9月22日消息,小米今天发布并全面开源 MiMo-V2.6 系列模型。Pro 版在 Artificial Analysis 智能指数(Intelligence Index)拿到 46 分,超越 Kimi K3 与 Qwen3.8 Max,成为该指数下当前最强的开源权重模型;API 定价沿用上一代,保持不变。与以往发布会不同,这次约六天的强化学习训练是公开进行的,训练成本、轨迹数量、任务环境和训练框架随模型一并放出。 46 分登顶,价格不变
Artificial Analysis 的评分显示,MiMo-V2.6-Pro 拿到 46 分,较上一代 V2.5-Pro 的 26 分提高 20 分,排名越过 Kimi K3 和 Qwen3.8 Max,站上开源模型首位。官方也指出,与最强的闭源模型 Claude Fable 5.1 和 GPT-6 Astra 相比仍有差距。按官方口径,Pro 在多数 Agent 基准上的表现与 Claude Opus 5、GPT-5.6 Sol 相当,Flash 版则全面超越上一代 V2.5-Pro。Artificial Analysis 的介绍称,这是一个总参数 1.02 万亿、激活参数 42B 的 MoE 模型。 价格是另一条主线。MiMo-V2.6 系列沿用 V2.5 的定价:Pro 版输入(缓存未命中)每百万 Token 0.435 美元,输出 0.87 美元,缓存命中降至 0.0036 美元;Flash 版输入 0.14 美元、输出 0.28 美元。智能提升而价格不变,官方据此称同等智能水平下价格仅为海外模型的 1/20 至 1/60;Artificial Analysis 按单任务智能成本 0.13 美元计算,把它列入智能与成本的帕累托前沿。同步上线的还有 MiMo Desktop 桌面客户端与 UltraSpeed 模式,后者提供最高 20 倍的输出速度。
六天 Live RL:把训练账本摊开
官方称这可能是国产开源模型中训练算力投入最多的 RL 运行之一,并选择把过程直播出来。按官方披露的数据,不到 6 天里,Flash 与 Pro 的训练成本分别约 85 万和 262 万美元,各完成 30 步更新,累计约 75 万条轨迹;训练任务的平均通过率分别提升 25% 和 12%。在样本外的长程软件工程基准 DeepSWE v1.1 上,Flash 从 48.8 分提高到 65.68 分,Pro 从 58.4 分提高到 72.57 分。
算力投向了三个方向。单次更新使用 1568 个样本的大批次配合全异步架构,支持 100 万 Token 的上下文长度训练,单步训练量达 27 亿至 37 亿 Token。训练任务覆盖 Code、General、Visual、Cyber 四个方向,并混合多个 Agent Harness 以促进能力协同。奖励侧则投入了更大的 Grader 算力,用组内相对比较为长程任务提供更精准的奖励信号。稳定性上,团队冻结了 MoE Router 以抑制专家负载漂移,并建立了覆盖奖励设计、对抗性评测、异常检测和验证器交叉校验的 Reward Hacking 防线。
从权重到训练环境整套开源
开源的不只是模型权重。随 V2.6-Pro 和 Flash 一起放出的,有完整技术报告、7000 多个高质量 RL 任务环境(覆盖软件工程、漏洞复现、知识型工作、网页设计开发四类智能体任务)、端到端 RL 训练框架(基于 verl、uni-agent 和 mini-swe-agent),以及一套将系统提示、工具与上下文管理解耦的轻量 mini-harnesses。
官方另外开源了从 MiMo RL 轨迹蒸馏的 MiMo-V2.6-Distill-Qwen-9B,将其定位为社区做 RL 研究的更强起点:以它为起点训练,在 11 项评测中全部超过 SFT 基线,SWE-bench Verified 从 61.1 提升到 66.2,MiMo Cyber Bench 从 31.3 提升到 47.0,Terminal Bench 2.1 从 37.1 提升到 52.8。这些数字连同任务环境一起开放,目的是让外部研究者能复现并继续迭代这套训练实践。
从写代码到造世界
能力展示部分,官方把重点放在「Vibe World」:用户给出图片、视频或文字后,多智能体协作完成 3D 场景搭建、交互逻辑编写与视觉验证,生成可运行的交互世界——开放世界游戏、Blender 三维建模、机械臂抓取控制与图形界面操作(CUA)都在演示之列。科研方向的两个案例更具体:Pro 版协助小米材料团队设计可吸附 PFAS(全氟和多氟烷基物质)的 MOF 材料,检索文献、提出假设并调用计算工具完成「干实验」筛选;在另一项任务中,它在研究员引导下用 Lean 4 完成了 Li–Yorke《周期三蕴含混沌》主定理的完整形式化,产出 6000 余行源码并通过 Lean 内核核验。内容创作侧,Design Arena 榜单上它与 Claude Opus 5、GPT-5.6 Sol 水平相近。上述展示均为官方口径,尚未经第三方独立实测。
罗福莉:一次超过 DeepSeek R1 的 RL 训练
MiMo 大模型负责人罗福莉在发布当天的长文中,把这次训练与 DeepSeek R1 放在了一起:这很可能是开源阵营迄今算力规模最大的单次 RL 训练,其研究创新与工程挑战超过 DeepSeek R1——她是前 DeepSeek 核心成员,自述曾部分参与 R1 工作。对于社区关心的技术路线,她解释 MixRL 与 MOPD 并非二选一:可验证的中等难度任务走 MixRL 联合训练,难验证、超长程的任务单独训练后再用 MOPD 合并能力。她在文末把这次发布定位为递归自我改进(RSI)路线的开端,称团队愿意继续把时间、算力投入一个接一个的难题。