MiMo-V2.5-Pro

Fiche modèle · Xiaomi · mimo-v2.5-pro

MiMo-V2.5-Pro is Xiaomi's 1.02T-parameter sparse Mixture-of-Experts language model with 42B active parameters and a 1M-token context window. It inherits the MiMo-V2-Flash hybrid-attention and Multi-Token Prediction design, extends context during pre-training up to 1M tokens, and uses supervised fine-tuning, domain-specialized reinforcement learning, and Multi-Teacher On-Policy Distillation to improve complex software engineering, long-horizon agentic tasks, and ultra-long-context coherence.

Fiches modèles

Identité

Organisation	Xiaomi
Pays	—
Famille	—
Type	llm
Date de sortie	2026-04-27
Licence	mit
Licence commerciale	oui
Licence open source	oui
Poids ouverts	oui
Auto-hébergement (DGX Spark)	non — 1.02e+03 Md > 107 Md
Modalités	audio\|text
Fenêtre de contexte	1 048 576
KV cache / token (Q8)	215.0 ko/token
Paramètres totaux	1.02 T
Paramètres actifs (session)	42 B
Source des paramètres actifs	web : https://huggingface.co/XiaomiMiMo/MiMo-V2.5-Pro
Curation des paramètres actifs	2026-11-04
Prix par session	0.61 $ (1 000 000 tokens entrée + 200 000 sortie, prix le moins cher par fournisseur)
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)	5.11 $ (est.)
Tokens d'entraînement	27 000 000 000 000
Coupure de connaissance	—
Créé le	2026-06-10T21:36:16.290248Z
Mis à jour le	2026-11-04T06:05:15.525097Z
Source	LLM Stats
URL	https://llm-stats.com/models/mimo-v2.5-pro

Tokens/tâche

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : non — hors DGX Spark (> 107 Md).

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 « — ».

Fournisseur	Source	Souveraineté	Entrée (/M tok)	Sortie (/M tok)	Quantification	Contexte	Latence (s)	Débit (tok/s)	Statut
DeepInfra	llm-stats	non	1.00 $	3.00 $	—	—	—	—	active
Novita	llm-stats	non	2.00 $	6.00 $	—	—	—	—	active
Xiaomi	llm-stats	non	0.43 $	0.87 $	—	—	—	—	active

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

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
language	0.90
legal	0.80
long_context	0.60
math	0.80
physics	0.70
reasoning	0.80
finance	0.70
frontend_development	0.80
general	0.70
healthcare	0.80
agents	0.60
biology	0.70
chemistry	0.70
code	0.70
coding	0.40
tool_calling	0.70
vision	0.30

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
aime	math	0.37	1.00	0.37	non	oui	2026-11-04T06:05:15.592162Z
arc-c	reasoning	0.97	1.00	0.97	non	oui	2026-11-04T06:05:15.570601Z
bbh	reasoning	0.88	1.00	0.88	non	oui	2026-11-04T06:05:15.555104Z
c-eval	general	0.92	1.00	0.92	non	oui	2026-11-04T06:05:15.607290Z
claw-eval	code	0.64	1.00	0.64	non	oui	2026-11-04T06:05:15.633885Z
cmmlu	language	0.90	1.00	0.90	non	oui	2026-11-04T06:05:15.610223Z
drop	reasoning	0.86	1.00	0.86	non	oui	2026-11-04T06:05:15.567713Z
finance-agent-v2	agents	0.41	1.00	0.41	non	non	2026-11-04T06:05:15.636738Z
frontier-swe-impl	code	3.40	1.00	—	non	oui	2026-11-04T06:05:15.537037Z
global-mmlu	general	0.84	1.00	0.84	non	oui	2026-11-04T06:05:15.615324Z
gpqa	reasoning	0.67	1.00	0.67	non	oui	2026-11-04T06:05:15.582721Z
graphwalks	long_context	0.62	1.00	0.62	non	oui	2026-11-04T06:05:15.627865Z
gsm8k	math	1.00	1.00	1.00	non	oui	2026-11-04T06:05:15.585534Z
hellaswag	reasoning	0.90	1.00	0.90	non	oui	2026-11-04T06:05:15.573952Z
humaneval+	reasoning	0.76	1.00	0.76	non	oui	2026-11-04T06:05:15.595309Z
humanity's-last-exam	reasoning	0.34	1.00	0.34	non	oui	2026-11-04T06:05:15.549091Z
livecodebench-v6	reasoning	0.40	1.00	0.40	non	oui	2026-11-04T06:05:15.601231Z
math	math	0.86	1.00	0.86	non	oui	2026-11-04T06:05:15.589144Z
mbpp+	reasoning	0.74	1.00	0.74	non	oui	2026-11-04T06:05:15.598275Z
mimo-coding-bench	code	0.74	1.00	0.74	non	oui	2026-11-04T06:05:15.531151Z
mmlu	general	0.89	1.00	0.89	non	oui	2026-11-04T06:05:15.558393Z
mmlu-pro	language	0.69	1.00	0.69	non	oui	2026-11-04T06:05:15.564648Z
mmlu-redux	language	0.93	1.00	0.93	non	oui	2026-11-04T06:05:15.561462Z
swe-bench-pro	reasoning	0.57	1.00	0.57	non	oui	2026-11-04T06:05:15.528228Z
swe-bench-verified	reasoning	0.79	1.00	0.79	non	oui	2026-11-04T06:05:15.551936Z
swe-bench-verified-(agentless)	general	0.36	1.00	0.36	non	oui	2026-11-04T06:05:15.604267Z
tau3-bench	agents	0.73	1.00	0.73	non	oui	2026-11-04T06:05:15.540121Z
terminal-bench-2	reasoning	0.68	1.00	0.68	non	oui	2026-11-04T06:05:15.534003Z
triviaqa	general	0.81	1.00	0.81	non	oui	2026-11-04T06:05:15.579864Z
wildclawbench	agents	0.43	1.00	0.43	non	oui	2026-11-04T06:05:15.630870Z
winogrande	reasoning	0.86	1.00	0.86	non	oui	2026-11-04T06:05:15.577022Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
agents	67	—	23.55	7	trueskill	2026-10-19	model_history
code	45	—	32.25	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