El equipo MiMo de Xiaomi lanzó y liberó como código abierto la serie MiMo-V2.6 el 22 de septiembre, presentando a la vez el modelo insignia MiMo-V2.6-Pro y la variante orientada a la eficiencia MiMo-V2.6-Flash, con acceso vía web, API y pesos en Hugging Face. Ambos son nativamente omnimodales: texto, imagen, video y audio entran directamente al modelo; la compañía señala como enfoque principal tareas de tipo agente como programación, manejo de ordenador, escenas 3D y creación de contenido audiovisual.
El mismo día, Xiaomi también presentó una versión de alto rendimiento del Pro, Pro-UltraSpeed, que según la empresa puede multiplicar hasta por 20 la velocidad de salida con la misma calidad, disponible de forma progresiva; el cliente de escritorio MiMo Desktop pasó a versión oficial, ahora con suscripción de membresía.
Puntuación y posición
El evaluador independiente Artificial Analysis otorgó a MiMo-V2.6-Pro un índice de inteligencia general de 46 puntos, el primer lugar entre los modelos de pesos abiertos, por delante de Kimi K3 y Qwen3.8 Max. Según las clasificaciones citadas por los medios, esta puntuación se sitúa en el mismo rango que Claude Opus 5 y GPT-5.6 Sol, aunque todavía a distancia de Claude Fable 5.1 y GPT-6 Astra.
El precio no cambia, y sigue la misma tarifa de API de la serie V2.5. Artificial Analysis midió un costo de 0,13 dólares por tarea; la propia Xiaomi afirma que, a un nivel de inteligencia equivalente, el precio del Pro es solo entre 1/20 y 1/60 del de los modelos extranjeros. Esa cifra proviene del propio fabricante, y el material público no detalla con qué modelos exactos se comparó ni cómo se convirtieron las tareas.
Comparando con la generación de abril
MiMo-V2.5-Pro se liberó como código abierto a finales de abril de este año, con una especificación de 1,02 billones de parámetros totales y 42.000 millones de parámetros activados en arquitectura MoE, con una ventana de contexto de 1 millón de tokens. En ese momento, el foco de Xiaomi era la eficiencia por token, comparando ClawEval con DeepSeek-V4-Pro. Para julio, V2.5 alcanzó el primer puesto en volumen de llamadas mensual y semanal en OpenRouter, impulsado principalmente por el precio.
La escala de parámetros divulgada de V2.6-Pro se mantiene en 1,02 billones de parámetros totales y 42.000 millones activados, del mismo orden que la generación anterior. Los cambios se concentran en el posentrenamiento: la líder del proyecto, Luo Fuli, calificó esta ronda como “uno de los mayores entrenamientos de aprendizaje por refuerzo realizados hasta ahora por cualquier equipo de modelos de código abierto”, y afirmó que la dificultad de investigación e ingeniería detrás del proyecto superó su experiencia con DeepSeek-R1.
Según el registro de entrenamiento divulgado por los medios, Pro y Flash ejecutaron 30 pasos cada uno, acumulando cerca de 750.000 trayectorias, con un costo total de aproximadamente 3,5 millones de dólares, en un ciclo de seis días. Comparado con el preentrenamiento, que suele costar cientos de millones, esta cifra no es grande; pero para una sola ronda de posentrenamiento sigue siendo poco habitual entre equipos de código abierto.
Viendo el periodo de abril a septiembre en conjunto, la ruta de Xiaomi es bastante clara: fijar primero la escala del modelo base, usar el precio para ganar volumen de llamadas entre desarrolladores y luego invertir dinero y cómputo en aprendizaje por refuerzo para ganar puntuación. Ese paso de ganar puntuación ya funcionó; lo siguiente es ver si el volumen de llamadas se sostiene sin nuevas rebajas de precio.
Método de entrenamiento y qué más se publicó
Según Luo Fuli, el equipo utilizó un método llamado MixRL, que entrena de forma conjunta tareas de código y de agente de dificultad media con resultados verificables; las tareas difíciles de verificar o muy largas, como juegos, 3D y evaluaciones subjetivas, se entrenaron por separado y luego se combinaron usando MOPD.
El alcance de esta liberación de código abierto va más allá de los pesos. Xiaomi también publicó un modelo Qwen destilado a partir de las trayectorias de entrenamiento de MiMo, unos 7.000 entornos de entrenamiento diversos y el framework completo de aprendizaje por refuerzo. Para los equipos que quieran reproducir los resultados o hacer posentrenamiento sobre sus propios modelos, los entornos y el framework pueden valer más que los propios pesos.
Luo Fuli también escribió en su cuenta personal que MiMo-V2.6 “ya es el modelo de código abierto número uno”. Esa afirmación se sostiene por ahora solo en el índice general de Artificial Analysis; las clasificaciones de categorías específicas aún no se han publicado por completo, y el puesto en subcategorías como código, imagen y voz puede variar según la clasificación citada. Xiaomi tampoco ha dicho si la licencia de código abierto de V2.6 sigue los mismos términos que la generación anterior.
Fuentes: página oficial de lanzamiento de MiMo de Xiaomi, clasificación del índice de inteligencia de Artificial Analysis, CocoLoop, Sohu Technology; la puntuación del índice de inteligencia y el costo por tarea se verificaron según los datos de Artificial Analysis, y el costo y los pasos de entrenamiento según lo divulgado por los medios.