MiMo-V2.5-Pro-UltraSpeed：1000 tokens/s大模型新标杆

当万亿参数大模型的推理速度从分钟级压缩到秒级，大模型的产品形态正在发生质变。我们通过一组高复杂度的前端生成测试，对比了同源模型的标准版与高速版的差异，直观感受到了这种变化带来的体验鸿沟。

我们选择的测试任务是生成一个单文件3D世界杯虚拟乐园：需要包含3D球场、48支球队展馆，支持拖拽缩放、点击交互，同时保持世界杯主题与运动风格的视觉设计。分别调用两款同源模型完成该任务，结果不仅在输出效果上有明显差异，更在等待时长上拉开了显著差距。

请生成一个 3D 世界杯虚拟乐园，3D 球场，48 支球队的 3D 展馆，运动风格，3D 网站，可以点击互动，单文件。记住，给我一个 3D 网站的 html 文件。

两款模型的输出风格各有侧重：标准版MiMo-V2.5-Pro的页面更偏向氛围营造，采用暗色星空背景，中央球场和环形展馆置于夜间宇宙场景中，视觉重心突出2026世界杯标识，自带搜索、筛选和交互提示，沉浸感较强，但部分展馆和文字标签偏小，可读性一般，更偏向概念演示。而UltraSpeed版本则更偏向产品化设计，画面明亮、布局规整，48支球队展馆清晰排列在球场外围，标签、筛选和交互框架完整，信息可读性更强，没有因为速度提升牺牲页面完整性。

交互体验上，两款模型都支持拖拽旋转、滚轮缩放和点击展馆查看详情。标准版的交互更偏向沉浸式导览，点击展馆后会放大视角并弹出完整球队信息面板；UltraSpeed的视角切换后画面更明亮，信息组织更清晰，虽然交互氛围稍弱，但更符合实际使用场景的逻辑。

速度与token开销的差距才是核心差异：标准版MiMo-V2.5-Pro耗时约15分35秒（935秒），使用58563个tokens，生成759行代码，其中思考阶段耗时731.4秒。而UltraSpeed仅耗时46.3秒，首响应仅1.08秒，思考阶段仅33.1秒，处理了19522 tokens，平均速度581 tokens/s，正式输出阶段13.2秒内生成13149 tokens，平均输出速度达到980tokens/s，峰值甚至达到1084tokens/s，总计使用35827个tokens，生成829行代码。不仅耗时大幅缩短，token开销也更低，代码规模反而更高。这种差距让标准版的等待体验像“等一杯咖啡”，而UltraSpeed则接近“眨眼间完成”，尤其适合需要反复生成、修改的Coding Agent场景。

为了模拟真实开发中的迭代场景，我们还进行了两次Debug测试：首先要求UltraSpeed在原有乐园中新增世界杯历史馆和2026对战馆，33.6秒就完成了功能，总计使用34765 tokens，输出26142 tokens，平均输出速度1029 tokens/s，但风格和原版不一致；随后我们提供原版源码并明确要求保留原有视觉风格，UltraSpeed在51.6秒内完成了修改，完整保留了原有的布局与风格，新增了历史馆和赛程中心，补充了完整的22届世界杯历史统计、赛事表格以及2026年赛制、分组、赛程等信息，总tokens达到105568，其中输入源码花费60491个tokens，输出45077 tokens，平均输出速度仍达到1134tokens/s。这种快速迭代能力让开发循环从“等待-修改-再等待”变成了实时协作。

UltraSpeed的速度提升并非偶然，而是基于三大核心技术优化：

1. FP4混合量化：仅对MoE架构中的Experts模块进行MXFP4量化，保留注意力投影等关键模块的高精度，既降低了显存和带宽压力，又避免了模型能力的大幅损失。官方测试显示，该量化方式在多个基准测试中没有明显的能力断崖，甚至在部分场景超过原版模型。

2. DFlash块级投机解码：不再采用传统的逐token自回归推理，而是通过轻量draft模型一次预测一个包含8个token的块，再由主干模型统一验证。平均每轮8个draft token中有6.3个被接受，大幅压缩了前向计算次数，尤其在代码生成、结构化输出等场景优势显著。

3. TileRT系统级优化：通过常驻内核减少计算内核反复启动的开销，重叠计算与数据搬运以压缩GPU等待时间，同时针对MXFP4 Expert计算、DFlash草稿生成、主干模型验证等不同阶段设计异构流水线，适配动态执行特征，将理论加速落地到真实GPU环境中。

UltraSpeed的底层模型是MiMo-V2.5-Pro-FP4-DFlash，拥有1.02T总参数、42B激活参数与1M上下文窗口，官方称其可在单个标准8卡通用GPU节点上实现超过1000tokens/s的生成速度，峰值可达1200tokens/s。

速度并非免费的午餐：UltraSpeed的单价为标准版的3倍，属于“时间优先”的选择，并不适合普通闲聊、低频问答这类对延迟不敏感的场景。但对于Coding Agent、长代码生成、多轮Debug、实时协作等场景，单轮迭代的时间成本远高于token成本，这种提速的价值非常显著。当每一轮修改都能在几十秒内完成，用户的操作节奏会从“等待型”转向“协作型”，模型从“我问你答”变成“我指挥，你执行；我调整，你立刻改”。

从行业发展来看，过去一年大模型的竞争主线更多聚焦在“答得准、能力强”，而UltraSpeed的出现标志着大模型开始进入“实时执行”的新阶段。当万亿参数模型的生成速度达到1000tokens/s量级，大模型不再只是回答问题的工具，而是可以成为实时协作的开发搭档，让开发者不再因为等待打断思路，让Agent的迭代更流畅。这种速度提升应该成为行业基准，推动整个大模型生态从“能做任务”转向“能快速做任务”，让大模型真正成为实时执行的基础设施。

我们期待更多模型能够跟进这种技术路线，让速度与能力的平衡不再是难题，让大模型的应用场景进一步拓展。