MiMo-V2.6-Pro คืออะไร?
MiMo-V2.6-Pro คือโมเดลให้เหตุผลแบบมัลติโหมดระดับเรือธงของ Xiaomi MiMo สร้างมาเพื่อโปรเจกต์ซับซ้อน งานระยะยาว เวิร์กโฟลว์ระดับมืออาชีพ งานวิจัย ความปลอดภัยไซเบอร์ การเขียนโค้ด และแอปพลิเคชันเชิงเอเจนต์
โมเดลรองรับความเข้าใจโดยกำเนิดของทั้ง ข้อความ รูปภาพ วิดีโอ และเสียง ภายในโมเดลเดียวแบบรวมศูนย์ มาพร้อม หน้าต่างบริบท 1 ล้านโทเค็น และรองรับเอาต์พุตได้ถึง 128K โทเค็น จึงเหมาะกับรีโพขนาดใหญ่ เอกสารยาว บันทึกการใช้เครื่องมือที่ขยายยาว และเวิร์กโฟลว์เอเจนต์แบบหลายเซสชัน
เช็คพอยต์แบบ open-weight MiMo-V2.6-Pro-RL ใช้สถาปัตยกรรม Mixture-of-Experts แบบ sparse โดยมี พารามิเตอร์ทั้งหมด 1.02 ล้านล้าน และพารามิเตอร์ที่ถูกกระตุ้น 42 พันล้าน สถาปัตยกรรมประกอบด้วยตัวเข้ารหัสวิชันขนาด 681M พารามิเตอร์ ตัวเข้ารหัสเสียงเฉพาะทาง และดีโคเดอร์แบบ speculative 5 ชั้น
ข้อมูลจำเพาะทางเทคนิค
| ข้อมูลจำเพาะ | MiMo-V2.6-Pro |
|---|---|
| รหัสโมเดล | mimo-v2.6-pro |
| ผู้ให้บริการ | Xiaomi MiMo |
| ประเภทโมเดล | โมเดลให้เหตุผลแบบมัลติโหมด |
| สถาปัตยกรรม | Mixture-of-Experts แบบ sparse |
| พารามิเตอร์ทั้งหมด | 1.02T |
| พารามิเตอร์ที่ถูกกระตุ้น | 42B |
| รูปแบบข้อมูลนำเข้า | ข้อความ, รูปภาพ, วิดีโอ, เสียง |
| รูปแบบข้อมูลส่งออก | ข้อความ |
| หน้าต่างบริบท | 1M tokens |
| เอาต์พุตสูงสุด | 128K tokens |
| การให้เหตุผล | การคิดเชิงลึก |
| การเรียกใช้เครื่องมือ | รองรับ |
| การค้นเว็บ | รองรับ |
| ผลลัพธ์แบบมีโครงสร้าง | รองรับ |
| การสตรีม | รองรับ |
| การแคชบริบท | รองรับ |
หน้าโมเดลอย่างเป็นทางการของ Xiaomi ระบุ 100 RPM และ 10M TPM สำหรับ API ของโมเดล
คุณสมบัติหลักของ MiMo-V2.6-Pro
1. ความเข้าใจแบบออมนิ-โมดัลโดยกำเนิด
MiMo-V2.6-Pro ได้รับการออกแบบให้เข้าใจ ข้อความ รูปภาพ วิดีโอ และเสียง ร่วมกัน แทนที่จะจำกัดการประมวลผลแบบมัลติโหมดไว้ในเวิร์กโฟลว์ช่วยเสริมแยกต่างหาก
สิ่งนี้ช่วยให้แอปพลิเคชันผสานข้อมูลหลายรูปแบบเข้ากับกระบวนการให้เหตุผลเดียวกันได้ ไม่ว่าจะเป็นเอกสารที่มีรูปภาพ การวิเคราะห์ฐานจากวิดีโอ เนื้อหาเสียง สกรีนช็อต และคำสั่งเชิงข้อความ
2. บริบทยาว 1M โทเค็น
