Xiaomi betritt mit dem MiMo 2.5 Pro ein neues Terrain: Das multimodale KI-Modell verarbeitet Text, Bilder und Audio in einem einzigen System – und kann darüber hinaus eigenständig Aufgaben ausführen. Der Preis liegt bei etwa der Hälfte des Vorgängers.
Xiaomi MiMo 2.5 Pro: Multimodales KI-Modell verarbeitet Text, Bild und Audio in einem System
Xiaomi hat mit dem MiMo 2.5 Pro ein multimodales Large Language Model vorgestellt, das Sprache, Bilder und Audio gleichzeitig verarbeiten und darüber hinaus eigenständig Aktionen ausführen kann. Das Modell erscheint rund fünf Wochen nach dem Vorgänger MiMo-V2-Pro – und wird zu deutlich geringeren Kosten angeboten.
Multimodale Architektur mit agentischen Fähigkeiten
Der wesentliche Unterschied zum Vorgänger liegt in der Integration mehrerer Eingabemodalitäten in einem einzigen System. MiMo 2.5 Pro verarbeitet nicht nur Text, sondern auch visuelle und akustische Informationen – ohne dass separate Modelle für die einzelnen Modalitäten benötigt werden.
Hinzu kommen sogenannte agentische Fähigkeiten: Das Modell kann selbstständig Aufgaben ausführen, also nicht nur antworten, sondern in definierten Umgebungen handeln.
Diese Kombination aus Wahrnehmung und Handlungsfähigkeit in einem einzigen Modell war bislang vor allem großen Labormodellen wie GPT-4o oder Gemini vorbehalten.
Xiaomi adressiert damit ein Segment, das bisher vorwiegend von US-amerikanischen und europäischen Anbietern besetzt wurde.
Preisgestaltung als strategisches Argument
Xiaomi positioniert das Modell ausdrücklich als kosteneffiziente Alternative. MiMo 2.5 Pro wird zu etwa der Hälfte des Preises des Vorgängers angeboten. Dieser Schritt folgt einem Muster, das sich in der chinesischen KI-Industrie seit Anfang 2025 deutlich abzeichnet:
Anbieter wie DeepSeek, Qwen oder Moonshot haben durch aggressive Preissenkungen den Markt für westliche Anbieter erheblich unter Druck gesetzt.
Für Unternehmen, die multimodale KI-Funktionalität in eigene Anwendungen integrieren möchten, sind solche Preisbewegungen direkt relevant – insbesondere wenn der Einsatz über API-Schnittstellen skaliert wird und die Kosten pro Token eine Rolle spielen.
Einordnung im Wettbewerb
Xiaomi ist primär als Hardwarehersteller bekannt, drängt aber seit einigen Jahren systematisch in den KI-Bereich. Die MiMo-Modellfamilie ist Teil dieser Strategie und richtet sich sowohl an die eigene Geräteplattform als auch an externe Entwickler.
Die Veröffentlichung über öffentliche APIs und die Verfügbarkeit auf Plattformen wie Hugging Face deuten darauf hin, dass Xiaomi den Einsatz durch Dritte aktiv fördern möchte.
Im Vergleich zu den Modellen von Anthropic, OpenAI oder Google bleibt MiMo 2.5 Pro in bestimmten Benchmarks noch zurück – punktet aber durch die Kombination aus multimodaler Verarbeitung, agentischen Fähigkeiten und niedrigem Preisniveau. Unabhängige Benchmarkvergleiche stehen zum Zeitpunkt der Veröffentlichung noch aus.
Relevanz für den deutschsprachigen Markt
Für deutsche Unternehmen, die KI-gestützte Prozesse aufbauen oder skalieren wollen, liefert die Entwicklung bei Xiaomi ein klares Signal:
Multimodale Modelle, die sehen, hören und handeln können, werden schrittweise erschwinglich.
Wer Anwendungsfälle plant, bei denen Dokumente, Bilder und gesprochene Sprache gemeinsam ausgewertet werden sollen – etwa in der Qualitätssicherung, im Kundenservice oder in der Logistik –, sollte die Kostendynamik aktiv beobachten.
Die zunehmende Verfügbarkeit leistungsfähiger Modelle außerhalb des US-amerikanischen Anbieterspektrums erweitert den strategischen Handlungsspielraum. Sie stellt gleichzeitig aber neue Anforderungen an Datenschutz- und Compliance-Bewertungen.
Quelle: Decrypt AI