Xiaomi выпустила семейство MiMo-V2.6 из двух моделей с открытыми весами — MiMo-V2.6-Pro и MiMo-V2.6-Flash, а также конфигурацию MiMo-V2.6-Pro-UltraSpeed с ускоренным выводом. Обе основные модели принимают текст, изображения, видео и аудио, поддерживают контекст до миллиона токенов и распространяются под лицензией MIT. Pro — триллион-параметровая модель с 42 млрд активных параметров, Flash — 309 млрд всего и 15 млрд активных.
Отдельная часть релиза — не веса, а процесс их получения. Xiaomi транслировала RL-обучение через публичный дашборд, показывая метрики production-запусков в реальном времени в течение пяти дней начиная с 15 сентября, и раскрыла расходы на RL-этап. На момент публикации твита от 16 сентября 2026 года модель находилась в середине RL-прогона.
Что именно выпущено
В семейство вошли две модели с открытыми весами. Pro — флагман: 1,02 трлн параметров всего, 42 млрд активных на инференсе, контекст 1 млн токенов. Flash — более экономичная: 309 млрд всего, 15 млрд активных, тот же контекст. Обе построены на разреженной архитектуре Mixture of Expertsархитектура, где маршрутизатор выбирает несколько подходящих экспертных блоков вместо запуска всей нейросети для каждого токена, используют собственный визуальный энкодер MiMo ViT на 681 млн параметров и два аудиоэнкодера. Спекулятивный декодер предсказывает сразу несколько следующих токенов, которые основная модель затем проверяет параллельно.
Обозначение «1T-A42B» расшифровывается как около триллиона параметров всего при 42 млрд активных на инференсе. MiMo-V2.6-Pro получила 46 баллов в актуальной версии Artificial Analysis Intelligence Index — на момент публикации это первое место среди 114 моделей с открытыми весами.
Конфигурация UltraSpeed собирается из трёх элементов: веса экспертов сжимают в MXFP4четырёхбитный формат хранения весов, добавляют спекулятивное декодирование DFlash и ядра TileRTКомпонент конфигурации UltraSpeed, добавляемый вместе со сжатием весов экспертов в MXFP4 и спекулятивным декодированием DFlash для ускорения вывода.. На одном узле из восьми GPU это даёт больше тысячи токенов в секунду. Триллион весов в четыре бита занимает около 510 ГБ, и всё это надо где-то держать. UltraSpeed использует ту же Pro-модель, но выдаёт ответ до 20 раз быстрее без потери качества.
Как устроен RL-цикл
Обучение велось в общей смеси заданий, а не отдельными узкоспециализированными моделями. Для Pro и Flash выполнили по 30 шагов RLодин цикл обучения с подкреплением, на котором модель пробует решать задания и обновляется по полученным наградам, каждый на пакетах из 1568 запросов и 16 вариантов ответанесколько независимых попыток решить один и тот же запрос, которые модель генерирует заново и которые затем оцениваются. На одну итерацию приходилось от 3,5 до 3,7 млрд токенов; обучение каждой модели заняло менее шести дней и суммарно включало около 750 тысяч траекторий.
Награда считалась не только по принципу «решена задача или нет»: отдельный агент сравнивал успешные траектории между собой и оценивал качество решения, длину пути и расход токенов. Xiaomi также сообщает о защите от reward hackingситуация, когда модель учится эксплуатировать ошибки проверяющей системы вместо решения самой задачи.
Заявлено более 7000 сред, охватывающих software engineering, vulnerability reproduction, knowledge work и web development, а также сквозной фреймворк обучения от взаимодействия со средой до оценки награды и оптимизации политики. Для визуальных задач используется Vibe Worldрежим, в котором модель по описанию строит интерактивный мир и проверяет его по рендерам: пользователь описывает интерактивный мир текстом, изображением или видео, после чего MiMo разбивает работу на этапы, координирует несколько агентов, пишет логику, собирает 3D-сцену и проверяет результат по рендерам.
Предыстория: полгода на один вопрос
Почти полгода молчания Xiaomi потратила на изучение одного вопроса — насколько далеко может масштабироваться RL. По словам Фули Ло, команда увеличивала объём обучения, разнообразие сред и агентных сетапов, а также ресурсы для оценки попыток модели. Масштабировались три вещи: вычисления (около 2 млрд токенов на шаг, 1568 промптов × 16 роллаутов, полностью асинхронно), среды и обвязки, а также ресурсы для оценки.
