TL;DR
MiMo-V2.6 ialah keluarga model penaakulan berorientasikan agen, multimodal natif, open-weight baharu daripada Xiaomi. MiMo-V2.6-Pro menggunakan reka bentuk MoE jarang dengan 1.02 trilion jumlah parameter dan kira-kira 42 bilion parameter diaktifkan setiap token, manakala MiMo-V2.6-Flash menggunakan 309 bilion jumlah parameter dan kira-kira 15 bilion parameter diaktifkan. Kedua-duanya menyokong tetingkap konteks 1M token dan input multimodal termasuk teks, imej, video dan audio.
Key Takeaways
- MiMo-V2.6-Pro ialah model MoE jarang 1.02T-parameter dengan kira-kira 42B parameter diaktifkan setiap token; Flash menggunakan 309B jumlah dan kira-kira 15B parameter aktif.
- Kedua-dua model menyokong tetingkap konteks 1M token, input multimodal, dan sehingga 128K token output melalui API Xiaomi.
- Keluarga ini direka untuk penaakulan, penggunaan alat, carian web, output berstruktur, dan aliran kerja agen jangka panjang.
- Xiaomi melatih V2.6 dengan pembelajaran pengukuhan bercampur merentasi pengkodan, agen umum, tugasan visual, dan persekitaran keselamatan siber.
- Keputusan rasmi meletakkan Pro sebagai pilihan berkeupayaan lebih tinggi dan Flash sebagai pilihan kos rendah, volum tinggi; penilaian khusus beban kerja masih diperlukan.
What Is Xiaomi MiMo-V2.6?
MiMo-V2.6 ialah generasi terbaharu keluarga model MiMo Xiaomi. Penekanan utamanya bukan sekadar menghasilkan jawapan yang lebih baik, tetapi melaksanakan jujukan tindakan panjang: memeriksa persekitaran, memanggil alat, memerhati hasil, membetulkan ralat, dan meneruskan sehingga objektif selesai. Xiaomi membingkaikan keluaran ini sekitar Recursive Self-Improvement (RSI), yakni gelung latihan RL di mana model berulang kali meneroka persekitaran, menerima isyarat ganjaran yang lebih kaya, membandingkan trajektori, dan mempelajari strategi yang lebih berkesan. Ini tidak harus ditafsirkan sebagai model yang secara autonomi menulis semula dan melatih penggantinya sendiri.
Pro vs Flash vs UltraSpeed: Apakah perbezaannya
| Feature | MiMo-V2.6-Pro | MiMo-V2.6-Flash | MiMo-V2.6-Pro-UltraSpeed |
|---|---|---|---|
| Positioning | Andalan untuk penaakulan | Volum tinggi / nilai | Andalan latensi rendah |
| Total parameters | 1.02T | 309B | Model Pro yang sama |
| Active parameters | 42B | 15B | Keupayaan Pro yang sama |
| Architecture | MoE jarang | MoE jarang | Mod penyajian Pro |
| Context | 1M | 1M | 1M |
| Max output | 128K | 128K | 128K |
| Text / image / video / audio input | Ya | Ya | Ya |
| Deep reasoning / tool calling | Ya | Ya | Ya |
| Structured output / context caching | Ya | Ya | Ya |
| Main advantage | Keupayaan maksimum | Kecekapan kos | Penyajian sehingga 20x lebih pantas |
MiMo-V2.6-Pro or Flash: Which One Should You Use?
Pilihan praktikal: pilih MiMo-V2.6-Pro untuk kejuruteraan jangka panjang yang sukar, penyelidikan, keselamatan siber, dan kerja agen bernilai tinggi; pilih MiMo-V2.6-Flash untuk automasi volum tinggi, pemprosesan dokumen dan multimodal, serta panggilan berulang sensitif kos; pilih MiMo-V2.6-Pro-UltraSpeed apabila penaakulan peringkat Pro diperlukan tetapi latensi mendominasi. UltraSpeed ialah peringkat penyajian dan bukannya model keupayaan berbeza dan diiklankan sehingga 20× kelajuan output Pro standard.
