Xiaomi MiMo Łamie Barierę 1000 Tokenów na Sekundę na Bilionowym Modelu. I to na Zwykłych Kartach Graficznych!

8 czerwca 2026 roku zespół Xiaomi MiMo wraz z partnerem inferencyjnym TileRT udostępnili tryb MiMo-V2.5-Pro-UltraSpeed, nowy, ultraszybki tryb wnioskowania dla rodziny modeli MiMo-V2.5-Pro . Ogłoszenie skupiało się wokół jednego, imponującego osiągnięcia: model o bilionie (1 bln) parametrów osiągający stabilnie ponad 1000 tokenów na sekundę – co Xiaomi opisuje jako wynik bez precedensu w tej skali – działający na pojedynczym, standardowym serwerze z 8 procesorami graficznymi (GPU), a nie na niestandardowym sprzęcie .

Kamień milowy prędkości

Xiaomi i TileRT poinformowały o stabilnej przepustowości powyżej 1000 tokenów na sekundę, a w demonstracjach osiągano szczyty bliskie 1200 tokenów na sekundę, na zwykłym 8-GPU serwerze . To osiągnięcie przełamuje coś, co Xiaomi nazywa branżowym „niemożliwym trójkątem” – jednoczesnego uzyskania szybkości, wysokich możliwości i kompatybilności z ogólnodostępnymi GPU . Dyrektor generalny MiMo, Lei Jun, osobiście podkreślił ten kamień milowy w mediach społecznościowych, opisując go jako pierwszy w branży przypadek przekroczenia 1000 tokenów/s na bilionowym modelu parametrów .

Tryb UltraSpeed nie jest nową klasą modelu, lecz trybem serwowania stworzonym dzięki inżynieryjnej optymalizacji, nałożonym na MiMo-V2.5-Pro. To architektura Mixture-of-Experts (MoE) o 1,02 biliona parametrów całkowitych, z 42 miliardami parametrów aktywnych i oknem kontekstowym o długości miliona tokenów .

Trzy techniki stojące za przyspieszeniem

Oficjalna dokumentacja Xiaomi opisuje pełną kooperację modelu i systemu (full-stack model-system co-design), która łączy trzy zsynchronizowane techniki, aby wypchnąć przepustowość poza 1000 tokenów/s .

1. Kwantyzacja mieszana FP4

Kwantyzacji do precyzji FP4 poddawane są wyłącznie warstwy eksperckie w architekturze MoE (Mixture of Experts), podczas gdy wszystkie pozostałe warstwy zachowują swoją oryginalną precyzję . Trening z uwzględnieniem kwantyzacji (Quantization-Aware Training, QAT) zmniejsza rozmiar modelu i zapotrzebowanie na przepustowość pamięci, starając się zachować jakość działania na niemal bezstratnym poziomie . To selektywne podejście pozwala uniknąć degradacji komponentów nie-eksperckich, które są bardziej wrażliwe na utratę precyzji.

2. Dekodowanie spekulatywne DFlash

Technika DFlash zastępuje tradycyjne generowanie wersji roboczych (draft) w sposób autoregresyjny, wykorzystując blokową, zamaskowaną predykcję równoległą . Model draft używa mechanizmu uwagi z przesuwnym oknem (Sliding-Window Attention, SWA), aby utrzymać koszt predykcji na niemal stałym poziomie, niezależnie od długości sekwencji . Do poprawy współczynnika akceptacji wykorzystano optymalizator Muon oraz samodestylację (self-distillation), co bezpośrednio przekłada się na wzrost przepustowości wnioskowania . W scenariuszach programistycznych raporty wskazują, że średnia zaakceptowana długość wynosi około 6,30 tokena na krok weryfikacji .

