¿Qué es MiMo-V2.6-Pro?
MiMo-V2.6-Pro es el modelo insignia de razonamiento multimodal de Xiaomi MiMo, creado para proyectos complejos, tareas de largo horizonte, flujos de trabajo profesionales, investigación, ciberseguridad, programación y aplicaciones basadas en agentes.
El modelo admite comprensión nativa de texto, imágenes, video y audio dentro de un modelo unificado. Ofrece una ventana de contexto de 1 millón de tokens y admite hasta 128K tokens de salida, lo que lo hace adecuado para repositorios grandes, documentos extensos, trazas de herramientas extensas y flujos de trabajo de agentes multisesión.
El checkpoint de pesos abiertos MiMo-V2.6-Pro-RL utiliza una arquitectura de mezcla de expertos dispersa (Mixture-of-Experts) con 1,02 billones de parámetros totales y 42 mil millones de parámetros activados. Su arquitectura incluye un codificador de visión de 681M parámetros, codificadores de audio dedicados y un decodificador especulativo de cinco capas.
Especificaciones técnicas
| Especificación | MiMo-V2.6-Pro |
|---|---|
| ID del modelo | mimo-v2.6-pro |
| Proveedor | Xiaomi MiMo |
| Tipo de modelo | Modelo de razonamiento multimodal |
| Arquitectura | Mixture-of-Experts dispersa |
| Parámetros totales | 1.02T |
| Parámetros activados | 42B |
| Modalidades de entrada | Text, Image, Video, Audio |
| Modalidad de salida | Text |
| Ventana de contexto | 1M tokens |
| Salida máxima | 128K tokens |
| Razonamiento | Pensamiento profundo |
| Llamadas a herramientas | Compatible |
| Búsqueda web | Compatible |
| Salida estructurada | Compatible |
| Streaming | Compatible |
| Caché de contexto | Compatible |
La página oficial del modelo de Xiaomi indica 100 RPM y 10M TPM para la API del modelo.
Características principales de MiMo-V2.6-Pro
1. Comprensión nativa omni-modal
MiMo-V2.6-Pro está diseñado para comprender conjuntamente texto, imágenes, video y audio en lugar de limitar el procesamiento multimodal a un flujo de trabajo auxiliar separado.
Esto permite que las aplicaciones combinen diferentes formas de información dentro de un único proceso de razonamiento, incluidos documentos con imágenes, análisis basado en video, contenido de audio, capturas de pantalla e instrucciones textuales.
2. Contexto largo de 1M tokens
El modelo proporciona una ventana de contexto de hasta 1 millón de tokens. Esto lo hace adecuado para flujos de trabajo que involucran grandes bases de código, documentos largos, material de investigación extenso, historiales persistentes de agentes y trazas de llamadas a herramientas de gran tamaño.
Una ventana de contexto larga es especialmente útil para sistemas basados en agentes porque gran parte del historial de la tarea y los resultados intermedios pueden permanecer disponibles sin comprimir repetidamente la conversación.
3. Razonamiento avanzado y capacidades de agente
MiMo-V2.6-Pro está diseñado en torno a flujos de trabajo intensivos en razonamiento y de largo horizonte. Xiaomi destaca proyectos complejos, colaboración multiagente y cargas de trabajo profesionales como casos de uso clave. El modelo también admite pensamiento profundo y llamadas a herramientas.
Estas capacidades lo hacen adecuado para:
- Ingeniería de software compleja
- Agentes de investigación
- Planificación en múltiples pasos
- Orquestación de herramientas
- Flujos de trabajo de uso de la computadora
- Análisis de ciberseguridad
- Tareas intensivas en conocimiento
4. Llamadas a herramientas y salida estructurada
MiMo-V2.6-Pro admite llamadas a herramientas y salida estructurada, lo que permite conectar el modelo con APIs externas, bases de datos, sistemas de búsqueda, herramientas empresariales y otros componentes de software.
La salida estructurada es especialmente útil cuando las respuestas del modelo deben ser consumidas por la lógica de la aplicación downstream en lugar de mostrarse solo como texto en lenguaje natural.
5. Flujos de trabajo de agentes de largo horizonte
La combinación de contexto largo, comprensión multimodal, razonamiento y uso de herramientas permite que MiMo-V2.6-Pro opere en flujos de trabajo que requieren múltiples etapas de planificación y ejecución.
