O Marco de Velocidade

A Xiaomi e a TileRT relataram uma taxa de transferência sustentada acima de 1.000 tokens por segundo, com demonstrações atingindo picos próximos de 1.200 tokens por segundo, em um servidor padrão com 8 GPUs . A conquista quebra o que a Xiaomi chama de "triângulo impossível" da indústria entre velocidade, capacidade e compatibilidade com GPUs de uso geral . O CEO da MiMo, Lei Jun, destacou o marco em uma postagem nas redes sociais, descrevendo-o como a primeira vez na indústria que se ultrapassam os 1.000 tokens/s em um modelo de trilhão de parâmetros .

O modo UltraSpeed não é uma nova classe de modelo, mas sim um modo de serviço baseado em engenharia construído sobre o MiMo-V2.5-Pro, uma arquitetura de Mistura de Especialistas (MoE) com 1,02 trilhão de parâmetros totais, 42 bilhões de parâmetros ativos e uma janela de contexto de 1 milhão de tokens .

As Três Técnicas por Trás do Aumento de Velocidade

A documentação oficial da Xiaomi descreve um co-design de pilha completa entre modelo e sistema que combina três técnicas coordenadas para impulsionar a taxa de transferência além de 1.000 tokens/s .

1. Quantização de Precisão Mista FP4

Apenas as camadas de especialistas do MoE são quantizadas para precisão FP4, enquanto todas as outras camadas mantêm sua precisão original . O treinamento com consciência de quantização (QAT) reduz a pegada de memória do modelo e a pressão sobre a largura de banda para manter a qualidade quase sem perdas . Essa abordagem seletiva evita degradar componentes não especializados que são mais sensíveis à perda de precisão.

2. Decodificação Especulativa DFlash

O DFlash substitui a geração de rascunho autorregressiva tradicional por uma predição paralela mascarada em nível de bloco . O modelo de rascunho usa atenção de janela deslizante (SWA) para manter o custo de predição quase constante, em vez de escalar com o comprimento da sequência . Um otimizador Muon e auto-destilação são usados para melhorar as taxas de aceitação, aumentando diretamente a taxa de transferência da inferência . Em cenários de codificação, relatórios indicam um comprimento médio aceito de cerca de 6,30 tokens por etapa de verificação .

3. Motor de Kernel Persistente TileRT com Especialização de Warp

O sistema TileRT abandona o modelo convencional de lançamento de kernel por operador em favor de um motor de kernel persistente onde o pipeline de computação permanece residente na GPU . A pré-busca de pipeline completo sobrepõe a movimentação de dados com a computação, reduzindo drasticamente os ciclos ociosos da GPU . O sistema também decompõe comunicação, movimentação de dados e computação de tensores em diferentes warps com funções dedicadas, transformando a GPU em um sistema de execução heterogêneo e de fluxo contínuo .

Preço: "3 Vezes o Preço, 10 Vezes a Experiência de Saída"

O preço promocional da API UltraSpeed é definido como exatamente 3 vezes o preço de saída do MiMo-V2.5-Pro padrão .

• Plano padrão: US$ 0,87 por milhão de tokens de saída (internacional) ou CN¥ 6 por milhão (doméstico)
• Promocional UltraSpeed: US$ 2,61 por milhão de tokens de saída (internacional) ou CN¥ 18 por milhão (doméstico)

O preço de entrada segue o mesmo multiplicador de 3 vezes, com entrada em cache a US$ 0,0108 por milhão de tokens e entrada sem cache a US$ 1,305 por milhão de tokens . A Xiaomi promove isso como "3 vezes o preço, 10 vezes a experiência de saída", enfatizando o ganho de cerca de 10 vezes na velocidade por 3 vezes o custo do token .

Janela de Teste Limitada e Regras de Acesso

O período de teste do UltraSpeed é explicitamente limitado: de 9 a 23 de junho de 2026, até as 23h59 . O acesso é feito por meio de inscrição devido à oferta limitada de recursos de inferência de alta velocidade, com prioridade para casos de uso empresariais e de desenvolvedores profissionais .

Os usuários aprovados recebem uma experiência de chat gratuita durante as duas semanas, sujeita a regras de uso justo: no máximo 10 entradas bem-sucedidas na fila por conta por dia, limite de sessão de 30 minutos e liberação automática de recursos após 5 minutos de inatividade . A Xiaomi não garante prazos de revisão ou taxas de aprovação .

Lançamento como Código Aberto

O modelo subjacente, chamado MiMo-V2.5-Pro-FP4-DFlash, foi lançado como código aberto junto com o anúncio do UltraSpeed . Os pesos quantizados em FP4 e os checkpoints do modelo DFlash estão disponíveis no HuggingFace, de acordo com a documentação da Xiaomi que identifica a quantização FP4 e a decodificação especulativa DFlash como componentes centrais do sistema .

O Que Isso Significa para Desenvolvedores

O modo UltraSpeed demonstra que a inferência em escala de trilhões de parâmetros, em velocidades interativas, pode rodar em infraestrutura comum, sem a necessidade de silício customizado, um desvio da abordagem de hardware especializado vista em outros lugares da indústria . Para desenvolvedores que criam aplicações de agente sensíveis à latência, pipelines de chamada de ferramentas ou geração de código em tempo real, a combinação de alta velocidade com uma janela de contexto de 1 milhão de tokens sinaliza um caminho prático para sistemas em produção mais rápidos e capazes — desde que consigam acesso durante a janela de teste limitada.

