L'équipe MiMo de Xiaomi a publié et ouvert le code de la série MiMo-V2.6 le 22 septembre, mettant en ligne simultanément le modèle phare MiMo-V2.6-Pro et la variante axée sur l'efficacité MiMo-V2.6-Flash, avec accès web, API et poids sur Hugging Face. Les deux sont nativement omnimodaux : texte, image, vidéo et audio entrent directement dans le modèle ; l'entreprise cite comme axes prioritaires les tâches de type agent telles que la programmation, le pilotage d'ordinateur, les scènes 3D et la création de contenu audiovisuel.
Le même jour, Xiaomi a également dévoilé une version à haut débit de Pro, Pro-UltraSpeed, affirmant pouvoir multiplier jusqu'à 20 fois la vitesse de sortie à qualité égale, déployée progressivement pour l'instant ; le client de bureau MiMo Desktop est passé en version officielle, désormais assortie d'un abonnement.
Score et positionnement
L'évaluateur indépendant Artificial Analysis attribue à MiMo-V2.6-Pro un indice d'intelligence global de 46 points, la première place parmi les modèles à poids ouverts, devant Kimi K3 et Qwen3.8 Max. Selon les classements cités par la presse, ce score se situe dans la même fourchette que Claude Opus 5 et GPT-5.6 Sol, mais reste en retrait par rapport à Claude Fable 5.1 et GPT-6 Astra.
Le prix ne change pas et suit toujours la grille tarifaire API de la série V2.5. Artificial Analysis a mesuré un coût de 0,13 dollar par tâche ; Xiaomi affirme de son côté qu'à niveau d'intelligence équivalent, le prix de Pro ne représente que 1/20 à 1/60 de celui des modèles étrangers. Ce multiplicateur provient du discours du fabricant lui-même, et les documents publics ne précisent pas entièrement à quels modèles la comparaison se réfère ni comment les tâches sont converties.
Comparaison avec la génération d'avril
MiMo-V2.5-Pro avait été mis en open source fin avril de cette année, avec une architecture MoE de 1 020 milliards de paramètres totaux et 42 milliards de paramètres activés, et une fenêtre de contexte d'un million de tokens. À l'époque, Xiaomi mettait l'accent sur l'efficacité par token, comparant ClawEval à DeepSeek-V4-Pro. En juillet, V2.5 a pris la première place en volume d'appels mensuel et hebdomadaire sur OpenRouter, principalement grâce au prix.
L'échelle de paramètres publiée pour V2.6-Pro reste à 1 020 milliards de paramètres totaux et 42 milliards activés, du même ordre de grandeur que la génération précédente. Les changements se concentrent sur le post-entraînement : la responsable du projet, Luo Fuli, a qualifié ce cycle de « l'un des plus vastes entraînements par renforcement jamais menés en une seule fois par une équipe de modèle open source », affirmant que la difficulté de recherche et d'ingénierie derrière ce projet dépassait celle qu'elle avait connue avec DeepSeek-R1.
Selon le bilan d'entraînement révélé par la presse, Pro et Flash ont chacun exécuté 30 étapes, cumulant environ 750 000 trajectoires, pour un coût total d'environ 3,5 millions de dollars, sur un cycle de six jours. Comparé au pré-entraînement, qui coûte souvent des centaines de millions, ce montant n'est pas énorme ; mais pour un seul cycle de post-entraînement, il reste rare chez les équipes open source.
En reliant avril à septembre, la trajectoire de Xiaomi apparaît assez nettement : fixer d'abord l'échelle du modèle de base, utiliser le prix pour capter le volume d'appels des développeurs, puis injecter argent et puissance de calcul dans l'apprentissage par renforcement pour gagner des points. Cette étape de gain de score a fonctionné ; reste à voir si le volume d'appels tiendra sans nouvelle baisse de prix.
Méthode d'entraînement et ce qui a été publié en parallèle
Selon Luo Fuli, l'équipe a utilisé une méthode baptisée MixRL, entraînant conjointement les tâches de code et d'agent de difficulté moyenne dont le résultat est vérifiable ; les tâches difficiles à vérifier ou très longues, comme les jeux, la 3D ou les évaluations subjectives, ont été entraînées séparément puis fusionnées via MOPD.
La portée de cette ouverture va au-delà des seuls poids. Xiaomi a également publié un modèle Qwen distillé à partir des trajectoires d'entraînement de MiMo, environ 7 000 environnements d'entraînement variés, ainsi que le framework complet d'apprentissage par renforcement. Pour les équipes souhaitant reproduire les résultats ou effectuer un post-entraînement sur leurs propres modèles, les environnements et le framework pourraient valoir davantage que les poids eux-mêmes.
Luo Fuli a par ailleurs écrit sur son compte personnel que MiMo-V2.6 « est déjà le premier modèle open source ». Cette affirmation ne repose pour l'instant que sur l'indice global d'Artificial Analysis ; les classements des différentes catégories spécialisées n'ont pas tous été publiés, et son rang dans des sous-catégories comme le code, l'image ou la voix peut varier selon le classement cité. Xiaomi n'a pas non plus précisé si la licence open source de V2.6 reprend les mêmes conditions que la génération précédente.
Sources : page officielle de lancement de MiMo par Xiaomi, classement de l'indice d'intelligence d'Artificial Analysis, CocoLoop, Sohu Technology ; le score de l'indice d'intelligence et le coût par tâche ont été vérifiés selon les données d'Artificial Analysis, le coût et le nombre d'étapes d'entraînement selon ce qu'a révélé la presse.