How Does Xiaomi MiMo-V2.6 Work?
Sparse Mixture-of-Experts architecture
MiMo-V2.6 tidak mengaktifkan keseluruhan set parameternya untuk setiap token. Checkpoint andalan Pro mengandungi 1.02 trilion jumlah parameter, tetapi hanya kira-kira 42 bilion yang aktif bagi setiap token. Kad model Xiaomi menerangkan 70 lapisan Transformer, 384 pakar yang dirutkan, dan lapan pakar diaktifkan pada satu masa. Flash jauh lebih kecil pada 309B jumlah / 15B aktif, dengan 48 lapisan Transformer dan 256 pakar yang dirutkan.
| 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 params | 681M params |
| AudioTokenizer | 308M params | 308M params |
| Audio patch encoder | 127M params | 127M params |
| Speculative decoder | 5 layers | 5 layers |
Seni bina ini menggabungkan perhatian tetingkap gelangsar dengan lapisan perhatian global dan termasuk penyahkod spekulatif lima lapis dengan ramalan berbilang token. Implikasi praktikalnya ialah kiraan parameter utama dan compute per token ialah kuantiti yang sangat berbeza: perutusan jarang membolehkan Xiaomi mengekalkan kumpulan pakar besar tanpa melakukan inferens tumpat merentasi semua pemberat bagi setiap token.
Native multimodal understanding
MiMo-V2.6 menggunakan MiMo ViT 681M-parameter Xiaomi untuk pengekodan visual bersama komponen audio berdedikasi. Ini memberikan agen yang sama keupayaan memproses arahan teks, tangkapan skrin, fotografi, video, dan audio. Untuk agen penggunaan komputer, multimodal natif penting kerana persepsi dan pembuatan keputusan boleh berlaku dalam gelung penaakulan yang sama dan bukannya dipisahkan kepada model berasingan berorientasikan pengguna.
Why Is Reinforcement Learning So Important to MiMo-V2.6?
Xiaomi melaporkan bahawa kedua-dua Flash dan Pro melalui kira-kira 30 langkah RL dan sekitar 750,000 trajektori dalam eksperimen latihan awam selama enam hari. Kos latihan yang dilaporkan adalah kira-kira $850,000 untuk Flash dan $2.62 juta untuk Pro. Setiap kemas kini menggunakan 1,568 sampel latihan, dengan setiap langkah latihan mencecah kira-kira 3.5–3.7 bilion token. Campuran tugasan meliputi kod, agen umum, tugas visual, keselamatan siber, dan pelbagai harness agen.
Semasa proses RL ini, Xiaomi melaporkan bahawa skor DeepSWE v1.1 out-of-sample meningkat daripada 48.8 kepada 65.7 untuk Flash dan daripada 58.4 kepada 72.6 untuk Pro. Nombor-nombor ini menerangkan eksperimen RL langsung dan tidak boleh dikelirukan dengan setiap skor penanda aras akhir untuk checkpoint yang dikeluarkan, kerana persediaan penilaian boleh berbeza.
Groupwise agentic grading
Untuk latihan agen, ganjaran lulus/gagal binari boleh menyembunyikan perbezaan bermakna antara dua trajektori berjaya. Satu penyelesaian mungkin tamat dengan cepat dengan beberapa panggilan alat, manakala satu lagi mungkin membazir berpuluh langkah. Oleh itu Xiaomi menerangkan Groupwise Reward Synthesis and Groupwise Advantage Redistribution sebagai mekanisme untuk membandingkan trajektori dalam kumpulan dan mengagihkan semula isyarat pembelajaran ke arah penyelesaian yang lebih bersih. Matlamatnya adalah untuk meningkatkan bukan sahaja penyiapan tugas tetapi juga kecekapan laluan yang diambil.
