小米MiMo V2.5 Pro深度实测：代码、3D、SVG生成能力全面评测

文章正文

小米最新发布的 MiMo V2.5 Pro 开源大模型引发了广泛关注。这款拥有1.2万亿参数的混合专家模型（MoE），不仅在多项基准测试中与 GPT-5.4、Claude Opus 4.6 等顶级闭源模型正面竞争，更在实际任务中展现出令人惊讶的长程推理和代码生成能力。本文通过多个实际测试场景，深入评估 MiMo V2.5 Pro 的真实表现。

MiMo V2.5 Pro 模型架构与核心参数

MiMo V2.5 Pro 采用混合专家架构（Mixture of Experts，MoE），总参数量达到1.2万亿，其中活跃参数为420亿。

关于混合专家架构：MoE 是一种将大型神经网络拆分为多个「专家子网络」的设计范式。在推理时，一个称为「门控网络」（Gating Network）的路由机制会根据输入内容动态选择少数几个专家参与计算，而非激活全部参数。这意味着模型拥有庞大的总参数量（代表知识容量），但每次推理只调用其中一小部分（代表计算成本）。MiMo V2.5 Pro 的1.2万亿总参数与420亿活跃参数的比例，正是这一架构的典型体现——理论知识储备是稠密模型的数倍，但单次推理的算力消耗与一个420亿参数的普通模型相当。

这一设计最早由 Google 在2017年的 Sparsely-Gated MoE 论文中系统化，核心洞察是：并非所有任务都需要调用模型的全部知识，让不同专家专注于不同类型的输入（如代码、数学、自然语言），既能提升专业深度，又能避免无谓的计算浪费。此后，Mistral AI 的 Mixtral 8x7B 将这一思路带入开源社区，DeepSeek-V2/V3 则进一步将专家数量扩展至数百个并引入细粒度专家分组，使 MoE 成为当前超大规模语言模型的主流架构路线之一。值得注意的是，MoE 架构的挑战在于训练稳定性——门控网络容易产生「专家坍塌」（Expert Collapse）问题，即大多数 token 只路由到少数几个专家，导致其余专家得不到充分训练。业界通常通过辅助损失函数（Auxiliary Loss）来强制负载均衡，这也是 MiMo V2.5 Pro 训练工程的重要组成部分。

模型支持100万 token 的超长上下文窗口，并采用混合注意力机制，专为处理复杂的多步骤智能体工作流而设计。

关于百万 Token 上下文窗口：上下文窗口决定了模型在单次对话或任务中能够「记住」和处理的信息量。早期 GPT-3 的上下文窗口仅为4096个 token（约3000个英文单词），而100万 token 的上下文相当于可以同时处理约75万个英文单词，或数十个完整的软件代码库。

实现超长上下文的核心挑战在于注意力机制的计算复杂度——标准 Transformer 的自注意力计算量随序列长度呈平方级增长（O(n²)），处理100万 token 在工程上极为昂贵：若朴素实现，其计算量将是处理4096 token 的约6万倍。业界通常通过多种技术路线来缓解这一问题：稀疏注意力（Sparse Attention）让每个 token 只关注部分其他 token 而非全局；滑动窗口注意力（Sliding Window Attention）限制每个 token 的感受野范围；线性注意力近似将复杂度降至 O(n)；以及位置编码外推技术（如 RoPE、YaRN、LongRoPE）让模型能够泛化到训练时未见过的更长序列。文中提到的「混合注意力机制」正是将上述多种策略组合使用——例如在浅层使用全局注意力捕捉长程依赖，在深层使用局部注意力降低计算开销。

对于智能体工作流而言，超长上下文的意义远不止于「能读更长的文档」。当模型需要执行数千步工具调用（如搜索、代码执行、文件读写）时，所有历史操作记录、中间结果和错误反馈都需要保留在上下文中，以便模型做出连贯的决策。100万 token 的窗口意味着模型可以在不丢失任何历史记录的情况下持续工作数小时，这正是 MiMo V2.5 Pro 在长程任务中保持连贯性的关键技术基础。

小米此次同时发布了两个版本：MiMo V2.5 Pro 和 MiMo V2.5 基础版。Pro 版本针对高级智能体工作流和软件工程进行了专项优化，在 SWE Bench Pro、GDP EVOL、CLAW EVOL 等基准测试中表现出色，直接与 Claude Opus 4.6、Gemini 3.1 Pro 和 GPT-5.4 竞争。

关于 SWE-Bench 基准测试：SWE-Bench（Software Engineering Benchmark）是由普林斯顿大学于2023年提出的软件工程能力评测基准，被业界视为衡量 AI 编程能力最具挑战性的标准之一。与传统的代码补全或算法题测试不同，SWE-Bench 要求模型解决来自真实 GitHub 仓库的 Issue——即给定一个软件缺陷报告，模型需要定位问题代码、理解项目结构、生成正确的补丁并通过测试用例，高度模拟了真实软件工程师的日常工作场景。

