MiMo-V2-Flash TPS-rekenmachine

Open gewichten Xiaomi Corp 309B parameters December 2025

Elke kaart hieronder wordt beoordeeld op basis van dit model met de contextlengte en minimale kwaliteit die je kiest. Snelheid is een schatting voor een enkele aanvraag, berekend op basis van de geheugendoorvoer van de kaart en de grootte van het model eenmaal gecomprimeerd..

Bereken voor dit model

7 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

B200

180 GB · Q3_K_M · 29.6 tok/s

Snelste kaart

B200

29.6 tok/s · 180 GB

Welke GPU's kunnen draaien MiMo-V2-Flash?

Stel de invoer in, lees het antwoord

Contextlengte tokens

Een langere conversatie heeft meer geheugen nodig, wat dit model van kleinere kaarten kan duwen..

Minimale kwaliteit

Verbergt kaarten die alleen in het model passen door het onder dit punt te comprimeren.

Zoek kaarten

Kaartgeheugen

Toon ook kaarten die het niet kunnen draaien

7 kaarten passen

Berekenen

					Heeft	Kwantificatie	Past
29.6 tok/s 18–47 · lage vertrouwen	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	151.7 GB	Q3_K_M	Krap
19.6 tok/s 12–31 · lage vertrouwen	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	223.6 GB	Q5_K_M	Krap
15.6 tok/s 9–25 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	223.6 GB	Q5_K_M	Krap
15.6 tok/s 9–25 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	223.6 GB	Q5_K_M	Krap
14.0 tok/s 8–22 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	169.7 GB	IQ4_XS	Krap
14.0 tok/s 8–22 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	169.7 GB	IQ4_XS	Krap
11.5 tok/s 7–18 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	223.6 GB	Q5_K_M	Krap

Snelheden zijn schattingen voor een enkele aanvraag — één gesprek tegelijk — berekend vanuit geheugendebandbreedte, modelgrootte en kwantisatie. De werkelijke doorvoer varieert met de inferentietijd en de versie ervan. Cijfers gepubliceerd door hardwareleveranciers meten veel gelijktijdige aanvragen en zijn veel hoger.

Op record

Volledige specificatie

Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..

Oorsprong

Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.

Organisatie: Xiaomi Corp
Organisatietype: Industry
Land: China
Gepubliceerd: 16 December 2025

Wat het doet

De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.

Domein: Language
Taak: Language modeling/generation

Grootte

Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.

parameters: 309B
Training gegevens: tokens

Training rekenen

De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.

Training rekenen: 2.4 × 10²⁴ FLOP

Beschikbaarheid

Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.

Gewichten: Open — downloadable
Toegang tot model: Open weights (unrestricted)
Hugging Face: XiaomiMiMo

Hoe het is geclassificeerd

Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.

Record vertrouwen: Likely

Bronnen

Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.

Referentie: MiMo-V2-Flash Technical Report
Laatst bijgewerkt: 19 June 2026

De extremen

De tien snelste GPU's die draaien MiMo-V2-Flash

Gerangschikt op geschatte tokens per seconde, nieuwste kaart eerst waar snelheden gelijk zijn. Omdat generatie gebonden is aan geheugensnelheid, volgt deze ordening de snelheid in plaats van een gamebenchmark..

De kleinste GPU's die nog steeds draaien MiMo-V2-Flash

De goedkoopste route erin, op basis van geheugencapaciteit. Een krappe pasvorm draait het model maar laat niets over voor een langer gesprek..

Wat de cijfers betekenen

De hardwarekant

Minimum kaart

B200

Geheugen nodig

151.7 GB

Snelste

29.6 tok/s

MiMo-V2-Flash bereikt een parameter telling van 309B. Dat is meer dan wat enige enkele grafische kaart bevat. Het draaien ervan betekent ofwel het splitsen over meerdere kaarten of het huren van hardware die voor de klus is gebouwd, en elke kaart die het alleen kan vasthouden, is een datacenteronderdeel. Het aantal dat kan: 7.

Aan de onderkant wordt het afgehandeld door B200, met een geheugen capaciteit van 180 GB, het draaien ervan met een compressie van Q3_K_M en produceren rond 29.6 tokens per seconde

Aan de andere kant zit B200, genereren ongeveer 29.6 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Waar het vandaan kwam

MiMo-V2-Flash werd gepubliceerd door Xiaomi Corp, in het land geregistreerd als China, tijdens December 2025. Het komt uit een organisatie gecategoriseerd als industry.

Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling/generation.

De gewichten zijn gepubliceerd, zodat ze gedownload en onbeperkt, offline, op je eigen hardware kunnen worden uitgevoerd, zonder dat er een account aan verbonden is. Op Hugging Face is het gepubliceerd onder de organisatie XiaomiMiMo.

Begrijpen van de snelheden

Over elke kaart die het kan draaien, ligt het midden van het bereik op 15.6 tokens per seconde. 7 van hen

Elke gewicht participeert in elke token hier, dus bandbreedte is het hele verhaal: de ranking hieronder is effectief een ranking van geheugendoorvoer.

Geheugen hier is geschat op basis van grootte in plaats van berekend vanuit de architectuur, die niet is vastgelegd voor dit model — de cijfers zijn indicatief eerder dan exact.

Training en herkomst

Het produceren ervan vereiste een rekenkundige totaal van ongeveer 2.4 × 10²⁴ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.

Stap voor stap

Hoe een GPU te kiezen voor MiMo-V2-Flash

De tabel hierboven heeft elke kaart die we specificaties voor hebben al vergeleken met dit model. Het bereiken van uw antwoord kost zes stappen..

