TL;DR
MiMo-V2.6 adalah keluarga model penalaran multimodal native berorientasi agen dengan bobot terbuka terbaru dari Xiaomi. MiMo-V2.6-Pro menggunakan desain MoE jarang (sparse MoE) dengan total 1,02 triliun parameter dan sekitar 42 miliar parameter yang diaktifkan per token, sedangkan MiMo-V2.6-Flash menggunakan total 309 miliar parameter dan sekitar 15 miliar parameter yang diaktifkan. Keduanya mendukung jendela konteks 1 juta token dan input multimodal termasuk teks, gambar, video, dan audio.
Pokok-Pokok Utama
- MiMo-V2.6-Pro adalah model MoE jarang 1,02T dengan sekitar 42B parameter aktif per token; Flash menggunakan total 309B dan sekitar 15B parameter aktif.
- Kedua model mendukung jendela konteks 1M token, input multimodal, dan hingga 128K token output melalui API Xiaomi.
- Keluarga model ini didesain untuk penalaran, penggunaan alat (tool use), pencarian web, output terstruktur, dan alur kerja agen berjangka panjang.
- Xiaomi melatih V2.6 dengan reinforcement learning campuran di lintas lingkungan coding, agen umum, tugas visual, dan keamanan siber.
- Hasil resmi memposisikan Pro sebagai opsi berkemampuan lebih tinggi dan Flash sebagai opsi biaya rendah untuk volume tinggi; evaluasi spesifik beban kerja tetap diperlukan.
Apa Itu Xiaomi MiMo-V2.6?
MiMo-V2.6 adalah generasi terbaru dari keluarga model MiMo milik Xiaomi. Penekanannya bukan sekadar menghasilkan jawaban yang lebih baik, melainkan mengeksekusi urutan tindakan yang panjang: memeriksa lingkungan, memanggil alat, mengamati hasil, mengoreksi kesalahan, dan melanjutkan hingga tujuan tercapai. Xiaomi membingkai rilis ini di sekitar Recursive Self-Improvement (RSI), artinya sebuah loop pelatihan RL di mana model berulang kali mengeksplorasi lingkungan, menerima sinyal penghargaan yang lebih kaya, membandingkan trajektori, dan mempelajari strategi yang lebih efektif. Ini tidak boleh ditafsirkan sebagai model yang secara otonom menulis ulang dan melatih penerusnya sendiri.
Pro vs Flash vs UltraSpeed: Apa perbedaannya
| Feature | MiMo-V2.6-Pro | MiMo-V2.6-Flash | MiMo-V2.6-Pro-UltraSpeed |
|---|---|---|---|
| Positioning | Flagship reasoning | Volume tinggi / value | Flagship latensi rendah |
| Total parameters | 1.02T | 309B | Model Pro yang sama |
| Active parameters | 42B | 15B | Kemampuan Pro yang sama |
| Architecture | Sparse MoE | Sparse MoE | Mode serving Pro |
| Context | 1M | 1M | 1M |
| Max output | 128K | 128K | 128K |
| Text / image / video / audio input | Yes | Yes | Yes |
| Deep reasoning / tool calling | Yes | Yes | Yes |
| Structured output / context caching | Yes | Yes | Yes |
| Main advantage | Kapabilitas maksimum | Efisiensi biaya | Hingga 20ร serving lebih cepat |
MiMo-V2.6-Pro atau Flash: Mana yang Harus Anda Gunakan?
Praktisnya: pilih MiMo-V2.6-Pro untuk rekayasa jangka panjang yang sulit, riset, keamanan siber, dan pekerjaan agen bernilai tinggi; pilih MiMo-V2.6-Flash untuk otomasi volume tinggi, pemrosesan dokumen dan multimodal, serta panggilan berulang yang sensitif biaya; pilih MiMo-V2.6-Pro-UltraSpeed ketika penalaran setara Pro dibutuhkan tetapi latensi menjadi dominan. UltraSpeed adalah tier serving alih-alih model kapabilitas yang berbeda dan diiklankan hingga 20ร kecepatan output dari Pro standar.
