TL;DR
MiMo-V2.6 est la nouvelle famille de modèles de raisonnement multimodaux natifs, orientés agents, à poids ouverts de Xiaomi. MiMo-V2.6-Pro utilise une conception MoE clairsemée avec 1,02 billion de paramètres au total et environ 42 milliards de paramètres activés par token, tandis que MiMo-V2.6-Flash utilise 309 milliards de paramètres au total et environ 15 milliards activés. Les deux prennent en charge une fenêtre de contexte de 1M de tokens et des entrées multimodales incluant texte, images, vidéo et audio.
Points clés
- MiMo-V2.6-Pro est un modèle MoE clairsemé à 1,02T de paramètres avec environ 42B de paramètres activés par token ; Flash utilise 309B au total et environ 15B de paramètres actifs.
- Les deux modèles prennent en charge une fenêtre de contexte de 1M de tokens, l’entrée multimodale et jusqu’à 128K tokens de sortie via l’API de Xiaomi.
- La famille est conçue pour le raisonnement, l’usage d’outils, la recherche web, la sortie structurée et les workflows d’agents à long horizon.
- Xiaomi a entraîné V2.6 avec un apprentissage par renforcement mixte couvrant le code, les agents généraux, les tâches visuelles et des environnements de cybersécurité.
- Les résultats officiels positionnent Pro comme l’option la plus performante et Flash comme l’option à moindre coût et haut volume ; une évaluation spécifique aux charges de travail reste nécessaire.
Qu’est-ce que Xiaomi MiMo-V2.6 ?
MiMo-V2.6 est la dernière génération de la famille de modèles MiMo de Xiaomi. L’accent n’est pas seulement mis sur la génération de meilleures réponses, mais sur l’exécution de longues séquences d’actions : inspecter un environnement, appeler des outils, observer les résultats, corriger les erreurs et continuer jusqu’à atteindre un objectif. Xiaomi présente cette version autour de la Recursive Self-Improvement (RSI), c’est-à-dire une boucle d’apprentissage par renforcement (RL) dans laquelle le modèle explore de manière répétée des environnements, reçoit des signaux de récompense plus riches, compare des trajectoires et apprend des stratégies plus efficaces. Cela ne doit pas être interprété comme le modèle réécrivant et entraînant de manière autonome son propre successeur.
Pro vs Flash vs UltraSpeed: Quelle est la différence
| Fonctionnalité | MiMo-V2.6-Pro | MiMo-V2.6-Flash | MiMo-V2.6-Pro-UltraSpeed |
|---|---|---|---|
| Positionnement | Vaisseau amiral du raisonnement | Haut volume / valeur | Vaisseau amiral à faible latence |
| Paramètres totaux | 1.02T | 309B | Même modèle Pro |
| Paramètres actifs | 42B | 15B | Même capacité Pro |
| Architecture | MoE clairsemée | MoE clairsemée | Mode de service Pro |
| Contexte | 1M | 1M | 1M |
| Sortie max | 128K | 128K | 128K |
| Entrée texte / image / vidéo / audio | Oui | Oui | Oui |
| Raisonnement profond / appel d’outils | Oui | Oui | Oui |
| Sortie structurée / mise en cache du contexte | Oui | Oui | Oui |
| Principal avantage | Capacité maximale | Efficacité coût | Jusqu’à 20× plus rapide en service |
MiMo-V2.6-Pro ou Flash : lequel choisir ?
Choix pratique : choisissez MiMo-V2.6-Pro pour l’ingénierie difficile à long horizon, la recherche, la cybersécurité et les travaux d’agent à forte valeur ; choisissez MiMo-V2.6-Flash pour l’automatisation à haut volume, le traitement de documents et multimodal, et les appels répétés sensibles au coût ; choisissez MiMo-V2.6-Pro-UltraSpeed lorsque le raisonnement de niveau Pro est requis mais que la latence prime. UltraSpeed est un palier de service plutôt qu’un modèle de capacité différent et est annoncé jusqu’à 20× plus rapide en débit que le Pro standard.
