Aller au contenu principal

MiMo-V2.6 : le modèle omnimodal 1T à poids ouverts de Xiaomi

Intermédiaire

Le 22 septembre 2026, Xiaomi a publié MiMo-V2.6 — trois checkpoints sur Hugging Face sous une simple licence MIT, avec en vedette un modèle Mixture-of-Experts creux de 1,02 billion de paramètres doté d'un contexte d'un million de tokens qui accepte du texte, de l'image, de la vidéo et de l'audio en entrée. La sortie a eu lieu le même jour que Claude Opus 5.5 et GPT-6 Sol/Luna, et le modèle est monté directement en tête de Hacker News.

Les articles de lancement disent tous à peu près la même chose : des poids ouverts de niveau frontière, vingt à soixante fois moins chers que les modèles fermés. C'est vrai et facile à vérifier. Ce que personne n'a écrit, c'est la partie qui décide si vous devez réellement l'utiliser — de quelles versions de benchmarks viennent les victoires, pourquoi le modèle phare n'est pas une machine que vous possédez, et à quoi sert le troisième palier tarifaire.

What you'll learn
  • Lire le tableau de benchmarks de MiMo-V2.6 tel que sa propre fiche modèle le rapporte — y compris le déficit de 14 points sur Terminal-Bench 4.0 que la presse n'a pas cité
  • Savoir pourquoi un bond générationnel de 33 points sur un benchmark agentique signifie généralement que l'ancien modèle ne savait pas piloter le harnais, pas que le nouveau est devenu plus intelligent
  • Comprendre l'architecture qui achète le contexte de 1 M : 384 experts dont 8 actifs, et un ratio de 6:1 entre attention à fenêtre glissante et attention globale
  • Choisir entre Pro, Flash et la distillation 9B selon le matériel dont vous disposez réellement — la propre commande de lancement de Pro réclame deux nœuds
  • Voir ce que vend le palier UltraSpeed facturé 10x (de la latence, à partir des mêmes poids) et quand cela vaut la dépense

La version en une phrase​

MiMo-V2.6-Pro est un MoE creux sous licence MIT, 1,02 T au total / 42 B actifs doté d'un contexte de 1 M de tokens et d'une entrée texte, image, vidéo et audio, qui égale ou bat Claude Opus 5 sur les benchmarks agentiques et d'automatisation à horizon court, le suit de très loin sur le travail terminal à horizon long, et coûte environ un dixième du prix par token quand vous le louez au lieu de l'exécuter.

Quatre choses qui ne sautent pas aux yeux dans les titres​

1. La victoire Terminal-Bench et la défaite Terminal-Bench concernent le même modèle​

C'est celle qu'il faut intégrer. La couverture de lancement a largement rapporté MiMo-V2.6-Pro à 89,9 sur Terminal Bench 2.1, juste devant les 89,1 de Claude Opus 5. La fiche modèle de Xiaomi elle-même ne rapporte pas du tout Terminal Bench 2.1. Elle rapporte Terminal Bench 4.0, où MiMo-V2.6-Pro obtient 34,9 contre 49,0 pour Opus 5 — un déficit de 14,1 points.

Les deux chiffres sont réels. Terminal Bench 2.1 est un harnais plus ancien, largement saturé, où tous les modèles frontière se massent autour de 90 et où un écart de 0,8 point est du bruit. Terminal Bench 4.0 est l'actuel, et c'est là que les modèles restent dispersés. Si vous lisez quelque part « bat Claude sur Terminal Bench », la première question est toujours quelle version — parce que sur les suites agentiques le changement de version est généralement un effet plus important que le changement de modèle.

Le même motif apparaît dans la couverture AILmanac de DeepSeek-V4.1-Flash et de Gemini 3.8 Flash : parité sur DeepSWE, un trou de 15 à 20 points sur Terminal-Bench 4.0. Cela devient la signature du palier bon marché.

2. Un bond générationnel de 33 points raconte une histoire de harnais, pas d'intelligence​

Le tableau de la fiche modèle inclut la génération précédente. MiMo-V2.5-Pro obtenait 19,0 sur DeepSWE v1.1 et 1,5 sur Terminal Bench 4.0. V2.6-Pro obtient 71,9 et 34,9.

Un modèle ne devient pas 23× meilleur en travail terminal en une génération. Un score de 1,5 signifie que l'ancien modèle ne parvenait essentiellement pas à respecter le protocole d'appel d'outils du benchmark — il échouait sur le harnais, pas sur le raisonnement. Lisez les écarts générationnels énormes sur les benchmarks agentiques comme « on a réparé l'appel d'outils » d'abord, et seulement ensuite comme de la capacité. Les écarts sur les benchmarks non agentiques sont les honnêtes : ProgramBench est passé de 12,5 à 26,5, soit un doublement approximatif, un pas générationnel large mais crédible.

