Xiaomi quebra barreira de velocidade da IA com MiMo-V2.5-Pro-UltraSpeed em hardware padrão

O fabricante de smartphones que acabou de mudar a inferência de IA

Numa manhã de segunda-feira que surpreendeu a indústria tecnológica, a Xiaomi fez algo que poucos observadores esperavam. A empresa mais conhecida por smartphones acessíveis, trotinetes elétricas e purificadores de ar domésticos anunciou que tinha quebrado uma importante barreira na velocidade da inteligência artificial. O seu novo modo de serviço MiMo-V2.5-Pro-UltraSpeed gera mais de 1.000 tokens por segundo num modelo com um bilião de parâmetros, atingindo um pico próximo de 1.200 tokens em demonstrações ao vivo. Isto não é uma versão reduzida do modelo. É o modelo principal completo MiMo-V2.5-Pro, um sistema de IA de nível de fronteira que rivaliza com o Claude Opus em benchmarks de programação.

O que torna o anúncio surpreendente não é apenas a velocidade. É o hardware que a proporciona. A Xiaomi alcançou estes números utilizando um único nó padrão com oito GPUs convencionais, o tipo de equipamento disponível em qualquer grande fornecedor de cloud. Sem silício personalizado. Sem chips especializados do tamanho de pratos. Apenas inovações de software a correr em hardware que os programadores podem alugar esta noite.

Os parâmetros são os pesos numéricos internos que definem a forma como um modelo de IA processa informação. Um bilião de parâmetros significa que o modelo consegue reconhecer padrões extraordinariamente complexos em texto e código. Os tokens são os fragmentos de texto que o modelo lê e escreve, aproximadamente três quartos de uma palavra cada. Gerar mais de 1.000 deles por segundo significa que este cérebro gigantesco está a operar a um ritmo que antes era considerado impossível sem hardware dedicado.

Durante anos, a corrida por uma inferência de IA mais rápida foi dominada por startups de chips bem financiadas com designs de silício personalizado. A Xiaomi acabou de provar que engenharia inteligente em equipamento padrão pode ultrapassar todas elas. A conquista levanta uma questão pertinente sobre se o hardware especializado dispendioso é necessário quando a otimização inteligente de software pode proporcionar resultados superiores em infraestrutura acessível.

O que 1.000 tokens por segundo realmente significa

Para compreender porque é que este número importa, veja-se o que os utilizadores comuns experienciam hoje. De acordo com dados de benchmark da Artificial Analysis, o GPT-5.5, o modelo que alimenta a maioria das conversas do ChatGPT, gera aproximadamente 68 tokens por segundo. O Claude Opus 4.6 opera a cerca de 71 tokens por segundo, enquanto o modelo mais leve Haiku da Anthropic atinge 98. O Gemini Flash da Google avança mais depressa, a 192 tokens por segundo. O MiMo-V2.5-Pro-UltraSpeed atinge 1.000 tokens por segundo num modelo com um bilião de parâmetros, quase quinze vezes mais rápido do que os chatbots que milhões de pessoas usam diariamente.

A diferença entre 68 e 1.000 não é meramente incremental. Representa uma categoria de desempenho completamente diferente. Aos ritmos de consumo atuais, os utilizadores esperam vários segundos para que apareça um parágrafo de texto. À nova velocidade da Xiaomi, uma página completa de análise pode materializar-se quase instantaneamente. Para programadores que executam agentes de programação, a diferença transforma a experiência de um vaivém com atraso em algo semelhante a colaboração em tempo real.

Os tokens funcionam como a moeda básica dos grandes modelos de linguagem. Quando escreve um prompt, o modelo divide o seu texto em tokens para processamento. Quando responde, gera tokens um a um, prevendo cada um com base em tudo o que veio antes. Quanto mais depressa um modelo consegue gerar tokens, mais responsivo parece e mais tarefas consegue concluir dentro de limites de tempo rigorosos. A velocidade também determina quantos pedidos um servidor pode tratar em simultâneo, afetando diretamente o custo e a escalabilidade para as empresas.

