Apa itu MiMo-V2.6-Flash?
MiMo-V2.6-Flash adalah model berfokus efisiensi dari Xiaomi dalam keluarga MiMo-V2.6. Ini adalah model penalaran multimodal native yang dirancang untuk panggilan frekuensi tinggi, beban kerja skala besar, coding, otomasi, dan tugas agen berjangka panjang.
Model ini menerima input berupa teks, gambar, video, dan audio dan menghasilkan output teks. Xiaomi menggambarkannya sebagai model modalitas penuh yang dioptimalkan untuk alur kerja dunia nyata, dengan jendela konteks 1 juta token, penalaran mendalam, pemanggilan alat, output terstruktur, streaming, pencarian web, dan kapabilitas cache konteks.
Checkpoint open-weight MiMo-V2.6-Flash-RL menggunakan arsitektur Sparse Mixture-of-Experts dengan 309 miliar total parameter dan 15 miliar parameter diaktifkan. Kartu modelnya menggambarkan panjang konteks 1M token, encoder visi 681M-parameter, encoder audio, dan decoder spekulatif lima lapis.
Spesifikasi Teknis
| Spesifikasi | MiMo-V2.6-Flash |
|---|---|
| ID Model | mimo-v2.6-flash |
| Penyedia | Xiaomi MiMo |
| Jenis Model | Model penalaran multimodal |
| Arsitektur | Sparse MoE |
| Total Parameter | 309B |
| Parameter Diaktifkan | 15B |
| Modalitas Input | Teks, Gambar, Video, Audio |
| Modalitas Output | Teks |
| Jendela Konteks | 1M token |
| Output Maksimum | Hingga 128K token |
| Penalaran | Penalaran mendalam |
| Pemanggilan Alat | Didukung |
| Output Terstruktur | Didukung |
| Streaming | Didukung |
| Pencarian Web | Didukung |
| Cache Konteks | Didukung |
Halaman model resmi Xiaomi mencantumkan jendela konteks 1M token, hingga 128K output token, 100 RPM, dan 10M TPM.
Fitur Utama MiMo-V2.6-Flash
1. Pemahaman modalitas penuh secara native
MiMo-V2.6-Flash dirancang untuk memproses teks, gambar, video, dan audio dalam satu model. Ini membuatnya cocok untuk aplikasi di mana informasi tersebar di berbagai format media alih-alih seluruhnya dalam teks.
Aplikasi tipikal mencakup analisis dokumen multimodal, inspeksi visual, pemahaman video, riset berbasis audio, dan alur kerja yang menggabungkan berbagai jenis evidensi.
2. Konteks Panjang 1M Token
Model ini mendukung jendela konteks hingga 1 juta token, menjadikannya cocok untuk repositori besar, dokumen panjang, jejak alat yang diperluas, dan alur kerja agen multi-sesi. Xiaomi secara spesifik memposisikan model ini untuk tugas berjangka panjang dan kolaborasi multi-agen.
Kapasitas konteks besar ini dapat mengurangi kebutuhan untuk berulang kali merangkum atau membagi kumpulan informasi besar sebelum diproses.
3. Penalaran dan Alur Kerja Berorientasi Agen
MiMo-V2.6-Flash dibangun untuk beban kerja berorientasi penalaran dan agen. Daftar kapabilitas resminya mencakup penalaran mendalam dan pemanggilan alat, sementara kartu modelnya menggambarkan pembelajaran penguatan campuran di bidang coding, agen umum, tugas visual, dan keamanan siber.
Ini menjadikannya relevan untuk aplikasi seperti:
- Agen riset multi-langkah
- Agen coding
- Orkestrasi alat
- Alur kerja penggunaan komputer
- Analisis terotomasi
- Tugas perencanaan jangka panjang
4. Pemanggilan Alat dan Output Terstruktur
Model ini mendukung pemanggilan alat dan output terstruktur, memungkinkan partisipasi dalam aplikasi di mana model perlu memanggil fungsi eksternal atau mengembalikan informasi dalam format yang dapat dibaca mesin secara terprediksi.
Ini sangat berguna untuk sistem agen yang menghubungkan LLM ke pencarian, basis data, API, alat bisnis, atau fungsi aplikasi lainnya.