Обычные open-weight релизы в основном сводятся к выкладыванию весов — набора числовых значений, выученных моделью при обучении, которые можно использовать для запуска или дообучения, тогда как большая часть процесса их создания остаётся закрытой. Xiaomi выходит за эти рамки: публичный дашборд с метриками production-запусков, раскрытые расходы ($854 044 для Flash и $2 620 670 для Pro), технический отчёт, заявление об открытии RL-кода и тренировочных сред. Лицензия MIT не содержит условий, которые накладывают Moonshot с Kimi K3 и Alibaba с Qwen3.8-Max для крупных коммерческих пользователей.
Почему открытые среды считают важнее весов
Аргумент авторов: выпуск качественных открытых RL-сред — самое значимое действие для продвижения открытой границы. В парадигме RLVRобучение с подкреплением на задачах, результат которых проверяется автоматически среды становятся ключевым ингредиентом обучения, потому что RLVR зависит от задач с автоматически проверяемым результатом — проходит ли код тест, например.
Сообщество выделяет обещанные ресурсы и скорость публикации. eliebakouch отмечает, что Xiaomi выпустит около 7 тысяч RL-данных и фреймворк, а модель и технический отчёт вышли менее чем через неделю после старта финального RL-запуска. Повторяющаяся интерпретация от @bertgodel и @Thom_Wolf: качественные открытые RL-среды могут быть стратегически важны так же, как корпуса предобучения в прошлом цикле.
Что это меняет на практике
Базовые тарифы Xiaomi сохранила на уровне предыдущего поколения. Цены указаны за миллион токенов:
- Flash — вход с кешем $0,0028, обычный вход $0,14, выход $0,28;
- Pro — $0,0036, $0,435, $0,87;
- Pro-UltraSpeed — $0,036, $4,35, $8,70.
За низкую задержку придётся доплатить в десять раз. MiMo-V2.6-Pro и Flash уже доступны в AI Studio, MiMo Desktop, MiMo Code, через API Xiaomi и OpenRouter; веса можно скачать из официальной коллекции на Hugging Face.
Про контекст: миллион токенов в карточке не обещает одинаковой точности на всей длине — в GraphWalks модель держала ненулевой результат на миллионе, а прошлое поколение там резко проседало.
Отдельно упоминаются два обновления инфраструктуры пост-тренировки. Hugging Face tokenizers v1 RC заявляет ускорение токенизации до 30x, улучшенное многопоточное масштабирование, меньшее потребление памяти и значительно меньший размер пакета; @art_zucker назвал это новой SOTA-библиотекой токенизации. Halo — фреймворк пост-тренировки, заявляющий пропускную способность до 2.8x по сравнению со TRLбиблиотекой для обучения с подкреплением на основе трансформеров, на которую принято опираться как на базовую реализацию, при этом модели остаются в нативном формате Hugging Face.
Ограничения и открытые вопросы
RL-прогон ещё не завершён: MiMo-V2.6 находится в середине RL-прогона. Доступность обещанных ресурсов ограничена — на момент написания по ссылке на Hugging Face доступны только три релиза моделей, а более 7000 сред и прочие ресурсы там не представлены. Открытие различных элементов обещано «в ближайшие недели».
Воспроизводимость сред — открытый вопрос: публикация RL-кода и тренировочных сред позволит исследователям проверить, насколько подход воспроизводим за пределами инфраструктуры Xiaomi.
В обсуждении лицензий поднимается юридический вопрос: относится ли запрет коммерческого использования только к обслуживанию, распространению или монетизации модели и материалов либо также ограничивает выходные данные, сгенерированные моделью. Пока канонический файл лицензии не обновлён, пользователи, сравнивающие его с разрешительными лицензиями в стиле Apache-2.0/MIT, могут обоснованно избегать коммерческих рабочих процессов. Для контекста: Meta часто называла свои модели Llama открытыми, несмотря на значительные ограничения, что вызывало возражения сторонников открытого исходного кода.
По цифрам: заголовок заявляет стоимость обучения $3M, расходы на RL-этап — $854 044 для Flash и $2 620 670 для Pro, суммарно около $3.5 млн. Эта цифра покрывает только RL-этап; сколько стоило предобучение, Xiaomi не сообщила. Artificial Analysis также измерила скорость около 125 токенов в секунду через API Xiaomi и оценила среднюю стоимость одного задания из своего набора в $0,13.
