Mimo reúne os modelos multimodais de contexto longo da Xiaomi e os produtos de navegador, agente, terminal e interface construídos sobre eles, vendidos por uma via de pagamento por utilização e uma subscrição só para programar, com pesos publicados.
Já usou esta ferramenta? Avalie-a
Já usou esta ferramenta? Avalie-a
Mimo (apresentado nas próprias páginas como Xiaomi MiMo) é uma família de modelos grandes e os produtos para programadores construídos sobre eles, publicados pela Xiaomi; a página inicial descreve o conjunto como uma plataforma de inteligência universal. Não se trata de uma única aplicação: os mesmos modelos são alcançados por uma interface de conversa no navegador, um espaço de trabalho com agentes, um cliente de terminal, um de ambiente de trabalho e uma interface cobrada por utilização.
Dois modelos principais sustentam o conjunto. O MiMo-V2.5-Pro dedica-se ao raciocínio de longo curso e o MiMo-V2.5 é o membro nativamente multimodal, que aceita imagem, vídeo e áudio além de texto. Ambos oferecem uma janela de contexto de um milhão de tokens e saída máxima de 128K, o que coloca o centro de gravidade em trabalhos à escala de repositório e documentos longos, e não em trocas curtas.
Os pesos são publicados em vez de retidos: a organização de modelos da Xiaomi lista pontos de verificação transferíveis, entre eles uma versão Pro de um bilião de parâmetros e um MiMo-V2.5 de 311 mil milhões, de modo que a via alojada e a autogerida se comparam diretamente.
Um detalhe estrutural condiciona tudo o que se segue: o acesso é vendido em duas vias de faturação com credenciais e endereços separados, e essa escolha limita por contrato o que se pode construir.
A interface abrange geração de texto, compreensão de imagem, áudio e vídeo, reconhecimento e síntese de voz, pensamento aprofundado, saída estruturada, chamada de ferramentas e pesquisa web. A voz vive em modelos próprios em vez de integrada no chat: o MiMo-V2.5-ASR trata do reconhecimento em chinês, inglês e dialetos regionais, e a série MiMo-V2.5-TTS cobre vozes predefinidas, desenho de timbre e clonagem de timbre.
As capacidades não se distribuem de forma uniforme pela família. A documentação atribui a compreensão de imagens apenas ao mimo-v2.5, pelo que uma cadeia padronizada no modelo Pro por qualidade de raciocínio não lhe pode enviar imagens; a pesquisa web fica igualmente restrita aos dois modelos de texto principais.
Os modelos de voz operam em margens bem mais estreitas: reconhecimento com contexto de 8K e saída máxima de 2K, síntese com 8K de contexto e 8K de saída, ou seja serviços ao nível do pedido e não de contexto longo.
Os tetos são publicados por modalidade e não como uma regra única. Uma imagem entregue por ligação não pode ultrapassar 50 MB, o mesmo teto aplica-se à sua cadeia codificada em base64, e o número de píxeis fica limitado entre 8.192 e 8.388.608.
O vídeo é mais generoso por ligação e mais rígido com dados incorporados: um ficheiro entregue por ligação não pode ultrapassar 300 MB, enquanto a sua cadeia base64 tem de ficar abaixo de 50 MB. Os contentores aceites são MP4, MOV, AVI e WMV, a amostragem de fotogramas usa um parâmetro fps entre 0,1 e 10, e a extração para nos 2.048 fotogramas.
O pensamento aprofundado funciona nos dois modelos principais e altera o próprio pedido, não apenas a qualidade da resposta. Estes modelos não aceitam valores próprios de temperature e top_p, impondo 1.0 e 0.95, pelo que a amostragem não se ajusta enquanto o modo estiver ativo.
Pesa mais a regra das trocas de vários turnos. Combinado com chamadas de ferramentas, o campo de raciocínio tem de ser devolvido por inteiro ou a interface responde com um erro 400; omiti-lo degrada o cumprimento de instruções e aumenta as invenções. Os ciclos de agente que cortam campos intermédios para poupar tokens quebram aqui.
