最近在折腾 AI 工具链时，意外发现小米 MiMo 模型已经悄悄开放了第三方接入。作为一个重度依赖 OpenClaw（圈内戏称“龙虾”）做自动化任务的用户，我第一时间申请了小米 Token Plan 的免费额度，把 MiMo V2.5 系列模型塞进了自己的工作流。两周用下来，它已经取代了我之前的主力模型，成了日常任务调度和轻量编程的首选。

拿到 Token Plan 资格后，第一步自然是配置。OpenClaw 的模型管理逻辑很清晰，但官方预置的网关列表里暂时还没有小米，所以需要手动新增 provider。这里有个小技巧：建议在 openclaw.json 里单独新建一个名为 xiaomi-coding 的 provider，而不是直接修改现有配置——这样既能和 OpenClaw 预置的其他网关（比如 OpenAI、Anthropic）明确区分，也方便后续切换或回滚。

具体配置时，有几个容易踩坑的细节值得记一笔。首先，新增的 provider 对象里必须删除 auth 字段。OpenClaw 对认证逻辑的处理比较严格，MiMo 的鉴权是通过 Token Plan 统一管理的，如果保留 auth，会导致请求被拦截。其次，模型 ID 要填准：miomo-v2.5-code 适合编程类任务，miomo-v2.5-base 则更通用。我主要用它跑代码和工具调用，所以选了前者。参数方面，建议把 temperature 设在 0.2-0.4 之间（max_tokens 按需调整），太高容易出现逻辑跳跃，太低则显得呆板。

保存后重启 OpenClaw，第一次连接确实有点慢——大概等了 5 秒才收到握手成功的响应，估计是冷启动或者网关预热。但之后的请求就顺畅多了。为了验证稳定性，我跑了三组对比测试：一组是简单的“读取本地 CSV 并统计销售额”的数据处理任务，一组是“生成 Python 爬虫+异常处理”的编程任务，还有一组是之前用 GPT-5.4 调试过的多步骤自动化流程（涉及文件操作、API 调用和条件判断）。

结果有些惊喜。在响应速度上，MiMo V2.5 和 GPT-5.4 几乎难分伯仲——单次请求的平均延迟都在 800ms 左右，复杂任务稍慢 100-200ms，但完全在可接受范围内。更让我意外的是任务执行能力：之前为 GPT-5.4 写的几个自定义 skill（比如自动整理会议纪要、批量重命名文件）直接迁移过来就能用，不需要修改 prompt 或调整参数。有一次我故意在爬虫任务里埋了个“反爬机制”的坑，MiMo 不仅识别出了问题，还主动建议添加随机 User-Agent 和请求间隔，比 GPT-5.4 的同类回复更贴合国内网站的实际情况。

当然，它也不是完美的。比如处理超长上下文（超过 8k tokens）时，偶尔会出现“断片”——明明前面刚提到过文件路径，后面却突然问“你要处理哪个文件？”。另外，在需要强逻辑推理的数学题上，表现略逊于专用模型，但考虑到它的定位和免费额度的性价比，这些小瑕疵完全可以容忍。

现在，我的 OpenClaw 工作区里，MiMo V2.5 已经稳坐主力位置。每天用它处理十几条自动化任务，从整理日报到批量处理图片，几乎没有掉链子。对于个人开发者或小团队来说，这种“免费额度+稳定性能+无缝集成”的组合，确实很有吸引力。如果小米后续能优化长上下文表现，再开放更多垂直领域的微调版本，说不定真能在开源模型生态里占下一席之地。至少现在，这只“龙虾”配上了合适的“钳子”，用起来挺顺手的。