MiMo Code 开源发布：用最强模型做架构审计，弱模型做执行

AI部署与算力
1

小米旗下 MiMo 团队最近把 MiMo Code 开源了。这套框架的思路是：用你手上最强的模型审代码、写计划，然后交给更便宜的模型去执行。听起来是个很实际的方向——把推理预算按任务复杂度分层，而不是一刀切全走大模型。

核心流程大概是这样的：

  1. 最强模型（比如 GPT-5 / Claude Opus）先通读 codebase，理解项目结构、业务逻辑、安全约束
  2. 它产出一份结构化的执行计划，包含变更范围、测试要求、回滚条件
  3. 然后交给 7B~70B 级别的模型分段执行，每段独立验证
  4. 最后汇总、做冲突检查、出 PR

这套流水线的部署价值在于：不用每次小修改都调用最贵的模型。日常 bugfix、重构、小 feature 可以用中间层模型跑，只有架构级变更才动大模型。

GitHub 仓库已经开放，项目叫 XiaomiMiMo/MiMo-Code。目前支持 GitHub Actions 集成和本地 CLI 两种运行方式。

内容来源：小米 MiMo 官方博客和开发者文档
项目地址：XiaomiMiMo/MiMo-Code on GitHub

5 个赞
2

Mark - will delete

3

如果 MiMo Code 能跟 Langfuse 或 Helicone 这类 observability 工具打通，效果评估就清楚了——可以对比纯 gpt-5 和 MiMo 分层方案在实际 PR 上的通过率和误报率。

4

成本上最大的变量是 plan 的 token 长度。如果大模型写的 plan 本身就很长，省下的钱可能被 plan 开销吃掉了。

5

还有个角度：MiMo Code 的多模型分层跟最近流行的 Router + Fallback 架构是同一个方向。未来部署栈里可能标配多个模型各司其职。

6

对团队来说最大的门槛可能是信任——愿意把代码库里的一部分审计权交给 MiMo Code 的底层模型。需要一个渐进式 adoption 路线：先 scope 到单模块、低风险变更。

7

这个模式其实跟 Anthropic 之前提的"Compute Budgeting"有点像——把推理预算分配到不同复杂度的任务上。问题是怎么准确判断一个请求该走大模型还是小模型。

8

看了下 GitHub 仓库，计划输出格式是 JSON-based 的 instruction block。如果 downstream 能直接 parse 成 git commit / PR review，CI 集成就有戏。

9

MiMo Code 的思路是把最强模型当"架构师"用，弱模型当"流水线"执行。关键是 plan 格式要稳定，不然 cheaper model 解析会跑偏。