Hukommelsesproblemet enhver vibe coder kender alt for godt

Når du har arbejdet med AI-kodningsagenter på større projekter, rammer du uundgåeligt den samme mur: Jo længere sessionen varer, jo mere glemmer agenten. Kontekst bliver komprimeret væk, beslutninger forsvinder, og pludselig står du og forklarer din projektstruktur for tredje gang. Xiaomis nye open source-værktøj, MiMo Code, satser på, at vedvarende hukommelse er løsningen – og virksomheden har gjort det gratis tilgængeligt for at se, om fællesskabet er enig.

Hvad MiMo Code egentlig gør

MiMo Code er en terminal-baseret AI-kodningsassistent bygget på det open source OpenCode-agentframework. Xiaomi har udvidet det med en brugerdefineret hukommelsesarkitektur, der holder styr på konteksten på tværs af sessioner via SQLite FTS5 full-text søgning. Systemet fungerer på fire distinkte lag: projekthukommelse gemt i en vedvarende MEMORY.md-fil, session-checkpoints, kladde-noter og fremdriftslogfiler for individuelle opgaver.

Det smarte ligger i arkitekturen: MiMo Code bruger en dedikeret "checkpoint-writer" subagent til at håndtere dokumentation, mens den primære kodningsagent fortsætter sit arbejde. Tænk på det som at have en projektarkitekt, der opdaterer blueprints i realtid, mens byggeholdet arbejder – alle holder sig synkroniseret uden at stoppe arbejdet.

Systemet indeholder også en /dream-kommando, der jævnligt gennemgår historiske sessioner, fjerner duplikater og komprimerer læring til langtidshukommelse. Der er desuden en "distill"-funktion, der graver tidligere sessioner igennem for gentagne arbejdsgange, der kan automatiseres – en funktion der minder om tilgange, som for nylig er blevet taget i brug af både OpenAI og Anthropic i deres respektive modeller.

Benchmark-slaget

Xiaomi fremviser imponerende tal. Ifølge deres offentliggjorte målinger klarede MiMo Code parret med MiMo-V2.5-Pro sig bedre end Claude Code parret med Claude Sonnet 4.6 på tre standardevalueringer:

• SWE-bench Verified: 82% vs. 79%
• SWE-bench Pro: 62% vs. 55%
• Terminal Bench 2: 73% vs. 69%

Endnu mere interessant er Xiaomis påstand om, at selve testrammen bidrager med cirka fem procentpoint af den gevinst. Kørsel af den samme MiMo-V2.5-Pro-model i begge rammer viste målbare forskelle udelukkende fra agent-systemarkitekturen.

Det sagt er konkurrencebilledet mere nuanceret, end Xiaomis foretrukne benchmarks antyder. OpenAIs Codex CLI med GPT-5.5 scorer 82,2% på den officielle Terminal-Bench leaderboard – cirka ni point over MiMo Codes egenrapporterede 73%. Til gengæld klarer MiMo Codes hævdede 62% på SWE-Bench Pro sig en smule bedre end OpenAIs rapporterede 58,6% for GPT-5.5.

Xiaomi sammenligner bemærkelsesværdigt kun med Claude Code i deres materialer og undgår direkte sammenligninger med OpenAIs Codex eller Googles Gemini CLI. Denne selektive benchmarking er værd at lægge mærke til, når du evaluerer påstandene.

Kom i gang

MiMo Code er nu tilgængelig på GitHub under en MIT-licens. Installationen er ligetil:

macOS og Linux:

curl -fsSL https://mimo.xiaomi.com/install | bash

Windows:

npm install -g @mimo-ai/cli

Xiaomi tilbyder også begrænset gratis adgang til MiMo-V2.5, deres flagskibsmultimodale model med en million-tokens kontekstvindue – ingen tilmelding krævet.

Hvorfor dette betyder noget for udvikleres arbejdsgange

Hukommelsesproblemet er ikke trivielt. For vibe coders der arbejder på større projekter skaber konteksttab under lange sessioner friktion, der underminerer de produktivitetsgevinster, AI-kodningsagenter lover. Branchen har stort set behandlet dette som et kontekstvindue-problem – større vinduer, bedre komprimering – men Xiaomis tilgang antyder en anden vej: eksplicit lagring og gensidshentning, der beslutter hvilken information der betyder noget, og hvornår den skal hentes frem igen.

Om MiMo Codes specifikke implementering viser sig at være overlegen, står stadig tilbage at se, men den underliggende tese – at vedvarende hukommelsesarkitektur fortjener seriøs teknisk opmærksomhed – virker fornuftig. Open source-frigivelsen giver fællesskabet mulighed for at validere tilgangen i stor skala.

For udviklere trætte af at genforklare deres projekter til AI-assistenter kan dette være et kig værd. Million-tokens kontekstvinduet parret med vedvarende tvær-session hukommelse kan ændre vibe coding-oplevelsen – hvis benchmark-tallene holder under virkelighedens nådesløse test.