Bagaimana Cara Kerja Xiaomi MiMo-V2.6?
Arsitektur Sparse Mixture-of-Experts
MiMo-V2.6 tidak mengaktifkan seluruh set parameternya untuk setiap token. Checkpoint flagship Pro memiliki 1,02 triliun total parameter, tetapi hanya sekitar 42 miliar yang aktif untuk tiap token. Kartu model Xiaomi menggambarkan 70 lapisan Transformer, 384 expert yang dirutekan, dan delapan expert yang diaktifkan sekaligus. Flash jauh lebih kecil pada 309B total / 15B aktif, dengan 48 lapisan Transformer dan 256 expert yang dirutekan.
| Spesifikasi arsitektur | MiMo-V2.6-Pro | MiMo-V2.6-Flash |
|---|---|---|
| Total parameters | 1.02T | 309B |
| Activated parameters | 42B | 15B |
| Transformer layers | 70 | 48 |
| Hidden size | 6,144 | 4,096 |
| Routed experts | 384 | 256 |
| Experts activated | 8 | 8 |
| Maximum context | 1M | 1M |
| MiMo ViT | 681M parameter | 681M parameter |
| AudioTokenizer | 308M parameter | 308M parameter |
| Audio patch encoder | 127M parameter | 127M parameter |
| Speculative decoder | 5 layers | 5 layers |
Arsitekturnya menggabungkan perhatian jendela geser (sliding-window attention) dengan lapisan perhatian global dan menyertakan decoder spekulatif multi-token-prediction lima lapis. Implikasi praktisnya adalah jumlah parameter headline dan komputasi per token merupakan kuantitas yang sangat berbeda: perutean jarang memungkinkan Xiaomi mempertahankan kumpulan expert besar tanpa melakukan inferensi padat di seluruh bobot untuk setiap token.
Pemahaman multimodal native
MiMo-V2.6 menggunakan MiMo ViT 681M-parameter milik Xiaomi untuk pengkodean visual bersama komponen audio khusus. Ini memberi agen yang sama kemampuan memproses instruksi teks, tangkapan layar, foto, video, dan audio. Untuk agen penggunaan komputer, multimodalitas native penting karena persepsi dan pengambilan keputusan dapat terjadi di dalam loop penalaran yang sama alih-alih dipisahkan ke model berorientasi pengguna yang terpisah.
Mengapa Reinforcement Learning Sangat Penting bagi MiMo-V2.6?
Xiaomi melaporkan bahwa baik Flash maupun Pro menjalani sekitar 30 langkah RL dan sekitar 750.000 trajektori dalam eksperimen pelatihan publik selama enam hari. Biaya pelatihan yang dilaporkan sekitar $850.000 untuk Flash dan $2,62 juta untuk Pro. Setiap pembaruan menggunakan 1.568 sampel pelatihan, dengan langkah pelatihan individual mencapai sekitar 3,5โ3,7 miliar token. Campuran tugas mencakup kode, agen umum, tugas visual, keamanan siber, dan beberapa harness agen.
Selama proses RL ini, Xiaomi melaporkan bahwa skor DeepSWE v1.1 out-of-sample naik dari 48,8 menjadi 65,7 untuk Flash dan dari 58,4 menjadi 72,6 untuk Pro. Angka-angka ini menggambarkan eksperimen RL langsung dan tidak boleh disamakan dengan setiap skor tolok ukur final untuk checkpoint yang dirilis, karena pengaturan evaluasi dapat berbeda.
Penilaian agen secara berkelompok (groupwise)
Untuk pelatihan agen, penghargaan biner lulus/gagal dapat menyembunyikan perbedaan bermakna antara dua trajektori yang sama-sama berhasil. Satu solusi mungkin selesai dengan cepat dengan beberapa pemanggilan alat, sementara yang lain mungkin membuang puluhan langkah. Karena itu Xiaomi menggambarkan Groupwise Reward Synthesis dan Groupwise Advantage Redistribution sebagai mekanisme untuk membandingkan trajektori dalam sebuah grup dan mendistribusikan ulang sinyal pembelajaran menuju solusi yang lebih rapi. Tujuannya adalah meningkatkan tidak hanya penyelesaian tugas tetapi juga efisiensi jalur yang ditempuh.