โมเดลมีหน้าต่างบริบทได้สูงสุด 1 ล้านโทเค็น เหมาะกับเวิร์กโฟลว์ที่เกี่ยวข้องกับฐานโค้ดขนาดใหญ่ เอกสารยาว วัสดุวิจัยจำนวนมาก ประวัติงานของเอเจนต์แบบคงอยู่ และทราซการเรียกใช้เครื่องมือจำนวนมาก
บริบทที่ยาวเป็นประโยชน์อย่างยิ่งสำหรับระบบเชิงเอเจนต์ เพราะประวัติภารกิจและผลลัพธ์กลางจำนวนมากยังคงใช้งานได้โดยไม่ต้องบีบอัดการสนทนาซ้ำๆ
3. ความสามารถด้านการให้เหตุผลและเอเจนต์ขั้นสูง
MiMo-V2.6-Pro ถูกออกแบบมาสำหรับเวิร์กโฟลว์ที่เข้มข้นด้านการให้เหตุผลและกินระยะยาว Xiaomi เน้นย้ำโปรเจกต์ซับซ้อน การทำงานร่วมกันแบบหลายเอเจนต์ และภาระงานระดับมืออาชีพเป็นกรณีใช้งานหลัก โมเดลยังรองรับการคิดเชิงลึกและการเรียกใช้เครื่องมือ
ความสามารถเหล่านี้ทำให้เหมาะสำหรับ:
- วิศวกรรมซอฟต์แวร์เชิงซับซ้อน
- เอเจนต์งานวิจัย
- การวางแผนหลายขั้นตอน
- การประสานงานเครื่องมือ
- เวิร์กโฟลว์การใช้งานคอมพิวเตอร์
- การวิเคราะห์ความปลอดภัยไซเบอร์
- งานความรู้เข้มข้น
4. การเรียกใช้เครื่องมือและผลลัพธ์แบบมีโครงสร้าง
MiMo-V2.6-Pro รองรับ การเรียกใช้เครื่องมือและผลลัพธ์แบบมีโครงสร้าง ช่วยให้แอปพลิเคชันเชื่อมต่อโมเดลกับ API ภายนอก ฐานข้อมูล ระบบค้นหา เครื่องมือทางธุรกิจ และองค์ประกอบซอฟต์แวร์อื่นๆ
ผลลัพธ์แบบมีโครงสร้างมีประโยชน์อย่างยิ่งเมื่อการตอบกลับของโมเดลต้องถูกใช้งานต่อโดยลอจิกของแอปพลิเคชันปลายทาง แทนที่จะเป็นเพียงข้อความภาษาธรรมชาติ
5. เวิร์กโฟลว์เอเจนต์ระยะยาว
การผสานบริบทยาว ความเข้าใจแบบมัลติโหมด การให้เหตุผล และการใช้เครื่องมือ ทำให้ MiMo-V2.6-Pro ทำงานกับเวิร์กโฟลว์ที่ต้องการการวางแผนและการดำเนินการหลายช่วงได้
Xiaomi อธิบายซีรีส์ MiMo-V2.6 ว่าได้รับการปรับให้เหมาะกับการทำงานร่วมกันแบบมัลติโหมด หลายเอเจนต์ และ multi-harness ตัวอย่างอย่างเป็นทางการครอบคลุมงานเขียนโค้ด งานออฟฟิศ งานออกแบบ งานวิจัย การสร้างคอนเทนต์ ความปลอดภัยไซเบอร์ และการใช้งานคอมพิวเตอร์
6. สถาปัตยกรรมโมเดลแบบ open-weight
MiMo-V2.6-Pro-RL ถูกปล่อยเป็นเช็คพอยต์แบบ open-weight การ์ดโมเดลบันทึกสถาปัตยกรรม MoE แบบ sparse ที่มีพารามิเตอร์ทั้งหมด 1.02 ล้านล้าน และพารามิเตอร์ที่ถูกกระตุ้น 42 พันล้าน พร้อมตัวเข้ารหัสวิชันและเสียงเฉพาะทาง
