Mimo reúne los modelos multimodales de contexto largo de Xiaomi y los productos de navegador, agente, terminal e interfaz construidos sobre ellos, vendidos por una vía de pago por uso y una suscripción solo para programar, con pesos publicados.
¿Has usado esta herramienta? Valórala
¿Has usado esta herramienta? Valórala
Mimo (presentado en sus páginas como Xiaomi MiMo) es una familia de modelos grandes y los productos para desarrolladores construidos sobre ellos, publicados por Xiaomi; su página de inicio lo describe como una plataforma de inteligencia universal. No es una sola aplicación: los mismos modelos se alcanzan desde una interfaz de conversación en el navegador, un espacio de trabajo con agentes, un cliente de terminal, uno de escritorio y una interfaz facturada por uso.
Dos modelos insignia sostienen el conjunto. MiMo-V2.5-Pro se orienta al razonamiento de largo recorrido y MiMo-V2.5 es el miembro nativamente multimodal, que admite imagen, vídeo y audio además de texto. Ambos ofrecen una ventana de contexto de un millón de tokens y salida máxima de 128K, lo que sitúa el centro de gravedad en trabajos a escala de repositorio y documentos largos, no en intercambios breves.
Los pesos se publican en lugar de reservarse: la organización de modelos de Xiaomi enumera puntos de control descargables, entre ellos una versión Pro de un billón de parámetros y un MiMo-V2.5 de 311.000 millones, así que la vía alojada y la autogestionada se comparan directamente.
Un detalle estructural condiciona todo lo que sigue: el acceso se vende en dos vías de facturación con credenciales y direcciones separadas, y esa elección limita por contrato lo que se permite construir.
La interfaz abarca generación de texto, comprensión de imagen, audio y vídeo, reconocimiento y síntesis de voz, pensamiento profundo, salida estructurada, llamada a herramientas y búsqueda web. La voz reside en modelos propios y no integrada en el chat: MiMo-V2.5-ASR cubre el reconocimiento en chino, inglés y dialectos regionales, y la serie MiMo-V2.5-TTS cubre voces predefinidas, diseño de timbre y clonación de timbre.
Las capacidades no se reparten de manera uniforme por la familia. La documentación asigna la comprensión de imágenes solo a mimo-v2.5, así que una cadena estandarizada en el modelo Pro por calidad de razonamiento no puede enviarle imágenes; la búsqueda web queda igual de restringida a los dos modelos de texto insignia.
Los modelos de voz operan en márgenes mucho más estrechos: reconocimiento con contexto de 8K y salida máxima de 2K, síntesis con 8K de contexto y 8K de salida, es decir servicios por petición y no de contexto largo.
Los topes se publican por modalidad, no como una regla única. Una imagen entregada por enlace no debe superar los 50 MB, el mismo tope se aplica a su cadena base64, y el número de píxeles queda acotado entre 8.192 y 8.388.608.
El vídeo es más generoso por enlace y más estricto con datos incrustados: un archivo entregado por enlace no debe superar los 300 MB, y su cadena base64 debe quedar por debajo de 50 MB. Los contenedores admitidos son MP4, MOV, AVI y WMV, el muestreo se controla con un parámetro fps entre 0,1 y 10, y la extracción se detiene en 2.048 fotogramas.
El pensamiento profundo funciona en ambos modelos insignia y altera la propia petición, no solo la calidad de la respuesta. Estos modelos no admiten valores propios de temperature ni top_p, sino que imponen 1.0 y 0.95, así que el muestreo no se ajusta mientras el modo está activo.
Pesa más la regla de los intercambios de varios turnos. Con llamadas a herramientas, el campo de razonamiento debe devolverse íntegro o la interfaz responde con un error 400; omitirlo degrada el seguimiento de instrucciones y aumenta las invenciones. Los bucles de agente que recortan campos intermedios para ahorrar tokens se rompen aquí.
La búsqueda web se ejecuta forzada o activada por el reconocimiento de intención del propio modelo, y se ajusta con parámetros de amplitud de palabras clave, número de resultados y ubicación aproximada. Es una extensión de pago y no un interruptor gratuito: debe activarse antes de usarla, y tras activarla o desactivarla se aplica un periodo de caché de cinco minutos.
