MiMo V2.6 Flash API

MiMo-V2.6-Flash คืออะไร?

MiMo-V2.6-Flash เป็นโมเดลที่ Xiaomi มุ่งเน้นด้านประสิทธิภาพในตระกูล MiMo-V2.6 เป็นโมเดลการให้เหตุผลแบบมัลติโมดัลโดยกำเนิด ออกแบบมาสำหรับการเรียกใช้ความถี่สูง เวิร์กโหลดขนาดใหญ่ การเขียนโค้ด ระบบอัตโนมัติ และงานเอเจนต์ระยะยาว

โมเดลรับอินพุตเป็น ข้อความ ภาพ วิดีโอ และเสียง และให้ผลลัพธ์เป็นข้อความ Xiaomi อธิบายว่าเป็นโมเดลแบบครบทุกโมดาลิตีที่ปรับแต่งเพื่อเวิร์กโฟลว์ในโลกความเป็นจริง พร้อมด้วย หน้าต่างบริบท 1 ล้านโทเค็น ความสามารถด้านการคิดเชิงลึก การเรียกใช้เครื่องมือ เอาต์พุตแบบมีโครงสร้าง การสตรีม การค้นหาบนเว็บ และการแคชบริบท

เช็คพอยต์แบบ open-weight MiMo-V2.6-Flash-RL ใช้สถาปัตยกรรม Mixture-of-Experts แบบเบาบาง โดยมี พารามิเตอร์รวม 309 พันล้าน และพารามิเตอร์ที่ถูกใช้งาน 15 พันล้าน ในโมเดลการ์ดระบุความยาวบริบท 1M โทเค็น ตัวเข้ารหัสภาพขนาด 681M พารามิเตอร์ ตัวเข้ารหัสเสียง และตัวถอดรหัสแบบ speculative 5 ชั้น

ข้อมูลจำเพาะทางเทคนิค

หน้าโมเดลอย่างเป็นทางการของ Xiaomi ระบุหน้าต่างบริบท 1M โทเค็น เอาต์พุตสูงสุด 128K โทเค็น 100 RPM และ 10M TPM

คุณสมบัติหลักของ MiMo-V2.6-Flash

1. ความเข้าใจแบบครบทุกโมดาลิตีโดยกำเนิด

MiMo-V2.6-Flash ถูกออกแบบให้ประมวลผลข้อความ ภาพ วิดีโอ และเสียงภายในโมเดลเดียว ทำให้เหมาะกับแอปพลิเคชันที่ข้อมูลกระจายตัวอยู่ในหลายรูปแบบสื่อ ไม่ได้อยู่ในรูปแบบข้อความเพียงอย่างเดียว

การใช้งานทั่วไป เช่น การวิเคราะห์เอกสารแบบมัลติโมดัล การตรวจสอบเชิงภาพ ความเข้าใจวิดีโอ การวิจัยที่ใช้ข้อมูลเสียงประกอบ และเวิร์กโฟลว์ที่ผสานหลักฐานหลายประเภท

2. บริบทยาว 1M โทเค็น

โมเดลรองรับหน้าต่างบริบทได้สูงสุด 1 ล้านโทเค็น เหมาะกับคลังข้อมูลขนาดใหญ่ เอกสารยาว ประวัติการเรียกใช้เครื่องมือยาว และเวิร์กโฟลว์เอเจนต์หลายเซสชัน Xiaomi วางตำแหน่งโมเดลนี้สำหรับงานระยะยาวและความร่วมมือแบบหลายเอเจนต์โดยเฉพาะ

ความจุบริบทขนาดใหญ่ช่วยลดความจำเป็นในการสรุปหรือแยกข้อมูลขนาดใหญ่ออกเป็นส่วนย่อยก่อนประมวลผล