3. Silnik Trwałego Jądra TileRT z Wyspecjalizowanymi Warpami

System TileRT porzuca konwencjonalny model uruchamiania jądra dla każdego operatora na rzecz silnika trwałego jądra (persistent kernel engine), gdzie potok obliczeniowy stale rezydentuje na GPU . Pełno-potokowe pobieranie z wyprzedzeniem (full-pipeline prefetching) nakłada na siebie operacje przenoszenia danych i obliczeń, drastycznie redukując puste cykle GPU . System dekomponuje również zadania związane z komunikacją, przesyłem danych i obliczeniami tensorowymi na różne, wyspecjalizowane wątki (warps), skutecznie przekształcając GPU w nieprzerwanie pracujący, heterogeniczny system wykonawczy .

Wycena: „3 razy wyższa cena, 10 razy lepsze wrażenia”

Cena za dostęp do API UltraSpeed w okresie próbnym jest ustalona na dokładnie 3-krotność standardowej ceny za tokeny wyjściowe (output) MiMo-V2.5-Pro .

• Standardowy plan: 0,87 USD za milion tokenów wyjściowych (ceny międzynarodowe) lub 6 CNY za milion (ceny krajowe)
• UltraSpeed (okres próbny): 2,61 USD za milion tokenów wyjściowych (ceny międzynarodowe) lub 18 CNY za milion (ceny krajowe)

Cennik tokenów wejściowych (input) również podlega mnożnikowi 3x, gdzie wejście z trafieniem w cache kosztuje 0,0108 USD za milion tokenów, a wejście bez trafienia to koszt 1,305 USD za milion tokenów . Xiaomi marketingowo określa to jako „3 razy wyższa cena, 10 razy lepsze wrażenia”, podkreślając tym samym około 10-krotny wzrost przepustowości przy 3-krotnie wyższym koszcie tokenów .

Ograniczone okno testowe i zasady dostępu

Okres testowy UltraSpeed jest ściśle ograniczony czasowo: trwa od 9 czerwca do 23 czerwca 2026 roku do godziny 23:59 . Dostęp jest przyznawany na podstawie aplikacji z powodu ograniczonych zasobów szybkiego wnioskowania, a pierwszeństwo mają firmy i profesjonalni deweloperzy .

Zatwierdzeni użytkownicy otrzymują darmowy dostęp do czatu w dwutygodniowym oknie, na zasadach uczciwego użytkowania: maksymalnie 10 udanych wejść do kolejki na konto dziennie, limit 30 minut na sesję oraz automatyczne zwalnianie zasobów po 5 minutach bezczynności . Xiaomi nie gwarantuje ani szybkości rozpatrywania wniosków, ani ich pozytywnego wyniku .

Wydanie Open-Source

Model bazowy, określany jako MiMo-V2.5-Pro-FP4-DFlash, został wydany jako open-source równocześnie z ogłoszeniem UltraSpeed . Wagi skwantyzowane do FP4 oraz checkpointy modelu DFlash są dostępne na platformie HuggingFace, co jest spójne z dokumentacją Xiaomi, identyfikującą kwantyzację FP4 i dekodowanie spekulatywne DFlash jako kluczowe komponenty systemu .

Co to oznacza dla deweloperów?

Tryb UltraSpeed udowadnia, że wnioskowanie na bilionowym modelu parametrów z interaktywną prędkością może działać na powszechnie dostępnej infrastrukturze, bez potrzeby stosowania specjalistycznych układów scalonych. To odejście od podejścia opartego na dedykowanym sprzęcie, które można zaobserwować gdzie indziej w branży . Dla deweloperów tworzących aplikacje agentowe wrażliwe na opóźnienia, potoki wywoływania narzędzi (tool-calling pipelines) czy generowanie kodu w czasie rzeczywistym, połączenie wysokiej przepustowości i milionowego okna kontekstowego sygnalizuje praktyczną ścieżkę do szybszych i wydajniejszych systemów produkcyjnych – pod warunkiem, że uda im się uzyskać dostęp podczas ograniczonego okna testowego.