There's an issue with the selected model (mimo-v2.5-pro). It may not exist or you may not have access to it.【已解决】

解决 Claude Code 接入 MIMO 模型后无法识别图片、音频、视频的问题

从模型限制到 MCP 开发，完整记录我的解决方案

问题背景

最近我在 Claude Code 中接入了小米的 MIMO 大模型，遇到了和 这位博主 类似的问题：

MIMO-v2.5-pro 无法识别多媒体文件。

当我尝试发送图片、音频或视频时，模型要么报错：

There's an issue with the selected model (mimo-v2.5-pro).
It may not exist or you may not have access to it.

要么直接忽略文件内容，只回复文本部分。这对于需要处理多媒体内容的场景来说，几乎是致命的。

问题排查

第一步：理清模型功能分类

在排查问题之前，必须先搞清楚一个关键概念：识别（输入） vs 生成（输出）。

小米的模型家族很庞大，但功能定位完全不同：

🔍 可以识别的模型（输入/理解）

模型	识别能力
MiMo-V2.5-Pro	✅ 文本理解、推理、代码（纯文本基座模型）
MiMo-V2.5	✅ 文本理解、推理（基础版本）
MiMo-V2-Pro	✅ 文本理解、推理
MiMo-V2-Omni	✅ 全模态理解：文本、图像、视频、音频理解、音频-视觉联合推理

🔊 只能生成/合成，不能识别的模型（输出）

模型	功能说明
MiMo-V2.5-TTS	❌ 只能生成语音（文字→语音）
MiMo-V2.5-TTS-VoiceClone	❌ 只能克隆语音音色（生成特定人声音）
MiMo-V2.5-TTS-VoiceDesign	❌ 只能设计语音（创建虚拟音色）
MiMo-V2-TTS	❌ 只能生成语音（上一代TTS）

重要提醒：所有 TTS 模型（语音合成）都是单向输出的，只能把文字变成语音，不能反过来识别语音！

第二步：确认模型能力

查阅 MIMO 官方文档后，我整理了各模型的多媒体支持情况：

模型	图片	音频	视频
mimo-v2.5-pro	❌	❌	❌
mimo-v2.5	✅	❌	❌
mimo-v2-omni	✅	✅	✅

真相大白：pro 版本虽然推理能力强，但根本不支持多媒体输入！

如果你需要"识别"功能：

需求场景	推荐模型
语音识别（语音→文字）	MiMo-V2.5-ASR（专门的语音识别模型）
音频理解（环境声、音乐分析）	MiMo-V2-Omni
图像/视频理解	MiMo-V2-Omni
纯文本理解/推理	MiMo-V2.5-Pro 或 MiMo-V2-Pro

第三步：尝试切换模型

按照网上的方案，我尝试用 ccswitch 切换到 mimo-v2.5 或 mimo-v2-omni：

ccswitch --model mimo-v2-omni

但问题来了：

1. 上下文丢失：切换模型后，原来的对话历史全部清空
2. 能力降级：omni 虽然支持多媒体，但推理能力不如 pro
3. 频繁切换：想识图用 omni，想推理用 pro，来回切换体验极差

第四步：寻找更好的方案

我需要一种方式：

• 保持 pro 模型作为主对话模型（推理能力强）
• 需要识图/听音频/看视频时，临时调用支持多媒体的模型
• 不丢失对话上下文

这正是 MCP (Model Context Protocol) 的设计目标！

解决方案：开发 MIMO Media Recognition MCP

什么是 MCP？

MCP 是 Anthropic 推出的开放协议，让 AI 模型可以通过标准化接口调用外部工具。简单说，就是给 Claude 装上"手脚"，让它能执行代码、查询数据库、识别图片...

