MiMo v2 Pro
XiaomiFlagship
RaisonnementOutils
À propos de ce modèle
MiMo-V2-Pro is Xiaomi's flagship foundation model, featuring over 1T total parameters and a 1M context length, deeply optimized for agentic scenarios. It is highly adaptable to general agent frameworks like...
Catégorie de performance
Flagship
MiMo v2 Pro est un modèle flagship de Xiaomi : le plus performant de leur gamme.
Meilleur modèle de ce fournisseur. Performances maximales sur les benchmarks, idéal pour les tâches exigeantes.
Tarification
Ce modèle est inclus dans les plans ElosiaModéré
Coût modéré. Bon équilibre pour un usage régulier sans surveillance constante du cap.
| Type | par 1M tokens |
|---|---|
| Entrée (prompt) | $1.00 |
| Sortie (complétion) | $3.00 |
| Lecture cache | $0.200 |
Capacités
Taille du contexte1.0M
Tokens de sortie max131K
TokenizerOther
Entréetext
Sortietext
Date de sortie18 mars 2026
Benchmarks
Intelligence générale
MMLU
Non reporté
GPQA Diamond
83.7%
Mathématiques
MATH-500
Non reporté
AIME 2025
94.1%
Programmation
HumanEval
Non reporté
SWE-bench Verified
73.4%
Raisonnement
IFEval
Non reporté
Agentique
Terminal-Bench 2.0
86.7%
Usages recommandés
ProgrammationAnalyseRechercheMathématiques
Points forts
- Terminal-Bench 2.0 de pointe (86,7) — loin devant Opus 4.6 (65,4) et GPT-5.2 Codex (77,3)
- Raisonnement mathématique exceptionnel (AIME 2025 : 94,1%) pour une fraction du coût des modèles frontier
- Contexte de 1M tokens avec attention SWA hybride — réduction ~6x du KV-cache pour un traitement efficace de longs documents
- Architecture MoE (1T+ params, 42B actifs) offrant des performances frontier à 1$/3$ par M tokens
Limites
- Texte uniquement — pas de support multimodal (images/audio/vidéo via MiMo-V2-Omni séparé)
- Taux d'hallucination relativement élevé (30%) comparé aux meilleurs modèles occidentaux
- Aucun benchmark académique standard publié (MMLU, HumanEval, MATH-500) — opacité sur les connaissances générales
- Poids propriétaires, API uniquement — écosystème et support communautaire limités
Ressources
Ce modèle peut utiliser vos données pour l'entraînement