Seberapa Baik Xiaomi MiMo-V2.6 pada Tolok Ukur Agen?
Bukti publik terkuat untuk V2.6 terkonsentrasi pada tolok ukur agen, bukan tes pilihan ganda konvensional. Grafik resmi Xiaomi membandingkan Pro dan Flash dengan MiMo-V2.5-Pro, Claude Opus 5, GPT-5.6 Sol, dan Fable 5 di lintas tugas coding, agen umum, keamanan siber, dan agen visual.

| 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 |
Perkembangan Coding
Peningkatan coding paling jelas pada eksekusi berjangka panjang. Selama run RL langsung, Xiaomi melaporkan bahwa DeepSWE v1.1 out-of-sample meningkat dari 48,8 menjadi 65,7 untuk Flash dan dari 58,4 menjadi 72,6 untuk Pro. Dalam tabel lintas-model yang dirilis, Pro mencapai 71,9 pada DeepSWE v1.1 dan 63,2 pada MiMo Code Bench, sementara Flash mencapai 67,9 dan 61,2. Pro tidak memenangkan setiap tes codingโClaude Opus 5 tetap unggul pada DeepSWE, ProgramBench, dan MiMo Code Benchโtetapi V2.6 mengombinasikan performa skala repositori yang kompetitif dengan bobot terbuka dan harga API yang secara signifikan lebih rendah.
Perkembangan Penalaran dan Agen
Kemajuan penalaran lebih baik dipahami sebagai peningkatan perencanaan, penggunaan alat, dan pemulihan daripada satu skor kecerdasan abstrak. Pro mencatat 89,9 pada Terminal Bench 2.1, 53,1 pada AutomationBench, dan 76,9 pada Toolathlon-Verified; Flash mencatat 87,6, 52,3, dan 73,6. Pro sedikit melampaui hasil Claude Opus 5 dan GPT-5.6 Sol yang tertera pada Terminal Bench 2.1, sementara kedua model V2.6 memimpin pembanding tersebut pada AutomationBench. Xiaomi mengatribusikan peningkatan ini pada perbandingan trajektori secara berkelompok, penilai yang lebih kaya, pelatihan multi-harness, dan sinyal penghargaan yang memfavoritkan jalur solusi yang lebih singkat dan lebih bersih.
Perkembangan Pengetahuan dan Riset
Kemajuan yang intensif pengetahuan lebih didukung oleh evaluasi agen dan demonstrasi daripada suite ujian pengetahuan konvensional. Pro menyamai Claude Opus 5 pada 31,6 di Agents' Last Exam dan mencapai 62,0 pada JobBench. Xiaomi juga melaporkan alur kerja riset material yang melibatkan pengambilan literatur dan paten, generasi hipotesis, dan screening komputasional, ditambah proyek formalisasi Lean 4 melebihi 6.000 baris yang terverifikasi. Contoh-contoh ini menyiratkan pengambilan, sintesis, penalaran formal, dan pekerjaan pengetahuan berbasis alat yang lebih kuat, tetapi tidak boleh diperlakukan sebagai bukti independen atas superioritas pengetahuan universal.
Secara keseluruhan: Kemajuan V2.6 luas namun tidak merata. Bukti terkuatnya adalah peningkatan coding berjangka panjang dan eksekusi agen, sementara klaim tentang penalaran umum dan pengetahuan harus tetap dikaitkan dengan tolok ukur, harness, dan demonstrasi tertentu.