3. การให้เหตุผลและเวิร์กโฟลว์เชิงเอเจนต์

MiMo-V2.6-Flash ถูกสร้างมาเพื่อเวิร์กโหลดที่เน้นการให้เหตุผลและงานเชิงเอเจนต์ รายการความสามารถอย่างเป็นทางการรวมถึงการคิดเชิงลึกและการเรียกใช้เครื่องมือ ส่วนโมเดลการ์ดอธิบายการฝึกเสริมกำลังแบบผสมในด้านการเขียนโค้ด เอเจนต์ทั่วไป งานวิสวกรรมภาพ และความปลอดภัยไซเบอร์

ทำให้เหมาะกับการใช้งาน เช่น:

• เอเจนต์วิจัยหลายขั้นตอน
• เอเจนต์การเขียนโค้ด
• การประสานเครื่องมือ
• เวิร์กโฟลว์การใช้งานคอมพิวเตอร์
• การวิเคราะห์แบบอัตโนมัติ
• งานวางแผนที่ทำงานต่อเนื่องยาวนาน

4. การเรียกใช้เครื่องมือและเอาต์พุตแบบมีโครงสร้าง

โมเดลรองรับการเรียกใช้เครื่องมือและเอาต์พุตแบบมีโครงสร้าง ทำให้สามารถใช้งานในแอปพลิเคชันที่โมเดลต้องเรียกฟังก์ชันภายนอกหรือส่งคืนข้อมูลในรูปแบบที่เครื่องอ่านได้อย่างคาดเดาได้

เป็นประโยชน์อย่างยิ่งสำหรับระบบเอเจนต์ที่เชื่อม LLM เข้ากับการค้นหา ฐานข้อมูล API เครื่องมือธุรกิจ หรือฟังก์ชันของแอปพลิเคชันอื่นๆ

5. ความสามารถเอเจนต์แบบมัลติโมดัล

MiMo-V2.6-Flash ผสานการทำความเข้าใจข้อมูลหลายโมดาลิตีเข้ากับการให้เหตุผลเชิงเอเจนต์ แทนที่จะมองงานประมวลผลภาพ วิดีโอ เสียง และข้อความเป็นงานของโมเดลแยกกัน มันมีอินเทอร์เฟซโมเดลแบบรวมสำหรับอินพุตเหล่านี้

สถาปัตยกรรมนี้เหมาะกับเวิร์กโฟลว์ เช่น การทบทวนเอกสารเทคนิคพร้อมไดอะแกรม การวิเคราะห์การประชุมที่บันทึกไว้ การตรวจหลักฐานวิดีโอ หรือการผสานสกรีนช็อตกับคำสั่งข้อความ

6. การออกแบบ MiMo-V2.6 ที่มุ่งเน้นประสิทธิภาพ

รุ่น Flash ถูกวางตำแหน่งโดย Xiaomi ให้เป็นสมาชิกที่สมดุลด้านประสิทธิภาพของตระกูล MiMo-V2.6 ด้วยการออกแบบ MoE แบบเบาบางที่เปิดใช้งานเพียงบางส่วนของพารามิเตอร์ต่อโทเค็น แทนที่จะใช้พารามิเตอร์ทั้งหมดกับทุกโทเค็น

โมเดลยังใช้ตัวถอดรหัสแบบ speculative 5 ชั้นที่คาดการณ์หลายโทเค็นถัดไปเพื่อการตรวจสอบแบบขนาน เป็นแนวทางเชิงสถาปัตยกรรมเพื่อยกระดับประสิทธิภาพการอนุมาน

ประสิทธิภาพบนเบนช์มาร์ก

ตารางการประเมินที่ Xiaomi เผยแพร่รายงานผลลัพธ์ของ MiMo-V2.6-Flash ในด้านการเขียนโค้ด เอเจนต์ทั่วไป ความปลอดภัยไซเบอร์ และเอเจนต์เชิงภาพ ผลลัพธ์เหล่านี้เป็น ผลเบนช์มาร์กที่ผู้ให้บริการเผยแพร่ จึงไม่ควรถูกมองว่าเป็นการจัดอันดับโดยบุคคลที่สามที่เป็นอิสระ

ตัวอย่างเช่น Xiaomi รายงาน 87.6 บน Terminal Bench 2.1, 80.8 บน OSWorld-Verified, 73.6 บน Toolathlon-Verified และ 95.1 บน CyberGym

