Xiaomi MiMo-V2.5 Dirilis, LLM Xiaomi Fokus untuk Coding
Xiaomi merilis MiMo-V2.5 dan langsung menempatkannya di kelas model AI besar. Model ini sejak awal sudah dibuat multimodal, jadi tidak hanya mengolah teks, tetapi juga gambar dan video dalam satu sistem. Xiaomi juga menambahkan kemampuan agentic, yang membuat model bisa menjalankan tugas yang lebih kompleks tanpa banyak instruksi manual.
Perbandingan Xiaomi MiMo-V2.5 dengan LLM Lain
Untuk melihat posisinya, Xiaomi membandingkan MiMo-V2.5 dengan beberapa model besar yang sudah lebih dulu dikenal. Ada DeepSeek-V4, Kimi K2.6, Claude Opus 4.6, sampai Gemini 3.1 Pro yang dijadikan acuan. Dari hasil yang dibagikan, MiMo-V2.5 terlihat bisa bersaing, terutama di tugas yang melibatkan eksekusi instruksi.
Salah satu hal menarik muncul di pengujian coding internal mereka. Versi standar MiMo-V2.5 bisa mengejar performa versi Pro, tetapi dengan kebutuhan komputasi yang lebih rendah. Ini membuat model tersebut terasa lebih efisien, tidak sekadar mengandalkan ukuran besar.
Baca Juga: Pria Ini Bikin RAM DIY di Gudang Belakang Rumah, dan Berhasil! • Jagat Review
Di sisi lain, kemampuan memahami gambar dan video juga ikut diuji. Xiaomi menyebut hasilnya setara dengan model closed-source yang selama ini lebih dominan di area tersebut. Artinya, MiMo-V2.5 tidak hanya kuat di teks, tetapi juga cukup seimbang di berbagai jenis input.
Model ini dilatih menggunakan 48 triliun token, angka yang menunjukkan skala pengembangannya. Xiaomi merilis dua varian dengan perbedaan besar di jumlah parameter dan kapasitas aktifnya. Dukungan konteks hingga 1 juta token juga membuatnya bisa menangani input yang panjang tanpa mudah kehilangan konteks.
Butuh Sistem Kelas Atas
Soal akses, MiMo-V2.5 memang bisa diunduh dan dijalankan sendiri. Namun, kebutuhan hardware-nya tidak main-main, bahkan GPU kelas atas seperti RTX 5090 masih belum cukup. Pilihan yang lebih masuk akal untuk sekarang ada di API atau AI Studio milik Xiaomi, meski platform tersebut belum selalu stabil.
Xiaomi terlihat tidak hanya ingin punya model sendiri, tetapi juga ikut membuka akses lewat pendekatan open-weight. Ini bisa menarik bagi pengembang yang ingin fleksibilitas lebih besar. Menarik untuk dilihat, apakah model seperti ini bisa cepat dipakai luas, atau tetap kalah praktis dibanding layanan AI tertutup yang sudah lebih dulu mapan.
More Articles
