速度有幾癲？

根據小米同TileRT嘅報告，呢個模式可以穩定咁保持每秒超過1,000個Token嘅輸出吞吐量，示範入面高峯期甚至見過接近每秒1,200個Token 。

呢次突破打破咗小米口中業界嘅「不可能三角」——就係速度夠快、模型能力夠強、但又唔使用專用晶片，三樣嘢冇可能同時達成。而家MiMo團隊話佢哋做到咗 。小米創辦人雷軍都特登喺微博出Post，話呢次係「業內首次在1萬億參數模型上突破1000 tokens/秒的輸出速度」。

你可能會問，MiMo-V2.5-Pro本身係咩來頭？佢係一個1.02萬億參數嘅混合專家（MoE）架構模型，入面有420億個活躍參數，支援最長100萬Token嘅上下文窗口 。而呢個UltraSpeed模式並唔係一個全新模型，而係建基於現有模型，靠工程實力硬生生「榨」出嚟嘅加速版本。

靠乜嘢技術可以快咁多？

小米官方文件解釋，呢次提速唔係靠一招半式，而係一個「模型-系統全鏈路協同設計」，由三項技術夾埋一齊發力，先推到過每秒1,000 Token呢個門檻 。

1. FP4混合精度量化——「偷輕」模型但唔傷腦

佢哋只係針對MoE架構入面嘅「專家層」（Expert Layers）做FP4量化，其他部分就保持返原本嘅精度 。

做法係透過「量化感知訓練」（QAT），喺大幅縮減模型體積、減少記憶體頻寬壓力嘅同時，令到模型嘅表現能力可以保持喺近乎無損嘅水平 。呢種「選擇性減肥」嘅策略，就避免咗搞到嗰啲對精度好敏感嘅非專家組件表現跌Watt。

2. DFlash推測解碼——用「平行亂估」取代「逐個諗」

傳統嘅解碼過程係逐個Token自迴歸生成，好似人哋逐個字諗嘢咁。DFlash就唔同玩法，佢用嘅係區塊級嘅Masked並行預測，一次過估一堆Token出嚟，然後再由大模型一次過驗證 。

佢嘅Draft模型用咗滑動窗口注意力（SWA），令到預測成本幾乎固定，唔會因為你段嘢越嚟越長就拖慢晒 。再配合Muon優化器同自蒸餾技術去提高「接受率」（即係估中嘅機率），直接轉化為實質嘅推理吞吐量提升 。有報告指出，喺編程場景入面，平均每次驗證可以接受嘅長度去到約6.30個Token ，效率相當唔錯。

3. TileRT常駐核心引擎同Warp專精化——榨乾GPU每一滴效能

TileRT團隊放棄咗傳統嗰種「逐個算子啟動內核」嘅做法，改為用一個常駐核心引擎，等條計算流水線可以長駐喺GPU入面持續運行 。

透過全鏈路預取，將數據搬運同計算嘅時間重疊到極致，大大減少GPU發呆等嘢做嘅空轉時間 。佢哋仲將通訊、數據搬運同張量計算拆解到唔同嘅Warp（線程束），各自有專門嘅角色，等成個GPU變到好似一個持續流動、精密協作嘅異構執行系統咁 。

定價策略：「3倍價錢，10倍輸出體驗」

小米將UltraSpeed API嘅試用期定價，啱啱好係標準版MiMo-V2.5-Pro輸出價格嘅3倍 。

• 標準版：國際市場每百萬輸出Token收 0.87美元（US$0.87）；國內就收 6蚊人仔（CN¥6）
• UltraSpeed試用價：國際市場每百萬輸出Token收 2.61美元（US$2.61）；國內就收 18蚊人仔（CN¥18）

輸入價格都係跟呢個3倍乘數去計，命中快取嘅輸入每百萬Token收0.0108美元，未命中快取嘅就收1.305美元 。小米嘅宣傳口號就係「3倍價格提升，10倍輸出體驗」，強調你用多3倍嘅錢，但吞吐量提升咗大約10倍 。

