小米 MiMo-V2.5 发布：让 AI Agent 睁眼、聆听、破界限

小米 MiMo-V2.5 多模态大模型发布，在 AI Agent 能力、多模态视听理解上完成了全面升级。它原生搭载极速视觉与音频解析系统，支持跨模态端到端推理，核心任务表现全面超越上一代 MiMo-V2-Pro，原生支持最高 100 万 Token 的超长上下文窗口。

依托架构升级后的专属训练管线，MiMo-V2.5 实现了底层原生的「看、听、做」三重感知闭环。这套底座设计，让模型同时具备了宽范围的高维理解能力与深粒度的底层操作能力。

顶尖的智能体执行力

MiMo-V2.5 依托极其强悍的大语言模型（LLM）基座构建，搭配独立的高规格视觉与音频编码器，通过后训练（Post-training）流程完成了机器感知、逻辑推演与工具调用能力的对齐。

在贴近真实商业部署场景的智能体基准评测中，MiMo-V2.5 的实测数据如下：

以上实测数据，核心指向了该模型的核心优势：以极高的计算能效比，实现行业第一梯队的执行能力。开发者无需再在「全场景认知能力」与「极致执行效率」之间做取舍。

更敏锐的感知与更广阔的视野

从高精度视觉细节排查、复杂动态图表解析，到多模态交互场景，MiMo-V2.5 均展现出极强的视觉理解能力，同时原生支持 100 万 Token 的超长文本上下文。

针对复杂感知场景，模型核心实测数据如下：

• 多模态智能体任务交互：MiMo-V2.5 在 Claw-Eval Multimodal 测试集取得 23.8 分，与 Claude Sonnet 4.6 持平，较上一代 MiMo-V2-Omni 提升 8 分，与 Claude Opus 4.6 仅相差 1 分。
• 超长跨度视频解析能力：模型在 Video-MME 榜单取得 87.7 分，与 Gemini 3 Pro（88.4 分）持平，显著优于 Gemini 3 Flash。在长时长、跨帧的复杂视频理解任务中，包括空间追溯、跨镜头逻辑推演、分钟级画面信息回溯，均能稳定完成高精度解析。
• 高精静动态图像解析：模型在 CharXiv RQ 与 MMMU-Pro 测试集分别取得 81.0 分和 77.9 分，性能接近 Gemini 3 Pro 的行业标杆水平。

以上能力均基于同一套集成架构实现，让 MiMo-V2.5 在图像、文本、视频的多模态统一感知上，达到了行业前沿水平。