小米MiMo开源实测：46分背后，跑分与真实能力的落差

小米最新开源大模型 MiMo 引发关注：官方称综合指数拿下 46 分，但社区实测却出现"简单题答不对"的尴尬。这条消息与 DeepSeek 受邀联合国、梁文峰透露万亿参数计划、社区开源微型模型等几条动态一起，勾勒出当前 AI 圈"跑分繁荣、实测冷静"的真实图景。本文梳理这几条动态，并给出判断这类信息时应有的态度。

小米 MiMo 开源：官方 46 分，社区实测打折

小米开源了 MiMo 系列模型，分为 Pro 和 Flash 两个版本。按照官方说法，Pro 在某综合指数上拿到 46 分，超过了 K3 和 QN，但仍低于 Fable 和 Astra 两款对手。这个位置意味着 MiMo Pro 处于第一梯队边缘，而非绝对领先。

值得关注的是社区的实测反馈。有人用经典的"分蛋糕"逻辑题去测两个版本：Flash 直接答非所问，Pro 则思考了 48 秒才给出正确答案。这类简单推理题的表现，与 46 分的综合成绩形成了明显反差——跑分高不代表在日常任务上就一定顺手。

另有开发者逆向了相关命令行工具，称其默认会上传仓库地址，虽然可以通过环境变量关闭，但"源码外传"的说法目前尚未被证实。对于这类涉及隐私与安全的指控，在有独立复现之前不宜下定论。发布本身是官方确认的事实，而分数与上传行为都还缺乏独立核验。 更稳妥的做法是：用自己关心的任务复写一遍分数，再决定装不装。

DeepSeek 受邀联合国安理会：一场尚未发生的会议

据路透社报道，DeepSeek^广告 本周三受邀向联合国安理会阐述人工智能风险。名单中还包括 OpenAI 的奥特曼（计划到场）、Anthropic 以及月之暗面等公司，而 DeepSeek 创始人梁文峰本人目前不打算出席。

需要提醒的是，这些信息来自知情人士的说法，会议本身还没有发生。这类"预告型"新闻在传播中极易被夸大或误读。在把它当作既定事实写进任何总结之前，核对路透社原文是必要的一步。中国 AI 公司被邀请到这样的国际场合讨论风险议题，本身就是行业影响力外溢的一个信号，但具体表态与结果仍需等会议实际召开后再看。

万亿参数计划：规划不等于可用

另一条财经报道称，梁文峰向投资人透露，DeepSeek 正在训练 2 万亿参数的模型，8 万亿参数还在规划中。现有的期限是 1.6 万亿参数，且每一步计算只涉及其中一小部分（典型的稀疏/MoE 思路）。

参数表越做越大，是当前头部厂商的共同趋势，但参数规模大，不等于下周就能调用。训练中、规划中、可用中，是完全不同的三个阶段。对这类数字，更合理的态度是当作战略规划来理解，而不是据此调整对现有产品的预期或预算。稀疏激活的设计也意味着，总参数量和实际每步计算量之间存在巨大差异，单看"万亿"这个数字容易产生误判。

MoE（Mixture of Experts，混合专家）是理解这类超大参数模型的关键架构概念。传统的稠密模型在处理每一个 token 时，会激活全部参数；而 MoE 模型将参数分成若干"专家"模块，每次推理只由一个路由机制选择其中少数几个专家参与计算。这意味着一个声称拥有 2 万亿参数的 MoE 模型，实际每步运算只涉及数千亿乃至更少的参数量，推理成本远低于同规模的稠密模型。DeepSeek 此前发布的 V3 和 R1 都采用了 MoE 设计，这也是它们能以相对可控的算力成本跻身顶级模型的核心原因之一。因此，看到"万亿参数"时，区分"总参数量"与"激活参数量"这两个数字，远比单看总量更能反映模型的实际推理代价与性能预期。

社区开源 Agent Jeff：给小模型找准位置

社区有人开源了一个 0.6B 的微型模型，取名 Agent Jeff，定位很清晰：专门做"又快又浅的第一反应"，用于打分、过滤、路由等前置环节，再把复杂任务交给大模型去生产。

这反映了一个务实的工程趋势——低延迟这一层，开始有人自己训练专用小模型。用大模型做所有事情成本高、延迟大，而在打分、过滤这类简单但高频的环节，一个几百 MB 的小模型足够胜任。这是社区自发的开源项目，具体对比数字都在其发布截图里。想验证的话，拿一个真实的打分任务测一测，再决定要不要留在自己的技术栈里。

专业名词：Benchmark 评测到底是什么

Benchmark（基准评测）就是用一套固定的题目给模型打分，做横向对比，本质上类似一场"模拟考"，方便给不同模型排名次。

但正如 MiMo 的实测所揭示的，跑分只是参考。选模型时，真实项目表现和盲测体验更要紧。 一个在标准题库上得分漂亮的模型，可能在你的具体场景里水土不服；反之，某些跑分平平的模型在特定任务上却意外好用。综合指数和自己的"小题"，哪个更可信，取决于你真正要解决的问题是什么。

Benchmark 失效的根本原因在于"训练集污染"与"题库饱和"两个问题。前者是指模型在预训练或微调阶段可能已经见过评测题目或高度相似的样本，导致分数虚高；后者是指各家厂商都针对主流 Benchmark 进行定向优化，使得这些题目逐渐失去区分度。学术界已有研究记录了多个知名 Benchmark 在顶级模型上"天花板化"的现象。正因如此，业内越来越重视"污染率检测"和动态更新题库的新型评测框架，例如 LiveBench 等会定期替换题目以对抗数据污染。对于普通用户来说，最实用的反污染手段，就是用自己业务中真实出现过的问题去测，而非依赖公开排行榜上的数字。

写在最后

这几条动态放在一起，传递的核心信号是一致的：面对官方宣传的分数、尚未发生的会议、还在规划中的参数，保持一份"先核对、再判断"的克制，比追热点更重要。开源是好事，跑分有参考价值，但真正决定要不要用的，永远是你自己场景里的那道"小题"。