Ringkasan Singkat
MiMo-V2.6 adalah keluarga model penalaran multimodal native berorientasi agen dengan bobot terbuka dari Xiaomi. MiMo-V2.6-Pro menggunakan desain MoE spars dengan total 1,02 triliun parameter dan sekitar 42 miliar parameter yang diaktifkan per token, sementara MiMo-V2.6-Flash menggunakan total 309 miliar parameter dan sekitar 15 miliar yang diaktifkan. Keduanya mendukung jendela konteks 1 juta token serta input multimodal termasuk teks, gambar, video, dan audio.
Poin Penting
- MiMo-V2.6-Pro adalah model MoE spars 1,02T parameter 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 ini dirancang untuk penalaran, penggunaan alat, penelusuran web, keluaran terstruktur, dan alur kerja agen jangka panjang.
- Xiaomi melatih V2.6 dengan reinforcement learning campuran di lintas coding, agen umum, tugas visual, dan lingkungan keamanan siber.
- Hasil resmi memposisikan Pro sebagai opsi berkinerja lebih tinggi dan Flash sebagai opsi berbiaya lebih 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, tetapi mengeksekusi rangkaian tindakan panjang: memeriksa lingkungan, memanggil alat, mengamati hasil, memperbaiki kesalahan, dan terus berlanjut hingga tujuan selesai. Xiaomi membingkai rilis ini di sekitar Perbaikan Diri Rekursif (RSI), yaitu loop pelatihan RL di mana model berulang kali mengeksplorasi lingkungan, menerima sinyal reward 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 | Andalan penalaran | Volume tinggi/nilai | Andalan 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 penyajian 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 | Kemampuan maksimum | Efisiensi biaya | Penyajian hingga 20x lebih cepat |
MiMo-V2.6-Pro atau Flash: Mana yang Harus Anda Gunakan?
Pilihan praktis: pilih MiMo-V2.6-Pro untuk rekayasa cakrawala 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 pemanggilan berulang yang sensitif biaya; pilih MiMo-V2.6-Pro-UltraSpeed ketika penalaran setingkat Pro diperlukan namun latensi yang dominan. UltraSpeed adalah tier penyajian, bukan model kemampuan yang berbeda, dan diiklankan hingga 20× kecepatan output dari Pro standar.
Bagaimana Cara Kerja Xiaomi MiMo-V2.6?
Arsitektur Mixture-of-Experts (MoE) jarang (sparse)
MiMo-V2.6 tidak mengaktifkan seluruh set parameternya untuk setiap token. Checkpoint andalan Pro memiliki total 1,02 triliun parameter, tetapi hanya sekitar 42 miliar yang aktif untuk tiap token. Kartu model Xiaomi menjelaskan 70 lapisan Transformer, 384 pakar terarahkan (routed experts), dan delapan pakar diaktifkan sekaligus. Flash jauh lebih kecil dengan total 309B/15B aktif, 48 lapisan Transformer, dan 256 pakar terarahkan.
| Architecture specification | 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 |
Arsitektur ini menggabungkan attention jendela geser dengan lapisan attention global dan menyertakan decoder spekulatif prediksi multi-token lima lapis. Implikasi praktisnya adalah jumlah parameter headline dan komputasi per token adalah kuantitas yang sangat berbeda: perutean spars memungkinkan Xiaomi mempertahankan kumpulan pakar besar tanpa melakukan inferensi dens di semua bobot untuk setiap token.
Pemahaman multimodal native
MiMo-V2.6 menggunakan MiMo ViT 681M-parameter milik Xiaomi untuk pengodean visual bersama komponen audio khusus. Ini memberi agen yang sama kemampuan memproses instruksi teks, tangkapan layar, foto, video, dan audio. Untuk agen penggunaan komputer, multimodal native penting karena persepsi dan pengambilan keputusan dapat terjadi dalam loop penalaran yang sama alih-alih dipisahkan menjadi model yang terputus satu sama lain.
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 3,5–3,7 miliar token. Campuran tugas mencakup kode, agen umum, tugas visual, keamanan siber, dan beberapa harness agen.
Selama proses RL ini, Xiaomi melaporkan skor DeepSWE v1.1 di luar sampel 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 benchmark final untuk checkpoint yang dirilis, karena pengaturan evaluasi dapat berbeda.
