了。本地部署的话1T参数的Pro版门槛不低，但310B/15B激活的V2.5版还是可以搞搞的，SGLang和vLLM都支持，部署难度不算大。说了这么多，我自己还没在生产环境跑过MiMo-V2.5，以上判断主要基于官方数据和社区反馈。Benchmark和实际体验的差距，懂的都懂。等我跑完自己的测试集，会再分享实际体验。
1T参数开源，100T Token白送，MIT协议随便用。
这操作，确实很小米。