A pesquisa web corre de forma forçada ou desencadeada pelo reconhecimento de intenção do próprio modelo, e ajusta-se com parâmetros de amplitude de palavras-chave, número de resultados e localização aproximada. É uma extensão paga e não um interruptor gratuito: tem de ser ativada antes do uso, e após ativar ou desativar aplica-se um período de cache de cinco minutos.
Os limites de ritmo são publicados por modelo e somados por conta: ambos os modelos principais permitem 100 pedidos e 10 milhões de tokens por minuto, e o reconhecimento de voz também 100 pedidos, mas com um orçamento bem menor de 10.000 tokens. O teto soma o tráfego de todas as chaves de uma conta que chamam esse modelo.
Como os pontos de acesso reproduzem dois protocolos muito difundidos, a via documentada consiste em reconfigurar uma ferramenta já em uso. Entre as integrações documentadas estão o próprio MiMo Code do fabricante e clientes de terceiros como OpenCode, OpenClaw, Claude Code, Codex, Hermes Agent, Kilo Code, Cline, Cherry Studio, Qwen Code e CodeBuddy, todos configurados da mesma forma: apontar o endereço ao ponto de acesso compatível com OpenAI ou Anthropic e indicar a chave da sua via.
Sessões de programação à escala de repositório. O MiMo Code é um assistente nativo de terminal que lê e escreve código, executa comandos, gere o Git e mantém um sistema de memória persistente com que conserva a compreensão de um projeto entre sessões. Os modos de agente de construção, planeamento e composição, a orquestração de subagentes em paralelo e as ligações ao protocolo de contexto de modelo encaixam em reformulações de vários passos e não em retoques a um só ficheiro.
Análise de documentos longos e média mista. A janela de um milhão de tokens com entrada nativa de imagem, vídeo e áudio cobre acervos que de outro modo teriam de ser fatiados, desde que o trabalho seja encaminhado para o modelo que aceita essas entradas.
Fluxos de agente que produzem entregáveis. O MiMo Claw é um espaço de trabalho com agentes, não uma janela de conversa: gera, pré-visualiza, edita e exporta documentos através de uma suite de escritório integrada, gere ficheiros com transferência em lote e corre várias conversas e tarefas em paralelo.
Produtos de voz. A clonagem de timbre a partir de uma única amostra, o desenho de timbre e as vozes predefinidas são modelos distintos, pelo que um produto escolhe o grau de controlo de que precisa em vez de aceitar uma voz fixa.
Avaliar antes de assumir compromisso. Os pontos de verificação publicados permitem comparar primeiro o ponto de acesso alojado com uma cópia autogerida dos mesmos pesos.
Boa escolha: programadores que já usam um cliente compatível com OpenAI ou Anthropic, já que a migração é sobretudo configuração e a lista de integrações documentadas cobre a maioria dos fluxos de terminal e de editor.
Boa escolha: equipas cujo trabalho é mesmo de contexto longo. Uma janela de um milhão de tokens com 128K de saída só compensa o preço quando documentos, repositórios ou trajetórias de agente atingem de facto essa escala.
Escolha mista: equipas que esperam sustentar o servidor de um produto com uma subscrição. Essa via está limitada por contrato a ferramentas de programação, pelo que o tráfego de servidor e automatização tem de seguir a via de pagamento por utilização, e uma equipa que precise de ambas financia dois sistemas.
Má escolha: compradores que exigem contas de organização, reembolso ou um compromisso de privacidade verificável antes de assinar. O início de sessão limita-se a contas pessoais, os reembolsos não são aceites atualmente, e as páginas de política de privacidade e de condições não devolveram texto legível nesta verificação, pelo que esses compromissos não puderam ser confirmados na fonte.
Má escolha: equipas da União Europeia, do Reino Unido ou da Coreia que precisem dos modelos em pré-visualização, documentados como indisponíveis nesses mercados de momento.
O acesso reparte-se por superfícies distintas em vez de se concentrar numa só aplicação:
O código-fonte do cliente de terminal é publicado sob licença MIT, acompanhado de restrições de uso e de uma política de marca à parte.
