这条布告在国内 AI 圈刷了一整周。业界第一反映分成几派。最大那派说这是"又一轮价值战"——这两年从智谱、DeepSeek、字节豆包到阿里通义，国产大模型轮着降价，谁不在卷。
另一派往消极处看：幼米刚布告今年利润腰斩，这时辰还往 AI 烧 600 亿、API 直接砍九成——典型的"亏本抢市场"�；褂腥烁写フ馐� DeepSeek 效应持续——后者把整个行业的定价基准拽到了地板上，谁不跟谁出局。
它不是全模型降价。99% 的折扣专门针对一档叫Input (Cache Hit)的定价——也就是"用户在长对话里沉复读汗青高低文"那部门。通常的新输入（No Cache Hit）降幅幼好多，模型输出（Output）降幅最幼。
你点一杯半糖拿铁，咖啡店有两种做法：每次重新磨豆子量糖浆倒奶，原料人为都付一次；但是模型知路这周你每天都要喝同样的半糖拿铁，索性做一大壶存进冰柜，下次按一杯舀一份。MiMo 这次做的是后者——把用户沉复读的部门从"现算"改成了"现取"，所以这部门的真实成本靠近 0，天然能给 99% 折扣。
模型在和你对话时，每个 token 都要算一份"中央状态"，存起来供下一步用。这个器材叫KVCache——能够理解成模型的"短期影象笔记本"。每说一句话，模型在笔记本上记下这句话的提要，下次直接翻笔记，不用重新听一遍你说过的所有内容。
传统模型每一层都做"Full Attention"——也就是每个 token 都要看齐全段对话所有 token，笔记本越翻越厚。MiMo-V2.5-Pro 改了架构：70 层里 60 层只看最近 128 个 token（SWA，Sliding Window Attention），只有 10 层"档案治理员"看全数。
这是降本的第一块地基。打个譬喻，正本公司每个员工都被要求记住所有的会议纪录，了局每幼我的脑子都不够用、效能也低。新划定把 60 个员工的脑职守降到 1/7，只留 10 个档案治理员管全数汗青——公司整体影象能力没降落，但效能提升 7 倍。
传统的 KVCache 系统是按"最大可能用量"给所有层统一分配显存的。意思是：哪怕 60 层 SWA 只必要幼本子，系统也按"档案治理员的大本子"给所有层都分配——SWA 省下来的空间被白白预留了，蹬宗没省。
打个譬喻，正本公司给每个员工都发了"能装 100 年文件的档案柜"——但 60 个员工其实只必要"装一周文件的幼柜子"，那些大柜子里 99% 的空间是空的。新做法是按现实必要分柜子。了局整个办公室能多装 5 倍以上的同事进来工作——同样一台 GPU 能服务的并发用户数翻了 5 倍。
好多用户的对话有一样开头——统一段 system prompt、统一段代码库、统一份长文档。系统会把这些算过的了局存起来，下一次匹配上就直接复用。这个机造叫前缀缓存。
但 SWA 模式下出现一个坑：两条要求 token 一样，不蹬宗 KV 还在�？赡芮白核愎�，但 SWA 窗口表的部门早就被裁减了。若是系统还按"token 一样就射中"的旧规定给你复用，会读到无效或被覆盖的数据，模型成效会直接崩。
打个譬喻，图书馆有 100 万本书，你想借全套共计三本的《三体》。原来的架构会通知你"这本书在"，你跑从前发现书架上只剩封面和第一部，后面两部都被借走了。这种"伪射中"让你白跑一趟还要沉借。新系统的规定改成只承诺你能齐全借到的那部门——先给你第一本，而后把后面两本再给你调过来。
听起来如同更严格、射中率会降落。但现实相反：由于 SWA 让 KVCache 体积压到 1/7，同样存储空间能装的内容多了好几倍，真实射中率反而大幅度提升。
显存（GPU 上的 HBM 内存）很贵也很有限——一台 H100 八卡机才 640GB 显存，但 MiMo 要存的 KVCache 可能是几十 TB 量级。所以必须分层：最近用的放显存（L1），稍微旧的放 CPU 内存（L2），冷数据存到散布式缓存（L3）。
跟你管钱一个路理。钱包里的现金是显存——随用随取但放不了几多。银行卡余额是 CPU 内存——取一次要 30 秒但能放好多。定期存款是 L3 散布式缓存——取一次要 2 分钟但便宜好多。
幼米存储团队的做法不一样。他们自研了一套叫GCache的散布式缓存，直接部署在 GPU 机械自带的 SSD 上——跟训练工作、推理工作混布在统一台机械里。
这件事的杀伤力比看上去大。通例的"AI 公司算力账"里，存储成本是一个固定支出项——你的模型越大、用户越多，存储账单越长。GCache 这套做法把这一项直接打掉。结合 SWA 的幼体积 + 射中率 93-95%，KVCache 在 L3 的存活功夫（TTL）从几分钟耽搁到几幼时甚至几天——TTL 越长，汗青 context 的可射中窗口越宽，缓存射中率越高，99% 那个折扣就越站得住。
三是TTFT 优化。在列队等推理的队列里，优先调度真实推算量幼的要求（也就是大量射中缓存的要求）——预防它们被"全新输入"那种沉推算要求阻塞。
