MiMo V2.6 Flash API

Che cos'è MiMo-V2.6-Flash?

MiMo-V2.6-Flash è il modello orientato all’efficienza della famiglia MiMo-V2.6 di Xiaomi. È un modello nativamente multimodale per il ragionamento, progettato per chiamate ad alta frequenza, carichi di lavoro su larga scala, coding, automazione e attività agentiche a lungo termine.

Il modello accetta input in formato testo, immagini, video e audio e produce output testuale. Xiaomi lo descrive come un modello a piena multimodalità ottimizzato per workflow reali, con una finestra di contesto da 1 milione di token, ragionamento profondo, chiamata di strumenti, output strutturato, streaming, ricerca sul web e capacità di memorizzazione nella cache del contesto.

Il checkpoint open-weight MiMo-V2.6-Flash-RL utilizza un’architettura Mixture-of-Experts sparsa con 309 miliardi di parametri totali e 15 miliardi di parametri attivati. La sua model card descrive una lunghezza del contesto di 1M token, un encoder visivo da 681M di parametri, encoder audio e un decoder speculativo a cinque strati.

Specifiche tecniche

La pagina ufficiale di Xiaomi del modello indica una finestra di contesto da 1M token, fino a 128K token di output, 100 RPM e 10M TPM.

Caratteristiche principali di MiMo-V2.6-Flash

1. Comprensione nativamente multimodale

MiMo-V2.6-Flash è progettato per elaborare testo, immagini, video e audio all’interno dello stesso modello. Questo lo rende adatto ad applicazioni in cui le informazioni sono distribuite su più formati multimediali anziché interamente contenute nel testo.

Applicazioni tipiche includono analisi di documenti multimodali, ispezione visiva, comprensione di video, ricerca supportata dall’audio e workflow che combinano diversi tipi di evidenza.

2. Contesto lungo da 1M token

Il modello supporta una finestra di contesto fino a 1 milione di token, rendendolo adatto per grandi repository, documenti lunghi, tracce di strumenti estese e workflow di agenti multi-sessione. Xiaomi posiziona specificamente il modello per attività a lungo termine e collaborazione multi-agente.

Questa ampia capacità di contesto può ridurre la necessità di riassumere ripetutamente o suddividere grandi quantità di informazioni prima dell’elaborazione.

3. Ragionamento e workflow agentici

MiMo-V2.6-Flash è costruito attorno a carichi di lavoro orientati al ragionamento e agli agenti. L’elenco ufficiale delle capacità include ragionamento profondo e chiamata di strumenti, mentre la model card descrive un addestramento con reinforcement learning misto su coding, agenti generali, attività visive e sicurezza informatica.

Ciò rende il modello pertinente per applicazioni quali:

• Agenti di ricerca multi-step
• Agenti di coding
• Orchestrazione di strumenti
• Workflow di uso del computer
• Analisi automatizzata
• Attività di pianificazione di lunga durata

4. Chiamata di strumenti e output strutturato

Il modello supporta la chiamata di strumenti e l’output strutturato, consentendogli di partecipare ad applicazioni in cui è necessario invocare funzioni esterne o restituire informazioni in un formato prevedibile e leggibile dalle macchine.

Questo è particolarmente utile per sistemi di agenti che collegano un LLM a ricerca, database, API, strumenti aziendali o altre funzioni applicative.

5. Capacità agentiche multimodali

MiMo-V2.6-Flash combina comprensione multimodale con ragionamento orientato agli agenti. Invece di trattare l’elaborazione di immagini, video, audio e testo come attività di modello separate, fornisce un’interfaccia di modello unificata per questi input.

Questa architettura è utile per workflow come la revisione di un documento tecnico insieme a diagrammi, l’analisi di riunioni registrate, l’ispezione di evidenze video o la combinazione di screenshot con istruzioni testuali.

6. Design MiMo-V2.6 orientato all’efficienza

La variante Flash è posizionata da Xiaomi come il membro bilanciato in termini di efficienza della famiglia MiMo-V2.6. Il suo design Sparse MoE attiva un sottoinsieme di parametri per ciascun token, invece di utilizzare l’intero pool di parametri per ogni token.

Il modello utilizza anche un decoder speculativo a cinque strati che prevede più token successivi per una verifica parallela, un approccio architetturale pensato per migliorare l’efficienza di inferenza.

Prestazioni nei benchmark

La tabella di valutazione pubblicata da Xiaomi riporta i risultati di MiMo-V2.6-Flash su benchmark di coding, agenti generali, sicurezza informatica e agenti visivi. Si tratta di risultati di benchmark pubblicati dal fornitore, quindi non vanno considerati classifiche indipendenti di terze parti.

Ad esempio, Xiaomi riporta 87.6 su Terminal Bench 2.1, 80.8 su OSWorld-Verified, 73.6 su Toolathlon-Verified e 95.1 su CyberGym.