Los límites de ritmo se publican por modelo y se agregan por cuenta: ambos modelos insignia permiten 100 peticiones y 10 millones de tokens por minuto, y el reconocimiento de voz también 100 peticiones, pero con un presupuesto muy menor de 10.000 tokens. El tope suma el tráfico de todas las claves de una cuenta que llaman a ese modelo.
Como los extremos reproducen dos protocolos muy extendidos, la vía documentada consiste en reconfigurar una herramienta que ya se use. Entre las integraciones documentadas figuran el propio MiMo Code del fabricante y clientes de terceros como OpenCode, OpenClaw, Claude Code, Codex, Hermes Agent, Kilo Code, Cline, Cherry Studio, Qwen Code y CodeBuddy, todos configurados igual: apuntar la dirección al extremo compatible con OpenAI o con Anthropic y aportar la clave de su vía.
Sesiones de programación a escala de repositorio. MiMo Code es un asistente nativo de terminal que lee y escribe código, ejecuta órdenes, gestiona Git y conserva un sistema de memoria persistente con el que mantiene su comprensión de un proyecto entre sesiones. Los modos de agente de construcción, planificación y composición, la orquestación de subagentes en paralelo y las conexiones al protocolo de contexto de modelo encajan con reformas de varios pasos más que con retoques de un archivo.
Análisis de documentos largos y medios mixtos. La ventana de un millón de tokens con entrada nativa de imagen, vídeo y audio cubre archivos que de otro modo habría que trocear, siempre que el trabajo se dirija al modelo que admite esas entradas.
Flujos de agente que producen entregables. MiMo Claw es un espacio de trabajo con agentes, no una ventana de chat: genera, previsualiza, edita y exporta documentos mediante una suite ofimática integrada, gestiona archivos con descarga por lotes y ejecuta varias conversaciones y tareas en paralelo.
Productos de voz. La clonación de timbre desde una sola muestra, el diseño de timbre y las voces predefinidas son modelos distintos: un producto elige el grado de control que necesita en vez de aceptar una voz fija.
Evaluar antes de comprometerse. Los puntos de control publicados permiten comparar primero el extremo alojado con una copia autogestionada de los mismos pesos.
Buena opción: desarrolladores que ya usan un cliente compatible con OpenAI o Anthropic, pues la migración es sobre todo configuración y la lista de integraciones documentadas cubre la mayoría de los flujos de terminal y editor.
Buena opción: equipos cuyo trabajo es realmente de contexto largo. Una ventana de un millón de tokens con 128K de salida solo compensa su precio cuando documentos, repositorios o trayectorias de agente alcanzan de verdad esa escala.
Opción mixta: equipos que esperan sostener el servidor de un producto con una suscripción. Esa vía está limitada por contrato a herramientas de programación, así que el tráfico de servidor y automatización debe ir por pago por uso, y un equipo que necesite ambas financia dos sistemas.
Mala opción: compradores que exigen cuentas de organización, reembolso o un compromiso de privacidad verificable antes de firmar. El inicio de sesión se limita a cuentas personales, los reembolsos no se admiten, y las páginas de privacidad y condiciones no devolvieron texto legible en esta comprobación, así que esos compromisos no pudieron confirmarse en la fuente.
Mala opción: equipos de la Unión Europea, el Reino Unido o Corea que necesiten los modelos en vista previa, documentados como no disponibles actualmente en esos mercados.
El acceso se reparte entre superficies distintas en lugar de concentrarse en una sola aplicación:
El código fuente del cliente de terminal se publica bajo licencia MIT, acompañado de restricciones de uso y una política de marca aparte.
Se venden dos vías en paralelo, y el saldo de pago por uso no es explícitamente intercambiable con la cuota de suscripción. Las tarifas por uso se publican por millón de tokens, en yuanes para China y en dólares para el resto:
| Modelo | Región | Entrada en caché | Entrada sin caché | Salida |
|---|---|---|---|---|
| mimo-v2.5-pro | Internacional | $0.0036 | $0.435 | $0.87 |
| mimo-v2.5 | Internacional | $0.0028 | $0.14 | $0.28 |
| mimo-v2.5-pro | China | ¥0.025 | ¥3.00 | ¥6.00 |
| mimo-v2.5 | China | ¥0.02 | ¥1.00 | ¥2.00 |
Dos partidas quedan fuera de esa tabla. El reconocimiento de voz se cobra por duración de audio, a 0,074 dólares la hora fuera de China y 0,5 yuanes dentro; la búsqueda web cuesta 5 dólares por mil peticiones fuera y 16 yuanes por mil dentro, además de los tokens que consumen las páginas recuperadas. Las escrituras en caché y los modelos de síntesis de voz son gratuitos por tiempo limitado, así que el total de hoy no es una previsión estable.