Catatan benchmark: Kecuali dinyatakan lain, hasil lintas-model di bawah ini dilaporkan oleh Xiaomi dalam kartu model MiMo-V2.6. Skor dapat bergantung pada versi tolok ukur, harness agen, konfigurasi alat, anggaran inferensi, dan protokol evaluasi, sehingga tidak boleh ditafsirkan sebagai peringkat yang direproduksi secara independen.
MiMo-V2.6 vs MiMo-V2.5: Apa yang Berubah?
| Dimension | Generasi MiMo-V2.5 | Terobosan MiMo-V2.6 |
|---|---|---|
| Training focus | Agen multimodal kuat, konteks panjang, dan efisiensi token | Program RL campuran jauh lebih besar di lintas kode, agen umum, visi, keamanan siber, dan beberapa harness |
| Agent capability | V2.5-Pro menargetkan pekerjaan jangka panjang yang sulit | Xiaomi melaporkan bahwa V2.6-Flash secara komprehensif melampaui V2.5-Pro pada suite tolok ukur agen miliknya |
| Learning efficiency | Checkpoint produksi sebelumnya | Sekitar 750.000 trajektori selama 30 langkah RL; kenaikan DeepSWE tertahan sekitar 17 poin untuk Flash dan 14 poin untuk Pro saat pelatihan |
| Openness | Bobot terbuka dan dukungan ekosistem | Menambahkan kode RL lengkap, >7.000 lingkungan tugas, kerangka pelatihan, harness ringan, dan checkpoint distilasi 9B |
| Economics | Tingkat harga API V2.5 yang ada | Kecerdasan yang dilaporkan lebih tinggi pada harga API resmi yang sama, menggeser frontier kapabilitas-biaya |
Eksekusi coding dan agen
Dibandingkan V2.5, perubahan paling jelas adalah kebijakan agen yang lebih kuat alih-alih jendela konteks yang lebih panjang. Xiaomi melaporkan bahwa V2.6-Flash melampaui V2.5-Pro di seluruh suite tolok ukur agen miliknya. Selama run pelatihan V2.6, DeepSWE v1.1 yang ditahan meningkat dari 48,8 menjadi 65,7 untuk Flash dan dari 58,4 menjadi 72,6 untuk Pro; skor run pelatihan ini tidak dapat langsung dipertukarkan dengan tabel tolok ukur model yang dirilis di atas.
Penalaran, pengetahuan, dan keluasan pelatihan
V2.6 memperluas reinforcement learning di lintas coding, agen umum, visi, keamanan siber, dan beberapa harness. Xiaomi melaporkan sekitar 750.000 trajektori selama kurang lebih 30 langkah RL. Ini mendukung perencanaan yang lebih luas, penggunaan alat, dan pemulihan, tetapi tidak dengan sendirinya menetapkan kenaikan universal pada setiap tolok ukur pengetahuan atau penalaran; bandingkan tugas yang cocok dan pengaturan evaluasi.
Migrasi dan keterbukaan
Rilis ini juga menambahkan kode RL, lebih dari 7.000 lingkungan tugas, infrastruktur pelatihan, dan checkpoint distilasi 9B. Konteks 1M token dan input multimodal merupakan kesinambungan dari V2.5, bukan terobosan baru V2.6.
Perubahan praktisnya oleh karena itu bukan amplop konteks baruโkonteks 1M dan multimodalitas penuh sudah ada di V2.5โmelainkan kebijakan agen yang lebih kuat yang dilatih dengan komputasi reinforcement learning yang jauh lebih besar dan lingkungan yang lebih luas serta terverifikasi. Xiaomi telah mengumumkan bahwa nama model V2.5 dan V2.5-Pro akan berhenti berfungsi pada 21 Oktober 2026, sehingga penerapan baru harus menargetkan V2.6 dan penerapan yang ada harus merencanakan uji migrasi.
