小米 MiMo（编程模型）

概述

MiMo 是小米自研的编程模型，2026 年 6 月 11 日随 MiMo Code 终端 Agent 一同开源（MIT 协议，基于 OpenCode 架构改造）。它让国产阵营第一次拿到一个硬指标：

SWE-bench Pro 62% + Terminal Bench 2 73%，两项双双超过 Claude Code 同期成绩。

前者考「给真实 GitHub issue，自主定位 + 修复 + 通过测试」（详见 SWE-bench 解读），后者考终端环境里的长程工具调用。两项都超，说明模型侧「解题」与「用机器」两个能力同时到位——这正是终端 Agent 最需要的组合。

核心能力

双基准超 Claude Code

62% / 73% 的意义不在绝对值，而在参照系：这是国产模型第一次在 Anthropic 定义的主场项目上正面超越。怎么理性看待这个成绩（题目分布、issue 干净度、单题短程 vs 实战长程），见基准解读。

内置多模态

不只是文本编程模型——截图、UI 素材可以进入工作流（「照着这张设计图改样式」）。这在小模型阵营里是稀缺配置。

记忆系统

Agent 内置跨会话记忆：记住项目上下文与用户习惯。工程意义与风险（记忆存哪、可否编辑）详见 Agent 记忆。

获取方式

本卡事实核对时点为 2026-08-30；模型与配套 Agent 当时均为 V0.1.0 早期版本。版本号、权重许可与基准成绩请以上方 GitHub 仓库为准，本文不作推测性更新。

API 调用示例

接口 OpenAI 兼容，本地起服务后按 BYOK 方式把 base_url 指过去即可：

from openai import OpenAI

client = OpenAI(
    api_key="EMPTY",                    # 本地部署通常不校验 key
    base_url="http://localhost:8000/v1",
)

resp = client.chat.completions.create(
    model="mimo-code",
    messages=[{"role": "user", "content": "为这个函数补上边界测试"}],
)
print(resp.choices[0].message.content)

自部署的成本结构与官方 API 完全不同——它从「按 token 付费」变成「按显卡付费」，选型方法见长上下文里的显存与并发取舍。

与同档国产编程模型怎么选

三者并不是简单替代关系：要生产稳定选正式版，要研究改造选 MiMo。更完整的国产阵营对比见国产编程模型盘点。

常见误区

• 把 SWE-bench 成绩当成实战胜率：榜单是干净 issue + 单题短程，真实仓库的脏上下文与长依赖会被放大，选型请以自己的仓库做 20 题抽样。
• 忽略 V0.1.0 的语义：早期版本号意味着 breaking change 与文档缺口是常态，别把它放进需要 SLA 的流水线。
• 以为开源等于零成本：本地推理的显卡、运维与上下文管理成本都是真金白银，小团队先算成本账。

适合 / 不适合

适合：

• 想体验「SWE-bench 超 Claude Code」的国产 Agent 用户
• 基准向研究与二次开发（MIT + OpenCode 架构，改造成本低）
• 预算为零的个人开发者

不适合：

• 要企业级 SLA 与稳定承诺的团队（V0.1.0，早期）
• 深度依赖成熟插件生态的重度用户（生态在追 Claude Code）
• 闭源旗舰级复杂推理需求（见国产模型选型）

相关阅读

• MiMo Code CLI 评测 —— 搭载本模型的国产 Agent
• SWE-bench：基准怎么读才不被忽悠
• Agent 记忆：记忆系统的工程实践
• 国产编程模型盘点
• Kimi K2.7 Code 模型卡 —— 同期国产对手

来源

• MiMo-Code 开源仓库（GitHub）
• 小米 MiMo 系列模型
• SWE-bench 官网