共计 1237 个字符，预计需要花费 4 分钟才能阅读完成。
小米 MiMo 降价 99% 并非营销! 罗福莉发 X 打脸唱衰者
小米 MiMo 的一次大幅降价 , 把国产大模型的成本账再次推到台前。5 月 26 日,MiMo 官方宣布 MiMo-V2.5 系列 API 永久降价, 最高降幅达 99%。几天后,MiMo 负责人罗福莉发布长文, 试图说明这并非单纯营销或亏本抢市场, 而是推理系统工程优化后的结果。
📌 从“降价公告”到“技术回应”
这场讨论的时间线并不复杂: 先是 MiMo-V2.5 API 价格调整, 引发行业对新一轮大模型价格战的猜测; 随后, 外界将其与国产模型持续降价、DeepSeek 带来的定价压力, 以及小米加码 AI 投入联系在一起; 最后, 罗福莉通过技术博客拆解成本变化, 回应“靠补贴换市场”的质疑。
🔍 99% 降幅主要来自缓存命中
大模型长对话中, 用户经常会反复使用相同的系统提示、历史上下文、代码库或文档片段 。如果每次都重新计算, 成本会很高; 如果这些内容已经被缓存并成功命中, 系统就可以直接复用结果。
罗福莉披露的关键点在于,MiMo-V2.5-Pro 通过 Hybrid SWA 等架构设计, 将 KVCache 体积压缩到 Full Attention 的约 1/7。简单理解, 模型不再让所有层都“记住全部历史”, 而是让多数层只关注较近窗口, 少数层保留完整上下文能力。
- 前后变化: 过去更多依赖全量计算, 现在重复上下文可以更大比例走缓存。
- 成本变化: 命中缓存的输入请求几乎不需要重新占用同等 GPU 计算。
- 定价变化: 因此 Input(Cache Hit) 成为最适合大幅降价的部分。
💡 六项工程把理论降本落到线上
仅有模型结构调整还不够。 技术博客中提到 ,MiMo 团队围绕 KVCache 管理、前缀缓存、分级存储与调度做了系统优化。比如, 将 Full Attention 与 SWA 的缓存池拆开管理, 避免按最大规格浪费显存; 通过更严格的窗口安全规则, 减少“看似命中、实际不可用”的缓存问题。
在存储侧, 小米自研 GCache 分布式缓存, 并部署在 GPU 机器自带 SSD 上, 用来承接更大规模的 KVCache。调度侧则通过 LLM-Router, 将前缀相近的请求尽量路由到同一机器, 同时按请求长度分桶, 降低长请求对短请求的拖累。
📊 行业看点: 价格战之外的工程竞争
国产大模型过去两年频繁降价, 外界把 MiMo 这次动作解读为价格战并不意外。但从罗福莉给出的解释看, 小米希望强调另一条逻辑:API 价格能否持续下探, 最终取决于单位请求消耗的 GPU 时间、显存占用和存储成本是否真正下降。
- 如果缓存命中率足够高, 长上下文应用的调用成本会明显下降。
- 如果调度系统能减少排队和无效计算, 同一批 GPU 可承载更多请求。
- 如果生成阶段也被加速, 整体服务成本才可能形成闭环。
🚀 总结: 降价背后仍需持续验证
围绕“小米 MiMo 降价 99% 并非营销! 罗福莉发 X 打脸唱衰者”，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。