Xiaomi describe la serie MiMo-V2.6 como optimizada para la colaboración multimodal, multiagente y multi-harness. Sus ejemplos oficiales incluyen programación, trabajo de oficina, diseño, investigación, creación de contenidos, ciberseguridad y operación de computadoras.
6. Arquitectura de modelo de pesos abiertos
MiMo-V2.6-Pro-RL se publica como un checkpoint de pesos abiertos. La tarjeta del modelo documenta una arquitectura MoE dispersa con 1,02T de parámetros totales y 42B de parámetros activados, junto con codificadores dedicados de visión y audio.
La tarjeta del modelo también documenta la metodología de aprendizaje por refuerzo utilizada para mejorar las capacidades de programación, agentes generales, agentes visuales y ciberseguridad.
Rendimiento en benchmarks
La evaluación publicada por Xiaomi cubre agentes de programación, agentes generales, ciberseguridad y tareas de agente visual. Estos son resultados de evaluación publicados por el proveedor, por lo que deben distinguirse de estudios de benchmarking independientes de terceros.
| Benchmark | MiMo-V2.6-Pro |
|---|---|
| DeepSWE v1.1 | 71.9 |
| ProgramBench | 26.5 |
| MiMo Code Bench | 63.2 |
| AutomationBench v1.0.6 | 53.1 |
| Toolathlon-Verified | 76.9 |
| GDPval-AA 2.1 | 1673 |
| Agents' Last Exam | 31.6 |
| Terminal Bench 4.0 | 34.9 |
| Terminal Bench 2.1 | 89.9 |
| OSWorld-Verified | 82.0 |
| JobBench | 62.0 |
| CyberGym | 94.0 |
| MiMo Cyber Bench | 80.2 |
| ExploitGym | 17.8 |
| ExploitBench | 47.9 |
| SEC Bench Pro | 66.3 |
| MiMo VisualCoding | 72.3 |
Entre los resultados destacados reportados se incluyen 89.9 en Terminal Bench 2.1, 82.0 en OSWorld-Verified, 76.9 en Toolathlon-Verified y 94.0 en CyberGym.
La página oficial del modelo de Xiaomi también informa un puntaje de índice compuesto de inteligencia de Artificial Analysis de 46.32. Dado que se trata de una evaluación de terceros referenciada por Xiaomi, es mejor tratarla por separado del conjunto de benchmarks propio de Xiaomi.
MiMo-V2.6-Pro vs MiMo-V2.6-Flash
MiMo-V2.6-Pro y MiMo-V2.6-Flash comparten el mismo diseño general multimodal y de contexto largo, pero apuntan a diferentes escalas de modelo.
| Característica | MiMo-V2.6-Pro | MiMo-V2.6-Flash |
|---|---|---|
| Posicionamiento del modelo | Insignia | Enfocado en la eficiencia |
| Arquitectura | MoE disperso | MoE disperso |
| Parámetros totales | 1.02T | 309B |
| Parámetros activados | 42B | 15B |
| Ventana de contexto | 1M tokens | 1M tokens |
| Entrada | Text, Image, Video, Audio | Text, Image, Video, Audio |
| Pensamiento profundo | Compatible | Compatible |
| Llamadas a herramientas | Compatible | Compatible |
| Salida estructurada | Compatible | Compatible |
| Búsqueda web | Compatible | Compatible |
La principal distinción arquitectónica es la escala del modelo: el checkpoint Pro tiene 1.02T de parámetros totales / 42B de parámetros activados, en comparación con 309B totales / 15B activados para Flash.
MiMo-V2.6-Pro vs otros modelos de razonamiento
MiMo-V2.6-Pro combina varias capacidades que a menudo están distribuidas entre diferentes categorías de modelos: comprensión multimodal, razonamiento con contexto largo, programación, uso de herramientas y ejecución basada en agentes.
Su contexto de 1M tokens lo diferencia de modelos con ventanas de contexto sustancialmente más pequeñas, mientras que sus entradas nativas de imagen, video y audio lo extienden más allá de los sistemas de razonamiento centrados en texto. Su arquitectura MoE dispersa también separa la capacidad total del modelo del número de parámetros activados por cada token.