这一设计使 SWE-Bench 成为比 HumanEval、MBPP 等传统编程基准更难「刷分」的评测体系。传统基准往往考察孤立的算法实现，而 SWE-Bench 要求模型具备跨文件理解、依赖关系分析和回归测试意识等综合工程能力。SWE-Bench Pro 是其升级版本，包含更复杂、更新的真实世界问题，并通过时间截断过滤掉了可能因训练数据泄露而被「记忆」的旧问题——这一设计直接针对了 AI 评测领域的「数据污染」（Data Contamination）问题，即模型可能在训练时见过测试题目的答案，导致评测结果虚高。通过持续更新题库并引入训练截止日期之后的新 Issue，SWE-Bench Pro 使评测结果更能反映模型的真实推理能力而非记忆能力。MiMo V2.5 Pro 在该基准上的强劲表现，是其「面向生产环境」定位的重要佐证。

基础版则是一个原生多模态模型，具备强大的多模态理解和集成智能体能力。

两个模型均采用 MIT 许可证完全开源，可直接用于商业部署。

关于 MIT 许可证与开源商业化：MIT 许可证是软件开源领域最宽松的许可证之一，允许任何人自由使用、复制、修改、合并、发布、分发、再授权，甚至将代码用于商业产品，唯一要求是保留原始版权声明。对于 AI 大模型而言，采用 MIT 许可证意味着企业可以直接将模型部署到生产环境、进行私有化微调、集成到商业产品中，而无需向小米支付授权费或开放自己的修改代码。

这与 AI 开源领域的其他许可证形成鲜明对比：Meta 的 LLaMA 系列早期版本采用自定义许可证，禁止月活用户超过7亿的产品使用；部分模型采用 Apache 2.0 许可证，虽然同样宽松但包含专利条款；还有一些模型采用「仅限研究」许可证，明确禁止商业用途。小米选择 MIT 许可证，在开放程度上接近 Mistral AI 的完全开放路线，是当前开源 AI 模型中最友好的商业授权方式之一。

从商业战略角度看，小米此举意在通过开源建立开发者生态和技术影响力——开发者社区的广泛采用会形成事实标准，推动围绕 MiMo 生态的工具链、微调数据集和应用案例不断积累。与此同时，以 API 服务的低价定价获取规模化收益，并借助社区贡献持续发现模型缺陷和改进方向。这是一种典型的「开源引流、服务变现」商业模式，与 Red Hat 之于 Linux、Elastic 之于 Elasticsearch 的路径高度相似，只是在 AI 时代，推理服务的边际成本下降速度更快，规模效应更为显著。

API 定价为每百万输入 token 1美元、每百万输出 token 3美元，性价比相当突出。更关键的是，MiMo V2.5 Pro 在完成相似任务时，比 GPT-5.4、Claude Opus 4.6 等模型节省40%-60%的 token 消耗，这在实际生产环境中意味着显著的成本优势。

关于 Token 效率与生产成本：Token 消耗量的差异并非仅由定价决定，更深层的原因在于模型的「表达效率」——即完成同等质量任务所需的输出长度。部分模型倾向于生成冗长的解释和重复性内容，而高效模型能够以更紧凑的方式传达相同信息。对于代码生成任务而言，token 效率还体现在「一次成功率」（Pass@1）上：若模型需要多轮修正才能生成可运行代码，每轮对话都会消耗额外 token，累积成本可能数倍于单次成功的情形。在企业级生产环境中，假设每天处理100万次 API 调用，每次平均节省500个 token，按输出价格3美元/百万 token 计算，每日可节省约1500美元，年化节省超过50万美元——这使得 token 效率成为选型决策中不可忽视的经济指标，而非单纯的技术参数。

macOS 克隆生成测试：三分钟构建完整桌面界面

为了测试 MiMo V2.5 Pro 的综合代码生成能力，测试者使用 Kilo Code 搭配该模型，要求它在浏览器中创建一个 macOS 操作系统克隆，同时内嵌一个 Minecraft 克隆游戏。

关于 Kilo Code 与 AI 编程工作流：Kilo Code 是一类 AI 辅助编程工具的代表，其核心价值在于将大语言模型的代码生成能力与本地开发环境深度集成——模型不仅能生成代码片段，还能直接读写文件系统、执行终端命令、运行测试并根据错误输出自动修正。这种「读取-生成-执行-反馈」的闭环工作流，使模型能够像真实程序员一样迭代调试，而非仅仅输出静态代码文本。此类工具的兴起标志着 AI 编程从「代码补全」