AIREITERMiMo-V2.6-Pro уже доступна публично и для своего уровня в ранних бенчмарках стоит необычно дёшево — но универсальной заменой передовым моделям она не стала. Xiaomi выпустила модель с открытыми весами 21 сентября 2026 года. Лучше всего она выглядит в автоматизации с агентами и недорогих API-сценариях, тогда как локальное развёртывание и стабильность длительных автономных задач пока требуют осторожности.
Обзор MiMo-V2.6-Pro: выводы в одной таблице
| Если вам нужно... | Рекомендация | Почему |
|---|---|---|
| Недорогие эксперименты с агентами через API | Попробуйте MiMo-V2.6-Pro | Artificial Analysis указывает цену $0.435 за 1 млн входных токенов и $0.87 за 1 млн выходных, а также 46 баллов по Intelligence Index. |
| Открытые веса и мультимодальный ввод | Добавьте в список кандидатов | Xiaomi и независимые страницы модели заявляют поддержку текста, изображений, аудио/речи и видео, а также контекстного окна на 1 млн токенов. |
| Простая локальная установка | Не начинайте с этого | В примере запуска OpenLM используются tensor parallelism на 16 устройств, expert parallelism и два узла для SGLang. |
| Самые сложные терминальные или security-задачи | Проверьте на собственном наборе тестов | Опубликованные результаты показывают преимущество MiMo в отдельных агентных тестах, но отставание в Terminal Bench 4.0 и ExploitBench. |
| Длительно работающие автономные агенты уже сейчас | Запускайте пилот с мониторингом | Первые пользователи сообщали о зависаниях, излишней многословности и задержках перед действиями; публичных данных пока всего несколько часов. |
Независимая страница модели на Artificial Analysis фиксирует результат 46 баллов, скорость генерации около 129.7 токена в секунду и оценочную стоимость $0.13 за одну задачу Intelligence Index. Это полезные цифры для сравнения, но не гарантия таких же результатов на ваших промптах или у выбранного провайдера.
Что именно Xiaomi выпустила 21 сентября 2026 года
В официальном анонсе MiMo-V2.6 Xiaomi говорит не об одном чекпойнте, а о целом семействе. MiMo-V2.6-Pro — флагманская модель, MiMo-V2.6-Flash — её более компактная и экономичная версия, а в релиз также входит дистиллированная модель на 9B параметров, созданная на базе Qwen для исследований reinforcement learning.
Pro — разреженная mixture-of-experts-модель с открытыми весами. Согласно опубликованным характеристикам, всего в ней примерно 1.02 триллиона параметров, из которых активно используется 42 миллиарда. Заявленная длина контекста — 1 млн токенов; модель изначально поддерживает текст, изображения, видео и аудио.
Artificial Analysis указывает для Pro лицензию MIT и сообщает, что веса доступны для самостоятельного размещения. Но это не означает, что все API-провайдеры и конфигурации запуска будут одинаковыми: ограничения сервиса, детали реализации и операционные расходы — отдельные вопросы.
Релиз интересен и подходом к обучению. Xiaomi утверждает, что единый процесс смешанного reinforcement learning охватывал программирование, общие агентные задачи, визуальные сценарии и кибербезопасность. В техническом обзоре OpenLM зафиксированы заявленные Xiaomi 1 568 промптов на шаг и 16 rollout на каждый промпт, а также групповая оценка и последующая дистилляция после RL.
В каких задачах MiMo-V2.6-Pro действительно сильна
Сильнее всего MiMo-V2.6-Pro выглядит не в академическом программировании как таковом, а в агентных сценариях. В таблице, опубликованной OpenLM, Pro набирает 53.1 балла в AutomationBench против 50.3 у Claude Opus 5 и 45.8 у GPT-5.6 Sol. В Terminal Bench 2.1 модель также показывает 89.9 — немного больше заявленных результатов Claude Opus 5 (89.1) и GPT-5.6 Sol (88.8).
Но преимущество проявляется не во всех тестах. В DeepSWE v1.1 Pro получает 71.9 балла, уступая Claude Opus 5 с результатом 74.0 и GPT-5.6 Sol с 73.0. В MiMo VisualCoding модель набирает 72.3 — меньше, чем GPT-5.6 Sol (73.4), но больше, чем Claude Opus 5 (70.0).
Из этого следует вполне конкретный вывод: MiMo-V2.6-Pro стоит рассматривать для работы с инструментами, автоматизации процессов, визуального программирования и недорогих software-агентов. Называть её лучшей моделью для любой задачи разработки нельзя: в опубликованном ProgramBench она получила 26.5 против 37.0 у Claude Opus 5.
Artificial Analysis добавляет к громким результатам бенчмарков несколько практических показателей. На странице модели указаны скорость генерации 129.7 токена в секунду, задержка до первого токена 2.17 секунды и контекстное окно на 1 млн токенов. В снимке Model Picker фигурируют 134 токена в секунду и 20.8 секунды от начала до конца, однако версия индекса для этого снимка не указана. Поэтому воспринимайте эти данные как замеры на конкретный момент, а не как постоянные характеристики.
Какие компромиссы меняют итоговую оценку
Главное предупреждение по производительности — неравномерные результаты. В таблице OpenLM MiMo-V2.6-Pro набирает 34.9 в Terminal Bench 4.0, уступая Claude Opus 5 (49.0), GPT-5.6 Sol (39.9) и Claude Fable 5 (42.4). В ExploitBench результат Pro составляет 47.9 — заметно ниже, чем у Claude Opus 5 (70.0) и GPT-5.6 Sol (78.5).
