AnswersPublished24 sources
MiMo-V2.6 od Xiaomi: co by firmy měly vědět před nasazením
MiMo V2.6 Pro dosáhl podle uváděného indexu Artificial Analysis skóre 46,32; Flash stojí v API zhruba třetinu sazeb modelu Pro. Pro má 1,02 bilionu parametrů, z nichž je na token aktivních 42 miliard.
PublikovalUpraveno pomocí GPT-5.6 TerraObrázky vytvořeny pomocí GPT Image 2
Research answer
Key takeaways
- MiMo V2.6 Pro dosáhl podle uváděného indexu Artificial Analysis skóre 46,32; Flash stojí v API zhruba třetinu sazeb modelu Pro.
- Pro má 1,02 bilionu parametrů, z nichž je na token aktivních 42 miliard. Flash má přibližně 309 miliard parametrů a 15 miliard aktivních.
- Pro podniky dává nyní největší smysl řízený pilot na necitlivých datech, nikoli bezpodmínečné produkční nasazení, dokud nebudou vyjasněny původ dat, smluvní záruky a nezávislé testy.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How did Xiaomi’s September 21–22, 2026 release of the MIT-licensed MiMo‑V2.6 open-weight multimodal models—Pro (1.02 trillion total/42 billi. Article summary: MiMo‑V2.6 is a technically significant open-weight release: Pro appears to be the strongest open-weight model on the available independent aggregate ranking, while Flash offers much of the capability at substantially low. Topic tags: general, general web, user generated, news. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts w
Xiaomi s verzí MiMo-V2.6 přichází s neobvykle lákavou nabídkou pro týmy, které zvažují otevřené modelové váhy: velké multimodální modely ke stažení, licence MIT a velmi nízké zveřejněné ceny API. Vlajkový Pro míří na náročné agentní a vývojářské úlohy, levnější Flash na objemové experimenty.
Vedle technických parametrů je ale potřeba řešit i riziko. Anthropic v září obvinil Xiaomi z nepovolené destilace schopností modelu Claude. Nejde o soudní rozhodnutí ani nezávislý forenzní audit. Přesto je to pro podnikové nasazení podstatná okolnost: otevírá otázky kolem původu trénovacích dat, smluvní odpovědnosti a vypovídací hodnoty benchmarků.
Co Xiaomi vydalo
Xiaomi zveřejnilo checkpointy MiMo-V2.6-Pro-RL a MiMo-V2.6-Flash-RL ke stažení; repozitáře uvádějí licenci MIT. Vydán byl také MiMo-V2.6-Distill-Qwen-9B, devítimiliardový agentní model vzniklý supervised fine-tuningem Qwen3.5-9B na datech generovaných MiMo. 2
4
5
Dva větší modely jsou prezentovány jako omnimodální systémy pro text, obraz, video i zvuk s deklarovaným kontextovým oknem až 1 milion tokenů. Pro využívá řídkou architekturu mixture-of-experts (MoE): celkem má 1,02 bilionu parametrů, ale při zpracování jednoho tokenu aktivuje 42 miliard. Flash má přibližně 309 miliard parametrů, z nichž je aktivních 15 miliard. 3
Licence MIT dává uživatelům široké právo vydané artefakty používat a upravovat. Sama o sobě však nedokládá původ všech dat použitých při tréninku ani syntetických výstupů v předchozích krocích vývoje. Neřeší také případné nároky třetích stran v oblasti duševního vlastnictví nebo compliance.
Výkon: slibný signál, nikoli náhrada vlastního testování
Podle zveřejněných informací získal MiMo-V2.6-Pro v indexu Artificial Analysis Intelligence Index v4.3 skóre 46,32. V uvedeném srovnání se vyrovnal Grok 4.7 a vedl citované pořadí open-weight modelů. Jde o relevantní externí ukazatel, ale stále pouze o složený index. Neprokazuje výkon na firemních datech, v češtině či jiných konkrétních jazycích, při vlastních požadavcích na latenci, bezpečnostních pravidlech nebo dlouhém kontextu. 23
24
Materiály Xiaomi dále uvádějí silné výsledky v programování a agentních úlohách. V technické zprávě se u benchmarku DeepSWE v1.1 po reinforcement learningu zvýšilo skóre Pro v metrice average@3 z 58,4 na 72,6; u Flash z 48,7 na 65,7. DeepSWE v1.1 zahrnuje 113 úloh softwarového inženýrství nad repozitáři a kontroluje výsledky funkčními ověřovači. Metrika average@3 znamená průměrnou úspěšnost přes tři vzorkované pokusy. 10
Tyto výsledky jsou užitečné, ale jde o údaje publikované dodavatelem, dokud je nezreprodukuje nezávislá strana. Pro rozhodnutí o nasazení je vhodnější slepě testovat na neveřejných sadách a úlohách co nejbližších produkčnímu provozu než spoléhat na samotný žebříček.