O modelo Flash anterior do MiMo-V2.5-Pro já gerava respostas a 150 tokens por segundo, cerca de 110 palavras por segundo, mais rápido do que o ser humano mais rápido consegue ler ou falar. O UltraSpeed empurra esse limite dramaticamente para cima, criando uma taxa de geração que supera a cognição humana e permite fluxos de trabalho orientados por máquinas que nunca antes eram possíveis.

Como a Xiaomi ultrapassou os gigantes dos chips personalizados

O estrangulamento da velocidade de inferência de IA atraiu centenas de milhões de dólares em investimento de empresas que constroem hardware especializado. A Cerebras concebeu um chip à escala de wafer, aproximadamente do tamanho de um prato, com 44 GB de memória no chip para eliminar restrições de largura de banda. Esse design atingiu 969 tokens por segundo, um feito impressionante, mas no Llama 3.1 405B da Meta, um modelo com 405 mil milhões de parâmetros. Isso é menos de metade do tamanho do MiMo-V2.5-Pro. A Groq construiu uma arquitetura personalizada de Unidade de Processamento de Linguagem capaz de 300 a 750 tokens por segundo, dependendo do modelo. Nenhum dos sistemas funciona em hardware de cloud padrão que os programadores podem alugar a fornecedores como a AWS.

A abordagem da Xiaomi inverte completamente esse modelo. Trabalhando com o parceiro de inferência TileRT, a empresa alcançou o seu recorde através do que designa por codesign extremo de modelo e sistema, uma otimização coordenada tanto do modelo de IA como do motor de software que o serve. O resultado é um modelo com um bilião de parâmetros a correr mais depressa do que silício especializado em GPUs convencionais. Se testes independentes confirmarem estes benchmarks, a conquista sugere que a inovação de software pode superar limitações de hardware que muitos assumiam exigir chips personalizados.

Este desenvolvimento tem um verdadeiro peso económico. O silício personalizado exige despesas de capital enormes, ciclos de design prolongados e fabrico especializado. As GPUs convencionais beneficiam de economias de escala, disponibilidade generalizada e melhorias iterativas constantes da NVIDIA e de outros fabricantes. Ao resolver o problema da inferência através de software, a Xiaomi potencialmente democratizou o acesso a velocidades que antes estavam reservadas a laboratórios bem financiados com hardware proprietário.

O lançamento do checkpoint FP4-DFlash no Hugging Face acrescenta outra dimensão a esta democratização. Investigadores e programadores de todo o mundo podem agora inspecionar, testar e adaptar o modelo subjacente sem comprar hardware proprietário ou obter licenças empresariais. A validação pela comunidade determinará se estas técnicas se transferem amplamente para diferentes modelos e casos de uso.

Por dentro das três técnicas que impulsionam o UltraSpeed

O avanço assenta em três técnicas coordenadas que funcionam em conjunto. Nenhuma alcança o recorde de velocidade isoladamente, mas combinadas empurram o desempenho para além do limiar de 1.000 tokens.

A primeira técnica é a quantização FP4. A maioria dos grandes modelos funciona com precisão numérica de 16 bits ou 8 bits, o que significa que cada parâmetro exige dois bytes ou um byte de memória. A Xiaomi comprime as camadas de especialistas, que constituem a maioria do bilião de parâmetros, para precisão de 4 bits. Isto reduz a pegada de memória e a pressão sobre a largura de banda, permitindo que os dados circulem mais depressa pelo sistema. O risco da quantização é a perda de qualidade, uma vez que uma precisão mais baixa pode degradar a capacidade de raciocínio de um modelo. A solução da Xiaomi é cirúrgica; apenas as camadas de especialistas são comprimidas, enquanto o resto do modelo permanece em precisão total. A empresa descreve a perda de qualidade resultante como quase nula.

