小米 MiMo 大模型负责人罗福莉刚刚发布长文，简要解释了 MiMo 系列模型昨晚为什么会突然大降价：
此次降价幅度最大的是 Input（Cache Hit）端，降幅高达 99%。究其核心，在于我们的推理框架现已全面支持针对 SWA（滑动窗口注意力）的分层 KV Cache 优化。
来自生产环境推理引擎的测试表明，该优化将 Token 缓存容量直接提升了 5 倍，等效于降低了 80% 的缓存成本。
再结合混合（Hybrid）模型中多个 Full Attention 模块间的 Cache Read Overlap（缓存读取重叠）机制，实际成本被进一步压缩。
同时，Input（Cache Miss）与 Output 的价格也下调了 60% 至 80%。这主要归功于模型架构带来的极致稀疏比 —— Full Attention 与 SWA 的比例达到了 1:7（以 70 层的 MiMo-V2.5-Pro 为例，其 Prefill 阶段的算力开销仅相当于一个 10 层的 GQA 模型）。
得益于这种架构优势，我们原有的推理成本本就远低于行业均值，在定价上天然预留了 2 到 3 倍的利润空间。
此次调价，仅仅是我们决定将这种结构性的成本优势，直接让利给开发者。
在执行全新的 API 价格后，目前我们的线上推理引擎在接近满负荷的工况下，依然能基本实现盈亏平衡。
我们此前曾建议大模型公司不要“盲目降价”，正是因为业内极少有模型架构和推理优化方案，能在不陷入亏损的情况下支撑起 API 成本。
未来，如果能涌现出更多节省算力与 KV Cache 的新架构，并辅以更优秀的推理 Infra 来持续压低 API 成本，整个行业将形成一个极佳的良性循环。
更关键的是，平价且高性能的模型 API 将真正催生出真实、持久且规模化的推理需求。
这一上游需求将向上拉动整个 AI 基础设施产业链的演进 ——涵 盖芯片、服务器、光模块、PCB、液冷、电力、储能及数据中心，成为对 AI 硬件进行系统性价值重估的战略支点。
长远来看，这将为训练与推理全链路注入更普惠、更易获取的算力，从而加速全球 AGI 在多地域、多技术路线上的并行演进。
关于更多的技术细节，我们将在后续发布的技术博客中进行详尽解析。