限時試用同申請規矩

呢個UltraSpeed模式嘅試用期係劃晒死線嘅：由2026年6月9號開始，到6月23號夜晚11點59分完 。

由於高速推理嘅資源供應好有限，所以要用家主動申請先有得玩，唔係公開任入 。小米會優先批核畀嗰啲有真實業務需求嘅企業同專業開發者 。

成功批核咗嘅用戶，可以喺呢兩個星期嘅窗口期內免費玩Chat體驗，但就要守公平使用規則：每個帳號每日最多排隊入10次、每次傾偈最長30分鐘、同埋如果超過5分鐘冇郁過，系統就會自動放返你啲資源出嚟 。小米仲講到明，「提交申請後不承諾審核時效性和審核通過率」，所以想玩就要快手同埋唔好咁老定 。

開源嘅部份

隨住UltraSpeed發布，小米亦將底層模型——叫做MiMo-V2.5-Pro-FP4-DFlash——拎咗出嚟開源 。

FP4量化咗嘅權重同DFlash模型嘅檢查點（checkpoint）都擺晒上HuggingFace，呢樣同小米之前嘅文件提到FP4量化同DFlash係核心系統組件嘅說法一致 。

對開發者嚟講有咩意義？

呢個UltraSpeed模式證明咗一樣嘢：要喺萬億參數級別嘅模型上做到互動級別嘅推理速度，唔一定要使天價買專用晶片，用返標準嘅GPU硬件都得 。

對於嗰啲要做對延遲好敏感嘅AI代理應用（Agentic Applications）、工具調用流程（Tool-Calling Pipelines）、又或者實時代碼生成嘅開發者嚟講，呢個「高吞吐量再加100萬Token超長上下文窗口」嘅組合，代表住一條邁向更快、更強生產系統嘅實用路徑——當然大前提係你要喺個咁短嘅試用期入面，成功拎到佢哋嘅批核先有得玩。

速度有幾癲？

根據小米同TileRT嘅報告，呢個模式可以穩定咁保持每秒超過1,000個Token嘅輸出吞吐量，示範入面高峯期甚至見過接近每秒1,200個Token 。

呢次突破打破咗小米口中業界嘅「不可能三角」——就係速度夠快、模型能力夠強、但又唔使用專用晶片，三樣嘢冇可能同時達成。而家MiMo團隊話佢哋做到咗 。小米創辦人雷軍都特登喺微博出Post，話呢次係「業內首次在1萬億參數模型上突破1000 tokens/秒的輸出速度」。

你可能會問，MiMo-V2.5-Pro本身係咩來頭？佢係一個1.02萬億參數嘅混合專家（MoE）架構模型，入面有420億個活躍參數，支援最長100萬Token嘅上下文窗口 。而呢個UltraSpeed模式並唔係一個全新模型，而係建基於現有模型，靠工程實力硬生生「榨」出嚟嘅加速版本。

靠乜嘢技術可以快咁多？

小米官方文件解釋，呢次提速唔係靠一招半式，而係一個「模型-系統全鏈路協同設計」，由三項技術夾埋一齊發力，先推到過每秒1,000 Token呢個門檻 。

1. FP4混合精度量化——「偷輕」模型但唔傷腦

佢哋只係針對MoE架構入面嘅「專家層」（Expert Layers）做FP4量化，其他部分就保持返原本嘅精度 。

做法係透過「量化感知訓練」（QAT），喺大幅縮減模型體積、減少記憶體頻寬壓力嘅同時，令到模型嘅表現能力可以保持喺近乎無損嘅水平 。呢種「選擇性減肥」嘅策略，就避免咗搞到嗰啲對精度好敏感嘅非專家組件表現跌Watt。

2. DFlash推測解碼——用「平行亂估」取代「逐個諗」

傳統嘅解碼過程係逐個Token自迴歸生成，好似人哋逐個字諗嘢咁。DFlash就唔同玩法，佢用嘅係區塊級嘅Masked並行預測，一次過估一堆Token出嚟，然後再由大模型一次過驗證 。