Pro versus Flash: kompromis mezi výkonem a cenou
| Model | Rozsah architektury | Zveřejněná cena API za 1 mil. vstupních tokenů | Zveřejněná cena API za 1 mil. výstupních tokenů | Praktické využití |
|---|---|---|---|---|
| MiMo-V2.6-Pro | 1,02 bilionu celkem / 42 mld. aktivních | 0,435 USD | 0,87 USD | Nejnáročnější agentní, programátorské a analytické úlohy |
| MiMo-V2.6-Flash | přibližně 309 mld. celkem / 15 mld. aktivních | 0,14 USD | 0,28 USD | Objemové experimenty a úlohy citlivé na náklady |
Sazby Flash vycházejí u nových vstupních i výstupních tokenů zhruba na třetinu ceny Pro. 20 Pro týmy, kde je důležitý objem zpracování více než poslední procenta benchmarkového výkonu, je proto Flash přirozeným prvním kandidátem k otestování.
Při vlastním hostování se ekonomika mění. Otevřené váhy mohou přinést přenositelnost a přísnější kontrolu nad daty, firma ale sama nese náklady na GPU kapacitu, úložiště, provoz inference, monitoring, aktualizace a podporu. Nejnižší cena za token proto nemusí znamenat nejnižší celkové náklady na vlastnictví.
Co Xiaomi zveřejnilo o nákladech na RL
Vydání zahrnovalo veřejné checkpointy a technickou zprávu. Podle informací o zveřejněných bězích reinforcement learningu oba velké modely absolvovaly 30 RL kroků nad zhruba 750 000 trajektoriemi. Xiaomi uvedlo přibližný náklad 2,62 milionu USD na RL běh Pro a 850 000 USD na Flash, tedy celkem asi 3,47 milionu USD. 18
29
Tato čísla nelze číst jako úplné náklady na vývoj modelů. Citované informace se týkají pouze fáze RL, zatímco náklady na předtrénování zveřejněny nebyly. 29 Jsou tedy ukazatelem efektivity jedné fáze dodatečného tréninku, ne úplným účetnictvím vývoje celé modelové rodiny.
Proč záleží na obvinění z destilace Claude
Anthropic 10. září uvedl, že identifikoval a narušil údajné kampaně nepovolené destilace zaměřené na Claude, které připsal sedmi laboratořím z Číny včetně Xiaomi. Anthropic pod pojmem nepovolená destilace rozumí průmyslové získávání schopností modelu a jejich reprodukci bez oprávnění. 47
Podle zpráv k tomuto obvinění Xiaomi zaznamenávalo konverzace související s modely MiMo a posílalo je do Claude, aby získalo trénovací data. Sekundární shrnutí zprávy Anthropic uvádí u Xiaomi více než 400 000 požadavků z více než 1 500 účtů; Anthropic podle něj nezaznamenal, že by odpovědi Claude byly poskytovány živým uživatelům. 44 Širší kampaň Anthropic bývá popisována jako přibližně 190 milionů, respektive téměř 200 milionů výměn napříč několika údajnými operacemi.
33
38
Jde o tvrzení Anthropic, nikoli o soudně potvrzený závěr nebo nezávislý forenzní audit. Dostupné podklady nedokládají, že konkrétní checkpoint MiMo-V2.6 obsahuje obsah odvozený z Claude, že byla přenesena data konkrétního zákazníka nebo že byl kontaminován konkrétní zveřejněný benchmark. Tyto rozdíly je nutné zachovat.
I tak obvinění vyvolává důležité otázky pro due diligence:
- Řetězec původu trénovacích dat: Kupující mohou potřebovat doložit, zda se na vydaném checkpointu podílely výstupy externích modelů, uživatelské interakce nebo syntetické záznamy.
- Riziko při zpracování dat: Pokud byly zákaznické či uživatelské konverzace přeposílány třetí straně, nejde jen o IP. Do hry vstupuje souhlas, důvěrnost, uchovávání dat, přeshraniční zpracování i smluvní pravidla pro nakládání s daty.
