Xiaomiは、チャットインターフェースで応答を生成するのではなく完全なワークフローを実行するように設計されたデスクトップAIアプリケーション「MiMo Desktop」の招待制テストを開始した。このリリースにより、同社は中国拠点のラボとして初めて、主力モデルを通じてユーザーにコンピューター利用機能を提供することになった。この動きは、欧米のラボが先行してきた分野への参入である。Anthropicは2024年末にClaudeの標準API機能としてコンピューター利用を導入し、その後OpenAIやGoogleなどがブラウザやデスクトップを操作するエージェントを提供しており、中国拠点ラボとしては初のXiaomiの参入が注目される。

現実の業務が明確に定義されたプロンプトから始まることはまれである。通常は、スプレッドシート、画像、動画、PDF文書、音声録音、圧縮ファイルなどが組み合わさってタスクのコンテキストを構成する。MiMo Desktopはこうした複数フォーマットの入力を、事前の整理やフォーマット変換なしに直接受け付ける。ユーザーは自然言語で目的を述べると、システムが素材を解釈し、タスクを分解し、適切なツールを呼び出して、編集可能な成果物——文書、スプレッドシート、プレゼンテーション、ウェブページ、音声、動画、3Dモデル、ソフトウェアエンジニアリングプロジェクトなど——を提供する。

2つの設計上の決断が本製品を特徴づけている。第一に、結果のプレビューは静的なレンダリングではなく、コンポーネント構造、インタラクションロジック、データビジュアライゼーションを組み込んだ完全にインタラクティブな成果物である。出力がデータダッシュボード、ゲームのプロトタイプ、プレゼンテーションのいずれであっても、ユーザーはセッション内で操作・修正できる。第二に、修正は選択によって行われる。ユーザーはグラフ、段落、領域をハイライトし、望む変更を記述すると、その部分だけが再生成される。すべての修正はバージョン履歴に保存され、ユーザーはドラフトを比較したり、以前の状態にロールバックしたりできる。

また、システムは「スマート」スケジューリングを備えている。ユーザーが手動でモデルを選択する代わりに、MiMo Desktopはタスクの種類、複雑さ、コスト要件を評価し、ルーチンワークは高速性を重視して標準モデルへ、複雑な多段階タスクは高い出力品質を得るために主力モデルへ振り分ける。大規模タスクは、独立したメモリとワークスペースを維持しながら協働する複数のエージェントセッションに分散できる。Xiaomiによれば、キャッシュ最適化により長時間タスクのセッション内で最大99%のヒット率を達成し、冗長な計算を減らして運用コストを抑えている。

中核機能としてのブラウザおよびコンピューター制御

リリースの2つ目の側面は制御に関する。MiMo Desktopはブラウザを情報源と実行環境の両方として操作する。ページを開き、情報を取得し、フォームに入力し、アセットを抽出し、得られた結果をタスクに直接取り込む。ウェブベースの成果物を生成する場合、ワークフロー中にブラウザを通じて成果物を検証することもできる。

最も重要な機能は、海外版で利用可能なコンピューターの完全制御である。MiMo Desktopは画面の内容を読み取り、アプリケーション間でキーボードとマウスを操作する——ファイルを開き、データを検証し、プログラム間で情報を転送する——際には、必要に応じて修正をトリガーしたり実行を停止できる結果検証機能が組み込まれている。安定した反復的なプロセスについては、Record & Replay機能により、ユーザーがワークフローを一度実演すれば、自然言語の指示でシステムがそれを再実行できる。

これは意図的なアーキテクチャアプローチを反映している。つまり、デスクトップが実行環境として扱われ、既存アプリケーションの上に重ねられた言語インターフェースではなく、モデルがその中でエージェントとして機能するのである。

1年がかりの取り組み：Xiaomiはコンピューター利用の技術的根拠をいかに築いたか

コンピューター利用機能は主としてインターフェースの問題ではなく技術の問題であり、Xiaomiは1年以上にわたりその基盤を開発してきた。基礎は2025年半ばに、同社のオープンソースのビジョン・言語モデル「MiMo-VL-7B」によって築かれた。このモデルは、GUIグラウンディングの標準ベンチマークであるOSWorld-Gで当時の最高記録となる56.1を達成し、UI-TARSなどタスク専用に開発されたモデルを上回った。この能力は、モバイル、ウェブ、デスクトップの各インターフェースをカバーする4段階のトレーニングパイプラインと、大量の中国語GUIデータ、そして前後のスクリーンショットから中間アクションを推論するトレーニングタスクによって開発された——まさにコンピューター利用エージェントに必要な知覚的基盤である。

モデルの系譜はその後も進化を続けた。2026年初頭までに、Xiaomiの主力モデル「MiMo-V2-Pro」は、コーディングエージェント、汎用エージェント、ツール利用の各ベンチマークでClaude 4.5 Sonnet、GPT-5.2、Gemini 3.0 Proと同等の tier にランクされた。これによりDesktopクライアントは複雑なタスクに最上位クラスのモデルを持ちながら、ルーティング層がルーチン操作のコスト効率を維持する。さらにXiaomiは、消費者向けハードウェアおよびソフトウェアエコシステムで20年以上の経験を持ち、それがベンチマーク性能だけではなくユーザーのデスクトップ環境の実条件に焦点を当てた製品設計に反映されている。

AI業界の観察者にとって、このリリースは評価基準のより広範な変化を示している。フロンティアは推論ベンチマークから運用能力へ——フォームに入力し、自らの出力を検証し、定義された計算予算内に収まるエージェントへ——と移りつつある。GUIグラウンディングモデル、最上位 tier の主力モデル、そして現在ベータ段階のコンピューター利用インターフェースの組み合わせにより、Xiaomiは新興カテゴリーである自律型デスクトップエージェントの有力な競争者の一角を占めている。次に注目されるのは、招待制ベータが管理されたベンチマーク以外の実際のデスクトップでどの程度機能するか——他ラボのコンピューター利用エージェントはこの形式の可能性を示すと同時に、多段階ワークフローでの信頼性の課題も露呈している——そして、Xiaomiが海外版の完全なコンピューター制御を超えてベータをより広く開放するかどうかである。

出典：Metaverse Post