Comment fonctionne Xiaomi MiMo-V2.6 ?
Architecture Mixture-of-Experts clairsemée
MiMo-V2.6 n’active pas l’ensemble de ses paramètres pour chaque token. Le point de contrôle phare Pro contient 1,02 billion de paramètres au total, mais seulement environ 42 milliards sont actifs pour chaque token. La fiche du modèle de Xiaomi décrit 70 couches Transformer, 384 experts routés et huit experts activés à la fois. Flash est sensiblement plus petit avec 309B au total / 15B actifs, 48 couches Transformer et 256 experts routés.
| Spécifications d’architecture | MiMo-V2.6-Pro | MiMo-V2.6-Flash |
|---|---|---|
| Paramètres totaux | 1.02T | 309B |
| Paramètres activés | 42B | 15B |
| Couches Transformer | 70 | 48 |
| Taille cachée | 6,144 | 4,096 |
| Experts routés | 384 | 256 |
| Experts activés | 8 | 8 |
| Contexte maximal | 1M | 1M |
| MiMo ViT | 681M paramètres | 681M paramètres |
| AudioTokenizer | 308M paramètres | 308M paramètres |
| Encodeur de patch audio | 127M paramètres | 127M paramètres |
| Décodeur spéculatif | 5 couches | 5 couches |
L’architecture combine une attention à fenêtre glissante avec des couches à attention globale et inclut un décodeur spéculatif multi-prédictions de cinq couches. En pratique, le nombre de paramètres « en vitrine » et le calcul par token sont deux quantités très différentes : le routage clairsemé permet à Xiaomi de maintenir un grand vivier d’experts sans effectuer une inférence dense sur tous les poids pour chaque token.
Compréhension multimodale native
MiMo-V2.6 utilise le MiMo ViT de Xiaomi à 681M de paramètres pour l’encodage visuel ainsi que des composants audio dédiés. Le même agent peut ainsi traiter des instructions textuelles, des captures d’écran, des photographies, de la vidéo et de l’audio. Pour les agents d’usage informatique, la multimodalité native est importante car la perception et la prise de décision peuvent se dérouler dans la même boucle de raisonnement au lieu d’être séparées entre des modèles orientés utilisateur déconnectés.
Pourquoi l’apprentissage par renforcement est-il si important pour MiMo-V2.6 ?
Xiaomi indique que Flash et Pro ont tous deux traversé environ 30 étapes de RL et environ 750 000 trajectoires dans une expérience d’entraînement publique de six jours. Les coûts d’entraînement rapportés étaient d’environ 850 000 $ pour Flash et 2,62 millions $ pour Pro. Chaque mise à jour utilisait 1 568 échantillons d’entraînement, avec des étapes individuelles atteignant environ 3,5–3,7 milliards de tokens. Le mélange de tâches couvrait le code, les agents généraux, les tâches visuelles, la cybersécurité et plusieurs harnais d’agents.
Au cours de ce processus de RL, Xiaomi rapporte que le score hors échantillon DeepSWE v1.1 est passé de 48,8 à 65,7 pour Flash et de 58,4 à 72,6 pour Pro. Ces chiffres décrivent l’expérience RL en direct et ne doivent pas être confondus avec tous les scores finaux de référence pour les points de contrôle publiés, car la configuration d’évaluation peut différer.
Évaluation agentique groupée
Pour l’entraînement d’agents, une récompense binaire réussite/échec peut masquer des différences significatives entre deux trajectoires réussies. Une solution peut finir rapidement avec quelques appels d’outils, tandis qu’une autre peut gaspiller des dizaines d’étapes. Xiaomi décrit donc Groupwise Reward Synthesis et Groupwise Advantage Redistribution comme des mécanismes pour comparer les trajectoires au sein d’un groupe et redistribuer le signal d’apprentissage vers des solutions plus propres. L’objectif est d’améliorer non seulement l’accomplissement de la tâche, mais aussi l’efficacité du chemin suivi.
