Apakah bobot terbuka dan bisakah saya menjalankan MiMo-V2.5-Pro secara lokal?

Ya, bobot tersedia secara publik di Hugging Face di bawah XiaomiMiMo/MiMo-V2.5-Pro. Menjalankannya secara lokal secara teknis mungkin tapi menuntut: model memiliki 1,02T parameter total dalam presisi campuran FP8, jadi Anda memerlukan perangkat keras multi-GPU yang cukup besar.

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

Melalui API Xiaomi, harganya $0,43 per juta token input dan $0,87 per juta token output, dengan jendela konteks hingga 1.000.000 token.

Apa perbedaan MiMo-V2.5-Pro dengan MiMo-V2.5 (model yang lebih kecil)?

MiMo-V2.5-Pro skala hingga 1,02T parameter total dibandingkan 310 miliar, memperluas konteks dari jendela model kecil ke 1 juta token, dan dilatih ulang dengan pembelajaran penguatan agen skala besar khusus untuk rekayasa perangkat lunak kompleks dan tugas otonom jangka panjang.

▲

3.4%

minggu ini

MiMo V2.5 Pro

8096°

#llm #xiaomi #penalaran #agen #pemrograman #konteks panjang

Jalankan model ini

Penawaran / Iklan

OpenRouter Terminal / API

Bayar per token

Ngobrol dengan model ini di browser atau panggil dari kode kamu dengan satu API key.

Xiaomi | konteks 1.050.000 token | $0.43/M input, $0.87/M output. MiMo-V2.5-Pro adalah model unggulan Xiaomi, memberikan performa kuat dalam kemampuan agen umum, rekayasa perangkat lunak kompleks, dan tugas jangka panjang, dengan peringkat teratas pada benchmark seperti ClawEval, GDPVal, dan SWE-bench Pro. Dapat menyelesaikan tugas profesional secara mandiri dan otonom yang biasanya memerlukan waktu berhari-hari atau berminggu-minggu oleh ahli manusia, melibatkan lebih dari seribu pemanggilan alat. Panjang konteks hingga 1 juta membuatnya sangat cocok untuk integrasi dengan berbagai kerangka agen.

Panduan untuk model ini

LLM lokal terbaik berdasarkan kasus penggunaan (Oktober 2026): model terbuka yang tepat untuk setiap pekerjaan

Berapa banyak VRAM yang sebenarnya saya butuhkan untuk AI lokal?

Bobot terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya boleh kamu lakukan

Apa itu file GGUF? Penjelasan model terkuantisasi (Q4, Q8, fp8, NF4)

Semua panduan

Catatan Kapten

Ditulis oleh Captain, editor rumah

Catatan dari 2026-10-13

MiMo-V2.5-Pro adalah model MoE andalan Xiaomi dengan bobot terbuka, memiliki 1,02 triliun parameter total dan 42 miliar aktif, dibangun khusus untuk pekerjaan agen: rekayasa perangkat lunak multi-langkah, tugas jangka panjang, dan lintasan yang mencakup ribuan panggilan alat. Jendela konteks 1 juta token dan arsitektur Multi-Token Prediction yang melipat tiga kali kecepatan output menjadikannya pilihan praktis untuk integrasi kerangka agen. Jika beban kerja Anda kompleks, otonom, dan berjalan lama, inilah yang dibuat Xiaomi untuk itu.

Dikenal untuk

Mempertahankan lintasan koheren di ribuan panggilan alat secara otonom
Jendela konteks 1 juta token cocok untuk basis kode besar dan agen jangka panjang
Desain MoE: 1,02T parameter total, hanya 42 miliar aktif saat inferensi
Multi-Token Prediction melipat tiga kali kecepatan output saat inferensi
Hasil teratas pada tolok ukur SWE-bench Pro dan tolok ukur agen ClawEval dan GDPVal

Waspadai

1,02T parameter total berarti penerapan lokal membutuhkan infrastruktur multi-GPU serius meski hanya 42 miliar aktif.
Bobot terbuka dirilis dalam presisi campuran FP8; pastikan tumpukan inferensi Anda mendukung format ini sebelum mengunduh.
Ketentuan lisensi tidak dirinci di kartu model; verifikasi penggunaan yang diizinkan di repositori Hugging Face sebelum penerapan komersial.

Terbaik untuk

Agen dan penggunaan alat

Pemrograman

Penalaran

Konteks panjang

Jalankan secara lokal

Prompt untuk dicoba

Perburuan bug repositori otonom

Anda memiliki akses ke shell dan alat sistem file. Kloning repositori di URL yang saya berikan, reproduksi tes yang gagal di pelacak isu, telusuri penyebab utama di berbagai file, tulis perbaikan, dan buat ringkasan setiap panggilan alat yang Anda lakukan dan alasannya. Mulai dengan: https://github.com/pallets/flask/issues/5508

Rencana refaktor multi-langkah

Saya memiliki monolit Python sekitar 8.000 baris yang mencampur akses database, logika bisnis, dan handler HTTP dalam file yang sama. Buat rencana refaktor bertahap: identifikasi grafik ketergantungan, usulkan struktur modul, daftar urutan perubahan untuk menghindari kegagalan tes di setiap langkah, dan tandai tiga langkah paling berisiko.