Bagaimana V2.6 dibandingkan dengan model frontier lainnya

| Dimension | MiMo-V2.6-Pro | Model frontier tertutup | Model bobot terbuka lainnya |
|---|---|---|---|
| Weights | Bobot terbuka | Biasanya tertutup | Bergantung model |
| Verified MiMo context | 1M tokens | Periksa halaman resmi tiap model | Periksa kartu model resmi |
| Verified MiMo modalities | Teks, gambar, video, audio | Bergantung penyedia | Bergantung model |
| Agent-focused RL | Penekanan rilis yang kuat | Bergantung model dan sistem | Bergantung model dan checkpoint |
| Self-hosting | Ya, dengan infrastruktur substansial | Umumnya tidak | Sering memungkinkan untuk checkpoint terbuka |
| Primary MiMo advantage | Bobot terbuka, multimodalitas native, biaya API rendah | Ekosistem penyedia dan tooling terkelola | Bervariasi berdasarkan lisensi, ukuran, dan stack penerapan |
Untuk set perbandingan saat ini, evaluasi MiMo-V2.6 terhadap Claude Opus 5.5 untuk coding agen yang berjalan lama, Claude Fable 5.1 untuk pekerjaan otonom tersulit, GPT-6 Sol, dan Gemini 4 Pro. Ketersediaan model dan harga bersifat dinamis, jadi perbandingan produksi harus menggunakan katalog live dan prompt, alat, anggaran upaya, serta kriteria penerimaan yang terpadankan.
Apa yang Sebenarnya Bisa Dilakukan Xiaomi MiMo-V2.6?
Agen coding dan rekayasa perangkat lunak
MiMo-V2.6 dirancang untuk trajektori rekayasa perangkat lunak yang panjang: memeriksa repositori, memodifikasi kode, menggunakan alat terminal, menjalankan tes, mendiagnosis kegagalan, dan melanjutkan hingga tujuan terpenuhi. Hasil DeepSWE, Terminal Bench, AutomationBench, dan Toolathlon menunjukkan bahwa Xiaomi mengoptimalkan untuk eksekusi alih-alih sekadar pelengkapan kode. Beban kerja praktis mencakup agen coding, debugging otomatis, refaktor repositori, penyelesaian isu CI, dan alur kerja rekayasa multi-alat.
Penggunaan komputer
Xiaomi secara eksplisit mendemonstrasikan Computer Use Agent (CUA). Model dapat menafsirkan antarmuka grafis, mengambil informasi, mengedit konten, memproses data, memeriksa hasil, mendiagnosis masalah, dan mengubah tindakan berikutnya berdasarkan umpan balik visual. Dalam alur kerja ini, keluaran model sering kali bukan produk akhir; ia mungkin justru menentukan tindakan perangkat lunak atau browser berikutnya.
Dunia 3D dan alur kerja Blender
Di bawah konsep "Vibe World", MiMo-V2.6 dapat mengambil referensi teks, gambar, atau video dan memecah permintaan 3D menjadi tugas konstruksi adegan, pemrograman interaksi, dan verifikasi visual. Xiaomi juga mendemonstrasikan model yang mengendalikan Blender untuk membuat objek dan adegan 3D dari deskripsi atau gambar referensi. Ini memperluas vibe coding melampaui kode aplikasi ke lingkungan interaktif.
Robotika dan agen berwujud
Xiaomi mendemonstrasikan MiMo-V2.6 dalam lingkungan simulasi berwujud menggunakan gambar kamera multi-sudut dan lengan robot Franka Panda. Contoh tugas termasuk meraih objek, pencocokan warna, dan penempatan presisi. Ini tidak menetapkan V2.6 sebagai model fondasi robotika universal, tetapi menunjukkan bagaimana visi native dan pengambilan keputusan berjangka panjang dapat dihubungkan ke loop kontrol berwujud.
Riset ilmiah dan penalaran formal
Xiaomi melaporkan kasus ilmu material di mana MiMo-V2.6-Pro membantu peneliti dengan metal-organic frameworks untuk adsorpsi PFAS, termasuk pencarian literatur dan paten, perumusan kandidat, dan pemanggilan alat komputasional. Dalam eksperimen lain, model membantu memformalkan teorema utama dari "Period Three Implies Chaos" di Lean 4. Xiaomi melaporkan proyek yang diselesaikan melebihi 6.000 baris kode Lean, diverifikasi oleh kernel Lean tanpa placeholder yang tidak terbukti. Contoh-contoh ini paling baik ditafsirkan sebagai demonstrasi alur kerja riset berbasis agen, bukan bukti penemuan ilmiah otonom.