La vía de suscripción vende cuatro niveles con cuota mensual: Lite por 6 dólares al mes con 4.100 millones de créditos, Standard por 16 dólares con 11.000 millones, Pro por 50 dólares con 38.000 millones y Max por 100 dólares con 82.000 millones, con la compra anual a unas doce veces el importe mensual. Cuando la cuota mensual se agota, el sistema detiene el servicio en lugar de pasar al cobro por uso, y los reembolsos no se admiten actualmente.
Un directorio de software independiente clasifica este producto como herramienta de modelos de lenguaje grandes y nombra a los asistentes con los que los compradores lo sopesan, entre ellos ChatGPT, DeepSeek, Claude, Google Gemini, Qwen, Kimi y Microsoft Copilot. La señal útil es que el conjunto de comparación es el mercado general de asistentes y no un nicho.
Para el cliente de terminal la comparación es más estrecha pero está mejor medida. La cobertura independiente registra a MiMo Code con un 62 % en SWE-bench Pro frente al 55 % de Claude Code junto a Claude Sonnet 4.6, y un 73 % frente a un 69 % en Terminal Bench 2. Esa misma cobertura señala que Xiaomi no publicó comparaciones con las herramientas de línea de órdenes de otros dos fabricantes, y que en la clasificación pública otro modelo obtuvo un 82,7 % en Terminal Bench 2, por encima de la cifra aquí reivindicada.
Sobre el modelo en sí, un servicio de medición independiente otorga a MiMo-V2.5-Pro un índice de inteligencia de 26, bastante por encima de la mediana de 17 de los modelos de pesos abiertos comparables, aunque registra una salida de 35,3 tokens por segundo frente a una mediana de 66,7. Ese resultado se paga con velocidad.
El acceso tampoco queda atado a un vendedor. El modelo multimodal se revende en al menos un mercado con tarifas y un tope de contexto distintos de los del fabricante, así que conviene comparar precios antes de estandarizarse en el extremo propio.
No del todo, porque el acceso se vende en dos vías. El uso por consumo se cobra por token desde la primera llamada, y la suscripción arranca en 6 dólares al mes. Algunas partes son gratuitas de forma temporal: las escrituras en caché y los modelos de síntesis de voz, y el espacio de trabajo con agentes salió antes como versión de prueba gratuita.
No. El paquete de suscripción se limita a herramientas de programación y prohíbe las llamadas de interfaz para escenarios claramente ajenos a la programación, como scripts automatizados y servidores de aplicaciones propias, con la suspensión del servicio y el bloqueo de la clave como consecuencia declarada. Los servidores de aplicaciones corresponden a la vía de pago por uso.
A mimo-v2.5. La comprensión de imágenes está documentada para ese modelo y no para toda la familia, y una imagen queda limitada a 50 MB, con el número de píxeles acotado entre 8.192 y 8.388.608.
En parte sí. Los puntos de control se publican para su descarga y el código fuente del cliente de terminal aparece bajo licencia MIT. Alojar un modelo de un billón de parámetros sigue exigiendo infraestructura seria, así que es una opción de evaluación y control más que una salida barata.
La medición independiente sitúa la salida en 35,3 tokens por segundo frente a una mediana de 66,7, y el tiempo hasta el primer token en 3,40 segundos frente a 2,32, mientras que puntúa su inteligencia bastante por encima de esa misma mediana. El intercambio es calidad a cambio de latencia.
El servicio se detiene. La documentación indica que, cuando se agota la cuota mensual total del paquete, el sistema detiene el servicio, y no describe un paso automático al cobro por uso. Como los reembolsos no se admiten actualmente, importa dimensionar bien el nivel.