How Good Is Xiaomi MiMo-V2.6 on Agent Benchmarks?
Bukti awam terkuat untuk V2.6 tertumpu pada penanda aras berorientasikan agen dan bukannya ujian aneka pilihan konvensional. Carta rasmi Xiaomi membandingkan Pro dan Flash dengan MiMo-V2.5-Pro, Claude Opus 5, GPT-5.6 Sol, dan Fable 5 merentasi tugasan pengkodan, agen umum, keselamatan siber, dan agen visual.
| Penanda aras | 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 |
Coding Progress
Kemajuan pengkodan paling jelas dalam pelaksanaan jangka panjang. Semasa larian RL langsung, Xiaomi melaporkan bahawa DeepSWE v1.1 out-of-sample meningkat daripada 48.8 kepada 65.7 untuk Flash dan daripada 58.4 kepada 72.6 untuk Pro. Dalam jadual silang model yang dikeluarkan, Pro mencapai 71.9 pada DeepSWE v1.1 dan 63.2 pada MiMo Code Bench, manakala Flash mencapai 67.9 dan 61.2. Pro tidak memenangi setiap ujian kod—Claude Opus 5 kekal di hadapan pada DeepSWE, ProgramBench, dan MiMo Code Bench—tetapi V2.6 menggabungkan prestasi skala repositori yang kompetitif dengan pemberat terbuka dan harga API yang jauh lebih rendah.
Reasoning and Agentic Progress
Kemajuan penaakulan lebih baik difahami sebagai peningkatan perancangan, penggunaan alat, dan pemulihan berbanding 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 melebihi keputusan Claude Opus 5 dan GPT-5.6 Sol yang disenaraikan pada Terminal Bench 2.1, manakala kedua-dua model V2.6 mendahului pembanding tersebut pada AutomationBench. Xiaomi mengaitkan peningkatan ini kepada perbandingan trajektori berasaskan kumpulan, penggred yang lebih kaya, latihan multi-harness, dan isyarat ganjaran yang memihak kepada laluan penyelesaian yang lebih pendek dan bersih.
Knowledge and Research Progress
Kemajuan berintensifkan pengetahuan lebih banyak disokong oleh penilaian agen dan demonstrasi berbanding suite peperiksaan pengetahuan konvensional. Pro menyamai Claude Opus 5 pada 31.6 di Agents' Last Exam dan mencapai 62.0 pada JobBench. Xiaomi juga melaporkan aliran kerja penyelidikan bahan melibatkan pengambilan literatur dan paten, penjanaan hipotesis, dan saringan komputasi, serta projek formalisasi Lean 4 melebihi 6,000 baris yang disahkan. Contoh-contoh ini mencadangkan pengambilan semula, sintesis, penaakulan formal, dan kerja pengetahuan berasaskan alat yang lebih kukuh, tetapi ia tidak harus dianggap sebagai bukti bebas keunggulan pengetahuan sejagat.
Keseluruhan: Kemajuan V2.6 adalah luas tetapi tidak sekata. Ia paling kuat sebagai bukti peningkatan pengkodan jangka panjang dan pelaksanaan agen, manakala dakwaan tentang penaakulan dan pengetahuan umum harus kekal terikat kepada penanda aras, harness, dan demonstrasi tertentu.
Nota penanda aras: Melainkan dinyatakan sebaliknya, keputusan silang model di bawah dilaporkan oleh Xiaomi dalam kad model MiMo-V2.6. Skor mungkin bergantung pada versi penanda aras, harness agen, konfigurasi alat, bajet inferens, dan protokol penilaian, jadi ia tidak harus ditafsirkan sebagai kedudukan yang direproduksi secara bebas.