Situs web, presentasi, video, dan musik
MiMo-V2.6 dapat mengoordinasikan coding front-end, alur kerja desain, slide, aset SVG, pipeline video, dan alat produksi musik. Xiaomi mendemonstrasikan orkestrasi dengan sistem media khusus, termasuk narasi melalui MiMo-V2.5-TTS, alih-alih mengklaim bahwa V2.6 sendiri menggantikan setiap generator gambar, video, atau audio. Oleh karena itu model cocok secara natural sebagai pengorkestra produksi kreatif.
Kasus penggunaan pada bagian ini adalah demonstrasi Xiaomi, bukan bukti independen bahwa setiap penerapan akan mereproduksi hasil yang sama. Tim produksi harus menguji model dengan alat, izin, pemulihan kegagalan, dan kriteria evaluasi mereka sendiri.
Berapa Biaya Xiaomi MiMo-V2.6?
| Pricing | MiMo-V2.6-Pro | MiMo-V2.6-Flash | Pro UltraSpeed |
|---|---|---|---|
| Cached input / 1M tokens | $0.0036 | $0.0028 | $0.036 |
| Uncached input / 1M tokens | $0.435 | $0.14 | $4.35 |
| Output / 1M tokens | $0.87 | $0.28 | $8.70 |
Xiaomi mempertahankan harga API V2.6 pada level yang sama secara umum seperti generasi V2.5. Flash sangat menonjol untuk beban kerja volume tinggi: harga resmi Xiaomi menunjukkan $0.14 per satu juta token input tidak di-cache dan $0.28 per satu juta token output.

Harga dan Ketersediaan CometAPI
| CometAPI route | Input / 1M | Output / 1M | Catalog status |
|---|---|---|---|
| mimo-v2.6-pro-ultraspeed | $3.48 | $6.96 | Tersedia; 20% di bawah tarif resmi uncached yang tertera |
| mimo-v2.6-pro | $0.348 | $0.6960 | Tersedia; 20% di bawah tarif resmi uncached yang tertera |
| mimo-v2.6-flash | $0.112 | $0.2240 | Tersedia; 20% di bawah tarif resmi uncached yang tertera |
Bagaimana Pengembang Mengakses Xiaomi MiMo-V2.6?
Xiaomi mengekspos model melalui API yang kompatibel dengan OpenAI dan mendokumentasikan kompatibilitas dengan protokol Anthropic di halaman model resminya. Pengidentifikasi resmi adalah mimo-v2.6-pro, mimo-v2.6-flash, dan mimo-v2.6-pro-ultraspeed. Xiaomi mendokumentasikan pemanggilan alat, output terstruktur, streaming, kontrol penalaran, caching konteks, dan pencarian web. Antarmuka kompatibel OpenAI menggunakan nilai thinking.type seperti enabled atau disabled, dengan deep thinking diaktifkan secara default untuk model V2.6.
Pengembang memiliki tiga jalur akses praktis. Pertama, unduh checkpoint bobot terbuka Pro atau Flash untuk integrasi self-hosted, dengan syarat kebutuhan serving yang substansial. Kedua, gunakan API terkelola Xiaomi dengan kunci Xiaomi dan endpoint yang didokumentasikan. Ketiga, gunakan rute CometAPI yang didukung dengan kunci CometAPI dan base URL; ini dapat menyederhanakan evaluasi multi-model dan penagihan. Asisten coding seperti Claude Code dapat menggunakan rute yang kompatibel dengan Anthropic saat rute dan model tersebut didukung, namun kompatibilitas harus diuji alih-alih diasumsikan.
