Když AI zvládne semestrální projekt za pár hodin

Přišel ten okamžik, kdy je jasné, že AI svět se změnil. Xiaomiho nový model na kódování dokončil semestrální úkol z Pekingské univerzity – Rust kompilátor – za 4,3 hodiny. Žádné chyby, které by musel opravovat člověk. Perfektní výsledek: 233 z 233 testů na neznámé sadě.

A ano, model je open source.

Tohle není jen zajímavá zpráva. Ukazuje obrovský rozdíl mezi týdny studentova úsilí a tím, co AI zvládne odpoledne. Klíčová otázka pro developery: jak to změní náš způsob tvorby software?

Více než benchmarky: Skutečné úkoly

Benchmarky jsou fajn, ale nestačí. Xiaomi testoval MiMo-V2.5-Pro na třech reálných výzvách. To dává lepší obrázek.

Kompilátor – už jsme zmínili. Dokonalý výkon, žádná manuální oprava.

Video editor je top. Model dostal volný popis: „Vytvoř video editor.“ Žádné detaily. Za 11,5 hodiny udělal 1868 volání nástrojů. Výsledek? Plnohodnotná desktop app s více stopami, střihem, přechody, mixem audia a exportem. 8192 řádků kódu z neurčitého zadání. To je agentické myšlení v akci.

Analogový obvod – pokročilý úkol z elektrotechniky. Návrh low-dropout regulátoru v 180nm TSMC procesu. Model spolupracoval s ngspice, iteroval parametry a za hodinu splnil všechny cíle. Line regulation se zlepšila 22x, load regulation 17x. To je optimalizace, na kterou potřebuješ inženýra s kávou.

Společné? Sebakorrekce v akci. Při kompilátoru se objevila chyba v kroku 512. Model ji našel, opravil refactoring a pokračoval sám. Tisíce volání nástrojů bez ztráty souvislostí. Přechod od benchmarku k reálnému kódu.

Jak na tom stojí v benchmarkách

Čísla jsou důležitá, ale s kontextem.

Na SWE-Bench Pro má MiMo 57,2 – téměř jako Claude Opus 4.6 (57,3) nebo GPT-5.4 (57,7). Top úroveň.

Na Terminal-Bench 2.0 překonává Claude (68,4 vs 65,4).

Na SWE-Bench Verified vede Claude (80,8 vs 78,9), ale rozdíl je malý – open source cena rozhodne.

Na Claw-Eval Pass@3 bije GPT-5.4 i Gemini 3.1 Pro.

Slabší je na HLE nebo GDPVal-AA, kde jde o široké myšlení. MiMo je coding-first model. Specializace je plus pro software.

MiMo vs DeepSeek V4 Pro: Open source volba pro developery

Dvě open source bestie na stejné lince: top kódování bez API poplatků. Oba MIT, na HuggingFace.

Kódový výkon:

• SWE-Bench Pro: MiMo 57,2 vs DeepSeek 55,4
• Terminal-Bench 2.0: 68,4 vs 67,9 (rovnocenné)
• SWE-Bench Verified: DeepSeek 80,6 vs MiMo 78,9

Žádný jasný vítěz. Různé silné stránky.

Klíčový rozdíl: efektivita parametrů:

• DeepSeek V4 Pro: 49B z 1,6T na token
• MiMo-V2.5-Pro: 42B z 1,02T na token

MiMo šetří paměť, rychlejší inference, nižší náklady. Ideální pro self-hosting nebo edge.

Co nového v V2.5-Pro

Skok z V2-Flash není malý:

• Dlouhodobá souvislost: Kompilátor i editor potřebovaly stovky kroků bez ztráty nitě.
• Agentické skills: Plánuje, iteruje, diagnostikuje, opravuje. Vidět u chyby v kompilátoru.
• Tool calls: Přes 1000 volání bez poklesu. Editor měl 1868 a fungoval.

Proč to změní tvůj stack

Pro startupy nebo malé týmy je MiMo game changer:

1. Cena: Žádné token fees. Běží na tvém HW.
2. Rychlost: Efektivita na běžném železe.
3. Bezpečnost: Kód zůstává u tebe.
4. Přizpůsobení: Fine-tune podle potřeby.
5. Fokus: Optimalizovaný na kód, ne na všechno.

Na platformách jako Vibe Hosting ho zapojíš do pipeline pro auto-generování kódu bez externích API.

Širší pohled

Open source AI není „zdarma Claude“. Jde o kontrolu, předvídatelné náklady a vlastní nástroje. MiMo s perfektním kompilátorem a funkčním editorem ukazuje: jsme v production fázi.

Otázka není, jestli je jako GPT. Je, jestli potřebuješ svůj model – a co to umožní, když řídíš inference.