MiMo-V2.6 vs MiMo-V2.5: What Changed?
| Dimensi | Generasi MiMo-V2.5 | Pencapaian MiMo-V2.6 |
|---|---|---|
| Fokus latihan | Agen multimodal yang kukuh, konteks panjang, dan kecekapan token | Program RL bercampur yang jauh lebih besar merentasi kod, agen umum, visi, keselamatan siber, dan pelbagai harness |
| Keupayaan agen | V2.5-Pro menyasarkan kerja jangka panjang yang sukar | Xiaomi melaporkan bahawa V2.6-Flash secara menyeluruh mengatasi V2.5-Pro pada suite penanda aras agennya |
| Kecekapan pembelajaran | Checkpoint produksi terdahulu | Kira-kira 750,000 trajektori sepanjang 30 langkah RL; peningkatan DeepSWE out-of-sample sekitar 17 mata untuk Flash dan 14 mata untuk Pro semasa latihan |
| Keterbukaan | Pemberat terbuka dan sokongan ekosistem | Menambah kod RL penuh, 7,000+ persekitaran tugas, rangka kerja latihan, harness ringan, dan checkpoint distilasi 9B |
| Ekonomi | Tahap harga API V2.5 sedia ada | Kecerdasan dilaporkan lebih tinggi pada harga API rasmi yang sama, menggerakkan sempadan keupayaan-kos ke luar |
Coding and agent execution
Berbanding V2.5, perubahan paling jelas ialah dasar agen yang lebih kukuh dan bukannya tetingkap konteks yang lebih panjang. Xiaomi melaporkan bahawa V2.6-Flash mengatasi V2.5-Pro merentasi suite penanda aras agennya. Semasa larian latihan V2.6, DeepSWE v1.1 out-of-sample meningkat daripada 48.8 kepada 65.7 untuk Flash dan daripada 58.4 kepada 72.6 untuk Pro; skor larian latihan ini tidak boleh ditukar ganti secara langsung dengan jadual penanda aras model dikeluarkan di atas.
Reasoning, knowledge, and training breadth
V2.6 meluaskan pembelajaran pengukuhan merentasi kod, agen umum, visi, keselamatan siber, dan pelbagai harness. Xiaomi melaporkan kira-kira 750,000 trajektori sepanjang kira-kira 30 langkah RL. Ini menyokong perancangan, penggunaan alat, dan pemulihan yang lebih luas, tetapi tidak dengan sendirinya menetapkan kenaikan sejagat pada setiap penanda aras pengetahuan atau penaakulan; bandingkan tugas dan tetapan penilaian yang sepadan.
Migration and openness
Keluaran ini juga menambah kod RL, lebih daripada 7,000 persekitaran tugas, infrastruktur latihan, dan checkpoint distilasi 9B. Tetingkap konteks 1M dan input multimodal adalah kesinambungan daripada V2.5, bukan pencapaian baharu V2.6.
Perubahan praktikal oleh itu bukan sampul konteks baharu—konteks 1M dan multimodal penuh sudah wujud dalam V2.5—tetapi dasar agen yang lebih kuat yang dilatih dengan compute pembelajaran pengukuhan yang jauh lebih besar dan persekitaran boleh disahkan yang lebih luas. Xiaomi telah mengumumkan bahawa nama model V2.5 dan V2.5-Pro akan berhenti berfungsi pada 21 Oktober 2026, jadi penyebaran baharu harus menyasarkan V2.6 dan penyebaran sedia ada harus merancang ujian migrasi.