Mengakses MiMo-V2.6 melalui CometAPI
CometAPI menyediakan endpoint terpadu dan lapisan penagihan untuk model yang didukung. Keuntungan operasional utama adalah kemudahan migrasi: tim dapat mempertahankan SDK yang familier, mengubah base URL dan ID model, membandingkan MiMo dengan model frontier lain dalam akun yang sama, dan memusatkan pemeriksaan penggunaan, harga, dan ketersediaan. Ini berguna untuk perutean multi-model, strategi fallback, tagihan terkonsolidasi, dan evaluasi yang membutuhkan prompt identik di berbagai penyedia.
CometAPI mendokumentasikan tiga format permintaan teks di level platform: OpenAI Chat Completions, Anthropic Messages, dan OpenAI Responses. Untuk SDK yang kompatibel, migrasi umumnya berarti mengubah base URL, kunci API, dan ID model alih-alih menulis ulang seluruh aplikasi. Dukungan endpoint dan parameter dapat bervariasi menurut model, jadi uji varian MiMo-V2.6 yang persis dan format permintaan sebelum menyatakan ketiga rute tersebut berfungsi untuknya.
Diperiksa pada 23 September 2026, MiMo-V2.6-Pro-UltraSpeed memiliki rute katalog yang tersedia dengan harga input dan output tercantum. Halaman Pro dan Flash khusus menunjukkan Coming soon pada snapshot katalog mereka meskipun panel kesehatan API mereka mengatakan Available. Perlakukan ini sebagai sinyal halaman yang tidak konsisten, bukan ketersediaan atau harga produksi yang terkonfirmasi. Periksa katalog live, dashboard, dan permintaan uji sebelum penerapan.
Contoh berikut mengikuti pola Anthropic-SDK yang dipublikasikan CometAPI dan memanggil rute UltraSpeed yang saat ini tertera. Simpan kunci API dalam variabel lingkungan.
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: 'Analisis proyek ini dan usulkan langkah implementasi berikutnya.' }],
});
Apakah Xiaomi MiMo-V2.6 Open Source?
Xiaomi telah merilis bobot model, materi teknis, sumber daya RL, lingkungan pelatihan, dan infrastruktur terkait. Rilis mencakup lebih dari 7.000 lingkungan tugas RL yang mencakup rekayasa perangkat lunak, reproduksi kerentanan, pekerjaan intensif pengetahuan, dan desain/pengembangan web. Xiaomi juga merilis MiMo-V2.6-Distill-Qwen-9B agar peneliti dapat mempelajari pipeline RL pada skala yang jauh lebih kecil.
Kartu model resmi: MiMo-V2.6-Pro-RL | MiMo-V2.6-Flash-RL
Apa Keterbatasan Xiaomi MiMo-V2.6?
Headline triliun parameter tidak boleh diperlakukan sebagai bukti bahwa V2.6 secara universal lebih kuat daripada sistem frontier tertutup. Tabel tolok ukur Xiaomi sendiri menunjukkan gambaran campuran: Claude Opus 5 tetap unggul pada beberapa tolok ukur coding, penggunaan alat, dan OS, sementara GPT-5.6 Sol juga memimpin pada tes tertentu. Evaluasi spesifik beban kerja oleh karena itu lebih bermakna daripada label pemenang menyeluruh.
Self-hosting checkpoint Pro penuh juga merupakan tugas infrastruktur yang berat. Bobot terbuka tidak berarti penyebaran mudah di workstation. Selain itu, beberapa demonstrasi headlineโriset, kontrol berwujud, dunia 3D, dan produksi videoโbergantung pada alat eksternal dan harness agen. MiMo-V2.6 harus dievaluasi sebagai model di dalam sistem, bukan hanya sebagai model chat mandiri.
Mengapa Xiaomi MiMo-V2.6 Penting?