5. Kapabilitas Agen Multimodal
MiMo-V2.6-Flash mengombinasikan pemahaman multimodal dengan penalaran berorientasi agen. Alih-alih memperlakukan pemrosesan gambar, video, audio, dan teks sebagai tugas model terpisah, ia menyediakan antarmuka model terpadu untuk input tersebut.
Arsitektur ini berguna untuk alur kerja seperti meninjau dokumen teknis bersama diagram, menganalisis rekaman rapat, memeriksa evidensi video, atau menggabungkan tangkapan layar dengan instruksi tekstual.
6. Desain MiMo-V2.6 Berorientasi Efisiensi
Varian Flash diposisikan oleh Xiaomi sebagai anggota keluarga MiMo-V2.6 yang seimbang dari sisi efisiensi. Desain Sparse MoE-nya mengaktifkan subset parameter untuk tiap token alih-alih menggunakan seluruh pool parameter pada setiap token.
Model ini juga menggunakan decoder spekulatif lima lapis yang memprediksi beberapa token berikutnya untuk verifikasi paralel, sebuah pendekatan arsitektural yang ditujukan untuk meningkatkan efisiensi inferensi.
Performa Benchmark
Tabel evaluasi yang dipublikasikan oleh Xiaomi melaporkan hasil MiMo-V2.6-Flash di berbagai benchmark coding, agen umum, keamanan siber, dan agen visual. Ini adalah hasil benchmark yang dipublikasikan oleh penyedia, sehingga tidak boleh dianggap sebagai pemeringkatan independen pihak ketiga.
| Benchmark | MiMo-V2.6-Flash |
|---|---|
| DeepSWE v1.1 | 67.9 |
| ProgramBench | 26.0 |
| MiMo Code Bench | 61.2 |
| AutomationBench v1.0.6 | 52.3 |
| Toolathlon-Verified | 73.6 |
| Agents' Last Exam | 27.6 |
| Terminal Bench 4.0 | 28.8 |
| Terminal Bench 2.1 | 87.6 |
| OSWorld-Verified | 80.8 |
| JobBench | 61.2 |
| CyberGym | 95.1 |
| MiMo Cyber Bench | 77.2 |
| ExploitGym | 6.0 |
| ExploitBench | 25.3 |
| SEC Bench Pro | 47.5 |
| MiMo VisualCoding | 71.5 |
Sebagai contoh, Xiaomi melaporkan 87.6 pada Terminal Bench 2.1, 80.8 pada OSWorld-Verified, 73.6 pada Toolathlon-Verified, dan 95.1 pada CyberGym.
Profil benchmark menunjukkan bahwa model ini secara khusus dirancang untuk alur kerja berorientasi agen, coding, penggunaan alat, dan multimodal alih-alih diposisikan semata-mata sebagai model percakapan konvensional.
MiMo-V2.6-Flash vs MiMo-V2.6-Pro
MiMo-V2.6-Flash dan MiMo-V2.6-Pro termasuk dalam keluarga model yang sama dan berbagi desain multimodal native dan konteks 1M, tetapi menargetkan titik berbeda dalam spektrum efisiensi model.
| Fitur | MiMo-V2.6-Flash | MiMo-V2.6-Pro |
|---|---|---|
| Keluarga | MiMo-V2.6 | MiMo-V2.6 |
| Arsitektur | Sparse MoE | Sparse MoE |
| Total Parameter | 309B | 1.02T |
| Parameter Diaktifkan | 15B | 42B |
| Konteks | 1M token | 1M token |
| Input | Teks, gambar, video, audio | Teks, gambar, video, audio |
| Posisi Utama | Seimbang efisiensi | Unggulan |
| Alur Kerja Agen | Didukung | Didukung |
| Pemanggilan Alat | Didukung | Didukung |
Arsitektur yang dipublikasikan menunjukkan model Pro dengan 1.02T total / 42B parameter diaktifkan, dibandingkan Flash dengan 309B total / 15B parameter diaktifkan.
MiMo-V2.6-Flash vs Model Lain
MiMo-V2.6-Flash menempati posisi khas di antara model penalaran multimodal modern karena menggabungkan empat karakteristik dalam satu model: konteks panjang, input multimodal native, penalaran, dan penggunaan alat berorientasi agen.