Referensi silang dokumen panjang

Saya akan menempelkan spesifikasi teknis 200 halaman di bawah ini. Bacalah seluruh dokumen, lalu: daftar setiap persyaratan yang bertentangan dengan persyaratan lain, kutip keduanya berdasarkan nomor bagian, dan usulkan perubahan kata minimal yang menyelesaikan setiap konflik. Spesifikasi: [tempel di sini]

Bandingkan dengan

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

Model teks lain dari xiaomi

Pertanyaan yang sering diajukan

Apakah bobot terbuka dan bisakah saya menjalankan MiMo-V2.5-Pro secara lokal?: Ya, bobot tersedia secara publik di Hugging Face di bawah XiaomiMiMo/MiMo-V2.5-Pro. Menjalankannya secara lokal secara teknis mungkin tapi menuntut: model memiliki 1,02T parameter total dalam presisi campuran FP8, jadi Anda memerlukan perangkat keras multi-GPU yang cukup besar.
Berapa biaya MiMo-V2.5-Pro dan berapa panjang konteksnya?: Melalui API Xiaomi, harganya $0,43 per juta token input dan $0,87 per juta token output, dengan jendela konteks hingga 1.000.000 token.
Apa perbedaan MiMo-V2.5-Pro dengan MiMo-V2.5 (model yang lebih kecil)?: MiMo-V2.5-Pro skala hingga 1,02T parameter total dibandingkan 310 miliar, memperluas konteks dari jendela model kecil ke 1 juta token, dan dilatih ulang dengan pembelajaran penguatan agen skala besar khusus untuk rekayasa perangkat lunak kompleks dan tugas otonom jangka panjang.

Putusan Kapten
Kuda kerja agen serius dari Xiaomi: konteks 1 juta dan peningkatan kecepatan MTP adalah keuntungan nyata, jika Anda punya perangkat keras atau anggaran API.

Kartu model di Hugging Face

Kapten menulis catatan ini dari deskripsi model dan kartu model itu sendiri. Harga dan ukuran konteks adalah milik penyedia pada saat penulisan dan dapat 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

Tren popularitas MiMo V2.5 Pro

Skor panas sejak 22 Apr 2026

Skor panas

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 dirilis/dilacak

7,000°

Floor

Skala berjalan dari 0° sampai 9.999°. Semua yang di bawah 7,000° disimpan untuk model yang belum dilaporkan oleh sumber mana pun, yang memakai angka pengganti di sana supaya daftar tetap lengkap. 7,000° adalah titik awal data yang diukur: model dengan data nyata tapi hampir tidak ada unduhan berada di floor, dan pengukuran mengisi derajat di atasnya. Floor tidak mengatakan apa-apa tentang model; hanya derajat di atasnya yang berbicara, dan itu yang membedakan satu model dengan yang lain.

+1,096°

Token OpenRouter

45,007,664,648 token diproses model ini melalui OpenRouter dalam 30 hari terakhir, termasuk prompt dan jawaban. Setiap 10,000,000 token dihitung sebagai satu unduhan dalam istilah unduhan, total 4,500; token hari terakhir masuk ke tingkat adopsi. Sumber: OpenRouter (openrouter.ai/rankings).

Tampilkan rincian

Setiap angka di situs ini bisa dicek. Skor heat model ini adalah 8,096°, dan ini dibangun satu bahan pada satu waktu, dengan total berjalan setelah setiap langkah: floor, derajat yang ditambahkan setiap sumber, bonus untuk jenis model dan pengurangan karena usia bobotnya. Warna-warna itu adalah rentang pada grafik di atas. Glosarium di akhir menjelaskan setiap istilah.

1
Mulai dari floor.
Kenapa 7,000° dan bukan nol: skala dari 0° sampai 9.999°, dan bagian di bawah 7,000° disediakan untuk model yang belum dilaporkan sumber mana pun, yang memakai angka pengganti supaya daftar tetap lengkap dan tidak pernah mengalahkan model dengan data. 7,000° adalah titik awal data yang diukur. Model dengan data nyata tapi hampir tidak ada unduhan berada di sini; semua yang berikutnya adalah pengukuran, dan ruang di atas floor memuat sepuluh langkah sepuluh kali lipat unduhan dengan 300° masing-masing. Floor sama untuk semua model, jadi tidak menentukan apa-apa; yang menentukan adalah derajat di atasnya.
7,000°
total berjalan
2
Tambahkan unduhan.
4,500 setara unduhan secara total, dari Token OpenRouter. Sepuluh kali unduhan menambah 300° yang sama, jadi ukuran penting tapi tidak pernah mendominasi skor.
+1,096°
8,096°
total berjalan
=
Skor heat.
Posisi model ini di setiap daftar di situs ini. Tidak ada yang mengubahnya selain ini.
8,096°

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Bagaimana popularitas model ini bergerak dibandingkan dengan katalog lainnya: pertumbuhan unduhan, suka, dan penggunaan setiap periode, diukur terhadap pertumbuhan model biasa dalam periode yang sama, dengan skor panasnya saat itu. Di atas pertumbuhan biasa berarti naik, di bawahnya berarti turun. Masa lalu direkonstruksi dari total hari ini, hari pertama model, dan kecepatan unduhan yang diukur jika ada dua pembacaan; model yang belum ada di awal periode menunjukkan n/a.

Model Serupa

Model AI untuk Pembuatan Gambar, Video & Teks

MiMo V2.5 Pro adalah model teks untuk keluarga Text / LLM yang tercantum di ModelTrends.ai, katalog hanya-baca untuk model AI gambar, video, dan teks open source. Bandingkan dengan model Text / LLM lainnya dan lihat skor popularitasnya untuk mengetahui trennya.

Model Text / LLM lainnya Teks / LLM Text / LLM lainnya llm xiaomi penalaran agen pemrograman konteks panjang lokal

Jelajahi berdasarkan Keluarga Model