โปรไฟล์เบนช์มาร์กชี้ว่าโมเดลนี้ถูกออกแบบมาโดยเฉพาะสำหรับเวิร์กโฟลว์เชิงเอเจนต์ การเขียนโค้ด การใช้เครื่องมือ และมัลติโมดัล มากกว่าจะเป็นโมเดลสนทนาแบบดั้งเดียวนเพียงอย่างเดียว

MiMo-V2.6-Flash เทียบกับ MiMo-V2.6-Pro

MiMo-V2.6-Flash และ MiMo-V2.6-Pro อยู่ในตระกูลเดียวกันและใช้แนวคิดมัลติโมดัลโดยกำเนิดกับบริบท 1M โทเค็นเหมือนกัน แต่เล็งไปที่สมดุลด้านประสิทธิภาพที่ต่างกัน

สถาปัตยกรรมที่เผยแพร่แสดงให้เห็นว่าโมเดล Pro มีพารามิเตอร์รวม 1.02T / พารามิเตอร์ที่ถูกใช้งาน 42B เทียบกับรุ่น Flash ที่พารามิเตอร์รวม 309B / พารามิเตอร์ที่ถูกใช้งาน 15B

MiMo-V2.6-Flash เทียบกับโมเดลอื่น

MiMo-V2.6-Flash อยู่ในตำแหน่งที่โดดเด่นท่ามกลางโมเดลการให้เหตุผลแบบมัลติโมดัลสมัยใหม่ เพราะผสาน 4 ลักษณะไว้ในโมเดลเดียว: บริบทยาว อินพุตมัลติโมดัลโดยกำเนิด การให้เหตุผล และการใช้เครื่องมือเชิงเอเจนต์

เมื่อเทียบกับโมเดลการให้เหตุผลที่รองรับเฉพาะข้อความ MiMo-V2.6-Flash สามารถรับภาพ วิดีโอ และเสียงได้โดยตรง เมื่อเทียบกับโมเดลมัลติโมดัลขนาดเล็กกว่า บริบท 1M โทเค็นทำให้เหมาะกับคลังข้อมูลขนาดใหญ่และเส้นทางเอเจนต์ที่ยืดยาว และเมื่อเทียบกับ MiMo-V2.6-Pro ที่ใหญ่กว่า รุ่น Flash เน้นสถาปัตยกรรมที่มุ่งประสิทธิภาพมากขึ้น

กรณีการใช้งานตัวอย่าง

การเขียนโค้ดและวิศวกรรมซอฟต์แวร์

MiMo-V2.6-Flash ใช้สำหรับการสร้างโค้ด การดีบัก การวิเคราะห์คลังซอร์ส การวางแผนซอฟต์แวร์ และเวิร์กโฟลว์การพัฒนาแบบเชิงเอเจนต์

ผลที่เผยแพร่รวมถึง DeepSWE v1.1, ProgramBench, MiMo Code Bench และ Terminal Bench

การวิเคราะห์เอกสารบริบทยาว

หน้าต่างบริบท 1M โทเค็นทำให้โมเดลเหมาะกับการวิเคราะห์ชุดเอกสารขนาดใหญ่ ข้อกำหนดทางเทคนิค วัสดุวิจัย หรือประวัติโครงการที่ยาว โดยไม่ต้องลดทอนบริบทอย่างหนัก

วิจัยแบบมัลติโมดัล

เพราะโมเดลรับข้อความ ภาพ วิดีโอ และเสียง จึงสามารถผสานข้อมูลจากสื่อต่างๆ ในเวิร์กโฟลว์การให้เหตุผลเดียวกันได้

เอเจนต์และระบบอัตโนมัติด้วยเครื่องมือ

การเรียกใช้เครื่องมือ เอาต์พุตแบบมีโครงสร้าง การให้เหตุผล และบริบทยาว ทำให้โมเดลเหมาะกับเอเจนต์ที่ต้องวางแผนงาน เรียกใช้เครื่องมือภายนอก ตรวจสอบผลลัพธ์ และดำเนินการให้เหตุผลต่อเนื่องหลายขั้น