How V2.6 compares with other frontier models
| Dimensi | MiMo-V2.6-Pro | Model tertutup barisan hadapan | Model open-weight lain |
|---|---|---|---|
| Weights | Pemberat terbuka | Lazimnya tertutup | Bergantung pada model |
| Verified MiMo context | 1M token | Semak setiap halaman model rasmi | Semak setiap kad model rasmi |
| Verified MiMo modalities | Teks, imej, video, audio | Bergantung pada penyedia | Bergantung pada model |
| Agent-focused RL | Penekanan keluaran yang kukuh | Bergantung pada model dan sistem | Bergantung pada model dan checkpoint |
| Self-hosting | Ya, dengan infrastruktur yang besar | Umumnya tidak | Sering mungkin untuk checkpoint terbuka |
| Primary MiMo advantage | Pemberat terbuka, multimodal natif, kos API rendah | Ekosistem penyedia dan alat terurus | Berbeza mengikut lesen, saiz, dan timbunan penyebaran |
Untuk set perbandingan semasa, nilaikan MiMo-V2.6 berbanding Claude Opus 5.5 untuk pengkodan agen jangka panjang, Claude Fable 5.1 untuk kerja autonomi paling sukar, GPT-6 Sol, dan Gemini 4 Pro. Ketersediaan model dan harga adalah dinamik, jadi perbandingan produksi harus menggunakan katalog langsung dan prompt, alat, bajet usaha, serta kriteria penerimaan yang sepadan.
What Can Xiaomi MiMo-V2.6 Actually Do?
Coding and software-engineering agents
MiMo-V2.6 direka untuk trajektori kejuruteraan perisian jangka panjang: memeriksa repositori, mengubah suai kod, menggunakan alat terminal, menjalankan ujian, mendiagnosis kegagalan, dan meneruskan sehingga objektif dipenuhi. Keputusan DeepSWE, Terminal Bench, AutomationBench, dan Toolathlon menunjukkan bahawa Xiaomi mengoptimumkan untuk pelaksanaan dan bukan sekadar pelengkapan kod. Beban kerja praktikal termasuk agen pengkodan, penyahpepijatan automatik, pembaikan semula repositori, penyelesaian isu CI, dan aliran kerja kejuruteraan berbilang alat.
Computer use
Xiaomi dengan jelas menunjukkan Computer Use Agent (CUA). Model ini boleh mentafsir antara muka grafik, mendapatkan maklumat, mengedit kandungan, memproses data, memeriksa hasil, mendiagnosis masalah, dan mengubah tindakan seterusnya berdasarkan maklum balas visual. Dalam aliran kerja ini, output model selalunya bukan produk akhir; ia mungkin sebaliknya menentukan tindakan perisian atau pelayar seterusnya.
3D worlds and Blender workflows
Di bawah konsep "Vibe World", MiMo-V2.6 boleh mengambil rujukan teks, imej, atau video dan memecahkan permintaan 3D kepada tugasan pembinaan adegan, pemprograman interaksi, dan pengesahan visual. Xiaomi juga menunjukkan model mengawal Blender untuk mencipta objek dan adegan 3D daripada deskripsi atau imej rujukan. Ini memanjangkan vibe coding melangkaui kod aplikasi ke dalam persekitaran interaktif.
Robotics and embodied agents
Xiaomi menunjukkan MiMo-V2.6 dalam persekitaran simulasi embodied menggunakan imej kamera berbilang pandangan dan lengan robotik Franka Panda. Tugasan contoh termasuk memegang objek, padanan warna, dan penempatan tepat. Ini tidak menetapkan V2.6 sebagai model asas robotik sejagat, tetapi ia menunjukkan bagaimana visi natif dan pembuatan keputusan jangka panjang boleh disambungkan kepada gelung kawalan embodied.
Scientific research and formal reasoning
Xiaomi melaporkan kes sains bahan di mana MiMo-V2.6-Pro membantu penyelidik dengan rangka organik-logam untuk penjerapan PFAS, termasuk carian literatur dan paten, perumusan calon, dan panggilan alat komputasi. Dalam eksperimen lain, model membantu memformalkan teorem utama daripada "Period Three Implies Chaos" dalam Lean 4. Xiaomi melaporkan projek lengkap melebihi 6,000 baris kod Lean, disahkan oleh kernel Lean tanpa tempat pemegang yang tidak dibuktikan. Contoh-contoh ini paling baik ditafsirkan sebagai demonstrasi aliran kerja penyelidikan berorientasikan agen, bukan bukti penemuan saintifik autonomi.
