MiMo V2.6 Pro API

Czym jest MiMo-V2.6-Pro?

MiMo-V2.6-Pro to flagowy multimodalny model rozumowania Xiaomi MiMo, stworzony do złożonych projektów, długohoryzontowych zadań, profesjonalnych przepływów pracy, badań, cyberbezpieczeństwa, programowania oraz aplikacji agentowych.

Model natywnie rozumie tekst, obrazy, wideo i audio w ramach ujednoliconej architektury. Zapewnia okno kontekstu o rozmiarze 1 miliona tokenów i obsługuje do 128K tokenów wyjściowych, co czyni go odpowiednim do dużych repozytoriów, długich dokumentów, rozbudowanych śladów narzędzi oraz wielosesyjnych przepływów pracy agentów.

Otwarty checkpoint MiMo-V2.6-Pro-RL wykorzystuje rzadką architekturę Mixture-of-Experts z 1.02 biliona łącznych parametrów i 42 miliardami aktywowanych parametrów. Architektura obejmuje enkoder wizji o 681M parametrach, dedykowane enkodery audio oraz pięciowarstwowy spekulatywny dekoder.

Specyfikacja techniczna

Oficjalna strona modelu Xiaomi podaje 100 RPM i 10M TPM dla interfejsu API modelu.

Główne funkcje MiMo-V2.6-Pro

1. Natywne wszechmodalne rozumienie

MiMo-V2.6-Pro jest zaprojektowany do wspólnego rozumienia tekstu, obrazów, wideo i audio, zamiast ograniczania przetwarzania multimodalnego do osobnego pomocniczego przepływu.

Pozwala to aplikacjom łączyć różne formy informacji w jednym procesie rozumowania, w tym dokumenty z obrazami, analizę wideo, treści audio, zrzuty ekranu oraz instrukcje tekstowe.

2. Długie okno kontekstu 1M tokenów

Model zapewnia okno kontekstu do 1 miliona tokenów. Dzięki temu nadaje się do przepływów pracy obejmujących duże bazy kodu, długie dokumenty, obszerne materiały badawcze, trwałe historie agentów oraz duże ślady wywołań narzędzi.

Długie okno kontekstu jest szczególnie użyteczne dla systemów agentowych, ponieważ rozbudowana historia zadań i wyniki pośrednie mogą pozostać dostępne bez konieczności wielokrotnej kompresji rozmowy.

3. Zaawansowane rozumowanie i możliwości agentowe

MiMo-V2.6-Pro jest zaprojektowany pod kątem przepływów pracy intensywnie wykorzystujących rozumowanie i długi horyzont czasowy. Xiaomi wskazuje złożone projekty, współpracę wieloagentową oraz profesjonalne obciążenia jako kluczowe przypadki użycia. Model obsługuje również głębokie rozumowanie i wywoływanie narzędzi.

Te możliwości sprawiają, że model nadaje się do:

• Złożonej inżynierii oprogramowania
• Agentów badawczych
• Planowania wieloetapowego
• Orkiestracji narzędzi
• Przepływów pracy związanych z obsługą komputera
• Analizy cyberbezpieczeństwa
• Zadań wymagających rozległej wiedzy

4. Wywoływanie narzędzi i strukturyzowane wyjście

MiMo-V2.6-Pro obsługuje wywoływanie narzędzi i strukturyzowane wyjście, co pozwala łączyć model z zewnętrznymi API, bazami danych, systemami wyszukiwania, narzędziami biznesowymi i innymi komponentami oprogramowania.

Strukturyzowane wyjście jest szczególnie przydatne, gdy odpowiedzi modelu mają być przetwarzane przez logikę aplikacji niższego poziomu, a nie tylko wyświetlane jako tekst w języku naturalnym.

5. Długohoryzontowe przepływy pracy agentowe

Połączenie długiego kontekstu, rozumienia multimodalnego, rozumowania i obsługi narzędzi umożliwia MiMo-V2.6-Pro działanie w przepływach pracy wymagających wielu etapów planowania i wykonania.

