Xiaomi MiMo-V2.5-Pro-UltraSpeed: velocidade extrema em 1T parâmetros — o que a demo não disse
Xiaomi MiMo-V2.5-Pro-UltraSpeed: velocidade extrema em 1T parâmetros — o que a demo não disse
A Xiaomi apresentou, em 8 de junho de 2026, o MiMo-V2.5-Pro-UltraSpeed, um modo de inferência otimizado do seu modelo MiMo-V2.5-Pro. Desenvolvido em colaboração com a TileRT, o sistema procura acelerar a geração de texto sem alterar substancialmente as capacidades do modelo de base, que possui cerca de 1,02 biliões de parâmetros totais, dos quais 42 mil milhões são ativados em cada token através de uma arquitetura de mistura de especialistas.
A Xiaomi anuncia velocidades entre 500 e 1 000 tokens de saída por segundo e mostrou demonstrações próximas de 1 200. Estes valores são muito superiores às velocidades normalmente observadas nas APIs comerciais de grandes modelos, mas não devem ser comparados diretamente. Os resultados da Xiaomi provêm de uma configuração especificamente otimizada pelo fornecedor, enquanto medições de plataformas independentes incluem condições diferentes de carga, latência, raciocínio e infraestrutura.
Não foi possível confirmar de forma independente um alegado pico de 3 451 tokens por segundo atribuído a uma demonstração do Better Stack. Sem acesso aos registos da API, ao hardware utilizado, ao número de pedidos simultâneos e ao método de cálculo, esse valor não deve ser tratado como um resultado estabelecido.
A aceleração resulta de três componentes principais. O primeiro é a quantização MXFP4 consciente de treino, aplicada sobretudo aos especialistas da arquitetura MoE, mantendo os restantes componentes em formatos de maior precisão. O segundo é o DFlash, um sistema de descodificação especulativa que propõe blocos mascarados de oito tokens numa única passagem. Nos testes divulgados, o comprimento médio aceite chegou a 6,30 tokens em tarefas de programação, 5,56 em matemática e 4,29 em tarefas de agentes, mas foi inferior em conversação geral.
O terceiro componente é a infraestrutura TileRT. A empresa utiliza kernels persistentes e especialização de grupos de execução da GPU para reduzir o custo de lançar sucessivas operações e manter diferentes fases do processamento em paralelo. Trata-se, portanto, tanto de uma melhoria de software de baixo nível como de uma otimização do próprio modelo.
A Xiaomi afirma que a demonstração foi executada num único nó padrão com oito GPUs de uso geral. Não publicou, contudo, os modelos exatos dos aceleradores, a quantidade de memória, a topologia de interligação, o tamanho dos lotes ou todos os parâmetros do teste. Por esse motivo, não é possível afirmar que a experiência dispensou H100, NVLink ou outro equipamento próprio de centros de dados, nem que possa ser reproduzida por qualquer organização que possua oito GPUs.
O acesso ao UltraSpeed foi disponibilizado pela API da Xiaomi num teste limitado, sujeito a candidatura, entre 9 e 23 de junho. O preço anunciado é de 1,305 dólares por milhão de tokens de entrada quando a cache não é utilizada, 0,0108 dólares quando existe correspondência em cache e 2,61 dólares por milhão de tokens de saída. O modelo suporta uma janela de contexto anunciada de um milhão de tokens.
A existência dessa janela não implica que a velocidade máxima seja mantida com contextos dessa dimensão. A taxa de geração depende, entre outros fatores, do comprimento da entrada, do tipo de tarefa, da aceitação das previsões especulativas, do número de utilizadores simultâneos e da configuração do servidor.
O checkpoint MiMo-V2.5-Pro-FP4-DFlash foi publicado com pesos abertos sob licença MIT. Isso permite examinar e experimentar o modelo, mas não garante a reprodução imediata dos máximos anunciados. O ambiente completo da TileRT, a configuração exata do hardware e a metodologia detalhada das demonstrações não foram disponibilizados como uma receita pública integral.
Também não há, até ao momento, uma avaliação independente abrangente do modo UltraSpeed. A Artificial Analysis atribui ao MiMo-V2.5-Pro normal um índice de inteligência de 54 e uma velocidade próxima de 39 tokens por segundo. Na mesma plataforma, GPT-5.5 e Claude Opus 4.8 obtêm índices de 60 e 61, respetivamente. Estes dados referem-se às versões servidas em condições normais e não provam que o UltraSpeed seja mais ou menos inteligente.
A documentação técnica não sustenta a descrição do UltraSpeed como uma destilação agressiva que sacrifica raciocínio. A Xiaomi apresenta-o antes como uma combinação de quantização seletiva, previsão especulativa e otimização da execução. Embora qualquer transformação desta natureza possa introduzir diferenças de qualidade, seriam necessários testes independentes, com os mesmos prompts e critérios, para medir essas diferenças.
Os relatos informais de interfaces incompletas, jogos com elementos em falta ou respostas interrompidas podem ser úteis como exemplos, mas não permitem diagnosticar limitações gerais sem que sejam publicados os prompts, as respostas completas, os erros da API e as condições dos testes. Também não é possível atribuir automaticamente essas falhas a limites de contexto ou de taxa.
A utilização de problemas públicos de programação exige igualmente cautela. Um exercício presente em conjuntos de treino poderá favorecer uma resposta memorizada e aumentar a taxa de aceitação da descodificação especulativa. Isso não demonstra, por si só, que o modelo raciocine melhor. Para avaliar capacidades de programação, é preferível utilizar problemas recentes ou privados, testes funcionais e análise da correção do código, e não apenas a velocidade de geração.
A família MiMo inclui ainda o MiMo-V2-Flash, com 309 mil milhões de parâmetros totais, 15 mil milhões ativos e contexto de 256 mil tokens, bem como modelos de visão, reconhecimento de voz e síntese de fala. A Xiaomi lançou também o programa Orbit, associado à distribuição de um total de 100 biliões de tokens. As versões anteriores do V2-Flash e de TTS deverão começar a ser encaminhadas para modelos V2.5 em 18 de junho, antes da descontinuação definitiva em 30 de junho de 2026.
Para equipas de engenharia, o MiMo-V2.5-Pro-UltraSpeed constitui uma demonstração relevante de eficiência de inferência. Poderá ser particularmente útil na geração rápida de código estrutural, protótipos e respostas em que a latência é decisiva. Isso não o transforma automaticamente num substituto direto dos modelos com melhores resultados de raciocínio, nem prova que mantenha mil tokens por segundo em todas as cargas de trabalho.
O avanço principal está na engenharia de execução, não numa demonstração de inteligência geral superior. Para avaliar o seu impacto real, serão necessários testes independentes que publiquem o hardware, o tempo até ao primeiro token, a velocidade sustentada, o desempenho com vários pedidos simultâneos, a qualidade das respostas e o comportamento em diferentes comprimentos de contexto.
