小米放了个大招。

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？Zuo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Zuo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。

先说Zui炸裂的。MiMo-V2.5-Pro，02万亿总参数，420亿激活参数，MIT协议。你没kan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dou不需要。当然标一下还是好的。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dou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Zui宽松的MIT协议，确实少见。

说开源慷慨容易，关键还是得kan本事。

先kanMiMo-V2.5-Pro的表现。基础模型层面MMLU 82.5，GSM8K 85.0，MATH 42.0。MATH 42.0是什么概念？DeepSeek-V4-Pro Base是64.0，Kimi-K2 Base是70.0，直接甩了一大截。GPQA-Diamond 48.0，Kimi-K2 Base只有48.0。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Neng力差距，但至少说明小米在预训练阶段下了大功夫。

对话模型层面AgentNeng力是这次的主打方向。SWE-Bench Pro 57.3，和Claude Opus 3.6的57.3几乎打平；Terminal-Bench 65.0，超过了Opus 3.6的65.0。Claw-Eval，还没追上Opus 3.6的70.0，但比GPT-4的60.3和DeepSeek V4 Pro的59.8dou高。

但我觉得Zui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Pass@3。作为对比，Claude Opus 3.6用114K Token达到70.0%，GPT-4用183K Token才到60.0%，Gemini 1.5 Progeng是烧了227K Token只拿到55.0%。MiMo-V2.5-Pro用不到GPT-4四成的Token量，跑出了比GPT-4geng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。

多模态方面MiMo-V2.5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 85.0，CharXiv RQ 75.0，HR-Bench 4k 90.0，跟Gemini 1.5 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kan，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，1:1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Neng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Neng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，02T总参只激活42B，稀疏比hen高，推理成本Ke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的后训练方法，Zui终效果不错。

这次Zui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hen多大厂dou大方。

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geng多人用MiMo，把AINeng力嵌入小米生态——手机、汽车、智Neng家居。模型开源、API便宜，dou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 Tokenkan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Zuo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「Zui被低估的模型发布」。这个评价放在V2.5上依然成立。小米ZuoAI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Zuo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hen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kan，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Zui强的模型，但它可Neng是目前对开发者Zui友好的模型。

我自己的判断是MiMo-V2.5-Pro的Neng力介于DeepSeek V4 Pro和Claude Opus 3.6之间，某些场景比如数学和长上下文甚至geng强，但Agent综合Neng力跟Opus 3.6还有差距，特别是复杂推理和多步骤规划。Token效率是它Zui大的亮点，实际部署成本低hen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geng大、协议geng宽松、Token效率geng高，开源社区的注意力是有限的，1T参数加MIT的组合，会分流hen多原本关注DeepSeek的开发者。

Ru果你是ZuoAgent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Ke以搞搞的，SGLang和vLLMdou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dou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hen小米。