Penilaian agen berbasis kelompok
Untuk pelatihan agen, reward biner lulus/gagal dapat menyembunyikan perbedaan bermakna antara dua trajektori yang sukses. Satu solusi mungkin selesai dengan cepat dengan beberapa panggilan alat, sedangkan yang lain mungkin membuang puluhan langkah. Karena itu Xiaomi menjelaskan Groupwise Reward Synthesis and Groupwise Advantage Redistribution sebagai mekanisme untuk membandingkan trajektori dalam sebuah kelompok dan mendistribusikan ulang sinyal pembelajaran ke solusi yang lebih bersih. 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 benchmark agen alih-alih 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 |
Kemajuan Pemrograman
Peningkatan pemrograman paling jelas pada eksekusi jangka panjang. Selama run RL langsung, Xiaomi melaporkan bahwa DeepSWE v1.1 di luar sampel 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 menang di setiap tes coding—Claude Opus 5 tetap unggul pada DeepSWE, ProgramBench, dan MiMo Code Bench—tetapi V2.6 menggabungkan kinerja skala repositori yang kompetitif dengan bobot terbuka dan harga API yang jauh lebih rendah.
Kemajuan Penalaran dan Agen
Kemajuan penalaran lebih tepat dipahami sebagai perbaikan 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 tercantum pada Terminal Bench 2.1, sementara kedua model V2.6 memimpin pembanding tersebut pada AutomationBench. Xiaomi mengaitkan peningkatan ini dengan perbandingan trajektori berbasis kelompok, grader yang lebih kaya, pelatihan multi-harness, dan sinyal reward yang mendukung jalur solusi yang lebih singkat dan lebih bersih.
Kemajuan Pengetahuan dan Riset
Kemajuan intensif-pengetahuan lebih didukung oleh evaluasi agen dan demonstrasi daripada rangkaian ujian pengetahuan konvensional. Pro menyamai Claude Opus 5 di 31,6 pada Agents' Last Exam dan mencapai 62,0 pada JobBench. Xiaomi juga melaporkan alur kerja riset material yang melibatkan penelusuran literatur dan paten, pembuatan hipotesis, dan penyaringan komputasional, serta proyek formalisasi Lean 4 yang melebihi 6.000 baris terverifikasi. Contoh-contoh ini menyiratkan pengambilan, sintesis, penalaran formal, dan kerja pengetahuan berbasis alat yang lebih kuat, tetapi tidak boleh diperlakukan sebagai bukti independen superioritas pengetahuan universal.
Secara keseluruhan: Kemajuan V2.6 luas namun tidak merata. Yang paling kuat sebagai bukti peningkatan pemrograman dan eksekusi agen jangka panjang, sementara klaim tentang penalaran umum dan pengetahuan harus tetap terkait dengan benchmark, harness, dan demonstrasi spesifik.
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 benchmark, 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 | MiMo-V2.5 generation | MiMo-V2.6 breakthrough |
|---|---|---|
| Training focus | Agen multimodal kuat, konteks panjang, dan efisiensi token | Program RL campuran yang 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 rangkaian benchmark agen miliknya |
| Learning efficiency | Checkpoint produksi sebelumnya | Sekitar 750.000 trajektori selama 30 langkah RL; kenaikan DeepSWE di luar sampel sekitar 17 poin untuk Flash dan 14 poin untuk Pro |
| Openness | Bobot terbuka dan dukungan ekosistem | Menambahkan kode RL penuh, 7.000+ lingkungan tugas, kerangka pelatihan, harness ringan, dan checkpoint distilasi 9B |
| Economics | Tingkat harga API V2.5 yang ada | Kecerdasan dilaporkan lebih tinggi pada harga API resmi yang sama, menggeser frontier kemampuan-biaya ke luar |
Pemrograman dan eksekusi 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 rangkaian benchmark agennya. Selama run pelatihan V2.6, DeepSWE v1.1 di luar sampel meningkat dari 48,8 menjadi 65,7 untuk Flash dan dari 58,4 menjadi 72,6 untuk Pro; skor run pelatihan ini tidak dapat ditukar langsung dengan tabel benchmark model rilis 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 kira-kira 30 langkah RL. Ini mendukung perencanaan, penggunaan alat, dan pemulihan yang lebih luas, tetapi tidak dengan sendirinya menetapkan peningkatan universal pada setiap benchmark pengetahuan atau penalaran; bandingkan tugas dan pengaturan evaluasi yang cocok.
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 adalah kelanjutan dari V2.5, bukan terobosan baru V2.6.