Quelle est la performance de Xiaomi MiMo-V2.6 sur les benchmarks d’agents ?
Les preuves publiques les plus fortes pour V2.6 se concentrent sur des benchmarks agentiques plutôt que sur des tests classiques à choix multiples. Le graphique officiel de Xiaomi compare Pro et Flash à MiMo-V2.5-Pro, Claude Opus 5, GPT-5.6 Sol et Fable 5 sur des tâches de codage, d’agents généraux, de cybersécurité et d’agents visuels.
| Benchmark | MiMo-V2.6-Pro | MiMo-V2.6-Flash | Claude Opus 5 | GPT-5.6 Sol |
|---|---|---|---|---|
| DeepSWE v1.1 | 71.9 | 67.9 | 74.0 | 73.0 |
| ProgramBench | 26.5 | 26.0 | 37.0 | 25.0 |
| MiMo Code Bench | 63.2 | 61.2 | 68.6 | 59.3 |
| AutomationBench v1.0.6 | 53.1 | 52.3 | 50.3 | 45.8 |
| Toolathlon-Verified | 76.9 | 73.6 | 80.6 | 74.9 |
| Agents' Last Exam | 31.6 | 27.6 | 31.6 | 30.8 |
| Terminal Bench 2.1 | 89.9 | 87.6 | 89.1 | 88.8 |
| OSWorld-Verified | 82.0 | 80.8 | 83.4 | 83.0 |
| JobBench | 62.0 | 61.2 | 65.7 | 45.4 |
| MiMo Visual Coding | 72.3 | 71.5 | 70.0 | 73.4 |
Progrès en codage
Les gains en codage sont les plus nets dans l’exécution à long horizon. Au cours de l’exécution RL en direct, Xiaomi rapporte que DeepSWE v1.1 hors échantillon est passé de 48,8 à 65,7 pour Flash et de 58,4 à 72,6 pour Pro. Dans le tableau inter-modèles publié, Pro atteint 71,9 sur DeepSWE v1.1 et 63,2 sur MiMo Code Bench, tandis que Flash atteint 67,9 et 61,2. Pro ne gagne pas chaque test de codage — Claude Opus 5 reste en tête sur DeepSWE, ProgramBench et MiMo Code Bench — mais V2.6 allie des performances compétitives à l’échelle des dépôts à des poids ouverts et des tarifs API sensiblement plus bas.
Raisonnement et progrès agentique
L’avancée en raisonnement se comprend mieux comme une amélioration de la planification, de l’utilisation d’outils et de la récupération que comme un score d’intelligence abstrait unique. Pro enregistre 89,9 sur Terminal Bench 2.1, 53,1 sur AutomationBench et 76,9 sur Toolathlon-Verified ; Flash enregistre 87,6, 52,3 et 73,6. Pro dépasse légèrement les résultats listés de Claude Opus 5 et GPT-5.6 Sol sur Terminal Bench 2.1, tandis que les deux modèles V2.6 devancent ces comparateurs sur AutomationBench. Xiaomi attribue l’amélioration à la comparaison groupée des trajectoires, à des évaluateurs plus riches, à un entraînement multi-harnais et à des signaux de récompense favorisant des chemins de solution plus courts et plus propres.
Connaissances et progrès en recherche
Les progrès intensifs en connaissances sont davantage étayés par des évaluations agentiques et des démonstrations que par une suite d’examens de connaissances classiques. Pro égale Claude Opus 5 à 31,6 sur Agents' Last Exam et atteint 62,0 sur JobBench. Xiaomi rapporte également des workflows de recherche en science des matériaux impliquant récupération de littérature et de brevets, génération d’hypothèses et filtrage computationnel, ainsi qu’un projet de formalisation Lean 4 dépassant 6 000 lignes vérifiées. Ces exemples suggèrent un meilleur rappel, une synthèse plus solide, un raisonnement formel et un travail de connaissance ancré sur outils, mais ils ne doivent pas être traités comme une preuve indépendante de supériorité universelle en connaissances.