O Marco de Velocidade

A Xiaomi e a TileRT relataram uma taxa de transferência sustentada acima de 1.000 tokens por segundo, com demonstrações atingindo picos próximos de 1.200 tokens por segundo, em um servidor padrão com 8 GPUs . A conquista quebra o que a Xiaomi chama de "triângulo impossível" da indústria entre velocidade, capacidade e compatibilidade com GPUs de uso geral . O CEO da MiMo, Lei Jun, destacou o marco em uma postagem nas redes sociais, descrevendo-o como a primeira vez na indústria que se ultrapassam os 1.000 tokens/s em um modelo de trilhão de parâmetros .

O modo UltraSpeed não é uma nova classe de modelo, mas sim um modo de serviço baseado em engenharia construído sobre o MiMo-V2.5-Pro, uma arquitetura de Mistura de Especialistas (MoE) com 1,02 trilhão de parâmetros totais, 42 bilhões de parâmetros ativos e uma janela de contexto de 1 milhão de tokens .

As Três Técnicas por Trás do Aumento de Velocidade

A documentação oficial da Xiaomi descreve um co-design de pilha completa entre modelo e sistema que combina três técnicas coordenadas para impulsionar a taxa de transferência além de 1.000 tokens/s .

1. Quantização de Precisão Mista FP4

Apenas as camadas de especialistas do MoE são quantizadas para precisão FP4, enquanto todas as outras camadas mantêm sua precisão original . O treinamento com consciência de quantização (QAT) reduz a pegada de memória do modelo e a pressão sobre a largura de banda para manter a qualidade quase sem perdas . Essa abordagem seletiva evita degradar componentes não especializados que são mais sensíveis à perda de precisão.

2. Decodificação Especulativa DFlash

O DFlash substitui a geração de rascunho autorregressiva tradicional por uma predição paralela mascarada em nível de bloco . O modelo de rascunho usa atenção de janela deslizante (SWA) para manter o custo de predição quase constante, em vez de escalar com o comprimento da sequência . Um otimizador Muon e auto-destilação são usados para melhorar as taxas de aceitação, aumentando diretamente a taxa de transferência da inferência . Em cenários de codificação, relatórios indicam um comprimento médio aceito de cerca de 6,30 tokens por etapa de verificação .

3. Motor de Kernel Persistente TileRT com Especialização de Warp

O sistema TileRT abandona o modelo convencional de lançamento de kernel por operador em favor de um motor de kernel persistente onde o pipeline de computação permanece residente na GPU . A pré-busca de pipeline completo sobrepõe a movimentação de dados com a computação, reduzindo drasticamente os ciclos ociosos da GPU . O sistema também decompõe comunicação, movimentação de dados e computação de tensores em diferentes warps com funções dedicadas, transformando a GPU em um sistema de execução heterogêneo e de fluxo contínuo .

Preço: "3 Vezes o Preço, 10 Vezes a Experiência de Saída"

O preço promocional da API UltraSpeed é definido como exatamente 3 vezes o preço de saída do MiMo-V2.5-Pro padrão .

• Plano padrão: US$ 0,87 por milhão de tokens de saída (internacional) ou CN¥ 6 por milhão (doméstico)
• Promocional UltraSpeed: US$ 2,61 por milhão de tokens de saída (internacional) ou CN¥ 18 por milhão (doméstico)

O preço de entrada segue o mesmo multiplicador de 3 vezes, com entrada em cache a US$ 0,0108 por milhão de tokens e entrada sem cache a US$ 1,305 por milhão de tokens . A Xiaomi promove isso como "3 vezes o preço, 10 vezes a experiência de saída", enfatizando o ganho de cerca de 10 vezes na velocidade por 3 vezes o custo do token .

Janela de Teste Limitada e Regras de Acesso

O período de teste do UltraSpeed é explicitamente limitado: de 9 a 23 de junho de 2026, até as 23h59 . O acesso é feito por meio de inscrição devido à oferta limitada de recursos de inferência de alta velocidade, com prioridade para casos de uso empresariais e de desenvolvedores profissionais .

Os usuários aprovados recebem uma experiência de chat gratuita durante as duas semanas, sujeita a regras de uso justo: no máximo 10 entradas bem-sucedidas na fila por conta por dia, limite de sessão de 30 minutos e liberação automática de recursos após 5 minutos de inatividade . A Xiaomi não garante prazos de revisão ou taxas de aprovação .

Lançamento como Código Aberto

O modelo subjacente, chamado MiMo-V2.5-Pro-FP4-DFlash, foi lançado como código aberto junto com o anúncio do UltraSpeed . Os pesos quantizados em FP4 e os checkpoints do modelo DFlash estão disponíveis no HuggingFace, de acordo com a documentação da Xiaomi que identifica a quantização FP4 e a decodificação especulativa DFlash como componentes centrais do sistema .

O Que Isso Significa para Desenvolvedores

O modo UltraSpeed demonstra que a inferência em escala de trilhões de parâmetros, em velocidades interativas, pode rodar em infraestrutura comum, sem a necessidade de silício customizado, um desvio da abordagem de hardware especializado vista em outros lugares da indústria . Para desenvolvedores que criam aplicações de agente sensíveis à latência, pipelines de chamada de ferramentas ou geração de código em tempo real, a combinação de alta velocidade com uma janela de contexto de 1 milhão de tokens sinaliza um caminho prático para sistemas em produção mais rápidos e capazes — desde que consigam acesso durante a janela de teste limitada.