Websites, presentations, video, and music
MiMo-V2.6 boleh menyelaras pengkodan front-end, aliran kerja reka bentuk, slaid, aset SVG, paip video, dan alat produksi muzik. Xiaomi menunjukkan orkestrasi dengan sistem media khusus, termasuk narasi melalui MiMo-V2.5-TTS, dan bukannya mendakwa bahawa V2.6 sendiri menggantikan setiap penjana imej, video atau audio. Model ini oleh itu sesuai secara semula jadi sebagai pengorkestra produksi kreatif.
Kes penggunaan dalam seksyen ini ialah demonstrasi Xiaomi, bukan bukti bebas bahawa setiap penyebaran akan menghasilkan semula hasil yang sama. Pasukan produksi harus menguji model dengan alat, kebenaran, pemulihan kegagalan, dan kriteria penilaian mereka sendiri.
How Much Does Xiaomi MiMo-V2.6 Cost?
| Harga | MiMo-V2.6-Pro | MiMo-V2.6-Flash | Pro UltraSpeed |
|---|---|---|---|
| Input cache / 1M token | $0.0036 | $0.0028 | $0.036 |
| Input tanpa cache / 1M token | $0.435 | $0.14 | $4.35 |
| Output / 1M token | $0.87 | $0.28 | $8.70 |
Xiaomi mengekalkan harga API V2.6 pada tahap luas yang sama seperti generasi V2.5. Flash amat ketara untuk beban kerja volum tinggi: harga rasmi Xiaomi menunjukkan $0.14 per sejuta token input tanpa cache dan $0.28 per sejuta token output.
CometAPI Pricing and Availability
| Laluan CometAPI | Input / 1M | Output / 1M | Status katalog |
|---|---|---|---|
| mimo-v2.6-pro-ultraspeed | $3.48 | $6.96 | Tersedia; 20% di bawah kadar rasmi tanpa cache yang disenaraikan |
| mimo-v2.6-pro | $0.348 | $0.6960 | Tersedia; 20% di bawah kadar rasmi tanpa cache yang disenaraikan |
| mimo-v2.6-flash | $0.112 | $0.2240 | Tersedia; 20% di bawah kadar rasmi tanpa cache yang disenaraikan |
How Can Developers Access Xiaomi MiMo-V2.6?
Xiaomi mendedahkan model melalui API serasi OpenAI dan mendokumentasikan keserasian dengan protokol Anthropic pada halaman model rasminya. Pengecam rasmi ialah mimo-v2.6-pro, mimo-v2.6-flash, dan mimo-v2.6-pro-ultraspeed. Xiaomi mendokumentasikan panggilan alat, output berstruktur, penstriman, kawalan penaakulan, cache konteks, dan carian web. Antara muka serasi OpenAI menggunakan nilai thinking.type seperti enabled atau disabled, dengan deep thinking diaktifkan secara lalai untuk model V2.6.
Pembangun mempunyai tiga laluan akses praktikal. Pertama, muat turun checkpoint open-weight Pro atau Flash untuk integrasi hos sendiri, tertakluk pada keperluan penyajian yang besar. Kedua, gunakan API terurus Xiaomi dengan kunci Xiaomi dan endpoint terdokumentasi. Ketiga, gunakan laluan CometAPI yang disokong dengan kunci CometAPI dan URL asas; ini boleh memudahkan penilaian berbilang model dan pengebilan. Pembantu pengkodan seperti Claude Code boleh menggunakan laluan serasi Anthropic apabila laluan dan model itu disokong, tetapi keserasian mesti diuji dan tidak boleh dianggap.
