MiMo-V2.6-Flash-RL

V2.6-Flash-RL · Rodzina: MiMo

Zrównoważony wydajnościowo checkpoint serii MiMo-V2.6 od Xiaomi: omnimodalny model MoE 309 mld parametrów (15 mld aktywnych), okno 1M tokenów, trenowany skalowanym RL.

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

Okno kontekstowe

tokenów

Parametry

309B total / 15B active

parametrów

Data premiery

21 września 2026

🏢XiaomiProducent

Dostęp:DownloadAPIHostedWdrożenie:💻 Lokalnie☁ Cloud

Przegląd

MiMo-V2.6-Flash-RL to zrównoważony wydajnościowo checkpoint serii MiMo-V2.6 rozwijanej przez zespół Xiaomi MiMo. Jest to omnimodalny model z rzadką architekturą Mixture of Experts o 309 miliardach parametrów, z których w pojedynczym przebiegu aktywowanych jest 15 miliardów (256 ekspertów routowanych, 8 aktywnych). Model przyjmuje tekst, obraz, wideo i audio, generuje tekst (w tym kod) i obsługuje kontekst do 1 miliona tokenów.

Architektura

Backbone LLM liczy 48 warstw transformera (39 z uwagą przesuwnego okna SWA i 9 z uwagą globalną GA), o rozmiarze ukrytym 4096, z 64 głowicami uwagi i 4 głowicami klucz-wartość (GQA). Model łączy omnimodalne enkodery: wizyjny MiMo ViT (681 mln parametrów, 28 warstw) oraz audio (tokenizer 308 mln + enkoder patchy 127 mln). Dekodowanie spekulatywne realizuje 5-warstwowy moduł Multi-Token Prediction. Wagi udostępniono w formacie FP8.

Czym różni się wariant Flash

Flash-RL to mniejszy, zrównoważony wydajnościowo wariant serii — obok flagowego MiMo-V2.6-Pro-RL (1,02 bln / 42 mld aktywnych, 384 ekspertów) i destylowanego MiMo-V2.6-Distill-Qwen-9B. Ma 309 mld parametrów łącznych i 15 mld aktywnych (256 ekspertów, 8 aktywnych) oraz 48 warstw zamiast 70 w Pro-RL, co obniża wymagania wdrożeniowe (referencyjnie 8 GPU tensor-parallel × 2 data-parallel w SGLang lub 4 GPU tensor-parallel w vLLM). Kosztem kilkuprocentowego spadku wyników na większości benchmarków; w CyberGym osiąga nieznacznie wyższy wynik (95,1 vs 94,0). Model trenowano tą samą metodą skalowanego uczenia ze wzmocnieniem (GRPO) z dystylacją on-policy (MOPD2) i pętlą samodoskonalenia.

Klasyfikacja

Model multimodalnyModel rozumowaniaModel używający narzędzi

Rodzina: MiMo

Dostęp i wdrożenie

PobieranieAPIHostowane

LokalnieChmura

Wagi: Open source

Kluczowe parametry

📏 Kontekst: 1M

🧩 Parametry: 309B total / 15B active

✓ Narzędzia · ✓ Fine-tuning

📥 Wejście: tekst, obraz, wideo, audio

Specyfikacja techniczna

Okno kontekstowe

tokenów

Parametry

309B total / 15B active

parametrów

Licencja

MIT

Wymagania sprzętowe

Wdrożenie referencyjne SGLang: 8 GPU tensor-parallel × 2 data-parallel; vLLM: 4 GPU tensor-parallel. Wagi w formacie FP8 (mxfp4).

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

Wyniki benchmarków

16 benchmarków

DeepSWE v1.1

MiMo-V2.6-Flash-RL

67.9