Vendem-se duas vias em paralelo, e o saldo de pagamento por utilização não é explicitamente permutável com a quota de subscrição. As tarifas por utilização são publicadas por milhão de tokens, em yuans para a China e em dólares para o resto:
| Modelo | Região | Entrada em cache | Entrada fora de cache | Saída |
|---|---|---|---|---|
| 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 |
Duas rubricas ficam fora dessa tabela. O reconhecimento de voz é cobrado por duração de áudio, a 0,074 dólares por hora fora da China e 0,5 yuans dentro; a pesquisa web custa 5 dólares por mil pedidos fora e 16 yuans por mil dentro, além dos tokens que as páginas recolhidas consomem. As escritas em cache e os modelos de síntese de voz são gratuitos por tempo limitado, pelo que o total de hoje não é uma previsão estável.
A via de subscrição vende quatro escalões com quota mensal: Lite por 6 dólares ao mês com 4,1 mil milhões de créditos, Standard por 16 dólares com 11 mil milhões, Pro por 50 dólares com 38 mil milhões e Max por 100 dólares com 82 mil milhões, custando a compra anual cerca de doze vezes o valor mensal. Esgotada a quota mensal, o sistema para o serviço em vez de passar à cobrança por utilização, e os reembolsos não são aceites atualmente.
Um diretório de software independente classifica o produto como ferramenta de modelos de linguagem grandes e nomeia os assistentes com que os compradores o pesam, entre eles ChatGPT, DeepSeek, Claude, Google Gemini, Qwen, Kimi e Microsoft Copilot. O sinal útil é que o conjunto de comparação é o mercado geral de assistentes e não um nicho.
Para o cliente de terminal a comparação é mais estreita mas melhor medida. A cobertura independente regista o MiMo Code com 62 % no SWE-bench Pro contra 55 % do Claude Code com o Claude Sonnet 4.6, e 73 % contra 69 % no Terminal Bench 2. A mesma cobertura nota que a Xiaomi não publicou comparações com as ferramentas de linha de comandos de outros dois fabricantes, e que na tabela pública outro modelo obteve 82,7 % no Terminal Bench 2, acima do valor aqui reivindicado.
Sobre o modelo em si, um serviço de medição independente atribui ao MiMo-V2.5-Pro um índice de inteligência de 26, bem acima da mediana de 17 dos modelos de pesos abertos de dimensão comparável, mas regista uma saída de 35,3 tokens por segundo contra uma mediana de 66,7. Esse resultado paga-se com velocidade.
O acesso também não fica preso a um vendedor. O modelo multimodal é revendido em pelo menos um mercado com tarifas e um teto de contexto diferentes dos do fabricante, pelo que vale comparar preços antes de padronizar no ponto de acesso próprio.
Não por completo, porque o acesso é vendido em duas vias. O uso da interface por consumo é cobrado por token desde a primeira chamada, e a subscrição começa em 6 dólares ao mês. Algumas partes são gratuitas de forma temporária: as escritas em cache e os modelos de síntese de voz, e o espaço de trabalho com agentes saiu antes como versão de ensaio gratuita.
Não. O pacote de subscrição limita-se a ferramentas de programação e proíbe chamadas de interface para cenários claramente alheios à programação, como scripts automatizados e servidores de aplicações próprias, tendo como consequência declarada a suspensão do serviço e o bloqueio da chave. Os servidores de aplicações pertencem à via de pagamento por utilização.
Para o mimo-v2.5. A compreensão de imagens está documentada para esse modelo e não para toda a família, e uma imagem fica limitada a 50 MB, com o número de píxeis entre 8.192 e 8.388.608.
Em parte sim. Os pontos de verificação estão publicados para transferência e o código-fonte do cliente de terminal sai sob licença MIT. Alojar um modelo de um bilião de parâmetros continua a exigir infraestrutura séria, pelo que é uma opção de avaliação e controlo mais do que uma saída barata.
A medição independente coloca a saída em 35,3 tokens por segundo contra uma mediana de 66,7, e o tempo até ao primeiro token em 3,40 segundos contra 2,32, enquanto pontua a sua inteligência bem acima dessa mediana. A troca é qualidade por latência.
O serviço para. A documentação indica que, esgotada a quota mensal total do pacote, o sistema para o serviço, e não descreve passagem automática à cobrança por utilização. Como os reembolsos não são aceites atualmente, importa dimensionar bem o escalão.
