Xiaomi hat Einladungstests für MiMo Desktop gestartet, eine Desktop-KI-Anwendung, die darauf ausgelegt ist, vollständige Workflows auszuführen, statt Antworten in einer Chat-Oberfläche zu generieren. Mit dieser Veröffentlichung wird das chinesische Technologieunternehmen zum ersten in China ansässigen Labor, das Nutzern Computer-Use-Funktionen über seine Flaggschiff-Modelle anbietet. Der Schritt platziert Xiaomi in einer Kategorie, in der westliche Labore zuerst agiert haben: Anthropic führte Computer Use Ende 2024 als Standard-API-Funktion für Claude ein, und OpenAI, Google und andere haben seitdem Browser- und Desktop-steuernde Agenten veröffentlicht – Xiaomis Einstieg ist damit bemerkenswert als der erste aus einem chinesischen Labor.

Echte Arbeit beginnt selten mit einem klar definierten Prompt. Sie umfasst typischerweise Tabellen, Bilder, Videos, PDF-Dokumente, Audioaufnahmen und komprimierte Dateien, die gemeinsam den Kontext einer Aufgabe bilden. MiMo Desktop nimmt diese Eingaben in mehreren Formaten direkt an, ohne dass eine vorherige Sortierung oder Formatkonvertierung nötig ist. Nutzer beschreiben ihre Ziele in natürlicher Sprache, und das System interpretiert dann die Materialien, zerlegt die Aufgabe, ruft die geeigneten Werkzeuge auf und liefert editierbare Ergebnisse – darunter Dokumente, Tabellen, Präsentationen, Webseiten, Audio, Video, 3D-Modelle und Software-Engineering-Projekte.

Zwei Designentscheidungen heben das Produkt hervor. Erstens ist die Ergebnisansicht keine statische Darstellung, sondern ein vollständig interaktives Ergebnis, das Komponentenstruktur, Interaktionslogik und Datenvisualisierung enthält. Nutzer können es innerhalb der Sitzung bedienen und überarbeiten – egal, ob es sich um ein Daten-Dashboard, einen Spielprototypen oder eine Präsentation handelt. Zweitens erfolgen Änderungen per Auswahl: Nutzer markieren ein Diagramm, einen Absatz oder einen Bereich, beschreiben die gewünschte Änderung, und nur dieser Teil wird neu generiert. Jede Überarbeitung wird in einer Versionshistorie gespeichert, sodass Nutzer Entwürfe vergleichen und zu früheren Zuständen zurückkehren können.

Das System bietet zudem „Smart"-Scheduling. Statt dass Nutzer manuell ein Modell wählen, bewertet MiMo Desktop Aufgabentyp, Komplexität und Kostenanforderungen und leitet routinearbeiten zur Geschwindigkeit an Standardmodelle sowie komplexe, mehrstufige Aufgaben an Flaggschiff-Modelle für höhere Ergebnisqualität. Große Aufgaben können auf mehrere Agenten-Sitzungen verteilt werden, die zusammenarbeiten, während sie getrennten Speicher und Arbeitsbereiche behalten. Xiaomi berichtet, dass Cache-Optimierung innerhalb einer Sitzung bei langen Aufgaben Trefferquoten von bis zu 99 % erreicht, was redundante Berechnungen reduziert und Betriebskosten senkt.

Browser- und Computersteuerung als Kernfunktionen

Die zweite Dimension der Veröffentlichung betrifft Steuerung. MiMo Desktop bedient den Browser sowohl als Informationsquelle als auch als Ausführungsumgebung: Es öffnet Seiten, ruft Informationen ab, füllt Formulare aus, extrahiert Ressourcen und importiert Ergebnisse direkt in die Aufgabe. Bei webbasierten Ergebnissen kann das System die Lieferungen während des Workflows zusätzlich über den Browser verifizieren.

