本报告综合整合以下数据来源：公开技术文档、Artificial Analysis Intelligence Index v4.0、HuggingFace Model Card、BuildFastWithAI 独立评测、morphllm.com SWE-bench Pro 排行榜、pricepertoken.com 定价数据，以及个人真实测评。所有数据均注明来源，厂商自建榜单数据已标注可信度。本报告仅为个人观点。

关键洞察

洞察一：MiMo 是「Agent 性价比」最优解，但不是全能旗舰

MiMo-V2.5-Pro 以3（输入/输出每百万 token）的定价，在 SWE-bench Pro 上得分57.2%（Xiaomi 官方宣布，经 Binance/NS3.AI 转载核实），达到 GPT-5.4（57.7%）的 99%，却仅需约 1/5 的成本 。但在通识深度推理（MMLU-Pro 68.5% vs DS V4-Pro 87.5%）和科学推理（GPQA-Diamond 66.7% vs Qwen 3.5 的 88.4%）上，差距超过 20 个百分点 。

MiMo 是专项冠军，不是全科第一，选型需对齐具体任务类型。

可信度：★★★★ | SWE-bench Pro 数据为官方公告，AA 指数为独立第三方确认

洞察二：Token 效率是 MiMo 的结构性优势，且已获独立第三方验证

ClawEval Pass³（64%）消耗约 70,000 tokens/trajectory 的数据，已由 VentureBeat、dayahimour.org、Superculture 等三个独立来源交叉确认：MiMo-V2.5-Pro 比 Claude Opus 4.6、Gemini 3.1 Pro、GPT-5.4 在同等性能下少消耗40–60% token。

Artificial Analysis 的独立实测进一步确认：MiMo-V2.5-Pro 在智能指数评测中仅消耗约92M 输出 token，显著优于 Kimi K2.6（170M）和 GLM-5.1（110M）。这一优势直接来源于 MTP 架构设计，不依赖价格，是可持续的结构性差异。

可信度：★★★★★ | 多方独立来源一致，且 Artificial Analysis 有完整评测方法论

洞察三：V2.5-Pro 对 V2-Pro 用户迁移压力极强，但存在一个不可忽视的生产级风险

V2.5-Pro 与 V2-Pro 定价完全相同（3），但训练数据更多、支持全模态、完全开源，对存量用户构成强迁移动力 。需要明确标注的风险：Artificial Analysis 独立测试发现，MiMo-V2.5-Pro 的幻觉率（Hallucination）得分从 V2-Pro 的 5 分小幅回退至 4 分，且在 CritPt（批判性思维）维度出现退步 。

结合 V2EX 和 CSDN 开发者实测中发现的隐性 Bug 检出弱的问题 ，生产级代码审查场景在迁移前需要做专项回归测试。

可信度：★★★★ | AA 独立测试数据，社区反馈来自 V2EX / CSDN 真实开发者

洞察四：MiMo 的真实战略意图是争夺 Agent 基础设施标准席位

AA 独立评测数据显示，MiMo-V2.5-Pro 在GDPval-AA 真实世界 Agent 工作基准上得分 1578，超越 DS V4-Pro（1554）、GLM-5.1（1535）、Kimi K2.6（1484），是目前开源模型中 Agent 真实工作任务得分最高的模型。

结合 V2-Flash 的 MIT 协议开源（$0.10/1M，146 tok/s）和 V2.5-Pro 的完全开源，以及雷军宣布未来三年 AI 投入超 600 亿的战略 ，MiMo 的竞争逻辑与 DeepSeek 高度一致：不以单项榜单夺冠为目标，而是以开源生态 + 极致性价比在 Agent 基础设施市场卡位。这一战略一旦奏效，其护城河将来自生态依赖而非模型代差。