Accessing MiMo-V2.6 through CometAPI
CometAPI menyediakan endpoint bersatu dan lapisan pengebilan untuk model yang disokong. Kelebihan operasi utama ialah kesederhanaan migrasi: pasukan boleh mengekalkan SDK yang biasa, menukar URL asas dan ID model, membandingkan MiMo dengan model barisan hadapan lain dalam akaun yang sama, dan memusatkan semakan penggunaan, harga, dan ketersediaan. Ini berguna untuk perutean berbilang model, strategi sandaran, invois disatukan, dan penilaian yang memerlukan prompt identik merentasi penyedia.
CometAPI mendokumentasikan tiga format permintaan teks di peringkat platform: OpenAI Chat Completions, Anthropic Messages, dan OpenAI Responses. Untuk SDK serasi, migrasi secara amnya bermakna menukar URL asas, kunci API, dan ID model bukannya menulis semula keseluruhan aplikasi. Sokongan endpoint dan parameter boleh berbeza mengikut model, jadi uji varian MiMo-V2.6 yang tepat dan format permintaan sebelum mendakwa ketiga-tiganya berfungsi untuknya.
Seperti yang diperiksa pada 23 September 2026, MiMo-V2.6-Pro-UltraSpeed mempunyai laluan katalog tersedia dengan harga input dan output tersenarai. Halaman Pro dan Flash khusus menunjukkan Coming soon dalam petikan katalog mereka walaupun panel kesihatan API mereka menyatakan Available. Anggap ini sebagai isyarat halaman yang tidak konsisten, bukan ketersediaan produk atau harga yang disahkan. Semak katalog langsung, papan pemuka, dan permintaan ujian sebelum penyebaran.
Contoh berikut mengikuti corak Anthropic-SDK yang diterbitkan CometAPI dan memanggil laluan UltraSpeed yang disenaraikan buat masa ini. Simpan kunci API dalam pemboleh ubah persekitaran.
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 projek ini dan cadangkan langkah pelaksanaan seterusnya.' }],
});
Is Xiaomi MiMo-V2.6 Open Source?
Xiaomi telah mengeluarkan pemberat model, bahan teknikal, sumber RL, persekitaran latihan, dan infrastruktur berkaitan. Keluaran ini termasuk lebih daripada 7,000 persekitaran tugas RL merangkumi kejuruteraan perisian, replikasi kelemahan, kerja intensif pengetahuan, dan reka bentuk/pembangunan web. Xiaomi juga mengeluarkan MiMo-V2.6-Distill-Qwen-9B supaya penyelidik boleh mengkaji talian paip RL pada skala yang jauh lebih kecil.
Kad model rasmi: MiMo-V2.6-Pro-RL | MiMo-V2.6-Flash-RL
What Are the Limitations of Xiaomi MiMo-V2.6?
Angka trilion parameter tidak harus dianggap sebagai bukti bahawa V2.6 secara universal lebih kuat daripada sistem barisan hadapan tertutup. Jadual penanda aras Xiaomi sendiri menunjukkan gambaran bercampur: Claude Opus 5 kekal di hadapan pada beberapa ujian kod, penggunaan alat, dan OS, manakala GPT-5.6 Sol juga mendahului pada ujian terpilih. Oleh itu, penilaian khusus beban kerja lebih bermakna daripada label pemenang menyeluruh.
Hos sendiri checkpoint Pro penuh juga merupakan tugas infrastruktur berat. Pemberat terbuka tidak bermakna penyebaran stesen kerja yang mudah. Selain itu, beberapa demonstrasi tajuk—penyelidikan, kawalan embodied, dunia 3D, dan produksi video—bergantung pada alat luaran dan harness agen. MiMo-V2.6 harus dinilai sebagai model dalam sistem, bukan sekadar model chat berdiri sendiri.
Why Does Xiaomi MiMo-V2.6 Matter?
MiMo-V2.6 menggabungkan tiga arah penting: model MoE jarang yang sangat besar, multimodal natif, dan pembelajaran pengukuhan ke atas persekitaran agen sebenar. Angka 1.02T parameter menarik perhatian, tetapi pilihan reka bentuk yang lebih berakibat ialah pelaburan Xiaomi dalam interaksi persekitaran berulang, penggredan trajektori, penggunaan alat, dan pembetulan kendiri.