Globalement : les progrès de V2.6 sont larges mais inégaux. Ils constituent surtout une preuve d’améliorations en codage à long horizon et en exécution d’agents, tandis que les affirmations sur le raisonnement général et les connaissances doivent rester liées au benchmark, au harnais et à la démonstration spécifiques.
Remarque sur les benchmarks : sauf indication contraire, les résultats inter-modèles ci-dessous sont rapportés par Xiaomi dans la fiche du modèle MiMo-V2.6. Les scores peuvent dépendre des versions de benchmark, des harnais d’agents, des configurations d’outils, des budgets d’inférence et des protocoles d’évaluation ; ils ne doivent donc pas être interprétés comme un classement reproduit de manière indépendante.
MiMo-V2.6 vs MiMo-V2.5 : qu’est-ce qui a changé ?
| Dimension | Génération MiMo-V2.5 | Percée MiMo-V2.6 |
|---|---|---|
| Focus d’entraînement | Agents multimodaux solides, long contexte et efficacité token | Programme de RL mixte beaucoup plus large couvrant code, agents généraux, vision, cybersécurité et multiples harnais |
| Capacité d’agent | V2.5-Pro visait le travail difficile à long horizon | Xiaomi rapporte que V2.6-Flash surpasse de manière globale V2.5-Pro sur sa suite de benchmarks d’agents |
| Efficacité d’apprentissage | Point de contrôle de production précédent | Environ 750 000 trajectoires sur 30 étapes de RL ; gains DeepSWE hors échantillon d’environ 17 points pour Flash et 14 points pour Pro pendant l’entraînement |
| Ouverture | Poids ouverts et support écosystème | Ajoute le code RL complet, plus de 7 000 environnements de tâches, un cadre d’entraînement, des harnais légers et un point de contrôle de distillation 9B |
| Économie | Niveau de prix API V2.5 existant | Intelligence déclarée plus élevée aux mêmes prix API officiels, repoussant la frontière capacité-coût |
Codage et exécution d’agents
Par rapport à V2.5, le changement le plus clair est une politique d’agent plus solide plutôt qu’une fenêtre de contexte plus longue. Xiaomi rapporte que V2.6-Flash surpasse V2.5-Pro sur sa suite de benchmarks d’agents. Au cours de l’entraînement de V2.6, DeepSWE v1.1 hors échantillon est passé de 48,8 à 65,7 pour Flash et de 58,4 à 72,6 pour Pro ; ces scores de la phase d’entraînement ne sont pas directement interchangeables avec le tableau de benchmarks des modèles publiés ci-dessus.
Raisonnement, connaissances et ampleur de l’entraînement
V2.6 étend l’apprentissage par renforcement au codage, aux agents généraux, à la vision, à la cybersécurité et à de multiples harnais. Xiaomi rapporte environ 750 000 trajectoires sur approximativement 30 étapes de RL. Cela soutient une planification plus large, l’usage d’outils et la récupération, mais n’établit pas en soi un gain universel sur chaque benchmark de connaissance ou de raisonnement ; comparez des tâches et des réglages d’évaluation appariés.
Migration et ouverture
La publication ajoute également du code RL, plus de 7 000 environnements de tâches, des infrastructures d’entraînement et un point de contrôle de distillation 9B. Le contexte 1M et les entrées multimodales sont des continuités de V2.5, pas des percées nouvelles de V2.6.
Le changement pratique n’est donc pas une nouvelle enveloppe de contexte — le contexte 1M et la multimodalité complète existaient déjà dans V2.5 — mais une politique d’agent plus forte entraînée avec beaucoup plus de calcul RL et des environnements vérifiables plus larges. Xiaomi a annoncé que les noms de modèles V2.5 et V2.5-Pro cesseront de fonctionner le 21 octobre 2026, de sorte que les nouveaux déploiements devraient cibler V2.6 et que les déploiements existants devraient planifier des tests de migration.
