샤오미 MiMo, 1조 매개변수 모델 범용 GPU로 초당 1000토큰 벽을 깨다

UltraSpeed 모드는 완전히 새로운 모델이 아닌, 샤오미의 기존 주력 모델인 MiMo-V2.5-Pro 위에 구현된 엔지니어링 서빙 모드입니다. MiMo-V2.5-Pro는 총 1.02조 개의 매개변수를 가진 혼합 전문가(MoE) 아키텍처로, 실제 추론 시에는 420억 개의 매개변수만 활성화되며, 한 번에 100만 토큰이라는 긴 문맥을 처리할 수 있습니다 .

속도 향상의 비밀: 세 가지 혁신 기술

샤오미의 공식 문서는 1000토큰/초 이상의 처리 속도를 가능케 한 비결로, 모델과 시스템을 아우르는 풀스택 공동 설계 과정에서 세 가지 핵심 기술이 유기적으로 결합되었다고 설명합니다 .

1. 선택과 집중의 미학, FP4 혼합 정밀도 양자화

모델의 모든 부분을 무차별 압축하지 않고, MoE(혼합 전문가) 아키텍처의 ‘전문가 레이어’만을 골라 FP4 정밀도로 양자화했습니다. 나머지 주요 레이어는 원래의 고정밀도를 그대로 유지합니다 . ‘양자화 인식 학습(QAT)’을 통해 모델의 메모리 사용량과 대역폭 부담을 극적으로 줄이면서도, 모델 성능 저하는 거의 느낄 수 없는 수준으로 유지하는 것을 목표로 합니다 . 정밀도 저하에 민감한 비전문가 구성 요소의 품질 저하를 방지하는 전략입니다.

2. 한 번에 여러 토큰을 예측, DFlash 추론 디코딩

기존의 자동 회귀 방식으로 한 번에 하나씩 토큰을 생성하는 대신, DFlash는 블록 단위의 마스크 병렬 예측을 통해 한 번에 여러 토큰을 추론합니다 . 예측을 위한 초안 모델(Draft Model)에는 슬라이딩 윈도우 어텐션(SWA)을 적용해, 문장이 길어져도 예측에 필요한 컴퓨팅 자원이 기하급수적으로 늘지 않고 거의 일정하게 유지되도록 설계했습니다 . 여기에 Muon 옵티마이저와 자체 증류 기술로 예측 정확도를 높여 추론 처리량을 직접적으로 끌어올렸습니다 . 특히 코딩 작업에서는 검증 단계당 평균 약 6.30개의 토큰을 한 번에 받아들이는 것으로 보고되었습니다 .

3. GPU를 멈추지 않는 엔진으로, 타일RT의 워프 특화 상주 커널 엔진

타일RT 시스템은 기존의 ‘연산자(Operator)마다 커널을 실행’하는 방식을 버리고, GPU 위에서 연산 파이프라인이 상주하며 끊임없이 데이터를 처리하는 상주 커널 엔진 방식을 도입했습니다 . 전체 파이프라인에 걸친 프리페칭(미리 가져오기)으로 데이터 이동과 연산을 완벽하게 겹쳐 실행해 GPU의 유휴 시간을 획기적으로 줄였습니다 . 또한, 통신, 데이터 이동, 텐서 연산을 각각 다른 워프(Warp)에 전담시키는 이기종 파이프라인 협업을 통해, GPU를 마치 하나의 살아 숨 쉬는 정밀 협업 실행 시스템처럼 진화시켰습니다 .

“3배 가격이면, 10배 빠른 경험을 드립니다”

UltraSpeed 모드의 API 체험판 가격은 MiMo-V2.5-Pro 표준 요금의 정확히 3배로 책정되었습니다 .

• 표준 모델 (MiMo-V2.5-Pro): 출력 토큰 100만 개당 $0.87 (해외) / 6위안 (중국 내)
• UltraSpeed 체험판: 출력 토큰 100만 개당 $2.61 (해외) / 18위안 (중국 내)

입력 토큰 가격도 동일하게 3배 적용됩니다. 예를 들어 캐시 적중 시 입력 토큰 100만 개당 $0.0108, 캐시 미적중 시 $1.305입니다 . 샤오미는 이 파격적인 가격 정책을 두고 “3배의 가격으로, 10배의 출력 경험” 이라는 슬로건을 내걸며, 비용 대비 압도적인 속도 향상을 강조했습니다 .

개발자를 위한 2주간의 한정 체험 기회

UltraSpeed 체험은 정해진 기간 동안만 신청을 받아 진행됩니다. **2026년 6월 9일부터 23일 오후 11시 59분(중국 시간)**까지가 체험 기간으로, 고속 추론 리소스가 한정되어 있기 때문에 심사를 통과한 사용자만 이용할 수 있습니다 . 특히, 실제 비즈니스 수요가 있는 기업 및 전문 개발자에게 우선권이 부여됩니다 .

심사를 통과하면 2주간 무료 채팅 체험 기회가 주어지며, 공정한 이용을 위해 계정당 하루 최대 10회, 세션당 30분 제한, 그리고 5분간 유휴 상태일 경우 자동으로 자원이 회수되는 규칙이 적용됩니다 . 샤오미는 리소스가 매우 제한적인 관계로, 신청하더라도 심사 시기나 통과 여부를 보장할 수 없다고 밝혔습니다 .

오픈소스로 공개된 고속 추론의 기반 기술

속도뿐만 아니라 접근성까지 고려한 행보도 눈에 띕니다. UltraSpeed 발표와 동시에, 그 기반이 되는 MiMo-V2.5-Pro-FP4-DFlash 모델이 오픈소스로 풀렸습니다 . FP4로 양자화된 가중치와 DFlash 모델 체크포인트가 허깅페이스(HuggingFace)에 공개되어, 누구나 기술의 핵심을 연구하고 자신의 환경에 적용해볼 수 있게 되었습니다. 이는 FP4 양자화와 DFlash 추론 디코딩을 핵심 시스템 구성 요소로 명시한 샤오미의 공식 기술 문서와도 일치하는 행보입니다 .

한국 개발자와 기업이 주목해야 할 이유

이번 UltraSpeed 모드의 등장은 대규모 언어 모델의 실시간 추론에 대한 고정관념을 바꾸는 신호탄입니다. 맞춤형 반도체 없이도, 시중에서 구할 수 있는 GPU 인프라만으로 1조 매개변수라는 초거대 모델을 상호작용이 가능한 속도로 구동할 수 있음을 증명했기 때문입니다 .

특히, 응답 지연 시간에 민감한 자율형 에이전트(Agent), 복잡한 도구 호출이 필요한 파이프라인, 실시간 코드 생성 시스템을 구축하는 국내 개발자와 기업에게, 이번 성과는 큰 울림을 줍니다. 100만 토큰이라는 방대한 문맥을 유지하면서도 고속 처리가 가능해져, 더 빠르고 강력한 프로덕션 시스템으로 가는 현실적인 길이 열렸다고 볼 수 있습니다. 다만, 아직은 제한된 체험판 기간이라는 점을 감안해야 할 것입니다.