Perubahan praktis karenanya bukan amplop konteks baru—konteks 1M dan multimodal penuh sudah ada di V2.5—melainkan kebijakan agen yang lebih kuat yang dilatih dengan komputasi reinforcement learning yang secara substansial lebih besar dan lingkungan yang lebih luas dan dapat diverifikasi. 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 pengujian migrasi.
Perbandingan V2.6 dengan model frontier lainnya
| Dimension | MiMo-V2.6-Pro | Closed frontier models | Other open-weight models |
|---|---|---|---|
| Weights | Bobot terbuka | Biasanya tertutup | Bergantung model |
| Verified MiMo context | 1M tokens | Periksa tiap halaman model resmi | Periksa tiap 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 mungkin untuk checkpoint terbuka |
| Primary MiMo advantage | Bobot terbuka, multimodal native, biaya API rendah | Ekosistem penyedia dan tooling terkelola | Bervariasi menurut lisensi, ukuran, dan tumpukan penerapan |
Untuk set perbandingan saat ini, evaluasi MiMo-V2.6 terhadap Claude Opus 5.5 untuk coding agen jangka panjang, Claude Fable 5.1 untuk pekerjaan otonom paling sulit, GPT-6 Sol, dan Gemini 4 Pro. Ketersediaan model dan harga bersifat dinamis, sehingga perbandingan produksi harus menggunakan katalog live dan prompt, alat, anggaran upaya, serta kriteria penerimaan yang cocok.
Apa Saja yang Sebenarnya Bisa Dilakukan Xiaomi MiMo-V2.6?
Agen pemrograman dan rekayasa perangkat lunak
MiMo-V2.6 dirancang untuk trajektori rekayasa perangkat lunak yang panjang: memeriksa repositori, memodifikasi kode, menggunakan alat terminal, menjalankan pengujian, mendiagnosis kegagalan, dan berlanjut 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, refaktorisasi 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 selanjutnya berdasarkan umpan balik visual. Dalam alur kerja ini, output model sering kali bukan produk akhir; sebaliknya model 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 scene, pemrograman interaksi, dan verifikasi visual. Xiaomi juga mendemonstrasikan model mengendalikan Blender untuk membuat objek dan scene 3D dari deskripsi atau gambar referensi. Ini memperluas vibe coding melampaui kode aplikasi ke lingkungan interaktif.
Robotika dan agen bertubuh (embodied)
Xiaomi mendemonstrasikan MiMo-V2.6 dalam lingkungan simulasi bertubuh menggunakan gambar kamera multi-view dan lengan robot Franka Panda. Tugas contoh termasuk menggenggam objek, mencocokkan warna, dan penempatan presisi. Ini tidak menetapkan V2.6 sebagai model fondasi robotika universal, tetapi menunjukkan bagaimana visi native dan pengambilan keputusan jangka panjang dapat dihubungkan ke loop kendali bertubuh.
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 penelusuran literatur dan paten, formulasi kandidat, dan panggilan alat komputasional. Dalam eksperimen lain, model membantu memformalkan teorema utama dari "Period Three Implies Chaos" di Lean 4. Xiaomi melaporkan proyek yang selesai melebihi 6.000 baris kode Lean, diverifikasi oleh kernel Lean tanpa placeholder yang belum 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 mengorkestrasi 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. Karena itu model ini cocok secara natural sebagai orkestrator produksi kreatif.
Penggunaan dalam bagian ini adalah demonstrasi Xiaomi, bukan bukti independen bahwa setiap penerapan akan mereproduksi hasil yang sama. Tim produksi harus menguji model dengan alat, perizinan, 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 tingkat yang sama secara umum dengan generasi V2.5. Flash sangat menonjol untuk beban kerja volume tinggi: harga resmi Xiaomi menunjukkan $0,14 per satu juta token input tak-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 input tak-di-cache |
| mimo-v2.6-pro | $0.348 | $0.6960 | Tersedia; 20% di bawah tarif resmi input tak-di-cache |
| mimo-v2.6-flash | $0.112 | $0.2240 | Tersedia; 20% di bawah tarif resmi input tak-di-cache |
Bagaimana Pengembang Dapat Mengakses Xiaomi MiMo-V2.6?
