MiMo-V2.6

V2.6 · Rodzina: MiMo

Seria omnimodalnych modeli agentowych Xiaomi (Pro-RL, Flash-RL, Distill-Qwen-9B) trenowana skalowanym RL; wejście tekst/obraz/wideo/audio, kontekst 1M.

✓ Aktywny✓ Publiczny dostęp⚖ Open sourceModel multimodalnyModel rozumowaniaModel używający narzędzi📁 MiMo

Okno kontekstowe

1M tokenów

tokenów

Parametry

1,02 bln / 42 mld aktywnych (Pro-RL); 309 mld / 15 mld (Flash-RL); 9 mld (Distill-Qwen-9B)

parametrów

Data premiery

21 września 2026

🏢XiaomiProducent

Dostęp:APIDownloadHostedWdrożenie:☁ Cloud💻 Lokalnie

Przegląd

MiMo-V2.6 to seria natywnie omnimodalnych modeli językowych opracowana przez zespół Xiaomi MiMo, udostępniona 21 września 2026 roku na licencji MIT. Modele przyjmują na wejściu tekst, obraz, wideo i audio, generują tekst (w tym kod) i obsługują kontekst do 1 miliona tokenów.

Seria obejmuje trzy warianty: flagowy MiMo-V2.6-Pro-RL (rzadka architektura Mixture-of-Experts, 1,02 bln parametrów łącznie / 42 mld aktywnych, 384 ekspertów routowanych, 8 aktywnych), zrównoważony wydajnościowo MiMo-V2.6-Flash-RL (309 mld / 15 mld aktywnych) oraz destylowany MiMo-V2.6-Distill-Qwen-9B (9 mld, SFT na bazie Qwen3.5-9B). Architektura łączy hybrydowy szkielet z uwagą przesuwnego okna (SWA), enkoder wizyjny MiMo ViT (681 mln), enkodery audio oraz 5-warstwowy dekoder spekulatywny (Multi-Token Prediction).

Modele trenowano metodą skalowanego uczenia ze wzmocnieniem (Group Relative Policy Optimization) z jednym mieszanym przebiegiem RL obejmującym kodowanie, agentów ogólnego przeznaczenia, zadania wizualne i cyberbezpieczeństwo, uzupełnionym destylacją on-policy (MOPD2) i pętlą samodoskonalenia (Groupwise Reward Synthesis, Groupwise Advantage Redistribution). Modele wspierają wywoływanie narzędzi i pracę agentową.

Klasyfikacja

Model multimodalnyModel rozumowaniaModel używający narzędzi

Rodzina: MiMo

Zastosowania

Kodowanie Autonomiczne workflow agentowe Badania nad cyberbezpieczeństwem Asystent programistyczny AI Multimodalne rozumienie dokumentów

Dostęp i wdrożenie

APIPobieranieHostowane

ChmuraLokalnie

Wagi: Open source

Kluczowe parametry

📏 Kontekst: 1M tokenów

🧩 Parametry: 1,02 bln / 42 mld aktywnych (Pro-RL); 309 mld / 15 mld (Flash-RL); 9 mld (Distill-Qwen-9B)

✓ Narzędzia · ✓ Fine-tuning

📥 Wejście: tekst, obraz, wideo, audio

Specyfikacja techniczna

Okno kontekstowe

1M tokenów

tokenów

Parametry

1,02 bln / 42 mld aktywnych (Pro-RL); 309 mld / 15 mld (Flash-RL); 9 mld (Distill-Qwen-9B)

parametrów

Licencja

MIT

Wymagania sprzętowe

Duże warianty (Pro-RL, Flash-RL) wymagają wdrożenia wielokartowego (multi-GPU, tensor parallelism); rekomendowane SGLang lub vLLM. Wariant Distill-Qwen-9B (9 mld) można uruchomić na pojedynczym GPU.

Funkcje:✓ Używanie narzędzi✓ Fine-tuning

Modalności

⬇ Wejście (Input)

textimagevideoaudio

⬆ Wyjście (Output)

textcode

Możliwości i zastosowania

Natywne możliwości modelu

Zdolności agentowe

Zdolność modelu do autonomicznego planowania i wykonywania wieloetapowych zadań poprzez sekwencyjne użycie narzędzi, utrzymywanie kontekstu i adaptację do wyników pośrednich.

Kategoria: planning

Kodowanie agentowe

Wielogodzinne, wieloetapowe zadania programistyczne wykonywane samodzielnie przez model: klonowanie repozytorium, uruchamianie testów, iteracja poprawek, integracja z narzędziami CLI. Charakterystyczne dla wariantów Codex (GPT-5.1-Codex-Mini, Codex-Max).

Kategoria: coding

Programowanie

Generowanie, analizowanie i modyfikowanie kodu w wielu językach programowania. Obejmuje pisanie funkcji, debugowanie, refaktoryzację, code review, tworzenie testów. Mierzone benchmarkami takimi jak HumanEval, SWE-bench.

Kategoria: coding

Rozumowanie

Zdolność modelu do logicznego wnioskowania i rozwiązywania złożonych problemów.

Kategoria: reasoning

Użycie narzędzi

Zdolność modelu do wywoływania zewnętrznych funkcji, API i narzędzi w trakcie rozmowy: kalkulator, wyszukiwarka, edytor kodu, baza danych. Model decyduje kiedy i jak użyć narzędzia oraz interpretuje jego wynik.

Kategoria: planning

Długi kontekst

Obsługa dużych okien kontekstowych — dziesiątek do setek tysięcy (lub milionów) tokenów wejścia. Umożliwia analizę całych baz kodu, długich dokumentów, wielu równolegle rozmów bez utraty wcześniejszych informacji. GPT-5.1 wspiera 400 000 tokenów.

Kategoria: language

Rozumienie multimodalne

Zdolność modelu do łączenia i interpretowania informacji z więcej niż jednej modalności, np. tekstu i obrazu.

Kategoria: multimodal

Rozumienie obrazu

Analiza i interpretacja treści obrazów.

Kategoria: vision

Rozumienie wideo

Zdolność modelu do analizy i interpretacji treści wideo — rozpoznawania akcji, ruchu, zdarzeń oraz relacji między obiektami w czasie.

Kategoria: video

Rozumienie audio

Zdolność modelu do interpretowania dźwięku, mowy, tonów i sygnałów audio.

Kategoria: audio

Cyberbezpieczeństwo

Zdolność modelu do zadań z zakresu bezpieczeństwa komputerowego: analizy podatności, generowania exploitów proof-of-concept, łatania luk i odpowiadania na pytania z cyberbezpieczeństwa.

Kategoria: other

Obsługa komputera

Zdolność modelu do obsługi interfejsu komputera poprzez interpretację zrzutów ekranu oraz generowanie akcji takich jak kliknięcia, wpisywanie tekstu i nawigacja po aplikacjach.

Kategoria: planning

Dziedziny zastosowań

Kodowanie Autonomiczne workflow agentowe Badania nad cyberbezpieczeństwem Asystent programistyczny AI Multimodalne rozumienie dokumentów

Wyniki benchmarków

7 benchmarków

DeepSWE v1.1

Code Agent (MiMo-V2.6 Pro)

71.9