Результаты по кибербезопасности особенно легко трактовать слишком широко. В CyberGym Pro получает 94.0 балла, но в ExploitBench результат оказывается значительно ниже. Высокий показатель в одном security-наборе не доказывает универсальные возможности в offensive security.
Первые отзывы сообщества добавляют практические нюансы, которых не видно в таблицах бенчмарков. Обсуждение в X пока небольшое: с момента запуска модели прошли считаные часы. Пользователь @nilansaha написал:
«Моя единственная претензия — она немного слишком многословна и довольно долго переходит к действиям».
Другой пользователь, @benjitusk, сообщил, что «mimo-v2.6-pro зависла на добрые 5 минут». Это отдельные ранние отзывы, а не измеренная частота сбоев, однако для агента, который должен действовать быстро и без присмотра, они важны.
Ещё один пользователь, @luislucatero21, рассказал о тесте с SVG Pelican: MiMo-V2.6-Pro потратила $0.05 и справилась за 6 минут 9 секунд, тогда как Grok 4.7 в его конфигурации потребовала $1.20 и 14 минут. Это полезный пример соотношения цены и времени, но не контролируемый бенчмарк.
Цена и развёртывание: сначала API, потом локальная инфраструктура
| Позиция в API MiMo-V2.6-Pro | Указанная цена |
|---|---|
| Входные токены при попадании в кэш | $0.0036 за 1 млн токенов |
| Входные токены без попадания в кэш | $0.435 за 1 млн токенов |
| Выходные токены | $0.87 за 1 млн токенов |
| Оценка Artificial Analysis для одной задачи | $0.13 за задачу |
Цены за токены взяты из технического сравнения в анализе релиза Brocker. Artificial Analysis указывает те же стандартные ставки — примерно $0.435/$0.87 — и скидку 99% для обращений к кэшу. Политика кэширования, учёт reasoning-токенов и конкретный провайдер могут заметно изменить итоговый счёт.
С локальным запуском всё сложнее. В инструкциях OpenLM по развёртыванию для SGLang показан пример с --tp 16, --dp 2, --ep 16, конфигурацией на двух узлах и максимумом в 128 одновременно выполняющихся запросов. В примере для vLLM используются tensor parallelism на 8 устройств и загрузка видеопамяти на 95%. Эти команды подтверждают, что self-hosting возможен, но лёгким решением для обычного пользователя его не назовёшь.
Для большинства команд разумнее двигаться в таком порядке: сначала API-пилот, затем решение по инфраструктуре. До покупки оборудования под разреженную модель с 1.02 триллиона параметров измерьте успешность выполнения задач, задержку вызовов инструментов, длину ответов, число повторных попыток и общую стоимость токенов.
Кому стоит использовать MiMo-V2.6-Pro уже сейчас
Выбирайте MiMo-V2.6-Pro для API-пилота, если вашему сценарию нужны открытые веса, мультимодальный ввод, длинный контекст или низкая цена генерации. Особенно интересна модель в приложениях с большим количеством автоматизации, где её оценивают по завершённым рабочим процессам, а не по отдельным задачам на написание кода.
Рассматривать self-hosting стоит только в том случае, если вы уже умеете обслуживать распределённые GPU-системы и вам нужен контроль над весами или развёртыванием. Лицензия MIT и открытые чекпойнты помогают, но не отменяют затрат на память, сеть, serving и наблюдаемость, которые видны из опубликованных рецептов запуска.
Выбирайте другую модель — или держите запасной вариант — если задача связана с самыми сложными терминальными средами, оценкой offensive security или действиями без присмотра, где пятиминутное зависание недопустимо. Главный нерешённый компромисс MiMo-V2.6-Pro очевиден: экономика токенов выглядит очень привлекательно, но операционные расходы на надёжное использование этой экономии могут оказаться намного выше, чем подсказывает цена API.
FAQ о MiMo-V2.6-Pro
MiMo-V2.6-Pro действительно выпущена официально?
Да. Аккаунт MiMo от Xiaomi и официальная документация MiMo анонсировали Pro и Flash 21 сентября 2026 года вместе с открытыми весами и сопутствующими исследовательскими материалами.
MiMo-V2.6-Pro — это open source?
Модель распространяется с открытыми весами, а Artificial Analysis указывает лицензию MIT. Перед коммерческим запуском проверьте условия для конкретного чекпойнта и провайдера.
Какое контекстное окно у MiMo-V2.6-Pro?
В опубликованных характеристиках заявлено до 1 млн токенов. Реально доступный контекст зависит от конечной точки, структуры промпта и качества работы с длинным контекстом в вашей задаче.
Подходит ли MiMo-V2.6-Pro для программирования?
Модель хорошо показывает себя в ряде агентных тестов на программирование и автоматизацию: в опубликованной таблице у неё 71.9 в DeepSWE v1.1 и 53.1 в AutomationBench. При этом в ProgramBench и Terminal Bench 4.0 она уступает некоторым закрытым конкурентам.
Сколько стоит API MiMo-V2.6-Pro?
Стандартные указанные тарифы составляют $0.435 за 1 млн входных токенов без попадания в кэш и $0.87 за 1 млн выходных токенов. Для входных токенов при попадании в кэш указана цена $0.0036 за 1 млн токенов. Перед запуском проверьте актуальные условия биллинга у провайдера.
Что выбрать — Pro или Flash?
В опубликованном сравнении Pro показывает более высокий уровень возможностей. Flash позиционируется как более эффективная версия и в таблице цен Brocker стоит дешевле, но задержку и успешность выполнения задач лучше проверить на собственном наборе данных, а не выбирать production-вариант только по названию модели.