Xiaomi opisuje serię MiMo-V2.6 jako zoptymalizowaną pod kątem współpracy multimodalnej, wieloagentowej i wieloharnessowej. Oficjalne przykłady obejmują programowanie, pracę biurową, projektowanie, badania, tworzenie treści, cyberbezpieczeństwo i obsługę komputera.

6. Architektura modelu z otwartymi wagami

MiMo-V2.6-Pro-RL jest udostępniony jako checkpoint z otwartymi wagami. Karta modelu dokumentuje rzadką architekturę MoE z 1.02T łącznych parametrów i 42B aktywowanych parametrów, a także dedykowane enkodery wizji i audio.

Karta modelu dokumentuje również metodykę uczenia ze wzmocnieniem zastosowaną w celu poprawy możliwości w obszarach programowania, ogólnych agentów, agentów wizualnych i cyberbezpieczeństwa.

Wydajność w benchmarkach

Ocena opublikowana przez Xiaomi obejmuje agentów programistycznych, agentów ogólnych, cyberbezpieczeństwo oraz zadania agentów wizualnych. Są to wyniki ocen opublikowanych przez dostawcę, dlatego należy je odróżniać od niezależnych badań benchmarkowych prowadzonych przez strony trzecie.

Do wyróżniających się zgłoszonych wyników należą 89.9 na Terminal Bench 2.1, 82.0 na OSWorld-Verified, 76.9 na Toolathlon-Verified oraz 94.0 na CyberGym.

Oficjalna strona modelu Xiaomi podaje również wynik złożonego indeksu inteligencji Artificial Analysis na poziomie 46.32. Ponieważ jest to ocena strony trzeciej cytowana przez Xiaomi, najlepiej traktować ją oddzielnie od własnego zestawu benchmarków Xiaomi.

MiMo-V2.6-Pro kontra MiMo-V2.6-Flash

MiMo-V2.6-Pro i MiMo-V2.6-Flash mają tę samą ogólną konstrukcję multimodalną i długiego kontekstu, ale celują w różne skale modelu.

Główna różnica architektoniczna to skala modelu: checkpoint Pro ma 1.02T łącznych / 42B aktywowanych parametrów, w porównaniu z 309B łącznych / 15B aktywowanych parametrów w Flash.

MiMo-V2.6-Pro a inne modele rozumowania

MiMo-V2.6-Pro łączy kilka możliwości, które często są rozproszone między różne kategorie modeli: rozumienie multimodalne, rozumowanie na długim kontekście, programowanie, korzystanie z narzędzi i wykonanie agentowe.

Jego okno kontekstu 1M tokenów odróżnia go od modeli z istotnie mniejszym kontekstem, a natywne wejścia obrazów, wideo i audio rozszerzają go poza systemy skoncentrowane na tekście. Rzadka architektura MoE oddziela też całkowitą pojemność modelu od liczby parametrów aktywowanych dla każdego tokena.

W zastosowaniach zorientowanych na agentów opublikowany zestaw ocen obejmuje inżynierię oprogramowania, ogólne użycie narzędzi, interakcję z komputerem, cyberbezpieczeństwo oraz wizualne programowanie, zamiast koncentrować się wyłącznie na konwencjonalnych benchmarkach językowych.

Przykładowe zastosowania

Złożona inżynieria oprogramowania

MiMo-V2.6-Pro może wspierać generowanie kodu, analizę repozytoriów, debugowanie, architekturę oprogramowania, planowanie zadań i autonomiczne przepływy programistyczne.

Opublikowane oceny obejmują DeepSWE v1.1, ProgramBench, MiMo Code Bench i Terminal Bench.

Badania wymagające długiego kontekstu

Kontekst 1M tokenów sprawia, że model nadaje się do dużych projektów badawczych obejmujących długie artykuły, dokumentację techniczną, zbiory danych, notatki i narastającą historię badań.