- Platnost benchmarků: Znalost zadání, řešení nebo blízkých variant vytvořených učitelským modelem může nadhodnotit uváděný výkon. Zdroje nedokládají kontaminaci benchmarků MiMo-V2.6, ale vzhledem k obvinění nabývá nezávislé posouzení kontaminace na významu.
- Rozdělení obchodního rizika: Otevřená licence automaticky nezajišťuje odškodnění, záruky, oznámení incidentu ani účinnou právní ochranu při nároku třetí strany.
Praktický rámec pro firemní adopci
MiMo-V2.6 je vhodné zatím vnímat jako kandidáta pro pilotní projekt, nikoli jako automatický základ firemní AI strategie, dokud nejsou vyřešeny otázky původu dat.
K čemu dává smysl model použít už nyní
- Interní výzkum a hodnocení s necitlivými daty
- Izolované prototypy provozované ve vlastní infrastruktuře, kde je důležitá přenositelnost
- Experimenty s programováním, vyhledáváním, zpracováním dokumentů a multimodálními úlohami citlivými na náklady
- Týmy, které dokážou samy provést red teaming, bezpečnostní testy a ověření spolehlivosti
Co raději odložit do doby silnějších záruk
- Regulovaná rozhodnutí nebo rozhodnutí s vysokým dopadem
- Pracovní zátěže s vysoce důvěrnými zákaznickými, zdravotními, finančními, vládními či obrannými daty
- Generování kódu s vysokými dopady bez lidské kontroly a možnosti rychlého návratu zpět
- Nasazení vyžadující záruky k trénovacím datům, odškodnění, auditní práva nebo závazný proces reakce na incident
Minimální prověrka před produkčním provozem
- Vyžádejte si písemné informace o původu dat. Ptejte se přímo, zda byly v tréninku či post-tréninku konkrétní verze využity výstupy Claude, přeposlané uživatelské interakce nebo výstupy jiných externích modelů.
- Zajistěte smluvní ochranu. Upřesněte odškodnění, oznamování incidentů, retenční lhůty, subdodavatele, rezidenci dat a dohledatelnost konkrétní verze artefaktu.
- Proveďte nezávislé hodnocení. Použijte neveřejné testovací sady a úlohy odolnější vůči kontaminaci. Ověřte vyhledávání v dlouhém kontextu, vícejazyčné chování, používání nástrojů, halucinace, odolnost vůči prompt injection i případnou memoraci dat.
- Nasaďte model v řízené architektuře. Při self-hostingu omezte odchozí síťový přístup, nastavte přísné řízení identit a oprávnění, logování a možnost rychle přejít na jiný prověřený model.
- Neodesílejte citlivá data do neschválených API. Zákaznická data neposílejte do externího endpointu, dokud podmínky zpracování dat a technické kontrolní mechanismy neodpovídají interním požadavkům.
Závěr
MiMo-V2.6 kombinuje prvky, které jsou pro firmy mimořádně atraktivní: stažitelné váhy pod licencí MIT, deklarovaný milionový multimodální kontext, silný uváděný benchmarkový výkon a nízké ceny inference. Pro má smysl hodnotit tam, kde je prioritou maximální schopnost; Flash je levnější volba pro širší experimentování. 3
20
23
Otevřená dostupnost ale není totéž co připravenost pro podnikové nasazení. Dokud Xiaomi neposkytne uspokojivé podklady k původu dat, správě rizik a jejich smluvnímu rozdělení, je rozumné považovat MiMo-V2.6 za modelovou rodinu s vysokým potenciálem pro řízené piloty — a před svěřením citlivých nebo kritických pracovních zátěží vyžadovat nezávislé ověření.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "MiMo-V2.6 od Xiaomi: co by firmy měly vědět před nasazením"?
MiMo V2.6 Pro dosáhl podle uváděného indexu Artificial Analysis skóre 46,32; Flash stojí v API zhruba třetinu sazeb modelu Pro.
What are the key points to validate first?
MiMo V2.6 Pro dosáhl podle uváděného indexu Artificial Analysis skóre 46,32; Flash stojí v API zhruba třetinu sazeb modelu Pro. Pro má 1,02 bilionu parametrů, z nichž je na token aktivních 42 miliard. Flash má přibližně 309 miliard parametrů a 15 miliard aktivních.
What should I do next in practice?
Pro podniky dává nyní největší smysl řízený pilot na necitlivých datech, nikoli bezpodmínečné produkční nasazení, dokud nebudou vyjasněny původ dat, smluvní záruky a nezávislé testy.