MiMo 2.5 Pro: scheda del modello AI agentico di Xiaomi

Cos'è

MiMo 2.5 Pro (identificativo API: mimo-v2.5-pro) è un large language model sviluppato da Xiaomi e rilasciato ad aprile 2026. Rappresenta il modello di punta della famiglia MiMo ed è progettato per compiti che richiedono ragionamento prolungato, coding avanzato e capacità agentiche. Contrariamente al modello base MiMo-V2.5, che è nativamente omni-modale (testo, immagini, audio, video), la variante Pro è ottimizzata per l'elaborazione testuale e il codice, con un focus specifico su flussi di lavoro autonomi a più passaggi.

Xiaomi ha reso MiMo 2.5 Pro disponibile con pesi aperti su Hugging Face sotto una licenza permissiva. Accanto alla versione estesa a 1 milione di token esiste anche una versione Base con contesto da 256.000 token. L'architettura si basa su una Mixture-of-Experts (MoE) con 1,02 trilioni di parametri totali e 42 miliardi attivi per token. L'attenzione è ibrida: Sliding Window Attention e Global Attention sono intervallate in rapporto 6:1 con una finestra da 128 token, una scelta che riduce la memoria della KV cache di circa sette volte su contesti lunghi preservando le prestazioni. Un modulo di Multi-Token Prediction (MTP) permette di generare più token in parallelo, aumentando il throughput in fase di inferenza.

Il pre-training è avvenuto su 27 trilioni di token con precisione FP8 a lunghezza di sequenza nativa di 32.000 token, poi estesa fino a 1 milione. Il post-training segue un paradigma a tre stadi: Supervised Fine-Tuning su coppie dati curate, Domain-Specialized Training con modelli insegnante ottimizzati per matematica, sicurezza, uso di strumenti e altri domini, e infine Multi-Teacher On-Policy Distillation (MOPD), in cui il modello studente apprende dai propri rollout guidato a livello di token da ogni insegnante specializzato.

A cosa serve / dove eccelle

Il modello è posizionato come strumento per agenti software e ingegneria complessa. Secondo i dati pubblicati da Xiaomi, eccelle in tre aree principali:

• Coding agentic: risoluzione di bug reali in repository esistenti, esecuzione di comandi in terminale e sviluppo di progetti software a partire da requisiti espressi in linguaggio naturale.
• Task a lungo orizzonte: capacità di mantenere coerenza e seguire istruzioni articolate attraverso centinaia o migliaia di chiamate a strumenti esterni.
• Ragionamento strutturato: compiti che richiedono pianificazione multi-step, auto-correzione e gestione della memoria all'interno del contesto.

Xiaomi sottolinea anche l'efficienza in token: su ClawEval, MiMo 2.5 Pro raggiunge il 64% di Pass^3 con circa 70.000 token per traiettoria, una cifra stimata dal 40 al 60% inferiore rispetto a modelli concorrenti di pari capacità. Questo aspetto è rilevante per chi esegue migliaia di richieste al giorno, perché il numero di token generati ha un impatto diretto sia sui tempi di risposta sia sul costo della fattura API.

Caratteristiche e specifiche

Benchmark ufficiali pubblicati da Xiaomi:

• SWE-Bench Pro: 57,2
• SWE-Bench Verified: 78,9
• Terminal-Bench 2.0: 68,4
• GDPVal-AA (Elo): 1581
• τ³-bench: 72,9
• Claw-Eval pass^3: 63,8
• Humanity's Last Exam: 48,0 (con strumenti), 34,0 (senza strumenti)
• FrontierSWE (rank implementazione): #3,4

Punti di forza

• Efficienza di costo: posizionato a prezzo inferiore rispetto al precedente MiMo-V2-Pro e significativamente più economico di molti modelli frontier occidentali.
• Open weights: disponibilità di pesi, tokenizer e model card su Hugging Face, con guide per vLLM e SGLang, favorendo audit indipendenti e deployment on-premise.
• Lungo contesto: finestra di 1M token utile per analisi di codebase estese, documentazione tecnica lunga e traiettorie agentiche.
• Capacità agentiche verificate: benchmark su compiti reali lo collocano vicino a Claude Opus 4.6 e GPT-5.4 in diversi scenari.
• Efficienza token: minor consumo di token per traiettoria rispetto a competitor di pari livello, con impatto diretto sui costi operativi.
• Deployment flessibile: essendo aperto, può essere ospitato on-premise con vLLM o SGLang, anche se l'hardware richiesto è consistente (la documentazione suggerisce una configurazione a 8 GPU H200 per il serving in FP8).