MiMo-V2.6 menggabungkan tiga arah penting: model MoE jarang yang sangat besar, multimodalitas native, dan reinforcement learning di lingkungan agen nyata. Angka 1,02T parameter menarik perhatian, tetapi pilihan desain yang lebih konsekuensial adalah investasi Xiaomi dalam interaksi lingkungan berulang, penilaian trajektori, penggunaan alat, dan koreksi diri.
Jika pendekatan ini terus diskalakan, model terbuka mungkin semakin dibedakan bukan hanya oleh seberapa banyak pengetahuan statis yang mereka miliki, tetapi oleh seberapa efektif mereka bertindak, mengevaluasi, memulihkan, dan menyelesaikan tugas panjang. MiMo-V2.6 oleh karena itu paling baik dipahami sebagai model fondasi berorientasi agen yang terbuka, bukan sekadar chatbot triliun parameter lainnya.
Kesimpulan
MiMo-V2.6 adalah rilis bobot terbuka yang substansial karena menggabungkan input teks, gambar, video, dan audio native dengan konteks panjang, inferensi MoE jarang, dan reinforcement learning di lingkungan agen nyata. Pro lebih cocok untuk tugas berjangka panjang yang sulit, Flash menargetkan beban kerja volume tinggi dan sensitif biaya, dan UltraSpeed menukar harga API yang secara signifikan lebih tinggi untuk latensi yang lebih rendah.
Keluarga model ini kompetitif pada beberapa tolok ukur agen yang dilaporkan vendor, tetapi tidak memimpin setiap evaluasi dan tidak boleh diperlakukan sebagai pengganti universal untuk model frontier tertutup. Jalur adopsi paling andal adalah menguji MiMo-V2.6 terhadap alat, target latensi, mode kegagalan, dan profil biaya alur kerja produksi yang dimaksud.
FAQ
Apa yang harus diuji tim sebelum memindahkan MiMo-V2.6 ke produksi?
Uji sistem lengkap alih-alih model saja. Ukur penyelesaian tugas, akurasi pemanggilan alat, pemulihan dari tindakan yang gagal, latensi, konsumsi token, manajemen konteks, dan batas izin. Tolok ukur agen memberikan orientasi, tetapi evaluasi internal harus mencerminkan repositori, browser, dokumen, atau alur kerja riset yang sebenarnya.
Mengapa self-hosting MiMo-V2.6-Pro bisa sulit meski arsitekturnya jarang?
Aktivasi jarang mengurangi komputasi per token dibandingkan model triliun parameter padat, tetapi checkpoint penuh tetap memiliki jejak memori dan serving terdistribusi yang sangat besar. Penerapan produksi mungkin memerlukan inferensi multi-node, paralelisme expert, kernel khusus, dan perencanaan kapasitas yang cermat.
Bagaimana pengembang harus menafsirkan tabel tolok ukur lintas-model Xiaomi?
Perlakukan sebagai bukti yang dilaporkan vendor, bukan peringkat universal yang direproduksi secara independen. Hasil dapat berubah dengan harness agen, anggaran inferensi, alat, citra lingkungan, metode sampling, dan versi tolok ukur. Bandingkan tren di berbagai tugas dan reproduksi beban kerja yang paling relevan secara internal.
Kapan MiMo-V2.6-Flash lebih baik dipilih daripada Pro?
Flash lebih kuat sebagai default ketika volume panggilan dan biaya mendominasi, terutama untuk pemrosesan dokumen, analisis multimodal, dan langkah agen berulang. Pro lebih tepat ketika penalaran sulit atau eksekusi berjangka panjang memberikan nilai bisnis yang cukup untuk membenarkan harga yang lebih tinggi.
Apakah jendela konteks 1M token menghilangkan kebutuhan akan retrieval atau manajemen prompt?
Tidak. Jendela yang lebih besar meningkatkan kapasitas, tetapi mengirim riwayat yang tidak perlu dapat meningkatkan latensi dan biaya dan mungkin mengencerkan bukti yang relevan. Retrieval, peringkasan, memori terstruktur, dan pemangkasan konteks tetap penting untuk agen produksi yang andal.



