MiMo-V2.5 — Xiaomiのオープンソース・オムニモデルAIモデル

• テキスト、画像、動画、音声を単一アーキテクチャで統合処理するネイティブ・オムニモーダルモデルで、エージェント作業に特化
• MITライセンスで商用配布やファインチューニングまでいずれも可能 - 別途許可は不要
• Sparse MoE構造により、全310Bパラメータのうち15Bのみを活性化して効率的な推論が可能（Proバージョンは1.02T/42B）
• Hybrid Attention（SWA + GA 5:1比率、ウィンドウ128）により、KV-cacheの保存量を約6分の1に削減しつつ、最大1Mトークンのコンテキストをサポート
• 専用ビジョンエンコーダ（729MパラメータViT、ハイブリッド・ウィンドウ・アテンション）とオーディオエンコーダ（261Mパラメータ、MiMo-Audio-Tokenizerベース）を搭載
• **Multi-Token Prediction(MTP)**モジュール3層により、speculative decodingベースの推論高速化とRL学習効率の向上を実現
• 合計約48TトークンでFP8 mixed precision学習を行い、後処理段階で**SFT、大規模エージェントRL、Multi-Teacher On-Policy Distillation(MOPD)**を適用して、エージェント・マルチモーダルベンチマーク性能を強化
  • 5段階パイプライン（テキスト事前学習 → プロジェクタのウォームアップ → マルチモーダル事前学習 → SFT/エージェント後処理 → RL/MOPD）
• SGLang(FP8量子化、dp/tp並列)およびvLLM公式デプロイをサポート
• Base(256K) と Full(1M) の2バージョンを提供

[xguru]

これはVentureBeatがテストしていましたが、OpenClawにかなり適しているそうです
https://venturebeat.com/ai/…

• ClawEvalベンチマークで、Proモデルはオープンソース分野の先頭に立つ63.8%の成功率を記録
• Anthropic Claude Opus 4.6、Google Gemini 3.1 Pro、OpenAI GPT-5.4と比べて40〜60%少ないトークンで同等の結果を達成
• MiMo-V2.5("Omni")はネイティブなマルチモーダル特化モデルで、視覚・聴覚・テキストを統合処理
• MiMo-V2.5-Pro("Agent")は"長期一貫性(long-horizon coherence)"と複雑なソフトウェアエンジニアリングに特化
• ProモデルはGDPVal-AA(Elo)ベンチマークで1581点を記録し、Kimi K2.6とGLM 5.1を上回る
• 多くの"オープン"モデルが制限付きの"Acceptable Use"ポリシーを含むのとは異なり、MiMo-V2.5はMITライセンスで公開
  • 承認不要: Xiaomiの明示的な許可なしに商用配布が可能
  • 継続学習の自由: 独自データでファインチューニング後、派生ウェイトを公開可能
  • 無制限の商用利用: コミュニティライセンスでよくある収益上限やユーザー数制限なし
• プロジェクトリーダーはFuli Luo（元DeepSeek中核メンバー）

  "モデルの価値は順位ではなく、解決する問題によって測られる"

[cosine20]

シャオミという会社の主要事業分野を考えると、OpenClawやHermesのようなエージェントを意識して作られた可能性もありそうですね。