Quando ha senso (e quando no)

Ha senso quando:

• Si costruiscono agenti di coding, QA automatizzati o sistemi di manutenzione del software.
• Servono flussi autonomi a molti passaggi con chiamate a strumenti (1000+).
• Si cerca un modello open weights con prestazioni frontier a costo contenuto.
• L'analisi di documenti o codebase molto lunghi richiede un contesto ampio.

Ha meno senso quando:

• È necessaria la comprensione nativa di immagini, audio o video: per questo Xiaomi offre MiMo-V2.5 (non Pro). È importante non confondere i due nomi: la variante Pro è quella testuale e agentica, mentre quella senza Pro è quella omni-modale.
• Le latenze devono essere molto basse per interazioni in tempo reale (60-80 token/s sono inferiori a modelli flash o light più piccoli).
• Il carico di lavoro è semplice o a singolo turno: modelli più piccoli ed economici sono sufficienti.
• Serve affidabilità critica in ambienti non controllati: come tutti i modelli agentici, richiede sandbox e validazione degli output.
• Le risorse hardware sono limitate: un modello da 1T di parametri, anche in FP8 e con routing MoE, richiede infrastruttura GPU di fascia alta per l'hosting locale.

Casi d'uso concreti

• Manutenzione e sviluppo software: risoluzione autonoma di bug, refactoring di moduli, generazione di test, implementazione di feature partendo da issue.
• Agenti DevOps: esecuzione di comandi in terminale, deployment, monitoraggio e diagnostica attraverso tool call.
• Progettazione e EDA: il caso studio pubblicato da Xiaomi mostra il modello impegnato in progettazione di circuiti analogici (FVF-LDO) con loop di simulazione.
• Prototipazione rapida: sviluppo di applicazioni desktop complete (ad esempio un editor video) a partire da specifiche ad alto livello.
• Compilatori e strumenti formali: implementazione di compilatori con backend e ottimizzazioni, come dimostrato dal caso SysY-to-RISC-V. Nel caso pubblicato, il modello ha implementato un compilatore completo (lexer, parser, AST, generazione di IR Koopa, backend RISC-V e ottimizzazioni) in 4,3 ore e 672 tool call, superando tutti i test nascosti del corso di Principi di Compilazione dell'Università di Pechino.

Alternative e contesto

Nel panorama di aprile 2026, i principali competitor sono:

• Claude Opus 4.6 (Anthropic): superiore in alcuni benchmark di ragionamento e agentici, ma generalmente più costoso e chiuso.
• GPT-5.4 (OpenAI): leader in diversi benchmark, modello proprietario.
• Gemini 3.1 Pro (Google): forte su contesto lungo e multimodalità, modello proprietario.
• Kimi K2.6 (Moonshot AI): concorrente cinese con buone prestazioni agentiche.
• DeepSeek V4 Pro e GLM 5.1 (Zhipu): altri modelli cinesi aperti o semi-aperti con focus su coding e ragionamento.

Xiaomi ha annunciato un investimento di circa 8,7 miliardi di dollari in AI nei tre anni successivi, confermando che la famiglia MiMo è parte di una strategia più ampia di integrazione dell'intelligenza artificiale nell'ecosistema di dispositivi e servizi.

In sintesi

MiMo 2.5 Pro è un modello di testo e codice di classe frontier, con architettura MoE, contesto lungo e pesi aperti. Si distingue per l'efficienza in token e il costo contenuto rispetto ai top di mercato, ed è particolarmente indicato per agenti di coding e task a lungo orizzonte. Non è un modello multimodale: per immagini, audio e video occorre rivolgersi a MiMo-V2.5 o ad altre soluzioni. I benchmark ufficiali sono solidi, ma come sempre in produzione vanno accompagnati da verifiche indipendenti, sandboxing e supervisione umana.

Risorse

• Pagina ufficiale Xiaomi MiMo-V2.5-Pro: https://mimo.xiaomi.com/mimo-v2-5-pro/
• Portale MiMo: https://mimo.mi.com/
• Repository Hugging Face: https://huggingface.co/XiaomiMiMo/MiMo-V2.5-Pro
• Model card e guide di deployment (vLLM/SGLang): nella pagina Hugging Face del modello