3. Le contexte de 1 M s'achète par l'agencement de l'attention, pas par la force brute​

Le backbone LLM de MiMo-V2.6-Pro compte 70 couches : 60 en attention à fenêtre glissante, 10 en attention globale — un ratio de 6:1. Les couches à fenêtre glissante ne conservent qu'une fenêtre KV locale, donc l'empreinte KV par token à 1 M de tokens est une fraction de ce qu'exigerait une pile de 70 couches entièrement globale. Les dix couches globales sont ce qui permet encore à l'information de circuler d'un bout à l'autre.

Le MoE compte 384 experts routés dont 8 actifs par token, ce qui donne 42 B actifs sur 1,02 T — environ 4,1 % du modèle s'exécute sur un token donné. Flash utilise la même forme à 309–311 B au total et ~15 B actifs. C'est pourquoi un modèle d'un billion de paramètres peut être servi tout court : vous payez 1 T en mémoire et 42 B en calcul.

Par-dessus se greffe un décodeur spéculatif à prédiction multi-token de 5 couches qui esquisse 7 tokens par passe. C'est un mécanisme de débit, et il compte pour le point suivant.

4. « Omnimodal » veut dire omnimodal en entrée, et UltraSpeed vend de la latence, pas de la qualité​

Deux choses que le langage marketing brouille :

Les modalités sont côté entrée. La fiche liste texte, image, vidéo et audio comme modalités, avec un encodeur visuel MiMo ViT de 681 M de paramètres et un AudioTokenizer de 308 M plus un encodeur de patches audio de 127 M. Le tag de pipeline Hugging Face pour Pro est « text generation ». Vous pouvez lui donner une vidéo et poser des questions ; il répond en texte. Ce n'est pas un générateur de parole ou d'image. Si vous voulez de la génération multi-médias, c'est une autre page : médias génératifs.

UltraSpeed, c'est le même modèle à 10× le prix. MiMo-V2.6-Pro-UltraSpeed est décrit comme de la qualité Pro à une vitesse de sortie jusqu'à 20× supérieure, listé à environ dix fois le prix par token de Pro. Il n'existe pas de jeu de poids séparé sur Hugging Face pour lui — c'est un palier de service bâti sur le décodeur spéculatif et l'infrastructure de Xiaomi. C'est un produit parfaitement raisonnable, mais tarifez-le pour ce qu'il est : vous achetez des tokens par seconde pour des charges interactives et temps réel, pas de la précision. Si votre travail est un batch de fond, UltraSpeed est un surpaiement de 10×.

Le tableau de benchmarks, tel que l'éditeur l'a publié​

Tous les chiffres ci-dessous sont des exécutions propres à Xiaomi, issues de la fiche modèle MiMo-V2.6-Pro-RL. Aucune réplication indépendante n'existait à l'heure de la rédaction.

BenchmarkMiMo-V2.6 ProMiMo-V2.6 FlashMiMo-V2.5 ProClaude Opus 5GPT-5.6 SolClaude Fable 5
DeepSWE v1.171.967.919.074.073.070.0
ProgramBench26.526.012.537.025.033.0
MiMo Code Bench63.261.240.468.659.3—
AutomationBench v1.0.653.152.316.050.345.846.2
Toolathlon-Verified76.973.649.180.674.977.9
Terminal Bench 4.034.928.81.549.039.942.4
OSWorld-Verified82.080.8—83.483.086.0
CyberGym94.095.140.0———
MiMo VisualCoding72.371.5—70.073.469.1

Trois lectures qui valent la peine :

  • Flash est à quelques points de Pro presque partout. 67,9 contre 71,9 sur DeepSWE, 52,3 contre 53,1 sur AutomationBench, et il bat Pro sur CyberGym. À environ un tiers du prix hébergé de Pro et un tiers des paramètres, Flash est le choix par défaut sauf si vous avez mesuré une raison de faire autrement.
  • Les colonnes concurrentes de CyberGym sont vides. Xiaomi a rapporté 94,0 et 95,1 et n'a publié aucune comparaison Claude ou GPT. Traitez un chiffre sans adversaire comme sans adversaire — il vous dit que le modèle est compétent sur la tâche, pas qu'il domine.
  • Pro remporte exactement une ligne franchement : AutomationBench. Tout le reste est un quasi-match nul ou une défaite. « Poids ouverts de niveau frontière » est juste ; « bat Claude » ne l'est pas.