Comment V2.6 se compare aux autres modèles de pointe
| Dimension | MiMo-V2.6-Pro | Modèles propriétaires de pointe | Autres modèles à poids ouverts |
|---|---|---|---|
| Poids | Poids ouverts | Généralement fermés | Dépend du modèle |
| Contexte MiMo vérifié | 1M tokens | Vérifier pour chaque page officielle | Vérifier pour chaque fiche modèle |
| Modalités MiMo vérifiées | Texte, image, vidéo, audio | Dépend du fournisseur | Dépend du modèle |
| RL axé agent | Fort accent sur la version | Dépend du modèle et du système | Dépend du modèle et du point de contrôle |
| Auto-hébergement | Oui, avec une infrastructure substantielle | Généralement non | Souvent possible pour des points de contrôle ouverts |
| Principal avantage MiMo | Poids ouverts, multimodalité native, coût API bas | Écosystème du fournisseur et outils gérés | Variable selon licence, taille et pile de déploiement |
Pour un ensemble de comparaison actuel, évaluez MiMo-V2.6 face à Claude Opus 5.5 pour le codage agentique longue durée, Claude Fable 5.1 pour les travaux autonomes les plus difficiles, GPT-6 Sol et Gemini 4 Pro. La disponibilité des modèles et les prix sont dynamiques ; les comparaisons de production doivent donc utiliser le catalogue en direct et des invites, outils, budgets d’effort et critères d’acceptation appariés.
Que peut réellement faire Xiaomi MiMo-V2.6 ?
Agents de codage et d’ingénierie logicielle
MiMo-V2.6 est conçu pour de longues trajectoires d’ingénierie logicielle : inspection de dépôts, modification de code, utilisation d’outils en terminal, exécution de tests, diagnostic des échecs et poursuite jusqu’à satisfaction de l’objectif. Ses résultats sur DeepSWE, Terminal Bench, AutomationBench et Toolathlon indiquent que Xiaomi optimise pour l’exécution plutôt que la simple complétion de code. Les charges de travail pratiques incluent des agents de codage, le débogage automatisé, le refactoring de dépôts, la résolution de problèmes CI et des workflows d’ingénierie multi-outils.
Usage de l’ordinateur
Xiaomi démontre explicitement un Computer Use Agent (CUA). Le modèle peut interpréter des interfaces graphiques, récupérer des informations, éditer du contenu, traiter des données, inspecter des résultats, diagnostiquer des problèmes et changer les actions suivantes en fonction du retour visuel. Dans ce workflow, la sortie du modèle n’est souvent pas le produit final ; elle peut plutôt déterminer la prochaine action logicielle ou de navigateur.
Mondes 3D et workflows Blender
Sous le concept « Vibe World », MiMo-V2.6 peut prendre des références textuelles, d’images ou de vidéos et décomposer une demande 3D en construction de scène, programmation d’interactions et tâches de vérification visuelle. Xiaomi démontre également le contrôle de Blender par le modèle pour créer des objets et scènes 3D à partir de descriptions ou d’images de référence. Cela étend le « vibe coding » au-delà du code applicatif vers des environnements interactifs.
Robotique et agents incarnés
Xiaomi démontre MiMo-V2.6 dans un environnement de simulation incarné utilisant des images multi-vues de caméra et un bras robotique Franka Panda. Les tâches d’exemple incluent la préhension d’objets, l’appariement de couleurs et le placement précis. Cela n’établit pas V2.6 comme un modèle de fondation universel pour la robotique, mais montre comment la vision native et la prise de décision à long horizon peuvent être reliées à des boucles de contrôle incarnées.