A segunda técnica é a descodificação especulativa DFlash. A descodificação especulativa tradicional utiliza um modelo de rascunho mais pequeno para adivinhar rapidamente os próximos tokens e, em seguida, faz o modelo grande verificar essas suposições em paralelo. O DFlash elimina totalmente o passo de rascunho sequencial. Em vez disso, preenche um bloco inteiro de posições mascaradas numa única passagem direta. Durante tarefas de programação, o modelo grande aceita, em média, 6,3 de 8 tokens propostos por ronda de verificação. Isto significa que seis tokens avançam num único passo em vez de um, uma aceleração enorme na velocidade de geração.

A terceira componente é o próprio TileRT, o motor de inferência que mantém todo o pipeline de computação continuamente residente dentro da GPU. Os sistemas de serviço padrão lançam frequentemente operadores individuais um a um, criando pequenas lacunas na execução. O TileRT elimina essa sobrecarga de lançamento por operador e mantém os dados a fluir sem interrupção. Quando combinado com os pesos comprimidos do modelo e a estratégia avançada de descodificação, o motor sustenta níveis de débito que antes eram inatingíveis em hardware padrão.

A Xiaomi chama a esta combinação codesign extremo de modelo e sistema, e a descrição encaixa. Cada camada de otimização reforça as outras, criando um todo que excede o que qualquer técnica isolada poderia proporcionar independentemente.

Porque a velocidade desbloqueia aplicações completamente novas

Os benchmarks em bruto não têm significado a menos que permitam algo novo. A 1.000 tokens por segundo, o MiMo-V2.5-Pro-UltraSpeed abre portas que permanecem firmemente fechadas a sistemas mais lentos.

Considere como os programadores usam atualmente os grandes modelos de linguagem para tarefas complexas. Ao enfrentar um problema de programação difícil, um utilizador normalmente espera por uma resposta e espera que esteja correta. Com o UltraSpeed, o mesmo utilizador pode executar dezenas de caminhos de raciocínio em paralelo dentro da mesma janela em tempo real, verificando e autocorrigindo automaticamente em segundo plano. O modelo pode explorar múltiplas soluções simultaneamente em vez de se comprometer com uma única cadeia de pensamento. Esta capacidade transforma fundamentalmente a IA de um assistente sequencial num solucionador de problemas paralelo.

As indústrias com restrições rígidas de latência podem beneficiar imediatamente. Os sistemas de deteção de fraude têm de avaliar transações em milissegundos. A geração de sinais de negociação em tempo real não pode suportar atrasos de vários segundos. Os ciclos de agentes autónomos, em que sistemas de IA observam, decidem e agem em ciclos rápidos, exigem velocidades que os chatbots de consumo não conseguem proporcionar. A 68 tokens por segundo, estas aplicações enfrentam estrangulamentos frustrantes. A 1.000 tokens por segundo, tornam-se viáveis em infraestrutura de cloud padrão.

Mesmo nos fluxos de trabalho diários de programação, a velocidade muda a psicologia. Antes, os programadores fitavam os ecrãs à espera que a inferência terminasse. Com uma produção a aproximar-se e a exceder 1.000 tokens por segundo, o atraso desaparece efetivamente. A interação passa de pedir e esperar para uma verdadeira colaboração em tempo real com um parceiro de IA. Aplicações de saúde que exigem análise rápida de dados de doentes e plataformas de investimento que processam feeds de mercado ao vivo ganham ambas valor prático imediato com este nível de capacidade de resposta.

Acesso, preços e lançamento em open source

A Xiaomi não está a manter esta tecnologia atrás de uma porta fechada. A empresa lançou um teste limitado da API entre 9 e 23 de junho de 2026. O acesso é feito por candidatura, e a aprovação não é garantida. A prioridade vai para utilizadores empresariais e programadores profissionais com necessidades de negócio concretas. Devido aos recursos limitados de inferência de alta velocidade, cada conta pode entrar na fila até dez vezes por dia, com cada sessão limitada a trinta minutos. As sessões inativas durante mais de cinco minutos serão automaticamente libertadas.