เวิร์กโฟลว์การใช้งานคอมพิวเตอร์

ผล OSWorld-Verified ที่ 80.8 และเบนช์มาร์กเอเจนต์อื่นๆ แสดงว่า Xiaomi ประเมินโมเดลกับงานเอเจนต์แบบโต้ตอบ นอกเหนือจากเบนช์มาร์กภาษาดั้งเดิม

เวิร์กโฟลว์ธุรกิจแบบมัลติโมดัล

MiMo-V2.6-Flash รองรับเวิร์กโฟลว์ที่เกี่ยวข้องกับรายงาน สกรีนช็อต การบันทึก พรีเซนเทชัน เอกสาร และข้อมูลธุรกิจแบบสื่อผสมอื่นๆ ที่ต้องอาศัยโมเดลเดียวในการสังเคราะห์อินพุตหลายประเภท

ข้อจำกัด

MiMo-V2.6-Flash เป็นโมเดลที่เพิ่งเปิดตัว จึงยังอยู่ในช่วงที่ความครอบคลุมของเบนช์มาร์กและการประเมินโดยบุคคลที่สามอิสระกำลังก่อตัว ตารางเบนช์มาร์กที่ Xiaomi เผยแพร่ให้หลักฐานที่เป็นรูปธรรมในงานเชิงเอเจนต์และมัลติโมดัล แต่ผลเหล่านี้เป็นรายงานจากผู้ให้บริการ ไม่สามารถใช้แทนการทดสอบเฉพาะแอปพลิเคชันได้

ตัวโมเดลเองยังมีสถาปัตยกรรมขนาดใหญ่แม้จะเปิดใช้งานแบบเบาบาง องค์กรที่พิจารณาโฮสต์เองจึงควรประเมินฮาร์ดแวร์ ความเข้ากันได้ของเอนจินอนุมาน การควอนไทซ์ ผลิตภาพ และข้อกำหนดการปฏิบัติการ โดยไม่ควรตีความตัวเลขพารามิเตอร์ที่ถูกใช้งาน 15B ว่าเท่ากับรอยเท้าการปรับใช้ทั้งหมด โมเดลการ์ดอย่างเป็นทางการมีคำแนะนำการปรับใช้สำหรับ SGLang และ vLLM

วิธีเข้าถึง MiMo-V2.6-Flash API ผ่าน CometAPI

ขั้นตอนที่ 1: สมัคร CometAPI และรับ CometAPI API Key ของคุณ

สร้างหรือเข้าสู่บัญชี CometAPI ของคุณและเปิดส่วนจัดการ API สร้าง API key จากบัญชี CometAPI และเก็บไว้ใช้ในการตั้งค่าแอปพลิเคชัน

ขั้นตอนที่ 2: เลือก MiMo-V2.6-Flash และตั้งค่าแอปพลิเคชันของคุณ

ค้นหา MiMo-V2.6-Flash ในแคตตาล็อกโมเดลที่มีอยู่และยืนยันรหัสโมเดลว่าเป็น mimo-v2.6-flash ตั้งค่า MiMo-V2.6-Flash ให้เป็นโมเดลเป้าหมายในอินทิเกรชัน CometAPI ของคุณ กำหนดค่าคำขอตามอินพุตมัลติโมดัลและความสามารถเชิงเอเจนต์ที่แอปพลิเคชันของคุณต้องการ

ขั้นตอนที่ 3: ส่งคำขอ

ส่งข้อความหรืออินพุตมัลติโมดัลที่รองรับผ่านอินทิเกรชัน CometAPI และใช้การตอบกลับของโมเดลภายในเวิร์กโฟลว์แอปพลิเคชันของคุณ

ขั้นตอนที่ 4: ประมวลผลการตอบกลับ

จัดการข้อความที่สร้าง เอาต์พุตแบบมีโครงสร้าง ผลการให้เหตุผล หรือข้อมูลการเรียกใช้เครื่องมือตามเวิร์กโฟลว์ของแอปพลิเคชันของคุณ