我的 MCP 设计

我决定写一个 MCP Server，专门负责多媒体识别：

Claude Code (mimo-v2.5-pro) 
    ↓ 发现需要识图/音频/视频
    ↓ 调用 MCP
MIMO Media Recognition MCP
    ↓ 调用 MIMO API (mimo-v2-omni)
    ↓ 返回识别结果
Claude Code 继续对话

核心优势：

• 主对话始终用 pro 模型，不中断上下文
• 多媒体识别交给 omni 模型，专业对口
• 一次配置，所有项目通用

功能实现

最终实现了三个核心工具：

1. understand_image - 图片识别

# 使用示例
understand_image(
    prompt="描述这张图片里有什么",
    image_path="/path/to/photo.jpg"
)

支持：JPEG、PNG、WebP、GIF、BMP

2. understand_audio - 音频识别

# 使用示例
understand_audio(
    prompt="转录这段音频中的语音",
    audio_path="/path/to/recording.mp3"
)

支持：MP3、WAV、M4A、OGG、FLAC、AAC

3. understand_video - 视频识别

# 使用示例
understand_video(
    prompt="描述这个视频里发生了什么",
    video_path="/path/to/video.mp4"
)

支持：MP4、MOV、AVI、MKV、WebM、FLV

技术亮点

1. 统一抽象：图片、音频、视频共用一套底层逻辑
2. 批量处理：支持一次传入多个文件
3. 重试机制：网络抖动自动重试 3 次
4. 灵活配置：文件大小、数量限制可通过环境变量调整

安装使用

快速开始

# 1. 克隆项目
git clone https://github.com/congxxx/mimo-media-recognition-mcp.git
cd mimo-media-recognition-mcp

# 2. 安装依赖
pip install uv
uv venv .venv
uv pip install -e .

# 3. 添加到 Claude Code（全局）
claude mcp add mimo-media \
  --scope user \
  --env MIMO_API_KEY="your-api-key" \
  --env MIMO_API_BASE="https://token-plan-cn.xiaomimimo.com/v1" \
  --env MIMO_MODEL="mimo-v2-omni" \
  -- "F:\Learning\mimo-media-recognition-mcp\.venv\Scripts\python.exe" \
  -m mimo_media_recognition_mcp.server

验证安装

claude mcp get mimo-media
# 应显示：Status: ✓ Connected

实际使用

安装完成后，直接在 Claude Code 对话中使用：

帮我分析这张截图里的错误信息：C:\Users\xxx\error.png

转录这段会议录音的关键内容：D:\recordings\meeting.mp3

这个视频讲了什么，值得看吗？E:\videos\tutorial.mp4

Claude 会自动识别需求，调用对应的 MCP 工具，然后把结果整合到回复中。

踩坑记录

坑 1：中文路径乱码

现象：配置完成后 MCP 启动失败，检查发现路径变成了乱码

原因：.claude.json 文件编码问题，中文路径被损坏

解决：将项目移到纯英文路径，如 F:\Learning\

坑 2：作用域冲突

现象：同时存在 user 和 local 两个作用域的配置，导致冲突

解决：删除 local 配置，只保留 user

claude mcp remove mimo-media -s local

坑 3：模型名称写错

现象：API 调用返回 404

解决：确认使用正确的模型名称 mimo-v2-omni，不是 mimo-v2.5-pro

效果对比

方案	上下文保留	推理能力	多媒体支持	使用体验
纯 pro 模型	✅	⭐⭐⭐	❌	无法识图
纯 omni 模型	✅	⭐⭐	✅	推理弱
频繁切换模型	❌	⭐⭐⭐	✅	极繁琐
MCP 方案	✅	⭐⭐⭐	✅	最佳

项目地址

GitHub: https://github.com/congxxx/mimo-media-recognition-mcp

如果对你有帮助，欢迎 Star 🌟

总结

通过这次开发，我深刻体会到 MCP 的价值：

1. 解耦能力：不同模型各司其职，发挥各自优势
2. 无缝集成：用户无感知，对话流畅自然
3. 可扩展性：未来可以轻松添加更多工具（如 OCR、翻译等）

对于需要频繁处理多媒体内容的开发者来说，这个 MCP 能显著提升工作效率。希望我的分享对你有帮助！

---

参考链接：

• 解决 Claude Code 接入小米 MiMo 大模型后无法识别图片的问题
• MCP 官方文档
• MIMO 官方 API 文档