A estrutura de preços reflete a natureza premium da velocidade. O UltraSpeed custa três vezes a tarifa padrão do MiMo-V2.5-Pro, mas proporciona aproximadamente dez vezes a velocidade de geração. Para contexto, o MiMo-V2.5-Pro padrão já tem preços muito inferiores aos do Claude Opus, cobrando cerca de 0,43 dólares por milhão de tokens de entrada e 0,87 dólares por milhão de tokens de saída, em comparação com o Opus a 5 dólares de entrada e 25 dólares de saída por milhão de tokens. Mesmo ao triplo da tarifa, a oferta acelerada da Xiaomi continua a ser muito menos dispendiosa do que muitos modelos de fronteira concorrentes.

Para os programadores que preferem testar a tecnologia diretamente, a Xiaomi lançou o checkpoint subjacente MiMo-V2.5-Pro-FP4-DFlash como open source no Hugging Face. A TileRT também lançou módulos selecionados no GitHub. Esta medida convida a comunidade global de investigação a verificar os benchmarks, experimentar a arquitetura e potencialmente adaptar as técnicas a outros modelos. A verificação independente por terceiros ainda não está amplamente publicada, pelo que os testes da comunidade através destes lançamentos abertos servirão como a verdadeira prova nas próximas semanas.

A ascensão discreta da Xiaomi como potência de IA

Para a maioria dos consumidores, a Xiaomi continua a ser a marca que vende eletrónica acessível. A empresa vendeu milhões de smartphones, trotinetes elétricas e purificadores de ar em mercados globais. Essa imagem de consumo ocultou uma divisão de inteligência artificial em crescimento constante que a maior parte da indústria ignorou até agora.

O MiMo-V2.5-Pro já igualava o Claude Opus na maioria dos benchmarks de programação quando foi lançado em abril. O UltraSpeed não introduz um modelo novo ou simplificado. Acelera exatamente a mesma inteligência de nível de fronteira que já competia no topo. A marca de smartphones construiu efetivamente uma capacidade de IA que rivaliza com laboratórios dedicados, mantendo preços que ficam uma ordem de grandeza abaixo dos deles.

Se as alegações de velocidade se confirmarem sob escrutínio independente, a Xiaomi terá alcançado algo extraordinário sem as centenas de milhões de dólares em investimento em silício personalizado que empresas como a Cerebras e a Groq exigiram. Terá demonstrado que a otimização de software em hardware convencional pode proporcionar desempenho líder de categoria. Esse resultado reformularia pressupostos sobre de onde vem a capacidade de IA e que intervenientes podem competir na fronteira. Um gigante da eletrónica de consumo de Pequim acabou de entrar no topo dos inovadores de infraestrutura de IA, e chegou transportando GPUs padrão em vez de silício personalizado.

Em resumo

• O MiMo-V2.5-Pro-UltraSpeed da Xiaomi gera mais de 1.000 tokens por segundo num modelo com um bilião de parâmetros, utilizando apenas oito GPUs convencionais padrão, sem necessidade de silício personalizado.
• A velocidade é cerca de quinze vezes superior à do GPT-5.5 e do Claude Opus, e foi alcançada através de quantização FP4, descodificação especulativa DFlash e do motor de inferência TileRT.
• Um teste limitado da API decorre de 9 a 23 de junho de 2026, com um preço três vezes superior à tarifa padrão do MiMo por aproximadamente dez vezes a velocidade de geração, com prioridade para utilizadores empresariais e programadores profissionais.
• A Xiaomi lançou o checkpoint FP4-DFlash como open source no Hugging Face, permitindo a verificação e adaptação das técnicas pela comunidade.
• Se for verificado de forma independente, o avanço sugere que a otimização de software em hardware de cloud padrão pode superar soluções dispendiosas de chips personalizados de empresas especializadas em hardware de IA.