MiMo-V2-Pro

Fiche modèle · Xiaomi · mimo-v2-pro

MiMo-V2-Pro is Xiaomi's flagship foundation model built for real-world agentic workloads. A Mixture-of-Experts model with over 1T total parameters and 42B active, roughly 3x larger than MiMo-V2-Flash. Inherits the Hybrid Attention mechanism with a 7:1 ratio and supports up to 1M-token context. Optimized for coding and agent tasks through post-training scaling across diverse agent scenarios, with native support for complex tool calling and multi-step reasoning.

Fiches modèles

Identité

Organisation	Xiaomi
Pays	—
Famille	—
Type	llm
Date de sortie	2026-03-18
Licence	proprietary
Licence commerciale	non
Licence open source	non
Poids ouverts	non
Auto-hébergement (DGX Spark)	non — poids fermés
Modalités	text
Fenêtre de contexte	—
KV cache / token (Q8)	—
Paramètres totaux	1 T
Paramètres actifs (session)	42 B
Source des paramètres actifs	web : https://mimo.mi.com/docs/en-US/updates/model
Curation des paramètres actifs	2026-10-19
Prix par session	—
Tokens / tâche (Data Players)	1.2 M
Tokens / tâche (Terminal-Bench)	83.3 M (est.)
Ratio Terminal-Bench / Data Players	69.4×
Coût / tâche (Terminal-Bench)	—
Tokens d'entraînement	—
Coupure de connaissance	—
Créé le	2026-05-07T16:53:40.092867Z
Mis à jour le	2026-11-04T06:05:13.671581Z
Source	LLM Stats
URL	https://llm-stats.com/models/mimo-v2-pro

Tokens/tâche

Prix par fournisseur

Prix

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

Aucune donnée.

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
reasoning	0.80
search	0.90
frontend_development	0.80
general	0.80
agents	0.70
code	0.70
communication	1.00
tool_calling	0.80

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
claw-eval	code	0.61	1.00	0.61	non	oui	2026-11-04T06:05:13.675953Z
deepsearchqa	search	0.87	1.00	0.87	non	oui	2026-11-04T06:05:13.694529Z
pinchbench	code	0.81	1.00	0.81	non	oui	2026-11-04T06:05:13.678859Z
swe-bench-multilingual	reasoning	0.72	1.00	0.72	non	oui	2026-11-04T06:05:13.687964Z
swe-bench-verified	reasoning	0.78	1.00	0.78	non	oui	2026-11-04T06:05:13.685111Z
tau2-telecom	communication	0.97	1.00	0.97	non	oui	2026-11-04T06:05:13.681994Z
terminal-bench-2	reasoning	0.57	1.00	0.57	non	oui	2026-11-04T06:05:13.691550Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
agents	92	—	16.91	4	trueskill	2026-10-19	model_history
code	79	—	25.47	5	trueskill	2026-10-19	model_history

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04