Dibandingkan dengan model penalaran konvensional berbasis teks saja, MiMo-V2.6-Flash dapat langsung menggabungkan gambar, video, dan audio. Dibandingkan dengan model multimodal yang lebih kecil, konteks 1M token membuatnya lebih cocok untuk repositori besar dan trajektori agen yang diperluas. Dibandingkan dengan MiMo-V2.6-Pro yang lebih besar, Flash menekankan arsitektur yang lebih berorientasi efisiensi.
Kasus Penggunaan Representatif
Coding dan Rekayasa Perangkat Lunak
MiMo-V2.6-Flash dapat digunakan untuk pembuatan kode, debugging, analisis repositori, perencanaan perangkat lunak, dan alur kerja pengembangan berbasis agen.
Hasil yang dipublikasikan mencakup evaluasi DeepSWE v1.1, ProgramBench, MiMo Code Bench, dan Terminal Bench.
Analisis Dokumen Berkonteks Panjang
Jendela konteks 1M token membuat model ini cocok untuk menganalisis koleksi dokumen besar, spesifikasi teknis, materi riset, atau riwayat proyek panjang tanpa secara agresif mengurangi konteks yang tersedia.
Riset Multimodal
Karena model ini menerima teks, gambar, video, dan audio, ia dapat menggabungkan informasi dari berbagai sumber media dalam satu alur penalaran.
Otomasi Agen dan Alat
Pemanggilan alat, output terstruktur, penalaran, dan konteks panjang membuat model ini cocok untuk agen yang perlu merencanakan tugas, memanggil alat eksternal, memeriksa hasil, dan melanjutkan penalaran dalam beberapa langkah.
Alur Kerja Penggunaan Komputer
Hasil OSWorld-Verified sebesar 80.8 dan benchmark agen lainnya menunjukkan bahwa Xiaomi mengevaluasi model ini pada tugas agen interaktif selain benchmark model bahasa tradisional.
Alur Kerja Bisnis Multimodal
MiMo-V2.6-Flash dapat mendukung alur kerja yang melibatkan laporan, tangkapan layar, rekaman, presentasi, dokumen, dan informasi bisnis media campuran lainnya di mana satu model perlu mensintesis berbagai jenis input.
Keterbatasan
MiMo-V2.6-Flash adalah model yang baru dirilis, sehingga cakupan benchmark dan evaluasi independen pihak ketiga masih berkembang. Tabel benchmark yang dipublikasikan Xiaomi menyediakan bukti substansial di berbagai tugas berorientasi agen dan multimodal, tetapi hasil tersebut adalah laporan penyedia dan bukan pengganti pengujian spesifik aplikasi.
Model ini juga memiliki arsitektur dasar yang besar meskipun aktivasi jarang. Organisasi yang mempertimbangkan hosting mandiri karena itu harus mengevaluasi perangkat keras, kompatibilitas mesin inferensi, kuantisasi, throughput, dan persyaratan operasional, alih-alih menganggap bahwa angka 15B parameter diaktifkan merepresentasikan jejak deployment total. Kartu model resmi menyediakan panduan deployment untuk SGLang dan vLLM.
Cara Mengakses API MiMo-V2.6-Flash melalui CometAPI
Langkah 1: Daftar CometAPI dan Dapatkan Kunci API CometAPI Anda
Buat atau akses akun CometAPI Anda dan buka area manajemen API. Hasilkan kunci API dari akun CometAPI Anda dan simpan untuk konfigurasi aplikasi Anda.
Langkah 2: Pilih MiMo-V2.6-Flash dan Konfigurasikan Aplikasi Anda
Temukan MiMo-V2.6-Flash dalam katalog model yang tersedia dan konfirmasikan ID model sebagai mimo-v2.6-flash. Tetapkan MiMo-V2.6-Flash sebagai model target dalam integrasi CometAPI Anda. Konfigurasikan permintaan sesuai dengan input multimodal dan kapabilitas agen yang diperlukan oleh aplikasi Anda.
Langkah 3: Kirim Permintaan
Kirim teks atau input multimodal yang didukung melalui integrasi CometAPI dan gunakan respons model yang dikembalikan dalam alur kerja aplikasi Anda.
Langkah 4: Proses Respons
Tangani teks yang dihasilkan, output terstruktur, hasil penalaran, atau informasi pemanggilan alat sesuai dengan alur kerja aplikasi Anda.