شیائومی بهصورت رسمی از MiMo Code V0.1.0 رونمایی و کد منبع آن را منتشر کرد. این ابزار جدید یک دستیار برنامهنویسی مبتنی بر هوش مصنوعی است که از طریق ترمینال (Terminal) اجرا میشود و با هدف حل یکی از بزرگترین مشکلات ابزارهای کدنویسی مبتنی بر هوش مصنوعی توسعه یافته است؛ مشکلی که باعث میشود مدلها در پروژههای طولانیمدت بهتدریج زمینه گفتگو و تصمیمات قبلی را فراموش کنند. MiMo Code بر پایه مدل متنباز MiMo-7B و پروژه OpenCode ساخته شده و علاوه بر قابلیتهای کدنویسی، از یک سیستم حافظه دائمی بهره میبرد که امکان مدیریت پروژههای پیچیده و بلندمدت را فراهم میکند.
🔷 شیائومی نسخه متنباز MiMo Code V0.1.0 را منتشر کرد.
🔷 این ابزار یک دستیار برنامهنویسی مبتنی بر ترمینال است.
🔷 سیستم حافظه دائمی از فراموش شدن اطلاعات پروژه جلوگیری میکند.
🔷 قابلیت Compose Mode میتواند کل فرآیند توسعه نرمافزار را مدیریت کند.
🔷 پشتیبانی از مدل MiMo-V2.5 بهصورت رایگان ارائه میشود.
🔷 امکان اتصال به DeepSeek، Kimi و GLM نیز وجود دارد.
🔷 هوش مصنوعی MiMo Code تحت مجوز MIT منتشر شده است.
MiMo Code تنها یک مدل هوش مصنوعی نیست، بلکه یک AI Coding Agent کامل محسوب میشود که برای کمک به توسعهدهندگان در پروژههای نرمافزاری طولانیمدت طراحی شده است.
این ابزار بر پایه پروژه متنباز OpenCode توسعه یافته و تحت مجوز MIT منتشر شده است؛ بنابراین توسعهدهندگان میتوانند آزادانه از آن استفاده کرده، تغییرات دلخواه خود را اعمال کنند یا پروژههای جدیدی بر اساس آن بسازند.
بهصورت پیشفرض، MiMo Code به مدل MiMo-V2.5 متصل میشود، اما کاربران میتوانند از سرویسهای شخص ثالث نیز استفاده کنند.
🔴 همچنین بخوانید: شیائومی از مدل اختصاصی هوش مصنوعی خود رونمایی کرد: MiMo-V2-Flash
یکی از مهمترین ویژگیهای MiMo Code سیستم Persistent Memory یا حافظه دائمی آن است.
در بسیاری از دستیارهای کدنویسی مبتنی بر هوش مصنوعی، مدل تنها به پنجره زمینه (Context Window) متکی است. زمانی که حجم گفتگو یا پروژه از این محدوده فراتر میرود، مدل تصمیمات قبلی و اطلاعات مهم را فراموش میکند.
شیائومی برای حل این مشکل یک زیرعامل (Subagent) مستقل در پسزمینه قرار داده که بهطور مداوم اطلاعات پروژه را ذخیره و مدیریت میکند.
زمانی که مکالمه به محدودیت Context نزدیک شود، این عامل بهصورت خودکار اطلاعات را خلاصهسازی کرده و در قالب حافظه ساختاریافته ذخیره میکند تا عامل اصلی بتواند بدون از دست دادن اطلاعات به کار ادامه دهد.
شیائومی ویژگی دیگری با نام /dream را نیز به MiMo Code اضافه کرده است.
این قابلیت هر هفت روز یکبار بهصورت خودکار اجرا میشود و یک عامل نگهداری مستقل وظایف زیر را انجام میدهد:
هوش مصنوعی شیائومی MiMo Code قابلیت جدیدی با نام Compose Mode ارائه میدهد که با فشردن کلید Tab فعال میشود.
در این حالت، کاربر تنها هدف یا ایده کلی پروژه را مشخص میکند و عامل هوش مصنوعی تلاش میکند کل فرآیند را مدیریت کند.
این فرآیند میتواند شامل موارد زیر باشد:
شیائومی ادعا میکند این قابلیت میتواند خروجیهایی در سطح «محصول صنعتی آماده استفاده» تولید کند.
این پلتفرم به یک چارچوب اختصاصی با نام MiMo Harness مجهز شده است.
برخلاف بسیاری از ابزارهای مشابه که مدل هوش مصنوعی را صرفاً بهعنوان یک API در نظر میگیرند، این چارچوب بهطور خاص برای بهرهبرداری بهتر از قابلیتهای مدلهای MiMo طراحی شده است.
هدف این سیستم افزایش دقت، هماهنگی و بهرهوری عامل هوش مصنوعی در پروژههای واقعی توسعه نرمافزار است.
شیائومی نتایج اولیه عملکرد MiMo Code را نیز منتشر کرده است.
| بنچمارک | امتیاز |
|---|---|
| SWE-Bench Pro | 62% |
| Terminal Bench 2 | 73% |
طبق ادعای شیائومی، MiMo Code در این آزمایشها حدود ۵ درصد عملکرد بهتری نسبت به Claude Code ارائه کرده است؛ آن هم در شرایطی که از مدل پایه مشابه استفاده میکنند.
پلتفرم MiMo Code از سیستم تشخیص گفتار MiMo-V2.5-ASR نیز بهره میبرد.
کاربران میتوانند بدون استفاده از صفحهکلید، دستورات خود را بهصورت صوتی وارد کنند.
برخی از قابلیتهای صوتی شامل:
شیائومی فرایند نصب MiMo Code را بسیار ساده طراحی کرده است.
پس از نصب، تنها کافی است دستور mimo در ترمینال اجرا شود تا ابزار راهاندازی گردد.
همچنین شیائومی اعلام کرده استفاده از کانال رایگان MiMo-V2.5 نیازی به ساخت حساب کاربری یا ثبتنام ندارد.
میتوان گفت MiMo Code یکی از جاهطلبانهترین پروژههای متنباز شیائومی در حوزه هوش مصنوعی محسوب میشود. این ابزار با ترکیب حافظه دائمی، مدیریت خودکار زمینه پروژه، قابلیت Compose Mode و پشتیبانی از فرمانهای صوتی تلاش میکند محدودیتهای فعلی دستیارهای برنامهنویسی مبتنی بر هوش مصنوعی را برطرف کند. انتشار این پروژه تحت مجوز MIT نیز میتواند توسعهدهندگان بیشتری را به استفاده و مشارکت در اکوسیستم MiMo جذب کند.
به نظر شما سیستمهای حافظه دائمی میتوانند مشکل اصلی فراموشی مدلهای هوش مصنوعی در پروژههای بزرگ را حل کنند یا همچنان به Context Windowهای بزرگتر نیاز خواهیم داشت؟