Jika pendekatan ini terus diskalakan, model terbuka mungkin semakin dibezakan bukan sahaja oleh berapa banyak pengetahuan statik yang mereka miliki, tetapi oleh seberapa berkesan mereka bertindak, menilai, pulih, dan menyelesaikan tugas panjang. MiMo-V2.6 oleh itu paling baik difahami sebagai model asas berorientasikan agen terbuka dan bukan sekadar chatbot trilion parameter yang lain.
Conclusion
MiMo-V2.6 ialah keluaran open-weight yang besar kerana ia menggabungkan input teks, imej, video, dan audio natif dengan konteks panjang, inferens MoE jarang, dan pembelajaran pengukuhan merentasi persekitaran agen sebenar. Pro lebih sesuai untuk tugas jangka panjang yang sukar, Flash menyasarkan beban kerja volum tinggi dan sensitif kos, dan UltraSpeed menukar harga API yang jauh lebih tinggi untuk latensi yang lebih rendah.
Keluarga model ini kompetitif pada beberapa penanda aras agen yang dilaporkan vendor, tetapi ia tidak mendahului setiap penilaian dan tidak harus dianggap sebagai pengganti universal untuk model barisan hadapan tertutup. Laluan pengambilan paling boleh dipercayai ialah menguji MiMo-V2.6 terhadap alat, sasaran latensi, mod kegagalan, dan profil kos tepat bagi aliran kerja produksi yang dimaksudkan.
FAQ
What should teams test before moving MiMo-V2.6 into production?
Uji sistem lengkap dan bukannya model sahaja. Ukur penyiapan tugas, ketepatan panggilan alat, pemulihan daripada tindakan gagal, latensi, penggunaan token, pengurusan konteks, dan sempadan kebenaran. Penanda aras agen memberikan orientasi, tetapi penilaian dalaman harus mencerminkan repositori, pelayar, dokumen, atau aliran kerja penyelidikan sebenar.
Why can self-hosting MiMo-V2.6-Pro be difficult despite its sparse architecture?
Pengaktifan jarang mengurangkan compute per token berbanding model trilion parameter tumpat, tetapi checkpoint penuh masih mempunyai jejak memori dan penyajian teragih yang sangat besar. Penyebaran produksi mungkin memerlukan inferens berbilang nod, paralelisme pakar, kernel khusus, dan perancangan kapasiti yang teliti.
How should developers interpret Xiaomi's cross-model benchmark table?
Anggap ia sebagai bukti dilaporkan vendor, bukan kedudukan sejagat yang direproduksi secara bebas. Keputusan boleh berubah dengan harness agen, bajet inferens, alat, imej persekitaran, kaedah pensampelan, dan versi penanda aras. Bandingkan tren merentasi pelbagai tugasan dan reproduksi beban kerja yang paling relevan secara dalaman.
When is MiMo-V2.6-Flash a better choice than Pro?
Flash ialah lalai yang lebih kuat apabila volum panggilan dan kos mendominasi, terutamanya untuk pemprosesan dokumen, analisis multimodal, dan langkah agen berulang. Pro lebih sesuai apabila penaakulan sukar atau pelaksanaan jangka panjang memberikan nilai perniagaan yang mencukupi untuk membenarkan harga yang lebih tinggi.
Does a 1M-token context window eliminate the need for retrieval or prompt management?
Tidak. Tetingkap yang lebih besar meningkatkan kapasiti, tetapi menghantar sejarah yang tidak perlu boleh menaikkan latensi dan kos serta mengurangkan bukti yang relevan. Pengambilan, pemeringkasan, memori berstruktur, dan pemangkasan konteks kekal penting untuk agen produksi yang boleh dipercayai.