การ์ดโมเดลยังบันทึกกระบวนการเสริมกำลัง (reinforcement learning) ที่ใช้เพื่อยกระดับความสามารถด้านการเขียนโค้ด เอเจนต์ทั่วไป เอเจนต์ด้านภาพ และความปลอดภัยไซเบอร์
ประสิทธิภาพตามชุดทดสอบมาตรฐาน
การประเมินที่ Xiaomi เผยแพร่ครอบคลุมเอเจนต์เขียนโค้ด เอเจนต์ทั่วไป ความปลอดภัยไซเบอร์ และงานเอเจนต์ด้านภาพ ซึ่งเป็น ผลการประเมินที่ผู้ให้บริการเผยแพร่ จึงควรแยกจากการศึกษาชุดทดสอบโดยบุคคลที่สามอย่างอิสระ
| ชุดทดสอบมาตรฐาน | MiMo-V2.6-Pro |
|---|---|
| DeepSWE v1.1 | 71.9 |
| ProgramBench | 26.5 |
| MiMo Code Bench | 63.2 |
| AutomationBench v1.0.6 | 53.1 |
| Toolathlon-Verified | 76.9 |
| GDPval-AA 2.1 | 1673 |
| Agents' Last Exam | 31.6 |
| Terminal Bench 4.0 | 34.9 |
| Terminal Bench 2.1 | 89.9 |
| OSWorld-Verified | 82.0 |
| JobBench | 62.0 |
| CyberGym | 94.0 |
| MiMo Cyber Bench | 80.2 |
| ExploitGym | 17.8 |
| ExploitBench | 47.9 |
| SEC Bench Pro | 66.3 |
| MiMo VisualCoding | 72.3 |
ผลลัพธ์เด่นที่รายงานรวมถึง 89.9 บน Terminal Bench 2.1, 82.0 บน OSWorld-Verified, 76.9 บน Toolathlon-Verified และ 94.0 บน CyberGym
หน้าโมเดลอย่างเป็นทางการของ Xiaomi ยังรายงานคะแนนดัชนีสติปัญญาเชิงองค์ประกอบของ Artificial Analysis ที่ 46.32 โดยเนื่องจากนี่เป็นการประเมินจากบุคคลที่สามที่ Xiaomi อ้างอิง จึงควรพิจารณาแยกจากชุดทดสอบของ Xiaomi เอง
MiMo-V2.6-Pro เทียบกับ MiMo-V2.6-Flash
MiMo-V2.6-Pro และ MiMo-V2.6-Flash มีการออกแบบโดยรวมแบบมัลติโหมดและบริบทยาวเหมือนกัน แต่มุ่งเป้าไปที่สเกลโมเดลที่แตกต่างกัน
| คุณลักษณะ | MiMo-V2.6-Pro | MiMo-V2.6-Flash |
|---|---|---|
| การวางตำแหน่งโมเดล | เรือธง | เน้นประสิทธิภาพ |
| สถาปัตยกรรม | MoE แบบ sparse | MoE แบบ sparse |
| พารามิเตอร์ทั้งหมด | 1.02T | 309B |
| พารามิเตอร์ที่ถูกกระตุ้น | 42B | 15B |
| หน้าต่างบริบท | 1M tokens | 1M tokens |
| อินพุต | ข้อความ, รูปภาพ, วิดีโอ, เสียง | ข้อความ, รูปภาพ, วิดีโอ, เสียง |
| การคิดเชิงลึก | รองรับ | รองรับ |
| การเรียกใช้เครื่องมือ | รองรับ | รองรับ |
| ผลลัพธ์แบบมีโครงสร้าง | รองรับ | รองรับ |
| การค้นเว็บ | รองรับ | รองรับ |