Xiaomi mengekspos model melalui API yang kompatibel dengan OpenAI dan mendokumentasikan kompatibilitas dengan protokol Anthropic pada halaman model resminya. Identifier resmi adalah mimo-v2.6-pro, mimo-v2.6-flash, dan mimo-v2.6-pro-ultraspeed. Xiaomi mendokumentasikan pemanggilan alat, keluaran terstruktur, streaming, kontrol penalaran, cache konteks, dan penelusuran web. Antarmuka yang kompatibel dengan 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 persyaratan penyajian 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, tetapi 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 familiar, 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, faktur terkonsolidasi, dan evaluasi yang membutuhkan prompt identik di lintas penyedia.
CometAPI mendokumentasikan tiga format permintaan teks di tingkat 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 dan format permintaan yang tepat sebelum mengklaim ketiganya bekerja untuknya.
Per 23 September 2026, MiMo-V2.6-Pro-UltraSpeed memiliki rute katalog yang tersedia dengan harga input dan output yang tercantum. Halaman Pro dan Flash khusus menampilkan Coming soon dalam snapshot katalog mereka meskipun panel kesehatan API mengatakan Available. Anggap ini sebagai sinyal halaman yang tidak konsisten, bukan ketersediaan atau harga produksi yang dikonfirmasi. Periksa katalog live, dasbor, dan permintaan uji sebelum penerapan.
Contoh berikut mengikuti pola Anthropic-SDK yang dipublikasikan CometAPI dan memanggil rute UltraSpeed yang saat ini tercantum. Simpan kunci API di 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: 'Analyze this project and propose the next implementation steps.' }],
});
Apakah Xiaomi MiMo-V2.6 Sumber Terbuka?
Xiaomi telah merilis bobot model, materi teknis, sumber daya RL, lingkungan pelatihan, dan infrastruktur terkait. Rilis tersebut 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 sehingga 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 Saja Keterbatasan Xiaomi MiMo-V2.6?
Angka tajuk triliun parameter tidak boleh diperlakukan sebagai bukti bahwa V2.6 secara universal lebih kuat daripada sistem frontier tertutup. Tabel benchmark Xiaomi sendiri menunjukkan gambaran campuran: Claude Opus 5 tetap unggul pada beberapa tes coding, penggunaan alat, dan OS, sementara GPT-5.6 Sol juga memimpin pada tes tertentu. Karena itu evaluasi spesifik beban kerja lebih bermakna daripada label pemenang menyeluruh.
Self-hosting checkpoint Pro penuh juga merupakan tugas yang berat secara infrastruktur. Bobot terbuka tidak berarti penerapan mudah di workstation. Selain itu, beberapa demonstrasi utama—riset, kendali bertubuh, dunia 3D, dan produksi video—bergantung pada alat eksternal dan harness agen. MiMo-V2.6 harus dievaluasi sebagai model di dalam sebuah sistem, bukan semata-mata sebagai model chat mandiri.
Mengapa Xiaomi MiMo-V2.6 Penting?
MiMo-V2.6 menggabungkan tiga arah penting: model MoE sangat besar, multimodal 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. Karena itu MiMo-V2.6 paling tepat 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 spars, dan reinforcement learning di lingkungan agen nyata. Pro lebih cocok untuk tugas jangka panjang yang sulit, Flash menargetkan beban kerja volume tinggi dan sensitif biaya, dan UltraSpeed menukar harga API yang jauh lebih tinggi dengan latensi yang lebih rendah.
Keluarga model ini kompetitif pada beberapa benchmark 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 yang tepat dari 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 panggilan alat, pemulihan dari tindakan gagal, latensi, konsumsi token, manajemen konteks, dan batas perizinan. Benchmark 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 meskipun arsitekturnya sparse?
Aktivasi spars mengurangi komputasi per token dibandingkan model triliun-parameter dens, tetapi checkpoint penuh tetap memiliki jejak memori dan penyajian terdistribusi yang sangat besar. Penerapan produksi mungkin memerlukan inferensi multi-node, paralelisme pakar, kernel khusus, dan perencanaan kapasitas yang cermat.
Bagaimana pengembang harus menafsirkan tabel benchmark 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, image lingkungan, metode sampling, dan versi benchmark. Bandingkan tren di berbagai tugas dan reproduksi beban kerja yang paling relevan secara internal.
Kapan MiMo-V2.6-Flash menjadi pilihan yang lebih baik 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 jangka 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 menaikkan latensi dan biaya serta dapat mengencerkan bukti yang relevan. Retrieval, peringkasan, memori terstruktur, dan pemangkasan konteks tetap penting untuk agen produksi yang andal.