MiMo-V2.5-Pro 实测两天，我把它排在 GLM-5.1 和 Kimi K2.6 之间

发表于 更新于 分类于 阅读次数： 本文字数： 4.7k 阅读时长 ≈ 4 分钟

cover

大家好，我是飞飞。

这周我已经写了四篇 AI 大新闻了：周一 Copilot 停注册 + Claude Code 从 Pro 下架，周三的 /ultraview 实测，昨天上午的 GPT-5.5，昨天下午的 DeepSeek V4。

本来想歇一天。但群里从前天凌晨开始就一直有人在问同一件事：小米那个 MiMo-V2.5-Pro 到底值不值得切。

我自己是 Claude Max 5x $100/月的订阅者，主力一直是 Claude Code + Sonnet 4.6。按理说这种国产新模型离我有点远。但这次问的人实在太多，再加上卡兹克昨天那篇实测把”国内最适合 Claude Code 的新模型”这个判断甩出来之后，我觉得自己也得花一天跑一跑，才能给朋友回个靠谱答复。

所以这篇不是发布新闻稿。它是我发布两天之后，把能搜到的官方数据、卡兹克的实测、Linux.do 上社区的吐槽、加上我自己在 Claude Code 里跑的一个小任务，摞在一起想看清楚一件事：MiMo-V2.5-Pro 在国内开源模型里到底排第几。

先把今天能查到的 MiMo-V2.5-Pro 硬数字摆出来

4 月 23 日凌晨小米突然甩出了 MiMo-V2.5 系列一共四款模型，旗舰是 V2.5-Pro，距离上一代 V2-Pro 只过了 36 天。

关键规格：

  • 参数：MoE 架构，总参数 309B，激活 15B。对比同期 GLM-5.1 是 754B、DeepSeek V4-Pro 是 1.6T。MiMo 是这一批里激活量最小的。
  • 上下文：原生 1M token。
  • 价格：0 到 256k 区间是 ¥7/¥21 per M tokens（输入/输出），256k 到 1M 区间是 ¥14/¥42。折合美元 $1.0/$3.0 起步。
  • Token Plan：小米这次同步推出了订阅计划，不区分 256k 和 1M，统一收费。
  • 开源：V2.5-Pro 和 V2.5 宣布将全球开源，公测期先放 API。

跑分我挑几个相对硬的数字：

  • SWE-bench Pro：57.2%。作为对比，Claude Opus 4.7 是 64.3%，GPT-5.5 是 58.6%，GLM-5.1 是 58.4%，Kimi K2.6 是 58.6%。V2.5-Pro 的 57.2% 挨着 GPT-5.5 和 GLM-5.1 这条线，比 Opus 4.7 低 7 个点。
  • AA 榜：与 Kimi K2.6 并列开源第一。
  • Token 效率：官方数据，V2.5-Pro 在同等 benchmark 分数下比 Kimi K2.6 少用 42% 的 token。
  • 宣传案例：4.3 小时完成北大本科生编译原理课程的项目。180nm CMOS FVF-LDO 稳压器的模拟电路设计，接 ngspice 仿真循环，1 小时搞定资深工程师几天的工作。

价格对比 Claude Opus 4.6 的 $5/$25，V2.5-Pro 便宜大概 60%。对比昨天 DeepSeek V4-Pro 的 $1.74/$3.48，两家定价几乎贴脸。

这一轮国产模型的”价格屠夫”帽子谁戴都不再有那种冲击力了。大家都在同一个档位。

罗福莉 36 天交一代，这个速度本身就是信号

MiMo-V2 是 2026 年 3 月发布的，V2.5 是 4 月 23 日。36 天一代。

这个节奏在今年的国产模型里属于第一档。GLM 是 4 月 7 日发 5.1（距 5.0 大概 2 个月），Kimi K2.6 是 4 月 21 日。

带队的是罗福莉（前 DeepSeek 核心成员）。她在发上一代 V2 的时候说过”未来模型足够稳定后我们会开源”。这次 V2.5 直接把开源计划写进了公告。36 天之后就把”稳定”两个字认下来，这件事我觉得比跑分更值得看。

