小米于去年12月发布的MiMo-V2-Flash模型，近期对该模型进行了迭代更新。本次评测聚焦于更新后的思考模式版本MiMo-V2-Flash-think-0204。我们对新旧两个思考模式版本进行了全面对比，测试其在准确率、响应时间、token消耗和成本等关键指标上的表现差异。
MiMo-V2-Flash-think-0204版本表现：
- 测试题数：约1.5万
- 总分（准确率）：68.2%
- 平均耗时（每次调用）：645s
- 平均token（每次调用消耗的token）：3896
- 平均花费（每千次调用的人民币花费）：7.8
1、新旧版本对比
首先对比上个版本（MiMo-V2-Flash-think），数据如下：
*数据来源：非线智能ReLE评测github.com/jeinlee1991…
*输出价格单位： 元/百万token
- 整体性能大幅提升：新版本准确率从62.0%跃升至68.2%，提升了6.2个百分点，排名从第68位大幅跃升到第21位，实现了47位的排名跨越。
- 专业能力全面增强：从细分领域来看，新版本在多个维度都实现了显著提升。“医疗与心理健康”从77.2%提升至79.2%（+2.0%）；“法律与行政公务”从74.7%大幅提升至80.7%（+6.0%）；“语言与指令遵从”从56.0%提升至66.5%（+10.5%）；“Agent与工具调用”从48.0%大幅提升至62.3%（+14.3%），增幅最为显著。
- 部分领域出现回落：值得注意的是，“金融”领域从77.7%下降至76.2%（-1.5%），“推理与数学计算”从74.2%下降至71.7%（-2.5%），表明在整体性能提升过程中存在一定的能力权衡。
- 响应时间大幅增加：新版本的平均耗时从81s激增至645s，增幅达696%，这是本次升级中最显著的变化。对于实时性要求较高的应用场景，这一变化需要特别关注。
- 商业化转型：旧版本作为开源模型免费使用，新版本转为商用模式，输出价格为2.1元/M token，每千次调用费用为7.8元。这一变化反映了小米在模型商业化方面的战略调整。
2、对比其他模型
在当前主流大模型竞争格局中，MiMo-V2-Flash-think-0204表现如何？我们从三个维度进行横向对比分析（本评测侧重中文场景，模型在其他语言和专业领域的表现可能有所不同）：
*数据来源：非线智能ReLE评测github.com/jeinlee1991…
同成本档位对比
- 成本效率比表现尚可：在7-10元/千次调用的成本区间内，MiMo-V2-Flash-think-0204以68.2%的准确率和7.8元的成本，与DeepSeek-V3.2-Think（70.9%，7.5元）、hunyuan-2.0-thinking-20251109（71.9%，9.5元）形成直接竞争，但准确率存在2-3个百分点的差距。
- 成本控制合理：从总分情况来看，相比高成本模型如gemini-3-pro-preview（72.5%，247.3元）和claude-opus-4.6（70.5%，96.5元），MiMo-V2-Flash-think-0204以不到十分之一的成本达到了相近的性能水平，成本效率比优势明显。
- 低成本区间竞争激烈：doubao-seed-1-8-251215以71.7%的准确率和7.3元的成本，在同成本区间表现更优；doubao-seed-1-6-thinking-250715（71.7%，15.6元）准确率相同但成本更高，MiMo在成本控制上有一定优势。
新旧模型代际对比
- 版本升级成效显著：相比自身旧版本MiMo-V2-Flash-think（62.0%），新版本提升了6.2个百分点，升级幅度在同期更新的模型中属于较大水平。
- 与其他新版本对比：doubao-seed-1-8-251215（71.7%）、GLM-5（71.0%）、ERNIE-5.0（70.9%）等近期发布的新版本在准确率上仍领先MiMo-V2-Flash-think-0204约2-3个百分点。
开源VS闭源对比
- 闭源模型整体领先：在排名前十的模型中，商用闭源模型占据主导地位，包括qwen3-max-think-2026-01-23、gemini-3-pro-preview、hunyuan-2.0-thinking-20251109、doubao-seed-1-8-251215等。
- MiMo的定位转变：MiMo-V2-Flash-think-0204从开源转为商用，在性能提升的同时也面临更激烈的商业竞争。相比仍保持开源的旧版本，新版本需要在性能上证明其商业价值。
- 响应时间劣势突出：645s的响应时间在所有对比模型中处于较慢水平，高于DeepSeek-V3.2-Think（144s）、GLM-4.7（96s）等竞品，这是当前版本需要关注的方向。
3、官方评测
根据小米官方发布的更新日志（2026/02/04），MiMo-V2-Flash-0204版本在多个维度进行了专项优化：
- 代码能力显著提升：Thinking模式针对编程场景进行了专门优化，在SWE-Bench Verified上的评分从74.2（0112版本）提升至78.6。
- 工具调用准确率大幅跃升：这是本次更新最亮眼的改进。Thinking模式下的工具调用准确率从64%跃升至97.0%。
- 指令遵循能力增强：AA-IFBench评分提升至72。
- 抗幻觉能力大幅改善：非幻觉率（Non-Hallucination Rate）提升至52%。
- 复杂任务处理优化：在Arena-Hard (Hard Prompt) Thinking模式下，评分从初代的54.1提升至60.6，在处理高难度逻辑问题时表现更佳。 - 思维链长度有效缩短：在AIME25、HMMT等基准测试中，平均生成长度缩减了13%至30%。具体数据显示，AIME25的平均Token从26984降至18879，HMMT从29294降至21470，在保持模型效果的同时有效降低了Token成本。
目前所有大模型评测文章在公众号：大模型评测及优化NoneLinear
