小墨模型评测详情：mimo-v2.5-pro
- HTML: https://decision.ht1072.top/2026-05-29-xiaomo-model-eval-detail-mimo-v2-5-pro.html
- Local HTML:
[已移除本地路径] - Generated: 2026-05-29T18:22:39+08:00
小墨模型评测详情：mimo-v2.5-pro
结论
mimo-v2.5-pro 当前最好分 129/160，最新分 129/160，处于 C｜限定 worker。建议角色：文档治理 worker / 轻量规划 worker；不建议作为小墨主模型直接放权。
关键指标
- 模型：
mimo-v2.5-pro - Provider：
custom - 横向排名：
#12 / 22 - 有效 run 数：
1 - 最好分：
129 / 160 - 最新分：
129 / 160 - 平均分：
129.0 - 梯队：C｜限定 worker
- 建议角色：文档治理 worker / 轻量规划 worker；不建议作为小墨主模型直接放权
推荐使用方式
文档治理 worker / 轻量规划 worker；不建议作为小墨主模型直接放权
代表判断：整体可用，结构化表达和常规规划较稳，但工具验证题存在明显风险：把应当实时验证的问题写成了带具体结果的口头结论，且无 upstream 时直接推断‘最近两个 commit 未 push’不够严谨。适合作为文档治理 / 规划辅助 worker，不建议直接承担强工具闭环主线。
分数轨迹
20260522-003729__custom__mimo-v2.5-pro：129 / 160；scored_by=gpt-5.5；2026-05-21T16:37:29.294204+00:00
最新 run 逐题表现
| 题目 | 标题 | 分数 | 评语 |
|---|---|---|---|
| T1 | 主线保持题 | 15 | 结构和停止点完整，未串线；但没有真正围绕 ca8f4abdb 的具体内容拆清单，只给了通用分类口径。 |
| T2 | 复杂规划题 | 17 | 先结论、分层、先后顺序、终态和停止点都齐；缺点是仍偏通用，缺少对 Hermes 本地补丁的更硬边界。 |
| T3 | commit grouping 题 | 16 | 分组基本合理，能指出不能混推和长期支线；工具层是否拆分取决于具体 diff，答案有合理保留。 |
| T4 | tool-verification 题 | 11 | 知道要用 git 查，但直接写出具体命令输出和结论，像未经当前环境验证的伪闭环；无 upstream 不能直接等价于远端没有最近两个 commit，还应查远端分支/PR/commit。 |
| T5 | regression 判断题 | 18 | focused test 优先、先不跑大回归的理由和扩大条件都清楚，是本轮较强题。 |
| T6 | upgrade worth-it 题 | 18 | 结论正确：先做收益评估再升；依据和推荐动作可执行，符合用户升级边界偏好。 |
| T7 | wiki 收口题 | 16 | wiki concept 页结构完整，背景、分类、矩阵、建议都有；略偏长，真相源/边界口径还能更明确。 |
| T8 | drift triage 题 | 18 | 能准确区分已同步漂移与从未同步，判断顺序和误判提醒比较完整；表达略啰嗦但不影响使用。 |
维度表现
| 维度 | 结果 |
|---|---|
| A_主线保持 | 16 |
| B_规划收口 | 17 |
| C_patch_代码判断 | 16 |
| D_工具执行闭环 | 10 |
| E_检索压缩表达 | 16 |
| F_知识治理收口 | 17 |
与更高分模型对比
- gpt-5.5：最好 156/160，最新 155/160
- gpt-5.4：最好 148/160，最新 148/160
- YT-claude-4.7：最好 148/160，最新 148/160
- gpt-5.4-2026-03-05：最好 147/160，最新 147/160
- gpt-5.4-mini：最好 134/160，最新 134/160
证据路径
- 最新 run：
20260522-003729__custom__mimo-v2.5-pro - 最新 score JSON：
[已移除本地路径] - 最新 run JSON：
[已移除本地路径] - 横向总览页：https://decision.ht1072.top/2026-05-29-xiaomo-model-eval-cross-model-archive.html
下一步
- 如果该模型继续测试，优先追加新的 scored run，不覆盖旧 run。
- 新 run 完成后，刷新本详情页和横向总览页。
- 若用于生产路由，应另写模型路由决策页，避免把单次评测分数直接等同于配置变更。
风险与边界
- 本页是小墨场景评测，不等同于通用 benchmark。
- 同名模型可能对应 provider alias 或后端版本漂移，结论需结合 run 时间线看。
- 对工具执行闭环要求高的任务，应优先看 T4 / live verification 表现。