上一代 V2-Pro 的发布方式也挺有意思。MiMo-V2-Pro 在发布前用”Hunter Alpha”这个代号，在 OpenRouter 上匿名霸榜了一周，才被小米宣布是自家的。这一代 V2.5 用的是直接开公测的做法，等于对自己的上一代结果有信心到不需要再跑一遍匿名盲测了。

对我来说，一个 36 天能把总参数从 V2-Pro 的 1T 级降到 V2.5-Pro 的 309B、激活只剩 15B、还能保持 SWE-bench Pro 57.2% 的团队，就是国内值得跟的团队之一。

Token 效率比 Kimi K2.6 少 42% 这件事对开发者意味着什么

这次 V2.5-Pro 对外讲的最硬的一个差异化点，是 Token 效率。

官方原话：在同等 benchmark 分数下，V2.5-Pro 比 Kimi K2.6 少用 42% 的 token。

这个数字如果是真的，那它对在 Claude Code 里跑 Agent 的开发者是个很实际的利好。Agent 工作流最大的成本黑洞是反复的工具调用和思维链展开。同样一个任务，你用 Kimi 跑可能烧 20 万 token，用 V2.5-Pro 大概烧 12 万就能跑完。在 Claude Code 这种一次会话动不动几十轮工具调用的场景里，42% 的节省可以直接翻译成”同一个 Token Plan 额度多跑一个星期”。

当然这是官方数据。我自己跑了一个不严谨的小对照（下一节会讲），感觉在我的场景里大概是 30% 左右，没到 42%。但即使打个八折，也仍然是一个明显的优势。

价格加上这个效率差，V2.5-Pro 跑 agentic 任务的单位成本理论上能做到 Opus 4.7 的 1/8 到 1/10。官方那句”推理成本仅为国际闭源旗舰的 2.5%”，数学上能对得上。

我在 Claude Code 里接上它跑了一个小任务

先说怎么接。

最简单的路径还是通过 cc-switch 这种代理工具，把 Claude Code 的模型端点切到 MiMo 开放平台的 API。cc-switch 里直接有 Xiaomi MiMo 的供应商选项，填 API Key 和模型名 mimo-v2.5-pro 就完事了。卡兹克周一那篇 Claude Code 国内使用保姆级教程里写得很清楚，我这里就不重复了。

接上之后我让它做的任务是一个我 Hexo 博客的小需求：读 source/_posts/ 下所有文章的 frontmatter，按 categories 字段分组，为每个分类生成一个单独的 RSS 子 feed XML 文件。

挑这个任务的理由我想过。模型得做真实的目录扫描和 IO，得认得 Hexo frontmatter 这种 LLM 语料里不常见的格式，最后生成的 XML 还不能错一个闭合标签（错一个整个 feed 就废）。这三件事合起来能同时考验它的工具调用稳定性、指令遵循和格式严谨度。

跑下来的观察：

工具调用这块，MiMo-V2.5-Pro 没有出任何问题。它先跑了一遍 ls source/_posts/，然后抽了三篇读 frontmatter 确认格式，然后才开始写代码。这个顺序我比较喜欢，有条理，也没有像卡兹克那个 case 里”直接自己决定域名往服务器上怼”那种越权行为。

生成的 RSS XML 一次通过，标签闭合没出错，pubDate 格式是正确的 RFC 822，我用 xmllint 过了一遍没报错。

中间也有两个小瑕疵。一是它自作主张加了一个 <atom:link rel="self"> 字段，但 atom: 的 xmlns 声明忘了加，第一版跑出来是不合法的。我指出之后它自己改了。二是它默认把 description 字段取的是文章的第一段，但我希望是 frontmatter 里的 description 字段。这个是我没说清楚，不算模型问题。

整个任务从口述需求到拿到一个能跑的 Rakefile 级别的脚本，大概 15 分钟。token 消耗我没精确对照 Sonnet 4.6，但感觉是同一个量级下稍微省一点。

Linux.do 上那条负面反馈我不能绕开

在网上搜这两天的实测反馈时，我翻到 Linux.do 上有一条评测帖。作者是私有 bench 路线的，他的结论是：”基础还算扎实，但比 GLM 还差点。而且很多有背题嫌疑。”他还特别点出一个问题：”思维链无限循环撑爆上下文，然后空回。”