Para aplicaciones orientadas a agentes, su conjunto de evaluaciones publicadas cubre ingeniería de software, uso general de herramientas, interacción con computadoras, ciberseguridad y programación visual, en lugar de enfocarse exclusivamente en benchmarks lingüísticos convencionales.
Casos de uso representativos
Ingeniería de software compleja
MiMo-V2.6-Pro puede ayudar en generación de código, análisis de repositorios, depuración, arquitectura de software, planificación de tareas y flujos de trabajo de programación autónoma.
Sus evaluaciones publicadas incluyen DeepSWE v1.1, ProgramBench, MiMo Code Bench y Terminal Bench.
Investigación de contexto largo
El contexto de 1M tokens hace que el modelo sea adecuado para grandes proyectos de investigación que involucren artículos extensos, documentación técnica, conjuntos de datos, notas e historial de investigación acumulado.
Análisis multimodal
Las aplicaciones pueden combinar texto, imágenes, video y audio dentro de un flujo de trabajo unificado. Esto es útil para analizar documentos multimedia, material grabado, evidencia visual, capturas de pantalla y datos de investigación de formato mixto.
Agentes de IA y automatización de herramientas
Las llamadas a herramientas, la salida estructurada, el pensamiento profundo y el contexto largo hacen que MiMo-V2.6-Pro sea adecuado para agentes que necesitan planificar, llamar a herramientas externas, inspeccionar resultados y continuar trabajando a lo largo de múltiples pasos.
Ciberseguridad
La ciberseguridad es una de las áreas de evaluación incluidas en los resultados del modelo publicados por Xiaomi. El modelo reporta 94.0 en CyberGym, 80.2 en MiMo Cyber Bench, 47.9 en ExploitBench y 66.3 en SEC Bench Pro.
Flujos de trabajo de uso de la computadora
MiMo-V2.6-Pro se evalúa en OSWorld-Verified, donde Xiaomi reporta una puntuación de 82.0. Esto convierte la interacción con computadoras y la automatización orientada a la UI en otra área de aplicación relevante para el modelo.
Flujos de trabajo científicos y profesionales
Xiaomi muestra MiMo-V2.6-Pro en flujos de trabajo de investigación científica, incluida la investigación de materiales, así como diseño, creación de contenidos, trabajo de oficina y otras tareas profesionales complejas.
Limitaciones
Los resultados de benchmark de MiMo-V2.6-Pro son principalmente publicados por Xiaomi y deben interpretarse en el contexto de la metodología de cada benchmark, en lugar de como una medida universal del desempeño en aplicaciones.
La arquitectura de 1.02T parámetros totales del modelo también representa una escala subyacente sustancial. La cifra de 42B parámetros activados describe activación dispersa en lugar de la huella completa de hardware o de despliegue. Por lo tanto, las organizaciones que consideren el autoalojamiento deben evaluar de forma independiente la compatibilidad del motor de inferencia, los requisitos de memoria, la cuantización, el rendimiento y los requisitos de hardware.
Para aplicaciones basadas en API, el modelo hospedado puede accederse a través de la plataforma API de Xiaomi, mientras que el checkpoint de pesos abiertos proporciona una vía separada para organizaciones que desean gestionar su propia infraestructura de inferencia.
Cómo acceder a la API de MiMo-V2.6-Pro a través de CometAPI
Paso 1: Regístrate en CometAPI y obtén tu clave de API de CometAPI
Crea o inicia sesión en tu cuenta de CometAPI y abre el área de gestión de API. Genera una clave de API desde tu cuenta de CometAPI y prepárala para tu aplicación.
Paso 2: Selecciona MiMo-V2.6-Pro
Encuentra MiMo-V2.6-Pro en el catálogo de modelos de CometAPI y confirma el ID del modelo como mimo-v2.6-pro. Establece MiMo-V2.6-Pro como el modelo objetivo en tu integración con CometAPI. Configura la aplicación según las capacidades de texto, imagen, video, audio, razonamiento o llamadas a herramientas requeridas por tu flujo de trabajo.
Paso 3: Envía solicitudes
Envía solicitudes a través de la integración con CometAPI y proporciona las entradas requeridas para tu aplicación.
Paso 4: Procesa la respuesta
Utiliza la salida del modelo devuelta, los datos estructurados, los resultados de razonamiento o la información de llamadas a herramientas dentro del flujo de trabajo de tu aplicación.