Il profilo dei benchmark suggerisce che il modello è particolarmente progettato per workflow agentici, di coding, uso di strumenti e multimodali, piuttosto che essere posizionato esclusivamente come un modello conversazionale convenzionale.

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

MiMo-V2.6-Flash e MiMo-V2.6-Pro appartengono alla stessa famiglia di modelli e condividono la multimodalità nativa e il contesto da 1M, ma mirano a punti diversi nello spettro dell’efficienza del modello.

L’architettura pubblicata mostra il modello Pro con 1.02T di parametri totali / 42B di parametri attivati, rispetto a Flash con 309B totali / 15B attivati.

MiMo-V2.6-Flash rispetto ad altri modelli

MiMo-V2.6-Flash occupa una posizione distintiva tra i moderni modelli di ragionamento multimodale perché combina quattro caratteristiche in un unico modello: contesto lungo, input nativamente multimodale, ragionamento e uso di strumenti orientato agli agenti.

Rispetto a un modello di ragionamento convenzionale solo testuale, MiMo-V2.6-Flash può incorporare direttamente immagini, video e audio. Rispetto a un modello multimodale più piccolo, il suo contesto da 1M token lo rende più adatto a grandi repository e traiettorie di agenti estese. Rispetto al più grande MiMo-V2.6-Pro, Flash enfatizza un’architettura più orientata all’efficienza.

Casi d’uso rappresentativi

Coding e Ingegneria del software

MiMo-V2.6-Flash può essere utilizzato per generazione di codice, debugging, analisi di repository, pianificazione del software e workflow di sviluppo orientati agli agenti.

I risultati pubblicati includono valutazioni su DeepSWE v1.1, ProgramBench, MiMo Code Bench e Terminal Bench.

Analisi di documenti a contesto lungo

La finestra di contesto da 1M token rende il modello adatto ad analizzare ampie collezioni di documenti, specifiche tecniche, materiali di ricerca o storici di progetto estesi senza ridurre in modo aggressivo il contesto disponibile.

Ricerca multimodale

Poiché il modello accetta testo, immagini, video e audio, può combinare informazioni da diverse fonti multimediali in un unico workflow di ragionamento.

Agenti e automazione di strumenti

Chiamata di strumenti, output strutturato, ragionamento e contesto lungo rendono il modello adatto ad agenti che devono pianificare attività, invocare strumenti esterni, ispezionare risultati e continuare a ragionare su più passaggi.

Workflow di uso del computer

Il risultato pubblicato di 80.8 su OSWorld-Verified e altri benchmark per agenti dimostrano che Xiaomi valuta il modello su attività interattive per agenti oltre ai tradizionali benchmark per modelli linguistici.

Workflow aziendali multimodali

MiMo-V2.6-Flash può supportare workflow che coinvolgono report, screenshot, registrazioni, presentazioni, documenti e altre informazioni business multimediali miste in cui un unico modello deve sintetizzare più tipi di input.

Limitazioni

MiMo-V2.6-Flash è un modello di recente rilascio, quindi la copertura dei benchmark e le valutazioni indipendenti di terze parti sono ancora in evoluzione. La tabella dei benchmark pubblicata da Xiaomi fornisce evidenze sostanziali su compiti agentici e multimodali, ma questi risultati sono riportati dal fornitore e non sostituiscono test specifici per l’applicazione.

Il modello ha inoltre una grande architettura sottostante nonostante l’attivazione sparsa. Le organizzazioni che considerano l’auto-hosting dovrebbero quindi valutare hardware, compatibilità con i motori di inferenza, quantizzazione, throughput e requisiti operativi, invece di assumere che la cifra di 15B parametri attivati rappresenti l’intero footprint di deployment. La model card ufficiale fornisce indicazioni di deployment per SGLang e vLLM.

Come accedere all’API di MiMo-V2.6-Flash tramite CometAPI

Passaggio 1: Registrarsi a CometAPI e ottenere la chiave API di CometAPI

Creare o accedere al proprio account CometAPI e aprire l’area di gestione delle API. Generare una chiave API dal proprio account CometAPI e tenerla disponibile per la configurazione dell’applicazione.

Passaggio 2: Selezionare MiMo-V2.6-Flash e configurare l’applicazione

Trovare MiMo-V2.6-Flash nel catalogo dei modelli disponibili e confermare l’ID modello come mimo-v2.6-flash. Impostare MiMo-V2.6-Flash come modello di destinazione nell’integrazione con CometAPI. Configurare la richiesta in base agli input multimodali e alle capacità agentiche richieste dalla propria applicazione.

Passaggio 3: Inviare le richieste

Inviare testo o input multimodali supportati tramite l’integrazione CometAPI e usare la risposta del modello restituita all’interno del workflow dell’applicazione.

Passaggio 4: Elaborare la risposta

Gestire il testo generato, l’output strutturato, i risultati del ragionamento o le informazioni di chiamata degli strumenti in base al workflow della propria applicazione.