这两条吐槽我都想留一下。

“比 GLM 差点”在我的实测里能对得上一部分。GLM-5.1 在 SWE-bench Pro 上是 58.4%，V2.5-Pro 是 57.2%。1.2 个点的差距不算巨大，但确实是落后的。在前端 UI 这类场景上，GLM-5.1 的审美明显更好（卡兹克自己也承认 V2.5-Pro 的前端审美还没跟上），这一条我在自己跑的 RSS feed 任务里体感不出来，但去翻 OpenRouter 上别人跑的前端生成对照能看出来。

“背题嫌疑”这一条我暂时没法独立验证。MoE 架构的模型常见的通病之一就是在公开 benchmark 上表现比在私有 bench 上好（不只是 MiMo 一家）。这个指控需要更多私有 bench 数据交叉比对，我不下结论，但会把这条留在心里。

“思维链无限循环”这一条我自己没撞上。但卡兹克的文章里虽然没明说是这个问题，他提到过”笨一点的模型在部署流程这一步会直接失败”，隐含的背景也可能是某些国产模型在长任务上的稳定性确实不够。V2.5-Pro 在这一条上有没有比 V2-Pro 改善，目前看实测样本还不够。

不回避这些负面反馈，是我判断一个模型能不能长期用的底线。

我现在会给谁推荐 MiMo-V2.5-Pro

跑完这一整套之后我的判断分成几档，按现在问我最多的顺序排。

我自己：不切。Claude Max 5x 的 Sonnet 4.6 在代码生成的稳定性和 skill 调用的默契度上，我还是没看到足够的理由切过去。内容创作那边昨天 DeepSeek V4 出来之后已经定了切过去，代码场景暂时不动。

抢不到 GLM Coding Plan、或者干脆连 Claude 账号都开不了的朋友，V2.5-Pro 是我现在会优先推你的那一档。以前这个场景最好的兜底是 Kimi K2.6，但 V2.5-Pro 在 token 效率上有 42% 的理论优势，价格又差不多，Claude Code 适配做得也更细。卡兹克那句”目前国内配合 Claude Code 最好的模型之一”的判断，在”抢不到一线券商位”的场景下我能跟着点头。

但有一类人我建议先等：每天要跑几小时不中断 agentic 长任务的那批。Linux.do 那条”思维链循环”在长任务上是个真实风险点，社区需要更多时间跑出来。Kimi K2.6 目前在 Terminal-Bench 2.0 上拿到 66.7%，持续 4000+ 工具调用 13 小时不中断这个纪录，V2.5-Pro 目前没有公开数据追平。这类场景我还是推 K2.6。

至于只做前端、对审美敏感的那批朋友，切 GLM-5.1 就好，别在 V2.5-Pro 上浪费时间。卡兹克和 Linux.do 的反馈高度一致：V2.5-Pro 的前端审美目前就是在一线模型里垫底。

场景选择决策图

这 36 天会不会变成 18 天才是下一个要盯的事

写到这里我想留一个真实问题。

MiMo 团队从 V1.0 开源到 V2-Pro 发布用了大约 5 个月。从 V2-Pro 到 V2.5-Pro 只用了 36 天。

如果下一次迭代再压到 18 天，那”小米 MiMo 团队”就会从”值得跟的国产团队之一”变成”国内开源模型节奏最快的那一个”。前提是这个速度不是以牺牲测评真实度换来的（这也是 Linux.do 那条”背题嫌疑”最需要被社区持续检验的地方）。

我接下来两周会做一件事：把这次 RSS feed 任务用 V2.5-Pro、GLM-5.1、Kimi K2.6 各跑一遍完整流程，包括 debug、修改、重跑，然后把每个模型的 token 消耗和任务完成度记下来。等下一代 V3 或者 V2.6 出来，我再跑一次对照。

评论区想问两个具体问题。

在 Claude Code 里已经接上 MiMo-V2.5-Pro 的朋友，这两天你遇到的最大的坑是什么？思维链循环这个问题你撞过吗？

还有一个我自己最想知道的：你手头有没有一个跨模型的私有 bench？如果有，你愿意把 V2.5-Pro 的私有分数和你的其他模型分数贴一份出来吗？这两天我一直觉得，公开 benchmark 和私有 bench 的分差已经大到让”开源第一”这种官方表述越来越不够用了。