Côté agrégat, l'Intelligence Index v4.3 d'Artificial Analysis a placé MiMo-V2.6-Pro autour de 46, rapporté comme premier parmi les modèles à poids ouverts et à égalité avec Grok 4.7, contre environ 53 pour la frontière fermée. Un écart d'index de sept points pour un dixième du prix, voilà l'argument réel.

Ce qu'il coûte, loué et possédé​

Loué, tel que rapporté au lancement depuis les listings OpenRouter et Xiaomi, par million de tokens :

ModèleEntréeSortie
MiMo-V2.6-Flash$0.14$0.28
MiMo-V2.6-Pro$0.435$0.87
MiMo-V2.6-Pro-UltraSpeed$4.35$8.70

À titre d'échelle, Claude Opus 5.5 est listé à $4 / $20 (voir le guide de terrain Opus 5.5). Pro est environ 9× moins cher en entrée et 23× moins cher en sortie. UltraSpeed coûte à peu près autant qu'Opus 5.5 en entrée et moins de la moitié en sortie — ce qui est la façon honnête de penser ce palier.

Posséder est une autre conversation, et les commandes de lancement le trahissent. L'exemple SGLang de la fiche modèle pour Pro réclame --tp 16 --dp 2 ... --nnodes 2 : parallélisme tensoriel sur seize appareils, deux répliques en parallélisme de données, deux nœuds. C'est une baie, pas une station de travail. Le chemin vLLM est plus léger avec --tensor-parallel-size 8, soit tout de même huit accélérateurs pour un checkpoint de 1,02 T en BF16.

Flash, à ~309–311 B au total et ~15 B actifs, est la variante qu'une machine sérieuse à nœud unique peut plausiblement servir. Le checkpoint MiMo-V2.6-Distill-Qwen-9B — une distillation 9B, listée sur Hugging Face sous image-text-to-text — est celui qui tient sur un GPU de classe portable. Si votre objectif est « faire tourner un modèle ouvert capable à la maison », commencez par là et par Faire tourner des modèles en local avec Ollama, pas par Pro.

Une dernière réserve côté possession : les dépôts publiés sont les checkpoints post-RL (-Pro-RL, -Flash-RL). Aucun checkpoint de base n'a été publié. Vous pouvez servir, quantifier et adapter ces modèles, mais vous ne pouvez pas lancer votre propre post-entraînement à partir de la base pré-RL.

Comment l'évaluer pour votre propre travail​

Guided walkthrough1 of 5
  1. Si votre charge de travail n'envoie jamais d'image, de vidéo ou de clip audio, l'essentiel de ce qui rend MiMo-V2.6 distinctif ne vous concerne pas et un modèle ouvert texte seul moins cher peut l'égaler. Les encodeurs omnimodaux sont le différenciateur — servez-vous en ou écartez-les.

Appeler MiMo-V2.6-Flash via un endpoint compatible OpenAI

curl https://openrouter.ai/api/v1/chat/completions \
-H "Authorization: Bearer $OPENROUTER_API_KEY" \
-H "Content-Type: application/json" \
-d '{
  "model": "xiaomi/mimo-v2.6-flash",
  "messages": [
    {"role": "user", "content": "Summarise the failure modes in this log and propose one fix."}
  ]
}'

Servir MiMo-V2.6-Pro avec vLLM (la ligne de lancement de la fiche modèle)

vllm serve XiaomiMiMo/MiMo-V2.6-Pro-RL \
--tensor-parallel-size 8 \
--trust-remote-code \
--gpu-memory-utilization 0.95 \
--max-model-len auto \
--reasoning-parser mimo \
--tool-call-parser mimo \
--enable-auto-tool-choice \
--generation-config vllm
Pro tip
  • Notez les deux drapeaux de parseur : --reasoning-parser mimo et --tool-call-parser mimo. MiMo émet son raisonnement et ses appels d'outils dans un format propre à la famille. Omettez-les et votre pile de service renverra les marqueurs bruts à votre application sous forme de texte ordinaire — une panne silencieuse qui ressemble au modèle ignorant vos outils.
  • --trust-remote-code est requis parce que le code de modélisation est livré avec le checkpoint. Lisez-le avant de l'exécuter sur quoi que ce soit qui compte ; ce drapeau exécute du Python de l'éditeur dans votre processus de service.
  • Le chemin SGLang ajoute des drapeaux de décodage spéculatif EAGLE. C'est là que réside l'avantage de débit — un lancement standard laisse le prédicteur multi-token inutilisé.

