Компания представляет MiMo-V2-Pro, свою новейшую флагманскую базовую модель, разработанную специально для решения реальных задач в области агентной разведки. Эта система позиционируется как интеллектуальное ядро для агентных экосистем, способное управлять сложными рабочими процессами, решать задачи производственного инжиниринга и обеспечивать стабильность работы. С запуском MiMo-V2-Pro происходит переход от простого программирования к полноценному управлению с помощью продвинутых инструментов, что расширяет горизонты применения искусственного интеллекта.
Масштабирование и архитектурные особенности
Благодаря увеличению размера модели и вычислительных мощностей, MiMo-V2-Pro построена на значительно более прочном фундаменте. Согласно данным индекса Artificial Analysis Intelligence Index, который служит мировым эталоном для оценки комплексного интеллекта моделей, новая разработка занимает восьмое место в глобальном рейтинге и второе место среди китайских языковых моделей.
Общее количество параметров системы превышает один триллион, при этом количество активных параметров составляет 42 миллиарда, что примерно в три раза больше, чем у предыдущей версии MiMo-V2-Flash. Модель унаследовала механизм гибридного внимания от предшественника, однако коэффициент был увеличен с 5:1 до 7:1. Это позволяет обеспечить значительно больший масштаб вычислений при сохранении высокой эффективности вывода данных. Архитектура поддерживает контекстное окно объемом до одного миллиона токенов, а легкий слой многопотокенного предсказания (MTP) гарантирует быструю генерацию ответов.
Эволюция от чата к полноценному агенту
Основная цель разработчиков заключалась в том, чтобы модель вышла за рамки простых ответов на вопросы или создания демонстрационных примеров. Благодаря масштабированию после обучения система готова выполнять конкретные задачи и глубоко интегрироваться в сценарии повышения производительности. МиМО рассматривает эту модель как мозг для систем и рабочих процессов, которые должны приносить измеримый результат в реальной деятельности.
Показатели эффективности и сравнение с конкурентами
МиМО-В2-Про демонстрирует высокие результаты в ключевых тестах производительности агентов. Ее возможности в области программирования превосходят показатели Claude 4.6 Sonnet, а общая эффективность работы агентов в тесте ClawEval приближается к уровню Claude Opus 4.6. Значительно улучшены стабильность и точность вызова внешних инструментов. Оптимизация обучения проводилась с упором на реальный пользовательский опыт, что позволило добиться лучших результатов в практических приложениях по сравнению со стандартными бенчмарками.
Успешное тестирование под кодовым именем Hunter Alpha
Неделю назад на платформе агрегации API OpenRouter появилась анонимная модель под названием Hunter Alpha, которая впоследствии оказалась ранней внутренней версией MiMo-V2-Pro. За время тестирования объем запросов к ней неуклонно рос, и она несколько дней возглавляла дневные рейтинги, преодолев отметку в один триллион использованных токенов. После недели непрерывных итераций в финальной версии были зафиксированы значительные улучшения в работе с длинным контекстом и повышена стабильность сценариев взаимодействия агентов.
Интеграция с фреймворками и поддержка сообщества
Новая модель оптимизирована для работы в агентских сценариях и выступает основным движком для фреймворка OpenClaw, набирающего популярность в сообществе открытого исходного кода. Базовая модель прошла дообучение с использованием методов SFT и RL для сложных схем взаимодействия, что расширило ее возможности многошагового рассуждения. В стандартных тестах PinchBench и ClawEval система показывает одни из лучших результатов в мире. Отзывы сообщества о ранней версии указывают на то, что модель превосходит Claude 4.6 Sonnet в большинстве сценариев использования.
Возможности в разработке программного обеспечения
Помимо генерации кода, МиМО-В2-Про проявляет себя в серьезной инженерной разработке. По оценкам внутренних инженеров, пользовательский опыт работы с моделью приблизился к уровню Claude Opus 4.6. Отмечаются улучшенная структура системы, более элегантный стиль кода и эффективные пути решения проблем. Во время альфа-тестирования наибольший спрос наблюдался именно на инструменты, ориентированные на программирование, что подтверждает надежность модели в реальных рабочих процессах разработки. Для поддержки разработчиков компания сотрудничает с пятью ведущими фреймворками, включая OpenCode, KiloCode, Blackbox и Cline, предоставляя бесплатный доступ к API.
Примеры реализации сложных задач
В сценариях фронтенд-разработки модель демонстрирует высокую эффективность, генерируя качественные и полностью функциональные веб-страницы по одному запросу. Она способна создавать интерфейсы, имитирующие эстетику печатных журналов 1990-х годов с характерной типографикой, сеткой и эффектами, а также разрабатывать сложные трехмерные игры в жанре Tower Defense с использованием современных библиотек рендеринга. Система балансирует между визуальным качеством и практической применимостью, поддерживая динамические фоны, эффекты и логику игровых уровней.
Доступность и условия использования
API модели МиМО-В2-Про теперь доступен для публичного использования с поддержкой контекста в один миллион токенов. Предусмотрена многоуровневая система ценообразования в зависимости от объема ввода и вывода данных. Стоимость обработки входных данных начинается от одного доллара за миллион токенов для контекста до 256 тысяч, а для более длинных последовательностей цена увеличивается до двух долларов. Вывод данных оценивается в три и шесть долларов соответственно. Примечательно, что запись в кэш на данный момент осуществляется бесплатно, что делает предложение конкурентоспособным по сравнению с аналогами от других крупных производителей.
Перспективы развития искусственного интеллекта
Запуск МиМО-В2-Про знаменует важный этап в стремлении к созданию искусственного общего интеллекта. Команда разработчиков планирует поддерживать высокий темп исследований, фокусируясь на решении задач, требующих сложного мышления и долгосрочного планирования. Основные усилия будут направлены на систематическое улучшение обобщающих свойств модели и ее способности принимать решения в неизвестных условиях, что является ключевым шагом на пути к созданию по-настоящему универсального интеллекта.
