Xiaomi ha lanzado pruebas por invitación de MiMo Desktop, una aplicación de IA de escritorio diseñada para ejecutar flujos de trabajo completos en lugar de generar respuestas en una interfaz de chat. Con este lanzamiento, la empresa tecnológica china se convierte en el primer laboratorio con sede en China en ofrecer capacidades de uso de computadora a los usuarios a través de sus modelos insignia. El movimiento ubica a Xiaomi en una categoría donde los laboratorios occidentales llegaron primero: Anthropic introdujo el uso de computadora como una capacidad estándar de API para Claude a finales de 2024, y OpenAI, Google y otros han lanzado desde entonces agentes que operan navegadores y escritorios, lo que hace notable la entrada de Xiaomi como la primera de un laboratorio con sede en China.

El trabajo real rara vez comienza con un prompt bien definido. Generalmente involucra hojas de cálculo, imágenes, video, documentos PDF, grabaciones de audio y archivos comprimidos que en conjunto forman el contexto de una tarea. MiMo Desktop acepta estas entradas en múltiples formatos directamente, sin requerir organización previa ni conversión de formato. Los usuarios describen sus objetivos en lenguaje natural, y el sistema interpreta los materiales, descompone la tarea, invoca las herramientas apropiadas y entrega resultados editables, incluyendo documentos, hojas de cálculo, presentaciones, páginas web, audio, video, modelos 3D y proyectos de ingeniería de software.

Dos decisiones de diseño distinguen al producto. Primero, la vista previa del resultado no es una renderización estática sino un entregable completamente interactivo que incorpora estructura de componentes, lógica de interacción y visualización de datos. Los usuarios pueden operarlo y modificarlo dentro de la sesión, ya sea que el resultado sea un panel de datos, un prototipo de juego o una presentación. Segundo, las modificaciones se realizan por selección: los usuarios resaltan un gráfico, párrafo o región, describen el cambio deseado, y solo esa porción se regenera. Cada revisión se conserva en un historial de versiones, lo que permite comparar borradores y revertir a estados anteriores.

El sistema también incorpora una programación "inteligente" (Smart). En lugar de requerir que los usuarios elijan un modelo manualmente, MiMo Desktop evalúa el tipo de tarea, la complejidad y los requisitos de costo, dirigiendo el trabajo rutinario a modelos estándar por velocidad y las tareas complejas de múltiples pasos a modelos insignia para mayor calidad de resultado. Las tareas de gran escala pueden distribuirse entre múltiples sesiones de agente que colaboran manteniendo memoria y espacios de trabajo independientes. Xiaomi reporta que la optimización de caché alcanza tasas de acierto de hasta 99% dentro de una sesión en tareas largas, lo que reduce el cómputo redundante y controla los costos operativos.

Control del navegador y de la computadora como capacidades centrales

La segunda dimensión del lanzamiento concierne al control. MiMo Desktop opera el navegador tanto como fuente de información como entorno de ejecución: abre páginas, recupera información, completa formularios, extrae recursos e importa los hallazgos directamente a la tarea. Al producir resultados basados en la web, el sistema también puede verificar los entregables a través del navegador durante el flujo de trabajo.

La característica más importante es el control total de la computadora, disponible en la versión internacional. MiMo Desktop lee el contenido de la pantalla y opera el teclado y el mouse entre aplicaciones —abriendo archivos, verificando datos y transfiriendo información entre programas— con verificación de resultados integrada que puede activar correcciones o detener la ejecución cuando sea necesario. Para procesos estables y repetitivos, una función de Record & Replay permite a los usuarios demostrar un flujo de trabajo una vez y hacer que el sistema lo ejecute nuevamente mediante instrucciones en lenguaje natural.

Esto refleja un enfoque arquitectónico deliberado: el escritorio se trata como el entorno operativo, y el modelo funciona como un agente dentro de él, en lugar de ser una interfaz de lenguaje superpuesta a las aplicaciones existentes.

Un año de trabajo: cómo Xiaomi construyó el caso técnico para el uso de computadora

La capacidad de uso de computadora no es principalmente un problema de interfaz sino técnico, y Xiaomi ha estado desarrollando la base subyacente durante más de un año. Los cimientos se establecieron a mediados de 2025 con MiMo-VL-7B, el modelo de visión-lenguaje de código abierto de la empresa, que logró una puntuación récord en ese momento de 56.1 en OSWorld-G —el benchmark estándar para GUI grounding— superando a modelos construidos específicamente para esa tarea, como UI-TARS. Esta capacidad se desarrolló mediante un pipeline de entrenamiento de cuatro etapas que cubre interfaces móviles, web y de escritorio, junto con un corpus sustancial de datos de GUI en chino y una tarea de entrenamiento que infiere acciones intermedias a partir de capturas de pantalla de antes y después —precisamente la base perceptual requerida para un agente de uso de computadora.

El linaje del modelo ha seguido avanzando. Para principios de 2026, el modelo insignia de Xiaomi, MiMo-V2-Pro, se ubicaba en el mismo nivel que Claude 4.5 Sonnet, GPT-5.2 y Gemini 3.0 Pro en benchmarks de agentes de codificación, agentes generales y uso de herramientas. Esto le da al cliente de Desktop un modelo de primer nivel para tareas complejas, mientras que la capa de enrutamiento mantiene la eficiencia de costos para operaciones rutinarias. Xiaomi también aporta más de dos décadas de experiencia en ecosistemas de hardware y software de consumo, lo cual se refleja en el enfoque del producto en las condiciones prácticas del entorno de escritorio del usuario en lugar de solo en el rendimiento en benchmarks.

Para los observadores del sector de la IA, el lanzamiento señala un cambio más amplio en los criterios de evaluación: la frontera se está moviendo de los benchmarks de razonamiento hacia la competencia operativa —agentes que completan formularios, verifican su propio resultado y se mantienen dentro de presupuestos de cómputo definidos. La combinación de Xiaomi de modelos de GUI grounding, un modelo insignia de nivel frontera y una interfaz de uso de computadora ahora en beta ubica a la empresa entre los principales competidores en la categoría emergente de agentes de escritorio autónomos. Lo que sigue por observar es cómo se desempeña la beta por invitación en escritorios reales fuera de benchmarks controlados —los agentes de uso de computadora de otros laboratorios han mostrado el potencial del formato, pero también han demostrado desafíos de confiabilidad en flujos de trabajo de múltiples pasos— y si Xiaomi abre la beta a un acceso más amplio más allá del control total de la computadora de la versión internacional.

Fuente: Metaverse Post