MiMo V2.6 Flash API

Qu'est-ce que MiMo-V2.6-Flash ?

MiMo-V2.6-Flash est le modèle de la famille MiMo-V2.6 de Xiaomi axé sur l'efficacité. C'est un modèle de raisonnement multimodal natif conçu pour des appels à haute fréquence, des charges de travail à grande échelle, le codage, l'automatisation et des tâches d'agents à long horizon.

Le modèle accepte des entrées sous forme de texte, images, vidéo et audio et produit une sortie texte. Xiaomi le décrit comme un modèle pleine modalité optimisé pour des flux de travail réels, avec une fenêtre de contexte d'1 million de tokens, une réflexion approfondie, l'appel d'outils, une sortie structurée, le streaming, la recherche web et des capacités de mise en cache du contexte.

Le checkpoint open-weight MiMo-V2.6-Flash-RL utilise une architecture Mixture-of-Experts sparse avec 309 milliards de paramètres au total et 15 milliards de paramètres activés. Sa fiche de modèle décrit une longueur de contexte de 1M tokens, un encodeur visuel de 681M de paramètres, des encodeurs audio et un décodeur spéculatif à cinq couches.

Spécifications techniques

La page officielle du modèle Xiaomi mentionne une fenêtre de contexte de 1M tokens, jusqu'à 128K tokens en sortie, 100 RPM et 10M TPM.

Principales caractéristiques de MiMo-V2.6-Flash

1. Compréhension native de toutes les modalités

MiMo-V2.6-Flash est conçu pour traiter le texte, les images, la vidéo et l'audio au sein d'un même modèle. Cela le rend adapté aux applications où l'information est répartie sur plusieurs formats de médias plutôt que contenue entièrement dans du texte.

Les applications typiques incluent l'analyse de documents multimodaux, l'inspection visuelle, la compréhension vidéo, la recherche informée par l'audio et les flux de travail qui combinent différents types d'éléments de preuve.

2. Contexte long de 1M tokens

Le modèle prend en charge une fenêtre de contexte allant jusqu'à 1 million de tokens, ce qui le rend adapté aux grands référentiels, aux documents longs, aux traces d'outils étendues et aux flux de travail d'agents multi-sessions. Xiaomi positionne spécifiquement le modèle pour des tâches à long horizon et la collaboration multi-agents.

Cette grande capacité de contexte peut réduire la nécessité de résumer ou de fragmenter à plusieurs reprises de grands volumes d'information avant traitement.

3. Raisonnement et flux de travail orientés agents

MiMo-V2.6-Flash est conçu autour de charges de travail orientées vers le raisonnement et les agents. Sa liste de capacités officielles inclut une réflexion approfondie et l'appel d'outils, tandis que la fiche de modèle décrit un apprentissage par renforcement mixte couvrant le codage, les agents généraux, les tâches visuelles et la cybersécurité.

Cela rend le modèle pertinent pour des applications telles que :

• Agents de recherche multi-étapes
• Agents de codage
• Orchestration d'outils
• Flux de travail d'utilisation d'ordinateur
• Analyse automatisée
• Tâches de planification longue durée

4. Appel d'outils et sortie structurée

Le modèle prend en charge l'appel d'outils et la sortie structurée, lui permettant de participer à des applications où le modèle doit invoquer des fonctions externes ou renvoyer des informations dans un format prévisible et lisible par machine.

Ceci est particulièrement utile pour les systèmes d'agents reliant un LLM à la recherche, des bases de données, des API, des outils métier ou d'autres fonctions applicatives.

5. Capacités d'agents multimodales

MiMo-V2.6-Flash associe la compréhension multimodale à un raisonnement orienté agents. Au lieu de traiter les images, la vidéo, l'audio et le texte comme des tâches de modèle distinctes, il fournit une interface de modèle unifiée pour ces entrées.

Cette architecture est utile pour des flux de travail tels que l'examen d'un document technique avec des diagrammes, l'analyse de réunions enregistrées, l'inspection de preuves vidéo ou la combinaison de captures d'écran avec des instructions textuelles.

6. Conception MiMo-V2.6 orientée efficacité

La variante Flash est positionnée par Xiaomi comme le membre équilibré en termes d'efficacité de la famille MiMo-V2.6. Son design MoE sparse active un sous-ensemble de paramètres pour chaque token plutôt que d'utiliser l'ensemble du pool de paramètres à chaque token.

Le modèle utilise également un décodeur spéculatif à cinq couches qui prédit plusieurs tokens suivants pour une vérification parallèle, une approche architecturale destinée à améliorer l'efficacité d'inférence.

Performances sur benchmarks

Le tableau d'évaluation publié par Xiaomi présente les résultats de MiMo-V2.6-Flash sur des benchmarks de codage, d'agents généraux, de cybersécurité et d'agents visuels. Ce sont des résultats de benchmarks publiés par le fournisseur, ils ne doivent donc pas être considérés comme des classements indépendants de tiers.

Par exemple, Xiaomi rapporte 87.6 sur Terminal Bench 2.1, 80.8 sur OSWorld-Verified, 73.6 sur Toolathlon-Verified et 95.1 sur CyberGym.