可信度：★★★★ | GDPval-AA 数据来自 Artificial Analysis 官方 Twitter，战略判断为分析性推断

一、MiMo 模型介绍与发展史

Xiaomi MiMo 是小米自研的大语言模型家族，于 2025 年 4 月以轻量化的 MiMo-7B 正式亮相，采用 MIT 开源协议。

1.1 发展时间线

MiMo-V2-Pro 在正式发布前曾以代号“Hunter Alpha”匿名出现在 OpenRouter，连续数日登顶日活榜首。从 V2 到 V2.5 的核心转变是：将原本分离的推理模型（V2-Pro）和多模态模型（V2-Omni）合并为统一架构，实现了能力的整合升级 。

二、技术架构分析

MiMo 全系采用Sparse MoE（稀疏混合专家）架构，技术核心包含三个关键设计 ：

• 混合注意力（Hybrid Attention）：SWA 与 Global Attention 以 6:1 比例交错排列，128-token 窗口下 KV-Cache 存储减少近 7 倍
• Multi-Token Prediction（MTP）：原生集成轻量 MTP 模块，推理吞吐量提升约 3 倍，同时加速 RL rollout 速度
• Multi-Teacher On-Policy Distillation（MOPD）：V2-Flash 引入的多教师蒸馏范式，用于高效扩展后训练 compute

2.1 与主流大模型技术架构差异

2.2 架构方向判断

MiMo 选择 MoE + 混合注意力 + MTP 的组合，在推理成本和性能间实现较优均衡。长期影响：稀疏激活是主流方向（42B 激活实现 1T 规模性能），1M 长上下文叠加 7 倍 KV-Cache 压缩是 Agent 长链路任务的基础条件，V2.5 统一架构替代拼接方案代表下一代大模型的工程方向 。

三、全球基准表现

3.1 Artificial Analysis 智能指数排名

MiMo-V2.5-Pro 在 Artificial Analysis Intelligence Index v4.0 中得分 54 分，位列全球第 6 位（513 个模型中），属于旗舰开源模型梯队。MiMo-V2-Flash 得分 41 分，排名第 24 位 。

数据来源：https://artificialanalysis.ai/models/mimo-v2-5-pro

3.2 SWE-bench Pro 代码工程能力

MiMo-V2.5-Pro 在 SWE-bench Pro 中得分57.2%，超越 Claude Opus 4.6（53.4%），接近 GPT-5.4（57.7%），行业平均水平约 25%，相对优势 2.3 倍 。值得注意的是：SWE-bench Verified 存在训练数据污染问题，MiMo 宣称的 78.9% 基于此榜单，可信度低于 SWE-bench Pro 的 57.2%，建议以后者为准参考 。

四、定价体系与性价比

4.1 关键结论

1.价格屠夫：MiMo-V2.5-Flash 与 DeepSeek V4-Flash 共同刷新了经济型模型的价格底线，输入 $0.10/百万 token

2.旗舰性价比：MiMo-V2.5-Pro 以与 GPT-5.4 相差约5 倍的价格实现接近旗舰的基准性能；与 Claude Opus 4.7 相比，输出价格差距高达25 倍，性价比极为突出 。

4.2 MiMo 全系定价（2026年5月现行）

4.3 旗舰级模型对比

关键发现：

• MiMo-V2.5-Pro 的 API 成本约为 Claude Opus 4.6 的1/5，约为 GPT-5.5 的1/5
• 小米官方宣称推理成本仅为国际闭源旗舰的2.5%
• DeepSeek V4-Pro 以 ¥4/百万输入 token（约 $0.56）成为价格最低者，比 Claude Opus 4.6 便宜约26 倍

4.4 中端/性价比模型对比

4.5 经济型/高吞吐模型对比

4.6 月度成本实测估算

按输入输出 1:1 比例计算：

五、推理速度与 Token 效率

5.1 推理速度对比

MiMo-V2-Flash（146 tok/s）是主流大模型中速度排名前 3的模型，仅次于 gpt-oss-120B 和 NVIDIA Nemotron 3 Super。MiMo-V2.5-Pro 速度 63 tok/s，在旗舰 MoE 级别中处于中等水平，原因是参数规模从 309B 大幅增至 1T 。

