Xiaomi a lancé des tests sur invitation pour MiMo Desktop, une application d'IA de bureau conçue pour exécuter des flux de travail complets plutôt que pour générer des réponses dans une interface de chat. Avec cette sortie, l'entreprise technologique chinoise devient le premier laboratoire basé en Chine à proposer des capacités de commande d'ordinateur aux utilisateurs via ses modèles phares. Cette initiative place Xiaomi dans une catégorie où les laboratoires occidentaux ont été les premiers à agir : Anthropic a introduit la commande d'ordinateur comme capacité API standard pour Claude fin 2024, et OpenAI, Google et d'autres ont depuis lancé des agents capables d'opérer des navigateurs et des ordinateurs de bureau, ce qui rend l'entrée de Xiaomi notable en tant que première venue d'un laboratoire basé en Chine.

Le travail concret commence rarement par une requête bien définie. Il implique généralement des tableurs, des images, des vidéos, des documents PDF, des enregistrements audio et des fichiers compressés qui constituent ensemble le contexte d'une tâche. MiMo Desktop accepte directement ces entrées multi-formats, sans organisation préalable ni conversion de format. Les utilisateurs décrivent leurs objectifs en langage naturel, et le système interprète ensuite les documents, décompose la tâche, invoque les outils appropriés et livre des sorties modifiables — notamment des documents, des tableurs, des présentations, des pages web, de l'audio, de la vidéo, des modèles 3D et des projets d'ingénierie logicielle.

Deux décisions de conception distinguent le produit. Premièrement, l'aperçu du résultat n'est pas un rendu statique mais un livrable entièrement interactif intégrant la structure des composants, la logique d'interaction et la visualisation des données. Les utilisateurs peuvent l'utiliser et le réviser au cours de la session, qu'il s'agisse d'un tableau de bord de données, d'un prototype de jeu ou d'une présentation. Deuxièmement, les modifications se font par sélection : les utilisateurs mettent en surbrillance un graphique, un paragraphe ou une zone, décrivent le changement souhaité, et seule cette portion est régénérée. Chaque révision est conservée dans un historique de versions, permettant aux utilisateurs de comparer les brouillons et de revenir à des états antérieurs.

Le système intègre également une planification « intelligente ». Au lieu d'exiger des utilisateurs qu'ils choisissent manuellement un modèle, MiMo Desktop évalue le type de tâche, sa complexité et les exigences de coût, en dirigeant le travail routinier vers des modèles standard pour la rapidité et les tâches complexes multi-étapes vers les modèles phares pour une meilleure qualité de sortie. Les tâches à grande échelle peuvent être réparties sur plusieurs sessions d'agents qui collaborent tout en conservant une mémoire et des espaces de travail indépendants. Xiaomi indique que l'optimisation du cache atteint des taux de succès allant jusqu'à 99 % au sein d'une session sur les tâches longues, réduisant ainsi les calculs redondants et maîtrisant les coûts opérationnels.

Le contrôle du navigateur et de l'ordinateur comme capacités centrales

La deuxième dimension de cette sortie concerne le contrôle. MiMo Desktop utilise le navigateur à la fois comme source d'information et comme environnement d'exécution : il ouvre des pages, récupère des informations, remplit des formulaires, extrait des ressources et importe directement les résultats dans la tâche. Lors de la production de sorties web, le système peut en outre vérifier les livrables via le navigateur pendant le flux de travail.

La fonctionnalité la plus importante est le contrôle total de l'ordinateur, disponible dans la version internationale. MiMo Desktop lit le contenu de l'écran et opère le clavier et la souris entre les applications — ouvrant des fichiers, vérifiant des données et transférant des informations entre les programmes — avec une vérification intégrée des résultats pouvant déclencher des corrections ou interrompre l'exécution si nécessaire. Pour les processus stables et répétitifs, une fonction d'enregistrement et de relecture (Record & Replay) permet aux utilisateurs de démontrer un flux de travail une seule fois et de faire en sorte que le système le réexécute via des instructions en langage naturel.

Cela reflète une approche architecturale délibérée : le bureau est traité comme l'environnement d'exploitation, et le modèle fonctionne comme un agent en son sein, plutôt que comme une interface linguistique superposée aux applications existantes.

Un an de préparation : comment Xiaomi a construit le dossier technique de la commande d'ordinateur

La capacité de commande d'ordinateur n'est pas principalement un problème d'interface mais un problème technique, et Xiaomi développe les fondations sous-jacentes depuis plus d'un an. Les bases ont été posées à la mi-2025 avec MiMo-VL-7B, le modèle vision-langage open source de l'entreprise, qui a obtenu un score alors record de 56,1 sur OSWorld-G — la référence standard pour le GUI grounding — surpassant des modèles conçus spécifiquement pour cette tâche, comme UI-TARS. Cette capacité a été développée via un pipeline d'entraînement en quatre étapes couvrant les interfaces mobiles, web et de bureau, ainsi qu'un corpus substantiel de données GUI chinoises et une tâche d'entraînement qui déduit les actions intermédiaires à partir de captures d'écran avant-après — précisément la fondation perceptuelle requise pour un agent de commande d'ordinateur.

La lignée de modèles a continué de progresser. Début 2026, le modèle phare de Xiaomi, MiMo-V2-Pro, se classait dans la même catégorie que Claude 4.5 Sonnet, GPT-5.2 et Gemini 3.0 Pro sur les benchmarks d'agents de codage, d'agents généralistes et d'utilisation d'outils. Cela fournit au client Desktop un modèle de premier plan pour les tâches complexes, tandis que la couche de routage maintient l'efficacité des coûts pour les opérations routinières. Xiaomi apporte également plus de deux décennies d'expérience dans les écosystèmes de matériel et de logiciels grand public, ce qui se reflète dans l'attention portée par le produit aux conditions pratiques de l'environnement de bureau de l'utilisateur plutôt qu'à la seule performance sur les benchmarks.

Pour les observateurs du secteur de l'IA, cette sortie signale un changement plus large dans les critères d'évaluation : la frontière passe des benchmarks de raisonnement à la compétence opérationnelle — des agents qui remplissent des formulaires, vérifient leurs propres résultats et respectent des budgets de calcul définis. La combinaison chez Xiaomi de modèles de GUI grounding, d'un modèle phare de niveau frontière et d'une interface de commande d'ordinateur désormais en bêta place l'entreprise parmi les prétendants de premier plan dans la catégorie émergente des agents de bureau autonomes. Ce qu'il faudra observer ensuite, c'est la performance de la bêta sur invitation sur de vrais ordinateurs en dehors des benchmarks contrôlés — les agents de commande d'ordinateur d'autres laboratoires ont montré le potentiel du format tout en révélant des défis de fiabilité sur les flux de travail multi-étapes — et si Xiaomi ouvrira la bêta à un accès plus large au-delà du contrôle total de l'ordinateur de la version internationale.

Source : Metaverse Post