Xiaomi MiMo kiihdyttää biljoonan parametrin tekoälyn 1000 tokeniin sekunnissa ilman erikoispiirejä – kehittäjille tarjolla harvinainen kokeilujakso

Xiaomin tekoäly-yksikkö MiMo yhdessä päättelykumppani TileRT:n kanssa julkisti 8. kesäkuuta 2026 MiMo-V2.5-Pro-UltraSpeedin, uuden nopean päättelytilan MiMo-V2.5-Pro-malliperheelle . Julkistuksen ytimessä oli väite, jota Xiaomi kuvailee alan ensimmäiseksi: biljoonan parametrin malli, joka purkaa tekstiä yli 1 000 tokenia sekunnissa (t/s) – ja kaikki tämä tapahtuu yhdellä tavallisella palvelimella, jossa on 8 normaalia GPU-suoritinta, ei räätälöityä piisirua .

Nopeusennätys pähkinänkuoressa

Xiaomi ja TileRT raportoivat ylläpitäneensä yli 1 000 tokenin sekuntinopeutta, ja demoissa päästiin jopa lähes 1 200 tokeniin sekunnissa, tavallisella 8 GPU:n palvelimella . Saavutus murskaa niin sanotun alan "mahdottoman kolmion": nopeuden, kyvykkyyden ja yleiskäyttöisten GPU:iden yhteensopivuuden välillä . MiMo:n toimitusjohtaja Lei Jun hehkutti virstanpylvästä sosiaalisessa mediassa .

UltraSpeed ei ole täysin uusi malli, vaan insinööritaidon näyte – nopea palvelutila, joka on rakennettu MiMo-V2.5-Pro:n päälle. Kyseessä on 1,02 biljoonan parametrin "Mixture-of-Experts" (MoE) -arkkitehtuuri, jossa on 42 miljardia aktiivista parametria ja massiivinen miljoonan tokenin konteksti-ikkuna . Suomeksi tämä tarkoittaa, että malli pystyy käsittelemään kerralla hyvin pitkiä tekstejä, mikä on elintärkeää esimerkiksi laajoja kooditiedostoja tai asiakirjoja analysoitaessa.

Kolme kikkaa nopeuden takana

Xiaomin virallisen dokumentaation mukaan kyseessä on koko järjestelmän kattava malli-järjestelmä-yhteissuunnittelu, jossa kolme tekniikkaa on valjastettu yhteen vauhdin nostamiseksi yli 1 000 t/s:iin .

1. FP4-sekoitustarkkuuskvantisointi

Vain MoE-arkkitehtuurin "asiantuntijakerrokset" kvantisoidaan äärimmäisen kevyeen FP4-tarkkuuteen, kun taas muut mallin osat säilyttävät alkuperäisen tarkkuutensa . "Kvantisointitietoinen koulutus" (QAT) kutistaa mallin muistivaatimuksia ja muistiväylän painetta radikaalisti pyrkien samalla lähes häviöttömään laatuun . Tämä valikoiva lähestymistapa välttää heikentämästä komponentteja, jotka ovat herkempiä tarkkuuden menetykselle.

2. DFlash-spekulatiivinen purku

DFlash korvaa perinteisen, sana sanalta etenevän "draft"-ennustuksen lohkotason rinnakkaispurkumenetelmällä . Kevyt draft-malli käyttää liukuikkunahuomiota (SWA), jotta ennustuksen laskentakustannus pysyy lähes vakiona eikä kasva tekstin pituuden myötä . Ennusteiden oikeellisuusastetta parannetaan Muon-optimoijalla ja "itse-tislaamisella", mikä muuntuu suoraan suuremmaksi päättelyn läpivirtaukseksi. Koodaukseen liittyvissä skenaarioissa mallin on raportoitu hyväksyvän keskimäärin noin 6,30 tokenia yhtä varmennusvaihetta kohden . Tämä tarkoittaa, että se arvaa useita sanoja kerralla oikein, mikä kiihdyttää vastauksen muodostumista huomattavasti.