ความแตกต่างทางสถาปัตยกรรมหลักคือขนาดของโมเดล: เช็คพอยต์รุ่น Pro มีพารามิเตอร์ทั้งหมด 1.02T / พารามิเตอร์ที่ถูกกระตุ้น 42B เทียบกับรุ่น Flash ที่มีทั้งหมด 309B / ที่ถูกกระตุ้น 15B
MiMo-V2.6-Pro เทียบกับโมเดลให้เหตุผลอื่นๆ
MiMo-V2.6-Pro ผสานหลายความสามารถที่มักถูกแยกอยู่คนละหมวดของโมเดล: ความเข้าใจแบบมัลติโหมด บริบทยาว การเขียนโค้ด การใช้เครื่องมือ และการดำเนินการเชิงเอเจนต์
หน้าต่างบริบท 1M โทเค็นทำให้แตกต่างจากโมเดลที่มีบริบทสั้นกว่ามาก ขณะที่อินพุตแบบรูปภาพ วิดีโอ และเสียงโดยกำเนิดทำให้ไปได้ไกลกว่าโมเดลให้เหตุผลที่เน้นข้อความ สถาปัตยกรรม MoE แบบ sparse ยังแยกความจุรวมของโมเดลออกจากจำนวนพารามิเตอร์ที่ถูกกระตุ้นต่อโทเค็น
สำหรับแอปพลิเคชันเชิงเอเจนต์ ชุดการประเมินที่เผยแพร่ครอบคลุมวิศวกรรมซอฟต์แวร์ การใช้เครื่องมือทั่วไป การโต้ตอบกับคอมพิวเตอร์ ความปลอดภัยไซเบอร์ และการเขียนโค้ดเชิงภาพ แทนที่จะเน้นเฉพาะชุดทดสอบภาษาแบบดั้งเดิม
กรณีการใช้งานที่เป็นตัวอย่าง
วิศวกรรมซอฟต์แวร์เชิงซับซ้อน
MiMo-V2.6-Pro รองรับการสร้างโค้ด การวิเคราะห์รีโพ การดีบัก สถาปัตยกรรมซอฟต์แวร์ การวางแผนงาน และเวิร์กโฟลว์โค้ดแบบอัตโนมัติ
การประเมินที่เผยแพร่รวมถึง DeepSWE v1.1, ProgramBench, MiMo Code Bench และ Terminal Bench
งานวิจัยบริบทยาว
บริบท 1M โทเค็นทำให้โมเดลเหมาะกับโครงการวิจัยขนาดใหญ่ที่เกี่ยวข้องกับบทความยาว เอกสารเทคนิค ชุดข้อมูล โน้ต และประวัติงานวิจัยที่สะสมยาวนาน
การวิเคราะห์แบบมัลติโหมด
แอปพลิเคชันสามารถผสานข้อความ รูปภาพ วิดีโอ และเสียงภายในเวิร์กโฟลว์เดียว เหมาะสำหรับการวิเคราะห์เอกสารมัลติมีเดีย วัสดุบันทึก หลักฐานเชิงภาพ สกรีนช็อต และข้อมูลวิจัยรูปแบบผสม
เอเจนต์ AI และระบบอัตโนมัติด้วยเครื่องมือ
การเรียกใช้เครื่องมือ ผลลัพธ์แบบมีโครงสร้าง การคิดเชิงลึก และบริบทยาว ทำให้ MiMo-V2.6-Pro เหมาะสำหรับเอเจนต์ที่ต้องวางแผน เรียกใช้เครื่องมือภายนอก ตรวจสอบผลลัพธ์ และทำงานต่อเนื่องหลายขั้นตอน
ความปลอดภัยไซเบอร์
ความปลอดภัยไซเบอร์เป็นหนึ่งในด้านการประเมินที่รวมอยู่ในผลลัพธ์ของโมเดลที่ Xiaomi เผยแพร่ โดยโมเดลรายงาน 94.0 บน CyberGym, 80.2 บน MiMo Cyber Bench, 47.9 บน ExploitBench และ 66.3 บน SEC Bench Pro
เวิร์กโฟลว์การใช้งานคอมพิวเตอร์
