Tim MiMo milik Xiaomi merilis dan meng-open-source-kan seri MiMo-V2.6 pada 22 September, dengan versi andalan MiMo-V2.6-Pro dan versi hemat MiMo-V2.6-Flash yang diluncurkan bersamaan, lengkap dengan akses web, API, dan bobot model di Hugging Face. Keduanya bersifat omni-modal native — teks, gambar, video, dan audio bisa langsung masuk ke model. Fokus utama yang disebutkan secara resmi adalah tugas-tugas agentic seperti coding, pengoperasian komputer, adegan 3D, dan pembuatan konten audio-visual.
Di hari yang sama, Xiaomi juga merilis versi throughput tinggi dari Pro bernama Pro-UltraSpeed, yang diklaim bisa meningkatkan kecepatan output hingga 20 kali lipat pada kualitas setara; tingkatan ini masih dirilis bertahap. Klien desktop MiMo Desktop kini beralih ke versi resmi dan dilengkapi dengan langganan berbayar.
Skor dan posisi
Lembaga evaluasi pihak ketiga, Artificial Analysis, memberi MiMo-V2.6-Pro Indeks Kecerdasan gabungan sebesar 46, tertinggi di antara model open-weight, melampaui Kimi K3 dan Qwen3.8 Max. Berdasarkan papan peringkat yang dikutip media, skor ini berada di kisaran yang sama dengan Claude Opus 5 dan GPT-5.6 Sol, tapi masih tertinggal dari Claude Fable 5.1 dan GPT-6 Astra.
Harga tidak berubah, masih mengikuti tarif API seri V2.5. Artificial Analysis mengukur biaya per tugas sebesar 0,13 dolar AS; menurut klaim Xiaomi sendiri, pada tingkat kecerdasan yang setara, harga Pro hanya 1/20 hingga 1/60 dari model-model luar negeri. Angka kelipatan ini berasal dari klaim vendor sendiri, dan materi publik tidak merinci secara lengkap model mana saja yang dibandingkan atau bagaimana tugas-tugasnya dihitung.
Membandingkan dengan generasi April
MiMo-V2.5-Pro di-open-source-kan akhir April tahun ini, dengan spesifikasi model MoE 1,02 triliun total parameter, 42 miliar parameter aktif, dan jendela konteks 1 juta token. Saat itu Xiaomi menonjolkan efisiensi token, membandingkan ClawEval dengan DeepSeek-V4-Pro. Pada Juli, V2.5 meraih posisi pertama untuk volume panggilan bulanan maupun mingguan di OpenRouter, terutama berkat harga.
Skala parameter V2.6-Pro yang diumumkan masih 1,02 triliun total, 42 miliar aktif, sama levelnya dengan generasi sebelumnya. Perubahan terkonsentrasi pada post-training. Pemimpin proyek, Luo Fuli, menyebut putaran ini sebagai “salah satu pelatihan reinforcement learning tunggal berskala terbesar yang pernah dilakukan tim model open source mana pun sejauh ini,” dan mengatakan tingkat kesulitan riset serta rekayasanya melampaui pengalamannya di DeepSeek-R1.
Berdasarkan rincian pelatihan yang diungkap media, Pro dan Flash masing-masing menjalani 30 langkah, mengumpulkan sekitar 750 ribu trajektori secara total, dengan biaya total sekitar 3,5 juta dolar AS selama enam hari. Dibandingkan pretraining yang bisa menelan biaya ratusan juta dolar, jumlah ini tidak besar — tapi untuk satu putaran post-training, ini masih terbilang jarang di kalangan tim open source.
Jika dirangkai dari April hingga September, arah Xiaomi cukup jelas: mengunci dulu skala model dasar, memakai harga untuk meraih volume panggilan dari developer, lalu menuangkan dana dan komputasi ke reinforcement learning untuk mengerek skor. Langkah menaikkan skor sudah terbukti berhasil; yang perlu dilihat selanjutnya adalah apakah volume panggilan bisa bertahan tanpa harus menurunkan harga lagi.
Metode pelatihan dan hal-hal yang dirilis bersamaan
Menurut Luo Fuli, tim menggunakan metode bernama MixRL, yang melatih bersama tugas coding dan agentic dengan tingkat kesulitan menengah dan hasil yang bisa diverifikasi. Tugas seperti game, 3D, dan evaluasi subjektif — yang sulit diverifikasi atau berdurasi sangat panjang — dilatih secara terpisah, lalu digabungkan di akhir menggunakan MOPD.
Cakupan open source kali ini lebih luas dari sekadar bobot model. Xiaomi juga merilis model Qwen hasil distilasi dari trajektori pelatihan MiMo, sekitar 7.000 lingkungan pelatihan yang beragam, serta framework reinforcement learning secara lengkap. Bagi tim yang ingin mereplikasi atau melakukan post-training pada model mereka sendiri, nilai lingkungan dan framework ini mungkin lebih besar daripada bobot model itu sendiri.
Luo Fuli juga menyebut di akun pribadinya bahwa MiMo-V2.6 “sudah menjadi model open source nomor satu.” Klaim ini untuk saat ini hanya didukung oleh indeks gabungan Artificial Analysis; peringkat di papan-papan khusus lain belum semuanya keluar. Posisi di sub-kategori seperti kode, gambar, dan suara bisa berbeda tergantung papan peringkat mana yang dikutip. Xiaomi juga belum mengumumkan apakah lisensi open source V2.6 melanjutkan ketentuan generasi sebelumnya.
Sumber: Halaman rilis resmi Xiaomi MiMo, papan peringkat Indeks Kecerdasan Artificial Analysis, CocoLoop, Sohu Tech. Skor Indeks Kecerdasan dan biaya per tugas diverifikasi berdasarkan angka Artificial Analysis; biaya pelatihan dan jumlah langkah mengikuti pengungkapan media.