Das MiMo-Team von Xiaomi hat am 22. September die Reihe MiMo-V2.6 veröffentlicht und als Open Source freigegeben. Das Flaggschiff MiMo-V2.6-Pro und die auf Effizienz getrimmte Variante MiMo-V2.6-Flash gingen gleichzeitig live, samt Web-Oberfläche, API und Gewichten auf Hugging Face. Beide Modelle sind nativ omnimodal: Text, Bilder, Video und Audio lassen sich direkt eingeben. Als Schwerpunkte nennt Xiaomi agentenartige Aufgaben wie Programmieren, Computerbedienung, 3D-Szenen und audiovisuelle Inhaltserstellung.
Am selben Tag stellte Xiaomi zudem eine Hochdurchsatz-Variante von Pro vor, Pro-UltraSpeed, die bei gleicher Qualität eine bis zu 20-fach höhere Ausgabegeschwindigkeit verspricht und derzeit schrittweise freigeschaltet wird. Der Desktop-Client MiMo Desktop wechselte zur offiziellen Version und erhielt ein Abonnementmodell.
Punktzahl und Position
Der unabhängige Prüfer Artificial Analysis vergibt an MiMo-V2.6-Pro einen umfassenden Intelligenzindex von 46 Punkten – Platz eins unter offen gewichteten Modellen, vor Kimi K3 und Qwen3.8 Max. Laut den von Medien zitierten Ranglisten liegt dieser Wert in derselben Spanne wie Claude Opus 5 und GPT-5.6 Sol, bleibt aber hinter Claude Fable 5.1 und GPT-6 Astra zurück.
Am Preis ändert sich nichts, er folgt weiter der API-Preisliste der V2.5-Reihe. Artificial Analysis ermittelte Kosten von 0,13 US-Dollar pro Aufgabe; Xiaomi selbst gibt an, dass Pro bei vergleichbarer Intelligenz nur ein Zwanzigstel bis ein Sechzigstel des Preises ausländischer Modelle koste. Dieser Faktor stammt aus der eigenen Darstellung des Herstellers – mit welchen Modellen genau verglichen und wie die Aufgaben umgerechnet wurden, geht aus dem öffentlichen Material nicht vollständig hervor.
Die April-Generation im Vergleich
MiMo-V2.5-Pro wurde Ende April dieses Jahres als Open Source veröffentlicht, mit 1,02 Billionen Gesamtparametern und 42 Milliarden aktivierten Parametern in einer MoE-Architektur sowie einem Kontextfenster von 1 Million Token. Damals stand bei Xiaomi die Token-Effizienz im Vordergrund, gemessen anhand von ClawEval im Vergleich zu DeepSeek-V4-Pro. Bis Juli belegte V2.5 auf OpenRouter Platz eins beim monatlichen und wöchentlichen Aufrufvolumen, vor allem dank des Preises.
Die veröffentlichte Parametergröße von V2.6-Pro bleibt bei 1,02 Billionen Gesamtparametern und 42 Milliarden aktivierten Parametern – auf demselben Niveau wie die Vorgängergeneration. Die Änderungen konzentrieren sich auf das Post-Training: Projektleiterin Luo Fuli bezeichnete diese Runde als „eines der bislang größten einzelnen Reinforcement-Learning-Trainings, das je ein Open-Source-Modellteam durchgeführt hat“, und sagte, die dahinterstehende Forschungs- und Engineering-Schwierigkeit übertreffe ihre Erfahrung mit DeepSeek-R1.
Laut dem von Medien veröffentlichten Trainingsprotokoll liefen Pro und Flash jeweils 30 Schritte, mit insgesamt rund 750.000 Trajektorien, zu Gesamtkosten von etwa 3,5 Millionen US-Dollar über sechs Tage. Verglichen mit dem Pretraining, das oft Hunderte Millionen kostet, ist diese Summe nicht groß – für ein einzelnes Post-Training ist sie unter Open-Source-Teams aber dennoch selten.
Zieht man die Linie von April bis September, wird Xiaomis Strategie deutlich: erst die Basisgröße festlegen, über den Preis Aufrufvolumen bei Entwicklern gewinnen, dann Geld und Rechenleistung ins Reinforcement Learning stecken, um Punkte zu gewinnen. Der Punkteschritt ist gelungen; als Nächstes zeigt sich, ob sich das Aufrufvolumen auch ohne weitere Preissenkungen halten lässt.
Trainingsmethode und was zusätzlich veröffentlicht wurde
Laut Luo Fuli nutzte das Team eine Methode namens MixRL, bei der mittelschwere, überprüfbare Code- und Agentenaufgaben gemeinsam trainiert werden; schwer überprüfbare oder sehr lange Aufgaben wie Spiele, 3D und subjektive Bewertungen wurden separat trainiert und anschließend mit MOPD zusammengeführt.
Der Umfang der diesmaligen Open-Source-Freigabe geht über die Gewichte hinaus. Xiaomi veröffentlichte zugleich ein aus MiMo-Trainingstrajektorien destilliertes Qwen-Modell, rund 7.000 verschiedene Trainingsumgebungen sowie das komplette Reinforcement-Learning-Framework. Für Teams, die Ergebnisse reproduzieren oder eigene Modelle nachtrainieren wollen, könnten Umgebungen und Framework wertvoller sein als die Gewichte selbst.
Luo Fuli schrieb zudem auf ihrem persönlichen Account, MiMo-V2.6 sei „bereits das führende Open-Source-Modell“. Diese Aussage stützt sich derzeit allein auf den Gesamtindex von Artificial Analysis; die Platzierungen auf diversen Fach-Ranglisten stehen noch nicht vollständig fest, und wo das Modell bei Teilkategorien wie Code, Bild oder Sprache landet, kann je nach herangezogener Rangliste variieren. Ob die Open-Source-Lizenz von V2.6 den Bedingungen der Vorgängergeneration folgt, hat Xiaomi ebenfalls nicht mitgeteilt.
Quellen: offizielle MiMo-Veröffentlichungsseite von Xiaomi, Intelligenzindex-Rangliste von Artificial Analysis, CocoLoop, Sohu Technology; Intelligenzindex und Kosten pro Aufgabe gemäß Angaben von Artificial Analysis geprüft, Trainingskosten und Schrittzahl gemäß Medienberichten.