Quand y recourir, et quand s'en abstenir​

Bon usage

  • Classification, extraction ou automatisation à fort volume sur des médias mixtes, où $0,14/M en entrée change ce qui est économiquement possible tout court.
  • Tout ce que vous devez exécuter sur votre propre matériel pour des raisons de confidentialité ou de juridiction et qui nécessite la compréhension de la vision ou de l'audio — peu de modèles sous licence MIT offrent cette combinaison. Voir une pile d'IA locale privée.
  • Tâches agentiques courtes et bornées avec des outils bien spécifiés, ce qui est le terrain où les scores AutomationBench et Toolathlon disent qu'il est réellement compétitif.

Mauvais usage

  • Longues sessions de codage autonomes. L'écart sur Terminal Bench 4.0 est de 14 points face à Opus 5 et de 5 points face à GPT-5.6 Sol, et c'est le chiffre de l'éditeur lui-même.
  • Partout où vous avez besoin d'un checkpoint de base pour post-entraîner. Seuls les checkpoints RL ont été livrés.
  • Auto-hébergement de Pro sur une seule machine. Prévoyez Flash ou la distillation 9B, ou louez Pro.

Ce que Xiaomi a divulgué et que la plupart des labos ne divulguent pas​

Cela mérite d'être noté parce que c'est inhabituellement précis : Xiaomi a publié la forme et le coût de sa campagne d'entraînement RL — environ six jours, 30 étapes de RL, à peu près 750 000 trajectoires, 1 568 prompts avec 16 déploiements par étape, pour un coût rapporté de ~2,62 M$ pour Pro et ~850 K$ pour Flash, avec du GRPO asynchrone et le routeur MoE gelé pendant le RL.

Deux choses à en retenir. D'abord, un routeur gelé pendant l'apprentissage par renforcement est un choix de stabilité : il maintient l'affectation des experts fixe pour que la mise à jour de la politique ne puisse pas remodeler discrètement quels experts s'activent. Ensuite, et c'est plus utile : une campagne de post-entraînement quasi frontière coûte désormais quelques millions, pas des centaines. C'est le chiffre qui explique pourquoi quatre labos ont livré la même semaine.

Check yourself

0/5
  1. La presse a écrit que MiMo-V2.6-Pro battait Claude Opus 5 sur Terminal Bench ; la fiche modèle le montre 14 points derrière. Qu'est-ce qui explique la contradiction ?
  2. MiMo-V2.5-Pro obtenait 1,5 sur Terminal Bench 4.0 ; V2.6-Pro obtient 34,9. Quelle est la lecture la plus probable ?
  3. Que vend réellement le palier MiMo-V2.6-Pro-UltraSpeed à environ 10x le prix de Pro ?
  4. Pourquoi le contexte de 1 M de tokens de MiMo-V2.6-Pro n'exige-t-il pas un cache KV proportionnellement énorme ?
  5. Vous voulez faire tourner un modèle à poids ouverts capable avec de la vision sur un seul GPU de station de travail. Quel checkpoint MiMo-V2.6 est le point de départ réaliste ?
Appuyez sur Entrée ou Espace pour retourner la carte. Utilisez les flèches gauche et droite pour naviguer entre les cartes.Terme affiché.
1 / 9
Key takeaways
  • Vérifiez la version du benchmark avant le score. MiMo-V2.6-Pro bat Opus 5 sur Terminal Bench 2.1 et le suit à 14 points sur la 4.0 — même modèle, même éditeur, titre opposé.
  • Flash, pas Pro, est le choix par défaut. À quelques points sur chaque ligne publiée, devant sur CyberGym, environ un tiers du prix, et réellement servable sur un seul nœud.
  • L'omnimodalité est côté entrée. Vidéo et audio entrent, du texte sort. Si vous n'envoyez jamais de médias, un modèle ouvert texte seul moins cher peut faire le même travail.
  • UltraSpeed est un produit de latence à 10x le prix pour une qualité identique. Achetez-le pour du travail interactif ; jamais pour un batch.
  • Le contexte de 1 M repose sur 10 couches d'attention globale sur 70. Testez la récupération à longue portée à votre longueur de contexte réelle avant de faire confiance au plafond.
  • Seuls les checkpoints RL ont été livrés, et chaque benchmark est une exécution de l'éditeur. Construisez une éval privée de 20 tâches à l'image de votre propre travail avant de vous engager.

Sources et lectures complémentaires​

Suite​