小米双模型正式开源：MiMo-V2.5-Pro 4小时自主构建macOS，长程任务与Token效率领跑

事件概述

小米于2026年4月29日正式宣布开源MiMo-V2.5系列模型，涵盖四大核心组件：Pro旗舰Agent、全模态基座、TTS（文本转语音）及ASR（自动语音识别）。该系列模型主打长程任务处理与模糊指令遵循能力，标志着国产Agent技术进入第一梯队。

核心性能与实测表现

1. 长程任务自主执行能力

• macOS系统构建实测：MiMo-V2.5-Pro在4小时内全程无中断、无人工接管，自主完成了类“macOS Sequoia”桌面系统的构建。

  • 成果细节：实现了开机动画、窗口管理、Dock栏缩放、Spotlight搜索、明暗模式切换及Launchpad启动台等功能；内置54个原生应用（含计算器、日历、地图、备忘录及3D绘图工具Grapher），并集成了可真实浏览网页的Safari浏览器。
  • 技术架构：基于React 18+TypeScript+Zustand+Tailwind CSS+Vite构建，包含68个组件，完整复刻了窗口状态机逻辑（拖拽、缩放、层级管理及Traffic Lights三色灯交互）。

• 复杂工程挑战：在北大SysY项目测试中，模型从零编写完整编译器（涵盖词法分析、语法分析、中间代码生成、RISC-V后端及性能优化）。

  • 数据表现：耗时4.3小时，完成672次工具调用，最终获得233/233满分，展现了极强的稳定性与记忆保持能力。

2. 基准测试与成本效率

• 国际对标：在Coding Agent、SWE-Bench Pro、GDPVal-AA等权威基准测试中，成绩逼近Claude Opus 4.6、GPT-5.4等国际顶尖闭源模型，并大幅超越Gemini 3.1 Pro。
• Token效率优势：在ClawEval标准Agent任务中，单轨迹仅需约7万Token即可达到64%的Pass³通过率，相比竞品（普遍需12-18万Token）节省40%-60%成本。
• 上下文窗口：全系标配1M上下文窗口，支持超千次工具调用的长周期任务。

3. 语音与多模态能力

• TTS（语音合成）：支持文本描述造音色与零样本克隆，无需参考音频即可生成目标声线。
• ASR（语音识别）：达到中英SOTA水平，支持粤语、川语、吴语、闽南语识别及伴奏歌词精准转写，识别准确率高达99.999%。

开发者生态与支持计划

为降低使用门槛并加速生态建设，小米推出以下举措：

• 计费优化：1M上下文窗口采用简化计费规则，Pro版倍率从4x降至2x，标准版从2x降至1x；夜间（北京时间00:00~08:00）享8折优惠。
• 百万亿Token激励：面向全球个人开发者、团队及企业发放100万亿Token，完全免费，按需评估发放。
• 新兴框架扶持：提供MiMo Orbit计划，对全球新兴Agent框架提供限免接入及底层适配技术支持，降低集成门槛。

关键结论

MiMo-V2.5系列在短短4个月内完成从入场到开源第一梯队的跨越，其核心突破在于将长程任务执行力、模糊指令理解力与高Token效率相结合。通过全栈模型升级与激进的开发者扶持政策，小米试图在由国际巨头主导的AI生态中建立差异化优势。