Analiza multimodalna

Aplikacje mogą łączyć tekst, obrazy, wideo i audio w jednym przepływie pracy. Jest to użyteczne przy analizie dokumentów multimedialnych, nagrań, materiału wizualnego, zrzutów ekranu i danych badawczych o mieszanych formatach.

Agenci AI i automatyzacja narzędzi

Wywoływanie narzędzi, strukturyzowane wyjście, głębokie rozumowanie i długi kontekst sprawiają, że MiMo-V2.6-Pro nadaje się do agentów, którzy muszą planować, wywoływać zewnętrzne narzędzia, sprawdzać wyniki i kontynuować pracę przez wiele kroków.

Cyberbezpieczeństwo

Cyberbezpieczeństwo jest jednym z obszarów oceny ujętych w opublikowanych wynikach modelu Xiaomi. Model raportuje 94.0 na CyberGym, 80.2 na MiMo Cyber Bench, 47.9 na ExploitBench oraz 66.3 na SEC Bench Pro.

Przepływy pracy związane z obsługą komputera

MiMo-V2.6-Pro został oceniony na OSWorld-Verified, gdzie Xiaomi podaje wynik 82.0. Sprawia to, że interakcja z komputerem i automatyzacja zorientowana na interfejs użytkownika to kolejny istotny obszar zastosowań modelu.

Naukowe i profesjonalne przepływy pracy

Xiaomi prezentuje MiMo-V2.6-Pro w naukowych przepływach pracy, w tym w badaniach materiałowych, a także w projektowaniu, tworzeniu treści, pracy biurowej i innych złożonych zadaniach profesjonalnych.

Ograniczenia

Wyniki benchmarków MiMo-V2.6-Pro są w dużej mierze publikowane przez Xiaomi i należy je interpretować w kontekście metodologii każdego benchmarku, a nie jako uniwersalną miarę wydajności aplikacji.

Architektura o łącznej liczbie 1.02T parametrów oznacza również znaczną skalę modelu. Wartość 42B aktywowanych parametrów opisuje rzadką aktywację, a nie pełny ślad sprzętowy lub wdrożeniowy. Organizacje rozważające samodzielny hosting powinny zatem niezależnie ocenić wsparcie silnika inferencyjnego, wymagania pamięciowe, kwantyzację, przepustowość i wymagania sprzętowe.

W przypadku aplikacji bazujących na API hostowany model jest dostępny poprzez platformę API Xiaomi, a checkpoint z otwartymi wagami zapewnia oddzielną ścieżkę dla organizacji, które chcą zarządzać własną infrastrukturą inferencyjną.

Jak uzyskać dostęp do API MiMo-V2.6-Pro za pośrednictwem CometAPI

Krok 1: Zarejestruj się w CometAPI i zdobądź klucz API CometAPI

Utwórz konto lub zaloguj się do swojego konta CometAPI i otwórz obszar zarządzania API. Wygeneruj klucz API w swoim koncie CometAPI i przygotuj go do użycia w aplikacji.

Krok 2: Wybierz MiMo-V2.6-Pro

Znajdź MiMo-V2.6-Pro w katalogu modeli CometAPI i potwierdź identyfikator modelu jako mimo-v2.6-pro. Ustaw MiMo-V2.6-Pro jako docelowy model w integracji CometAPI. Skonfiguruj aplikację zgodnie z wymaganymi w przepływie pracy możliwościami w zakresie tekstu, obrazu, wideo, audio, rozumowania lub wywoływania narzędzi.

Krok 3: Wyślij żądania

Przesyłaj żądania przez integrację CometAPI i dostarczaj wymagane dane wejściowe dla swojej aplikacji.

Krok 4: Przetwórz odpowiedź

Wykorzystaj zwrócone dane wyjściowe modelu, dane strukturyzowane, wyniki rozumowania lub informacje o wywołaniach narzędzi w przepływie pracy swojej aplikacji.