MiMo-V2.5
MiMo-V2.5 est le modèle phare en poids ouverts de l'équipe MiMo de Xiaomi, publié le 22 avril 2026 sous licence MIT. C'est un Mixture-of-Experts creux de 310 milliards de paramètres au total dont 15 activés, entraîné sur près de 48 000 milliards de tokens en précision FP8. Au-delà du…
MiMo-V2.5 est le modèle phare en poids ouverts de l'équipe MiMo de Xiaomi, publié le 22 avril 2026 sous licence MIT. C'est un Mixture-of-Experts creux de 310 milliards de paramètres au total dont 15 activés, entraîné sur près de 48 000 milliards de tokens en précision FP8. Au-delà du texte, il intègre des encodeurs vision et audio, ce qui en fait un modèle omni-modal, et sa fenêtre de contexte atteint un million de tokens.
Décliné en versions Base, standard et Pro, il prolonge la lignée MiMo vers le haut de gamme ouvert.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Xiaomi |
| Licence | MIT (open-weights, usage commercial autorisé) |
| Date de sortie | 22 avril 2026 |
| Multimodal | oui |
| Paramètres | 311 milliards |
| Paramètres actifs | 15 milliards |
| Fenêtre de contexte | 1 048 576 tokens (≈ 1,0 M) |
| Modalités (entrée → sortie) | text,image,video → text |
Indices de synthèse
| Indice | Valeur | Rang (LLM) |
|---|---|---|
| Intelligence Index | 40.1 | 20ᵉ / 136 |
Indices Artificial Analysis. Le rang situe le modèle parmi tous les LLM du catalogue disposant de l'indice.
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : General Knowledge (Baseline) | 100,0 % | 1ᵉ / 250 | benchable | ✅ Mesuré |
| Benchable : Ethics (Baseline) | 100,0 % | 1ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 99,0 % | 24ᵉ / 254 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 98,0 % | 71ᵉ / 229 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 98,0 % | 23ᵉ / 239 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 94,0 % | 38ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 94,0 % | 42ᵉ / 217 | benchable | ✅ Mesuré |
| PinchBench : agentique (OpenClaw, 147 tâches) | 89,7 % | 4ᵉ / 52 | pinchbench | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 74,0 % | 75ᵉ / 252 | benchable | ✅ Mesuré |
| Video-MME | 87,7 % | 4ᵉ / 17 | llm-stats | Auto-déclaré |
| GraphWalks | 87,0 % | 2ᵉ / 3 | llm-stats | Auto-déclaré |
| CharXiv-R | 81,0 % | 15ᵉ / 42 | llm-stats | Auto-déclaré |
| MMMU-Pro | 77,9 % | 17ᵉ / 60 | llm-stats | Auto-déclaré |
| Terminal-Bench 2.0 | 65,8 % | 15ᵉ / 48 | llm-stats | Auto-déclaré |
| VideoHolmes | 64,0 % | 3ᵉ / 3 | llm-stats | Auto-déclaré |
| Claw-Eval | 63,2 % | 6ᵉ / 12 | llm-stats | Auto-déclaré |
| SWE-Bench Pro | 56,1 % | 20ᵉ / 34 | llm-stats | Auto-déclaré |
| Finance Agent v2 | 36,7 % | 20ᵉ / 25 | llm-stats | n.d. |
« Auto-déclaré » : score communiqué par l'éditeur, non rejoué indépendamment. « Mesuré » : évalué par un tiers (Epoch AI, LiveBench). Le rang est calculé parmi les LLM évalués sur le même benchmark.
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.
Intelligence Index
Benchable : General Knowledge (Baseline)
Classements Arena (Elo)
| Catégorie | Elo | Rang |
|---|---|---|
| Arena Text | 1434 | 70ᵉ |
| Arena Code | 1432 | 34ᵉ |
| Arena Vision | 1239 | 35ᵉ |
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| DigitalOcean | 0,105 $ | 0,28 $ | n.d. |
| artificialanalysis | 0,14 $ | 0,28 $ | 0,0028 $ |
| novita | 0,168 $ | 0,336 $ | n.d. |
| deepinfra | 0,4 $ | 2 $ | n.d. |
Prix en dollars US par million de tokens.
Sa tarification se situe 95 % en dessous de la moyenne des LLM similaires, et 46 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût par exécution agentique — PinchBench (147 tâches) | 6,23 $ |
| Durée d'exécution — PinchBench | 3 h 17 min |
| Indice valeur/coût — PinchBench | 16,88 |
| Coût moyen par benchmark — Benchable | 0,18 $ |
| Latence moyenne par benchmark — Benchable | 11 min 38 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. C'est un modèle ouvert et permissif (MIT) à grande échelle, ce qui reste rare, avec une vraie polyvalence : texte, vision et audio réunis, contexte d'un million de tokens, et de bons résultats en agentique et sur les tâches longues (SWE-Bench Pro, TerminalBench, Video-MME). L'entraînement massif (environ 48 000 milliards de tokens) et la précision FP8 témoignent d'un investissement sérieux. Les 15 milliards de paramètres actifs limitent le coût d'inférence relatif à sa taille.
Limites et points d'attention. Ses 310 milliards de paramètres totaux rendent l'auto-hébergement exigeant malgré l'activation creuse. Le compute et le coût d'entraînement précis ne sont pas communiqués, et plusieurs chiffres proviennent de l'éditeur. La profusion de variantes (Base, standard, Pro de 1,02 trillion) peut compliquer le choix. Il vise les équipes cherchant un socle omni-modal ouvert à fort contexte.
Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai) · Artificial Analysis (artificialanalysis.ai) · Arena.ai (arena.ai) · PinchBench (pinchbench.com) · Benchable.ai (benchable.ai).