Recherche scientifique et raisonnement formel
Xiaomi rapporte un cas en science des matériaux où MiMo-V2.6-Pro a assisté des chercheurs sur des structures métallo-organiques pour l’adsorption de PFAS, incluant recherche de littérature et brevets, formulation de candidats et appels à des outils computationnels. Dans une autre expérience, le modèle a aidé à formaliser le théorème principal de « Period Three Implies Chaos » dans Lean 4. Xiaomi rapporte un projet achevé dépassant 6 000 lignes de code Lean, vérifié par le noyau Lean sans espaces réservés non prouvés. Ces exemples sont mieux interprétés comme des démonstrations de workflows de recherche agentiques, et non comme une preuve de découverte scientifique autonome.
Sites web, présentations, vidéo et musique
MiMo-V2.6 peut coordonner le codage front-end, les workflows de design, les diapositives, les actifs SVG, les pipelines vidéo et les outils de production musicale. Xiaomi démontre l’orchestration avec des systèmes média spécialisés, y compris la narration via MiMo-V2.5-TTS, plutôt que d’affirmer que V2.6 remplace lui-même chaque générateur d’image, de vidéo ou d’audio. Le modèle s’intègre donc naturellement comme orchestrateur de production créative.
Les cas d’usage de cette section sont des démonstrations de Xiaomi, pas des preuves indépendantes que chaque déploiement reproduira les mêmes résultats. Les équipes de production devraient tester le modèle avec leurs propres outils, autorisations, mécanismes de récupération d’échec et critères d’évaluation.
Combien coûte Xiaomi MiMo-V2.6 ?
| Tarification | MiMo-V2.6-Pro | MiMo-V2.6-Flash | Pro UltraSpeed |
|---|---|---|---|
| Entrée mise en cache / 1M tokens | $0.0036 | $0.0028 | $0.036 |
| Entrée non mise en cache / 1M tokens | $0.435 | $0.14 | $4.35 |
| Sortie / 1M tokens | $0.87 | $0.28 | $8.70 |
Xiaomi maintient la tarification API V2.6 au même niveau général que sa génération V2.5. Flash est particulièrement notable pour les charges à haut volume : la tarification officielle de Xiaomi indique $0.14 par million de tokens d’entrée non mis en cache et $0.28 par million de tokens de sortie.
Tarification et disponibilité CometAPI
| Route CometAPI | Entrée / 1M | Sortie / 1M | Statut du catalogue |
|---|---|---|---|
| mimo-v2.6-pro-ultraspeed | $3.48 | $6.96 | Disponible ; 20% en dessous des tarifs officiels non mis en cache |
| mimo-v2.6-pro | $0.348 | $0.6960 | Disponible ; 20% en dessous des tarifs officiels non mis en cache |
| mimo-v2.6-flash | $0.112 | $0.2240 | Disponible ; 20% en dessous des tarifs officiels non mis en cache |
Comment les développeurs peuvent-ils accéder à Xiaomi MiMo-V2.6 ?
Xiaomi expose les modèles via une API compatible OpenAI et documente la compatibilité avec le protocole Anthropic sur ses pages officielles de modèle. Les identifiants officiels sont mimo-v2.6-pro, mimo-v2.6-flash et mimo-v2.6-pro-ultraspeed. Xiaomi documente l’appel d’outils, la sortie structurée, le streaming, les contrôles de raisonnement, la mise en cache du contexte et la recherche web. L’interface compatible OpenAI utilise des valeurs thinking.type telles que enabled ou disabled, avec le deep thinking activé par défaut pour les modèles V2.6.
Les développeurs disposent de trois voies pratiques d’accès. Premièrement, téléchargez le point de contrôle à poids ouverts Pro ou Flash pour une intégration auto-hébergée, sous réserve d’exigences de service substantielles. Deuxièmement, utilisez l’API managée de Xiaomi avec une clé Xiaomi et son endpoint documenté. Troisièmement, utilisez une route CometAPI prise en charge avec une clé CometAPI et une URL de base ; cela peut simplifier l’évaluation multi-modèles et la facturation. Les assistants de codage tels que Claude Code peuvent utiliser une route compatible Anthropic lorsque cette route et ce modèle sont pris en charge, mais la compatibilité doit être testée plutôt que supposée.