Die wichtigste Funktion ist die volle Computersteuerung, die in der Übersee-Version verfügbar ist. MiMo Desktop liest Bildschirminhalte und bedient Tastatur und Maus über Anwendungen hinweg – es öffnet Dateien, prüft Daten und überträgt Informationen zwischen Programmen – mit integrierter Ergebnisverifikation, die bei Bedarf Korrekturen auslösen oder die Ausführung anhalten kann. Für stabile, wiederholbare Prozesse ermöglicht eine Record-&-Replay-Funktion, dass Nutzer einen Workflow einmal demonstrieren und das System ihn anschließend per natürlichsprachlicher Anweisung erneut ausführt.

Das spiegelt einen bewussten architektonischen Ansatz wider: Der Desktop wird als Betriebsumgebung behandelt, und das Modell fungiert als Agent darin – nicht als Sprachschnittstelle über bestehenden Anwendungen.

Ein Jahr in der Entwicklung: Wie Xiaomi den technischen Grundstein für Computer Use legte

Computer-Use-Fähigkeit ist in erster Linie kein Schnittstellen-, sondern ein technisches Problem, und Xiaomi entwickelt die zugrunde liegende Basis seit mehr als einem Jahr. Der Grundstein wurde Mitte 2025 mit MiMo-VL-7B gelegt, dem Open-Source-Vision-Sprach-Modell des Unternehmens, das mit 56,1 Punkten auf OSWorld-G – dem Standard-Benchmark für GUI Grounding – einen damaligen Rekord aufstellte und Modelle übertraf, die speziell für diese Aufgabe entwickelt wurden, wie UI-TARS. Diese Fähigkeit entstand durch eine vierstufige Trainings-Pipeline für mobile, Web- und Desktop-Oberflächen, zusammen mit einem umfangreichen Korpus chinesischer GUI-Daten und einer Trainingsaufgabe, die aus Vorher-Nachher-Screenshots Zwischenschritte ableitet – genau die Wahrnehmungsbasis, die ein Computer-Use-Agent benötigt.

Die Modelllinie hat sich weiterentwickelt. Anfang 2026 lag Xiaomis Flaggschiff MiMo-V2-Pro auf Coding-Agent-, General-Agent- und Tool-Use-Benchmarks in derselben Kategorie wie Claude 4.5 Sonnet, GPT-5.2 und Gemini 3.0 Pro. Das gibt dem Desktop-Client ein Spitzentyp-Modell für komplexe Aufgaben, während die Routing-Schicht die Kosteneffizienz für Routineoperationen aufrechterhält. Xiaomi bringt zudem mehr als zwei Jahrzehnte Erfahrung in Verbraucher-Hardware- und Software-Ökosystemen mit, was sich im Fokus des Produkts auf die praktischen Bedingungen der Desktop-Umgebung eines Nutzers statt allein auf Benchmark-Leistung widerspiegelt.

Für Beobachter des KI-Sektors signalisiert die Veröffentlichung einen breiteren Wandel der Bewertungskriterien: Die Grenze verschiebt sich von Reasoning-Benchmarks hin zu operativer Kompetenz – Agenten, die Formulare ausfüllen, ihre eigenen Ergebnisse verifizieren und innerhalb definierter Rechenbudgets bleiben. Xiaomis Kombination aus GUI-Grounding-Modellen, einem Flaggschiff der Spitzengruppe und einer Computer-Use-Oberfläche, die sich nun in Beta befindet, macht das Unternehmen zu einem der führenden Anwärter in der entstehenden Kategorie autonomer Desktop-Agenten. Als Nächstes bleibt zu beobachten, wie sich die Invite-Only-Beta auf echten Desktops außerhalb kontrollierter Benchmarks schlägt – Computer-Use-Agenten anderer Labore haben das Potenzial des Formats gezeigt, zugleich aber auch Zuverlässigkeitsprobleme bei mehrstufigen Workflows demonstriert – und ob Xiaomi die Beta über die volle Computersteuerung der Übersee-Version hinaus einem breiteren Zugang öffnet.

Quelle: Metaverse Post