MiMo-V2.6-Pro ถูกประเมินบน OSWorld-Verified ซึ่ง Xiaomi รายงานคะแนน 82.0 ทำให้การโต้ตอบกับคอมพิวเตอร์และระบบอัตโนมัติที่เน้น UI เป็นอีกหนึ่งกรณีใช้งานที่เกี่ยวข้อง
เวิร์กโฟลว์เชิงวิทยาศาสตร์และงานระดับมืออาชีพ
Xiaomi นำเสนอ MiMo-V2.6-Pro ในเวิร์กโฟลว์งานวิจัยทางวิทยาศาสตร์ รวมถึงงานวิจัยด้านวัสดุ ตลอดจนงานออกแบบ การสร้างคอนเทนต์ งานออฟฟิศ และงานระดับมืออาชีพที่ซับซ้อนอื่นๆ
ข้อจำกัด
ผลลัพธ์ชุดทดสอบของ MiMo-V2.6-Pro ส่วนใหญ่มาจากที่ Xiaomi เผยแพร่ และควรตีความตามวิธีวิทยาของแต่ละชุดทดสอบ แทนที่จะมองว่าเป็นตัวชี้วัดประสิทธิภาพสากลของแอปพลิเคชัน
สถาปัตยกรรมที่มีพารามิเตอร์ทั้งหมด 1.02 ล้านล้านยังสะท้อนขนาดโมเดลพื้นฐานที่มหาศาล ตัวเลขพารามิเตอร์ที่ถูกกระตุ้น 42 พันล้านอธิบายการกระตุ้นแบบ sparse ไม่ใช่รอยเท้าฮาร์ดแวร์หรือการปรับใช้ทั้งหมด องค์กรที่พิจารณาโฮสต์เองควรประเมินการรองรับเอนจินอินเฟอเรนซ์ ความต้องการหน่วยความจำ ควอนไทเซชัน throughput และความต้องการด้านฮาร์ดแวร์อย่างอิสระ
สำหรับแอปพลิเคชันที่อิง API โมเดลแบบโฮสต์สามารถเข้าถึงผ่านแพลตฟอร์ม API ของ Xiaomi ขณะที่เช็คพอยต์แบบ open-weight เปิดทางเลือกแยกต่างหากสำหรับองค์กรที่ต้องการจัดการโครงสร้างพื้นฐานอินเฟอเรนซ์ด้วยตนเอง
วิธีเข้าถึง MiMo-V2.6-Pro API ผ่าน CometAPI
Step 1: สมัครใช้งาน CometAPI และ ขอรับ CometAPI API Key
สร้างหรือลงชื่อเข้าใช้บัญชี CometAPI ของคุณและเปิดพื้นที่จัดการ API สร้าง API key จากบัญชี CometAPI ของคุณและเตรียมไว้สำหรับแอปพลิเคชัน
ขั้นตอนที่ 2: เลือก MiMo-V2.6-Pro
ค้นหา MiMo-V2.6-Pro ในแคตตาล็อกโมเดลของ CometAPI และยืนยันรหัสโมเดลเป็น mimo-v2.6-pro ตั้งค่า MiMo-V2.6-Pro เป็นโมเดลเป้าหมายในอินทิเกรชัน CometAPI ปรับแต่งแอปพลิเคชันตามความสามารถด้านข้อความ รูปภาพ วิดีโอ เสียง การให้เหตุผล หรือการเรียกใช้เครื่องมือที่เวิร์กโฟลว์ของคุณต้องการ
ขั้นตอนที่ 3: ส่งคำขอ
ส่งคำขอผ่านอินทิเกรชัน CometAPI และจัดเตรียมอินพุตที่จำเป็นสำหรับแอปพลิเคชันของคุณ
ขั้นตอนที่ 4: ประมวลผลการตอบกลับ
ใช้เอาต์พุตของโมเดล ข้อมูลแบบมีโครงสร้าง ผลการให้เหตุผล หรือข้อมูลการเรียกใช้เครื่องมือที่ส่งกลับมา ภายในเวิร์กโฟลว์ของแอปพลิเคชันของคุณ