Accéder à MiMo-V2.6 via CometAPI
CometAPI fournit un endpoint unifié et une couche de facturation pour les modèles pris en charge. L’avantage opérationnel principal est la simplicité de migration : les équipes peuvent conserver un SDK familier, changer l’URL de base et l’ID de modèle, comparer MiMo avec d’autres modèles de pointe dans le même compte, et centraliser l’usage, les prix et les vérifications de disponibilité. C’est utile pour le routage multi-modèles, les stratégies de secours, les factures consolidées et les évaluations nécessitant des invites identiques entre fournisseurs.
CometAPI documente trois formats de requêtes texte au niveau de la plateforme : OpenAI Chat Completions, Anthropic Messages et OpenAI Responses. Pour un SDK compatible, la migration signifie généralement changer l’URL de base, la clé API et l’ID de modèle plutôt que de réécrire toute l’application. Le support d’endpoint et de paramètres peut varier selon le modèle ; testez donc la variante exacte de MiMo-V2.6 et le format de requête avant d’affirmer que les trois routes fonctionnent pour lui.
Au 23 septembre 2026, MiMo-V2.6-Pro-UltraSpeed dispose d’une route de catalogue disponible avec des prix d’entrée et de sortie listés. Les pages dédiées Pro et Flash affichent Coming soon dans leurs instantanés de catalogue même si leurs panneaux d’état API indiquent Available. Considérez cela comme un signal de page incohérent, et non une disponibilité ou tarification de production confirmée. Vérifiez le catalogue en direct, le tableau de bord et une requête de test avant le déploiement.
L’exemple suivant suit le modèle publié du SDK Anthropic de CometAPI et appelle la route UltraSpeed actuellement listée. Stockez la clé API dans une variable d’environnement.
import Anthropic from '@anthropic-ai/sdk';
const client = new Anthropic({
apiKey: process.env.COMETAPI_KEY,
baseURL: 'https://api.cometapi.com',
});
const message = await client.messages.create({
model: 'mimo-v2.6-pro-ultraspeed',
max_tokens: 4096,
messages: [{ role: 'user', content: 'Analyze this project and propose the next implementation steps.' }],
});
Xiaomi MiMo-V2.6 est-il open source ?
Xiaomi a publié des poids de modèles, du matériel technique, des ressources RL, des environnements d’entraînement et des infrastructures associées. La publication inclut plus de 7 000 environnements de tâches RL couvrant l’ingénierie logicielle, la reproduction de vulnérabilités, le travail intensif en connaissances et la conception/développement web. Xiaomi a également publié MiMo-V2.6-Distill-Qwen-9B afin que les chercheurs puissent étudier le pipeline RL à une échelle bien plus petite.
Fiches officielles des modèles : MiMo-V2.6-Pro-RL | MiMo-V2.6-Flash-RL
Quelles sont les limites de Xiaomi MiMo-V2.6 ?
Le chiffre d’un billion de paramètres ne doit pas être considéré comme une preuve que V2.6 est universellement plus fort que les systèmes propriétaires de pointe. Le tableau de benchmarks de Xiaomi lui-même montre un tableau mitigé : Claude Opus 5 reste en tête sur certains tests de codage, d’usage d’outils et d’OS, tandis que GPT-5.6 Sol mène également sur des tests sélectionnés. Une évaluation spécifique à la charge de travail est donc plus significative qu’une étiquette de « gagnant » globale.
L’auto-hébergement du point de contrôle Pro complet est également une tâche lourde en infrastructure. Des poids ouverts ne signifient pas un déploiement facile sur station de travail. De plus, plusieurs démonstrations phares — recherche, contrôle incarné, mondes 3D et production vidéo — dépendent d’outils externes et de harnais d’agents. MiMo-V2.6 doit être évalué comme un modèle au sein d’un système, et non comme un simple modèle de chat autonome.
Pourquoi Xiaomi MiMo-V2.6 est-il important ?