3. TileRT:n pysyvä kernel-moottori

TileRT-järjestelmä hylkää perinteisen tavan käynnistää jokainen laskentaoperaatio erikseen GPU:lla. Sen sijaan se käyttää pysyvää kernel-moottoria, jossa koko laskentaputki pysyy aktiivisena GPU:n sisällä . Täydellinen esihaku piilottaa tiedonsiirron laskennan alle, jolloin GPU:n joutojaksot kutistuvat minimiin . Järjestelmä jakaa viestinnän, tiedonsiirron ja matriisilaskennan eri "warpeille" eli laskentasäiejoukoille, jotka hoitavat kukin omaa tehtäväänsä. Tämä muuttaa GPU:n jatkuvasti virtaavaksi, heterogeeniseksi suoritusjärjestelmäksi .

Hinnoittelu: "3-kertainen hinta, 10-kertainen kokemus"

UltraSpeed API:n kokeiluhinta on tasan kolminkertainen verrattuna normaaliin MiMo-V2.5-Pro-malliin . Xiaomi markkinoi tätä iskulauseella "3-kertainen hinta, 10-kertainen tuottonopeus", korostaen noin kymmenkertaista nopeushyötyä kolminkertaisella token-hinnalla .

• Perustaso: 0,87 dollaria per miljoona ulostulotokenia (kansainvälinen) tai 6 yuania per miljoona (kotimainen)
• UltraSpeed-kokeilu: 2,61 dollaria per miljoona ulostulotokenia (kansainvälinen) tai 18 yuania per miljoona (kotimainen)

Syötteen hinnoittelu seuraa samaa kolminkertaista kerrointa: välimuistiosuma 0,0108 dollaria / miljoona tokenia ja välimuistihuti 1,305 dollaria / miljoona tokenia . Tämä hinnoittelu tekee erittäin nopeasta päättelystä taloudellisesti houkuttelevaa esimerkiksi agenttisovelluksille, joissa odottelu on myrkkyä.

Rajoitettu kokeiluikkuna ja käyttöehdot

UltraSpeed-kokeilu on tiukasti aikarajattu: 9. kesäkuuta – 23. kesäkuuta 2026 klo 23:59 . Resurssien rajallisuuden vuoksi pääsy on hakemuspohjaista, ja etusijalla ovat yritysasiakkaat ja ammattikehittäjät, joilla on todellisia tarpeita huippunopealle päättelylle .

Hyväksytyt käyttäjät saavat ilmaisen "chat"-kokemuksen kahden viikon ikkunan ajaksi. Oikeudenmukaisuuden takaamiseksi käytössä on rajoituksia: yksi tili voi liittyä jonoon korkeintaan 10 kertaa päivässä, yhden istunnon enimmäiskesto on 30 minuuttia, ja jos istunto on toimettomana yli 5 minuuttia, resurssit vapautetaan automaattisesti . Xiaomi ei takaa hakemusten käsittelyn nopeutta tai hyväksymisprosenttia .

Avoimen lähdekoodin julkaisu

UltraSpeed-julkistuksen rinnalla Xiaomi julkaisi taustalla olevan MiMo-V2.5-Pro-FP4-DFlash-mallin avoimena lähdekoodina . FP4-kvantisoidut painot ja DFlash-mallin tarkistuspisteet ovat vapaasti ladattavissa HuggingFace-palvelusta, mikä on linjassa Xiaomin dokumentaation kanssa, joka nimeää juuri nämä tekniikat järjestelmän ydinkomponenteiksi . Tämä on suuri lahja kehittäjäyhteisölle, sillä se mahdollistaa huippunopean päättelyn kokeilun ja jatkokehityksen.

Mitä tämä tarkoittaa suomalaiselle kehittäjälle?

UltraSpeed-tila todistaa, että biljoonan parametrin päättely vuorovaikutteisilla nopeuksilla voidaan saavuttaa tavallisella raudalla – ilman kalliita räätälöityjä tekoälypiirejä. Tämä poikkeaa alan yleisestä trendistä, jossa nopeus on ostettu erikoissiruin . Suomalaisille kehittäjille, jotka rakentavat latenssiherkkiä agenttisovelluksia, työkaluputkia tai reaaliaikaista koodigenerointia, tämä on merkittävä askel kohti nopeampia ja kyvykkäämpiä tuotantojärjestelmiä. Yhdistettynä miljoonan tokenin konteksti-ikkunaan se avaa ovia sovelluksille, jotka aiemmin olivat liian hitaita tai kömpelöitä toteuttaa – olettaen tietysti, että kehittäjä ehtii mukaan tiukan kokeilujakson aikana.