Le profil de benchmarks suggère que le modèle est particulièrement conçu autour des flux de travail d'agents, de codage, d'utilisation d'outils et multimodaux, plutôt que d'être positionné uniquement comme un modèle conversationnel conventionnel.

MiMo-V2.6-Flash vs MiMo-V2.6-Pro

MiMo-V2.6-Flash et MiMo-V2.6-Pro appartiennent à la même famille de modèles et partagent la conception multimodale native et le contexte 1M, mais ils ciblent des points différents dans le spectre efficacité-modèle.

L'architecture publiée présente le modèle Pro avec 1.02T de paramètres totaux / 42B de paramètres activés, comparé à Flash avec 309B de paramètres totaux / 15B de paramètres activés.

MiMo-V2.6-Flash vs autres modèles

MiMo-V2.6-Flash occupe une position distinctive parmi les modèles modernes de raisonnement multimodal car il combine quatre caractéristiques dans un seul modèle : contexte long, entrée multimodale native, raisonnement et utilisation d'outils orientée agents.

Comparé à un modèle de raisonnement conventionnel uniquement texte, MiMo-V2.6-Flash peut intégrer directement des images, de la vidéo et de l'audio. Comparé à un plus petit modèle multimodal, son contexte de 1M tokens le rend plus adapté aux grands référentiels et aux trajectoires d'agents étendues. Comparé au plus grand MiMo-V2.6-Pro, Flash met l'accent sur une architecture plus orientée efficacité.

Cas d'utilisation représentatifs

Codage et génie logiciel

MiMo-V2.6-Flash peut être utilisé pour la génération de code, le débogage, l'analyse de référentiels, la planification logicielle et des flux de travail de développement orientés agents.

Ses résultats publiés incluent DeepSWE v1.1, ProgramBench, MiMo Code Bench et des évaluations Terminal Bench.

Analyse de documents à long contexte

La fenêtre de contexte de 1M tokens rend le modèle adapté à l'analyse de vastes collections de documents, spécifications techniques, matériaux de recherche ou historiques de projet longs sans réduire de manière agressive le contexte disponible.

Recherche multimodale

Parce que le modèle accepte le texte, l'image, la vidéo et l'audio, il peut combiner des informations provenant de différentes sources média dans un seul flux de raisonnement.

Agents et automatisation d'outils

L'appel d'outils, la sortie structurée, le raisonnement et le long contexte rendent le modèle adapté aux agents devant planifier des tâches, invoquer des outils externes, inspecter les résultats et poursuivre le raisonnement sur plusieurs étapes.

Flux de travail d'utilisation d'ordinateur

Le résultat publié de 80.8 sur OSWorld-Verified et d'autres benchmarks d'agents montrent que Xiaomi évalue le modèle sur des tâches d'agents interactifs en plus des benchmarks de modèles de langage traditionnels.

Flux de travail métier multimodaux

MiMo-V2.6-Flash peut prendre en charge des flux de travail impliquant rapports, captures d'écran, enregistrements, présentations, documents et d'autres informations métier multimédia où un seul modèle doit synthétiser plusieurs types d'entrée.

Limitations

MiMo-V2.6-Flash est un modèle récemment publié, de sorte que la couverture des benchmarks et les évaluations indépendantes par des tiers sont encore en cours de développement. Le tableau de benchmarks publié par Xiaomi fournit des éléments substantiels sur les tâches orientées agents et multimodales, mais ces résultats sont rapportés par le fournisseur et ne remplacent pas des tests spécifiques aux applications.

Le modèle possède également une grande architecture sous-jacente malgré l'activation sparse. Les organisations envisageant une auto-hébergement devraient donc évaluer le matériel, la compatibilité des moteurs d'inférence, la quantification, le débit et les exigences opérationnelles plutôt que de supposer que la valeur de 15B de paramètres activés représente l'empreinte totale de déploiement. La fiche de modèle officielle fournit des conseils de déploiement pour SGLang et vLLM.

Comment accéder à l'API MiMo-V2.6-Flash via CometAPI

Étape 1 : Inscrivez-vous à CometAPI et obtenez votre clé API CometAPI

Créez ou accédez à votre compte CometAPI et ouvrez la zone de gestion de l'API. Générez une clé API depuis votre compte CometAPI et gardez-la disponible pour la configuration de votre application.

Étape 2 : Sélectionnez MiMo-V2.6-Flash et configurez votre application

Trouvez MiMo-V2.6-Flash dans le catalogue de modèles disponibles et confirmez l'identifiant du modèle comme mimo-v2.6-flash. Définissez MiMo-V2.6-Flash comme modèle cible dans votre intégration CometAPI. Configurez la requête en fonction des entrées multimodales et des capacités d'agent requises par votre application.

Étape 3 : Envoyez des requêtes

Soumettez du texte ou des entrées multimodales prises en charge via l'intégration CometAPI et utilisez la réponse du modèle renvoyée dans le flux de travail de votre application.

Étape 4 : Traitez la réponse

Gérez le texte généré, la sortie structurée, les résultats de raisonnement ou les informations d'appel d'outils conformément au flux de travail de votre application.