佢嘅Draft模型用咗滑動窗口注意力（SWA），令到預測成本幾乎固定，唔會因為你段嘢越嚟越長就拖慢晒 。再配合Muon優化器同自蒸餾技術去提高「接受率」（即係估中嘅機率），直接轉化為實質嘅推理吞吐量提升 。有報告指出，喺編程場景入面，平均每次驗證可以接受嘅長度去到約6.30個Token ，效率相當唔錯。

3. TileRT常駐核心引擎同Warp專精化——榨乾GPU每一滴效能

TileRT團隊放棄咗傳統嗰種「逐個算子啟動內核」嘅做法，改為用一個常駐核心引擎，等條計算流水線可以長駐喺GPU入面持續運行 。

透過全鏈路預取，將數據搬運同計算嘅時間重疊到極致，大大減少GPU發呆等嘢做嘅空轉時間 。佢哋仲將通訊、數據搬運同張量計算拆解到唔同嘅Warp（線程束），各自有專門嘅角色，等成個GPU變到好似一個持續流動、精密協作嘅異構執行系統咁 。

定價策略：「3倍價錢，10倍輸出體驗」

小米將UltraSpeed API嘅試用期定價，啱啱好係標準版MiMo-V2.5-Pro輸出價格嘅3倍 。

• 標準版：國際市場每百萬輸出Token收 0.87美元（US$0.87）；國內就收 6蚊人仔（CN¥6）
• UltraSpeed試用價：國際市場每百萬輸出Token收 2.61美元（US$2.61）；國內就收 18蚊人仔（CN¥18）

輸入價格都係跟呢個3倍乘數去計，命中快取嘅輸入每百萬Token收0.0108美元，未命中快取嘅就收1.305美元 。小米嘅宣傳口號就係「3倍價格提升，10倍輸出體驗」，強調你用多3倍嘅錢，但吞吐量提升咗大約10倍 。

限時試用同申請規矩

呢個UltraSpeed模式嘅試用期係劃晒死線嘅：由2026年6月9號開始，到6月23號夜晚11點59分完 。

由於高速推理嘅資源供應好有限，所以要用家主動申請先有得玩，唔係公開任入 。小米會優先批核畀嗰啲有真實業務需求嘅企業同專業開發者 。

成功批核咗嘅用戶，可以喺呢兩個星期嘅窗口期內免費玩Chat體驗，但就要守公平使用規則：每個帳號每日最多排隊入10次、每次傾偈最長30分鐘、同埋如果超過5分鐘冇郁過，系統就會自動放返你啲資源出嚟 。小米仲講到明，「提交申請後不承諾審核時效性和審核通過率」，所以想玩就要快手同埋唔好咁老定 。

開源嘅部份

隨住UltraSpeed發布，小米亦將底層模型——叫做MiMo-V2.5-Pro-FP4-DFlash——拎咗出嚟開源 。

FP4量化咗嘅權重同DFlash模型嘅檢查點（checkpoint）都擺晒上HuggingFace，呢樣同小米之前嘅文件提到FP4量化同DFlash係核心系統組件嘅說法一致 。

對開發者嚟講有咩意義？

呢個UltraSpeed模式證明咗一樣嘢：要喺萬億參數級別嘅模型上做到互動級別嘅推理速度，唔一定要使天價買專用晶片，用返標準嘅GPU硬件都得 。

對於嗰啲要做對延遲好敏感嘅AI代理應用（Agentic Applications）、工具調用流程（Tool-Calling Pipelines）、又或者實時代碼生成嘅開發者嚟講，呢個「高吞吐量再加100萬Token超長上下文窗口」嘅組合，代表住一條邁向更快、更強生產系統嘅實用路徑——當然大前提係你要喺個咁短嘅試用期入面，成功拎到佢哋嘅批核先有得玩。