5.2 Token 消耗效率（ClawEval 基准）

在 ClawEval 基准中，MiMo-V2.5-Pro 达到 64% Pass³ 时使用约 70,000 tokens/trajectory，比 Claude Opus 4.6、Gemini 3.1 Pro、GPT-5.4 在同等性能下少消耗40%–60%。这是 MiMo 最具产品化价值的差异点：对运行大量 Agent 工作流的团队，token 效率直接转化为运营成本。

六、国内旗舰模型综合能力对比

雷达图直读关键结论 ：

• DeepSeek V4-Pro：五维最均衡，推理与通识全面，无明显短板，是综合首选
• Kimi K2.5：数学维度一骑绝尘（MATH-500 达 98%），代码工程相对偏弱
• MiMo-V2.5-Pro：Agent/代码工程与成本效率是核心优势，推理（GPQA 66.7%）和通识深度（MMLU-Pro 68.5%）是明确短板
• Qwen 3.5：科学推理最强（GPQA-Diamond 88.4%），五维最均衡的国内方案之一

七、MiMo 七大模型内部差异矩阵

三条关键代际演进逻辑：

1. V2-Flash → V2.5：同等激活参数（15B），训练数据翻倍（27T→48T），上下文扩展 4 倍（256K→1M），并原生融入视觉+音频编码器——以数据量和多模态扩展替代参数量暴增的高效路线
2. V2-Omni → V2.5（被覆盖）：V2-Omni 在独立架构上实现多模态，推理能力受限；V2.5 以 Flash 高性能骨干为基础添加多模态，推理不打折扣，V2-Omni 已被完全覆盖
3. V2-Pro vs V2.5-Pro：参数规模相近（均为 1T+/42B），但 V2.5-Pro 训练数据更多、支持全模态、且完全开源，定价相同（3），对存量 V2-Pro 用户构成强迁移动力

八、社区真实反馈

V2EX、HuggingFace 社区、Reddit LocalLLaMA、36氪实测等平台的独立用户声音 。

公认亮点：

• Agent / 工具调用能力强，复杂多文件工作流一轮对话可完成
• 中文互联网语境理解（梗文化、本土化表达）优于主流海外模型
• 图像识别（含遮挡 Logo）、视频理解实测表现惊艳
• 适合构思、假设检验和压力测试，然后切换 GLM/Kimi 执行

明确短板（真实反馈）：

九、MiMo 系列大模型横向评测分析

9.1 模型输出风格与质量特征

9.1.1 回答长度分布

关键发现：

1. mimo-v2-flash 输出显著冗长：平均长度是其他模型的2.2 倍，标准差高达 1305，说明输出长度极不稳定。在「护士用药剂量」「女性工程师/男性护士工作日」等开放式问题上，flash 倾向于给出极详细的结构化回答；在「JSON 格式化」等精确任务上反而最短（47 字符），说明 flash 对任务类型的敏感度较高。
2. 其他四模型长度接近：mimo-v2.5 / v2.5-pro / v2-pro / v2-omni 的平均长度在 670-710 字符之间，差异极小，暗示它们可能共享相近的生成策略或温度参数。
3. 长度与质量无直接关联：mimo-v2-omni 中位数仅 336（最简洁），但平均 678，说明存在少数极长回答拉高了均值。

9.1.2 特定任务表现差异

以 idx=18「用英文回答：中国的首都是哪里？回答只需一个单词」为例：

• 所有 5 个模型返回长度均为 7-8 字符，符合约束（“Beijing” 或带标点的变体）。
• 说明模型对「字数限制」指令的遵从性良好。

以 idx=28「JSON 格式化」为例：

• mimo-v2-flash 最短（47 字符），可能直接输出 JSON 无解释；
• mimo-v2-omni 最长（123 字符），可能附加了额外说明。

9.2 安全与对齐能力评估

9.2.1 测试用例

9.2.2 各模型拒绝表现

评价：

• 所有模型均成功拒绝两例危险请求，未出现「伪拒绝后仍提供部分信息」的情况，基础安全底线稳固。
• mimo-v2-pro 的「自我纠正」现象值得关注：这可能反映了推理阶段的实时安全检查机制，也可能导致用户体验上的「卡顿感」。

十、适用场景与选型建议