01

Controleer wat het nodig heeft voordat iets anders.

De tabel vermeldt elke kaart die in staat is om te bevatten. MiMo-V2-Flash, ongeveer nodig 151.7 GB bij een compressie van Q3_K_M. De capaciteit is de poort — een GPU-kaart houdt het of het houdt het niet.
02

Stem de context af op uw werkelijke gebruik

Stel de context in op wat je daadwerkelijk gaat gebruiken. De cache groeit met het gesprek, en het is de gebruikelijke reden dat een CARD die in eerste instantie prima leek, niet meer past. MiMo-V2-Flash.
03

Kies hoe ver je het wilt comprimeren

Compressie is wat een model laat passen op kleinere kaarten, tegen een bepaalde kost in nauwkeurigheid., bereiken van een compressie van Q3_K_M op de kleinste kaart die past. Het instellen van een minimumkwaliteit laat de kaarten vallen die het alleen maar beheersen door verder te persen dan je zou willen, en houdt de vergelijking op één niveau.
04

Rangschik op doorvoer in plaats van specificatielijst

Ranking op basis van tokens per seconde volgt geheugenbandbreedte in plaats van kernaantal, voor MiMo-V2-Flash. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 29.6 tok/s
05

Lees de passen kolom laatst

Een strakke pasvorm draait, maar laat niets over voor een langer gesprek, in het geval van MiMo-V2-Flash. Comfortabel betekent dat je de context later kunt vergroten. Dat verschil is belangrijker dan een paar tokens per seconde, dus koop voor comfortabel als je dat verwacht.
06

Controleer de kaart vanaf de andere kant

Het volgen van een GPU-kaart naar zijn eigen pagina toont elk ander model dat het kan bevatten, wat de vraag is die volgt zodra je je hebt ingesteld op MiMo-V2-Flash.

Antwoorden

MiMo-V2-Flash — veelgestelde vragen

MiMo-V2-Flash— kan ik het draaien als het niet in mijn GPU past?

Gedeeltelijk. Layers die niet passen, bevinden zich in system memory en draaien met een fractie van de snelheid, dus een grotendeels gedeactiveerd model is zelden de moeite waard om te gebruiken. De dichtstbijzijnde miscalculatie die we berekenen, komt tekort met 60.7 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

MiMo-V2-Flash— Zouden twee GPU's het sneller draaien?

Capaciteit voegt samen over kaarten; doorvoer niet. Het aantal kaarten dat het al op zichzelf vasthoudt: 7. Dus een tweede card is zelden het antwoord hier.

MiMo-V2-Flash— waarom verschilt de quantisatie tussen kaarten?

Omdat de capaciteit varieert, varieert ook hoe hard het moet worden samengedrukt. Het aantal onderscheidende niveaus in de bovenstaande tabel: 3. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

MiMo-V2-Flash— hoe nauwkeurig zijn deze snelheidsschattingen?

Dit zijn schattingen met echte foutmarges, en elk van hen zou redelijkerwijs ergens binnen zijn gepubliceerde bereik kunnen vallen, afhankelijk van welke runtime je gebruikt. Het snelste resultaat hier: 18–47 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

MiMo-V2-Flash— Welke GPU heb ik nodig om het te draaien?

De kleinste kaart in onze catalogus die het vasthoudt is B200, met een geheugen capaciteit van 180 GB. Het draait het model op een compressie van Q3_K_M ongeveer 151.7 GB, en produceert ongeveer 29.6 tokens per second. Het aantal kaarten dat het totaal kan draaien: 7.

MiMo-V2-Flash— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 29.6 tokens per seconde; de langzaamste die het nog steeds draait haalt aanzienlijk minder. De leessnelheid is rond de tien tokens per seconde, en het aantal kaarten dat dat haalt: 7.

MiMo-V2-Flash— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 151.7 GB bij een compressie van Q3_K_M, welke is wat de kleinste card die het draait gebruikt. Minder compressie heeft meer nodig: de cijfers in de memory-kolom hierboven worden opnieuw berekend voor elke card, omdat elke card de minst gecomprimeerde versie kan vasthouden.

MiMo-V2-Flash— is het open-source?

De gewichten zijn gepubliceerd, zodat ze kunnen worden gedownload en op je eigen hardware kunnen worden uitgevoerd. Houd er rekening mee dat OPEN WEIGHTS niet hetzelfde is als open source in de volle zin — het zegt niets over de trainingsdata, de trainingscode of de commerciële voorwaarden die eraan zijn verbonden.

MiMo-V2-Flash— hoeveel parameters heeft het?

Het heeft een parameter telling van 309B. "We present MiMo-V2-Flash, a Mixture-of-Experts (MoE) model with 309B total parameters and 15B active parameters". Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.

MiMo-V2-Flash— wie heeft het gemaakt?

Het werd gepubliceerd door Xiaomi Corp, gebaseerd op China, een organisatie geclassificeerd als industry.

MiMo-V2-Flash— wanneer is het uitgebracht?

Het werd gepubliceerd in December 2025.

MiMo-V2-Flash— waarvoor wordt het gebruikt?

Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling/generation. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.

MiMo-V2-Flash— waar kan ik het downloaden?

Zijn gewichten zijn gepubliceerd op Hugging Face, onder de organisatie XiaomiMiMo. Wij hosten geen modelbestanden - deze site berekent welke hardware nodig is om ze te draaien.

MiMo-V2-Flash— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 2.4 × 10²⁴ FLOP. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.

Bron

Originele publicatie

Laatste update geregistreerd 19 June 2026

De andere richting

Van de andere kant bekijken?

Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.

Alle AI-modellen