MiMo-V2.6 combine trois directions importantes : des modèles MoE très grands et clairsemés, une multimodalité native et un apprentissage par renforcement sur de vrais environnements d’agents. Le chiffre de 1,02T attire l’attention, mais le choix de conception le plus conséquent est l’investissement de Xiaomi dans l’interaction répétée avec des environnements, la notation des trajectoires, l’usage d’outils et l’auto-correction.
Si cette approche continue d’évoluer, les modèles ouverts pourraient être différenciés de plus en plus non seulement par la quantité de connaissances statiques qu’ils contiennent, mais par leur capacité à agir, évaluer, récupérer et mener à bien de longues tâches. MiMo-V2.6 doit donc être compris comme un modèle de fondation ouvert orienté agents plutôt que comme un simple chatbot à un billion de paramètres.
Conclusion
MiMo-V2.6 est une publication à poids ouverts substantielle car elle combine des entrées natives texte, image, vidéo et audio avec un long contexte, une inférence MoE clairsemée et un apprentissage par renforcement sur de vrais environnements d’agents. Pro est le meilleur choix pour les tâches difficiles à long horizon, Flash cible les charges à haut volume et sensibles au coût, et UltraSpeed échange un prix API significativement plus élevé contre une latence plus faible.
La famille de modèles est compétitive sur plusieurs benchmarks agentiques rapportés par le fournisseur, mais elle ne mène pas chaque évaluation et ne doit pas être traitée comme un remplacement universel des modèles propriétaires de pointe. Le chemin d’adoption le plus fiable est de tester MiMo-V2.6 face aux outils exacts, aux objectifs de latence, aux modes de défaillance et au profil de coût du workflow de production visé.
FAQ
Que devraient tester les équipes avant de mettre MiMo-V2.6 en production ?
Testez le système complet plutôt que le modèle seul. Mesurez l’achèvement des tâches, la précision des appels d’outils, la récupération après actions échouées, la latence, la consommation de tokens, la gestion de contexte et les frontières d’autorisations. Les benchmarks d’agents donnent une orientation, mais les évaluations internes doivent refléter le dépôt, le navigateur, le document ou le workflow de recherche réels.
Pourquoi l’auto-hébergement de MiMo-V2.6-Pro peut-il être difficile malgré son architecture clairsemée ?
L’activation clairsemée réduit le calcul par token par rapport à un modèle dense à un billion de paramètres, mais le point de contrôle complet conserve une empreinte mémoire et de service distribué très importante. Un déploiement en production peut nécessiter une inférence multi-nœuds, un parallélisme d’experts, des noyaux spécialisés et une planification de capacité soignée.
Comment les développeurs doivent-ils interpréter le tableau de benchmarks inter-modèles de Xiaomi ?
Considérez-le comme une preuve rapportée par le fournisseur, et non comme un classement universel reproduit de manière indépendante. Les résultats peuvent changer avec le harnais d’agent, le budget d’inférence, les outils, l’image d’environnement, la méthode d’échantillonnage et la version du benchmark. Comparez les tendances sur plusieurs tâches et reproduisez en interne les charges de travail les plus pertinentes.
Quand MiMo-V2.6-Flash est-il un meilleur choix que Pro ?
Flash est le meilleur défaut lorsque le volume d’appels et le coût dominent, en particulier pour le traitement de documents, l’analyse multimodale et les étapes d’agent répétées. Pro est plus approprié lorsque le raisonnement difficile ou l’exécution à long horizon génère suffisamment de valeur métier pour justifier le prix plus élevé.
Une fenêtre de contexte de 1M de tokens supprime-t-elle le besoin de récupération ou de gestion d’invite ?
Non. Une fenêtre plus grande augmente la capacité, mais envoyer des historiques inutiles peut accroître la latence et le coût et peut diluer les éléments probants pertinents. La récupération, la synthèse, la mémoire structurée et l’élagage de contexte restent importants pour des agents de production fiables.