好比，在通例的机场调度中，所有飞统一个主张地的乘客集中到统一个候机厅，共享行李提取流程——这是亲和调度。带登机箱的和带 3 大箱托运的分两条安检通路走，快的不被慢的拖——这是长度分桶。登机时优先放只带登机箱的人，他们登机快，让飞机能早腾飞——这是 TTFT 优化。
前面五件事都在优化"读"那一侧——让用户沉复读汗青 context 的成本压到靠近 0。第六件事是优化"写"那一侧——也就是模型天生下一个 token 的过程。
打个譬喻，传统打字是一个字一个字打——你想打"今天气象"，要按 4 次键。MTP 像有个自动补全在猜你下一个 1-2 个字是什么——若是它猜对了，你就不用再按那两次。
这件事的意思在于，99% 折扣专门指向 Input (Cache Hit)，但模型现实服务用户时，input 和 output 是统一次要求里产生的——若是 output 没省，整体要求成本就只省了一半。MTP 让 output 那一半也降下来，整套降价的盈利模型才关环。
SWA 架构 → KVCache 1/7 → 双池真正开释容量 → 统一台 GPU 能装 5+ 倍并发 → 前缀缓存射中率 93-95% → 95% 要求险些不用算 → GCache 让存储成本归零 → 调度把射中要求优先调走 → MTP 让天生也省 → 单元要求 GPU 功夫降落一个数量级 → 单元成本降落 95%+ → 定价降 99%，毛利率仍为正。
回头看业界一路头的几种解读，每种都有部蹊径理。这两年中国大模型公司之间的价值战是真的；幼米利润腰斩还要砸 AI 是真的；DeepSeek 把行业定价拽到地板上也是真的。
但罗福莉这次公开技术博客并且具体的技术细节公开拆解，无疑是但愿回击对于价值战的说法，让“技术的问题归技术、营销的问题归营销。”
她在博客中写路，MiMo-V2.5 系列模型的推理效能并非来自某一环节的单点突破，而是多维度协同优化的了局。Hybrid SWA 让 prefill 与 decode 同时受益，但未经充分优化的 KVCache 实现反而会在各环节抬高成本。萦绕这一指标，MiMo团队系统性沉构了 KVCache 治理、分级缓存、前缀缓存树，攻克 SWA KVCache 主题问题，优化了调度战术及 Prefill / Decode 链路，并经线上真实场景检验，最终将其理论效能优势真正兑现到出产环境。至此，Hybrid SWA 才阐扬出在长文推理上兼具强杜纂效能的架构优势。再组合 MoE 配置和多模态推理的各类优化，极大水平提高了线上推理服务的机能。
《泰剧《一夜轻欢》剧情介绍》尽管西班牙人和比利亚雷亚尔均对他表示兴趣，但塞维利亚给予他的信任使他毫不犹豫地选择加盟这家安达卢西亚首府俱乐部。尽管这是他首次离开加泰罗尼亚，且面临成年队的首个赛季，需要适应期，但阿尔凯德仍以极高的水平做出了回应。上述负责人表示，国家标准的发布不是行业发展的终点，而是高质量普惠发展的新起点。未来，行业各方将以标准为引领，聚焦技术迭代、场景深耕、内容提质、服务创优，推动标准从文本规范真正落地为实用成果、转化为公共服务能力。《泰剧《一夜轻欢》剧情介绍》《天生媚骨BY阮绵绵》此后，赫瓦林斯卡又接连淘汰了梅尔滕斯、萨卡里、帕里以及卡林斯卡娅，进入到半决赛。今日凌晨，赫瓦林斯卡对阵施耐德，后者刚刚在1/4决赛中爆冷掀翻了世界第1的萨巴伦卡。【丰田将在美召回81893辆汽车】美国国家公路交通安全管理局（NHTSA）6月2日发布消息称，丰田将在美国市场召回81893辆汽车，问题为仪表盘显示屏无法显示发动机冷却液温度、电量等关键安全信息，会提升撞车或人员受伤的风险。（界面新闻）
20260606 ? 《泰剧《一夜轻欢》剧情介绍》今年4月，法院以侵犯公民个人信息罪判处陈某乙、陈某甲等三人有期徒刑三年至二年不等，均缓刑。4名购买信息的客户也被移送行政处罚。《姐姐真美丽》中韩歌词“上午设计、下午打样、次日量产、一周出海”，这不是口号，而是华强北的产业日常。依托嘉立创等一站式研发服务平台，全深圳超90%的机器人硬件打样出自这里。宇树机器人曾在嘉立创支持下，3个月内完成5次版本迭代和多轮样品验证。这种硬件生态的响应速度，是福田难以被复制的核心竞争力。
20260606 ? 《泰剧《一夜轻欢》剧情介绍》我之前已经强调过，我们对他担任队长的表现非常满意。这些年来，无论是在俱乐部还是国家队层面，我认为他都完全配得上以队长身份参加这样的大赛，因为多年以来，他始终以职业球员应有的最高标准要求自己，为赢球付出一切。《租借女友》第二季“我希望等到斯科鲁普斯基现在这个年龄时，我能够拥有比他更多的国家队出场次数。当然，他某种程度上也有点倒霉，因为他碰上的竞争对手实在太强了。我这么说绝不是针对他，但现在的情况已经完全不同了。”
京公网安备11010202000001号
