Xiaomis MiMo-V2.6-Pro topper open-weight-AI – men er stadig ikke på niveau med de bedste lukkede modeller

MiMo-V2.6-Pro er blevet en bemærkelsesværdig ny model, fordi Xiaomi kombinerer en førende placering blandt open-weight-modeller, lave listepriser for API-adgang og en relativt omfattende frigivelse af materiale fra eftertræningen. Men skellet er afgørende: modellen fører en bestemt open-weight-rangliste – den har ikke overhalet de stærkeste lukkede AI-modeller samlet set.

Nummer ét blandt open weights – ikke samlet set

Artificial Analysis placerer MiMo-V2.6-Pro som den højest rangerede open-weight-model på sin Intelligence Index med 46 point. Det er foran GLM-5.3 med 45 og Kimi K3 med 44. 31

Scoren ligger også på niveau med en konfiguration af xAI's lukkede Grok 4.7. Xiaomi understreger dog selv, at der fortsat er afstand til toppen blandt lukkede modeller. På samme indeks står Claude Fable 5.1 og GPT-6 Astra til 53 point – syv point over MiMo-V2.6-Pro. 119

Det gør nyheden væsentlig, men præcis: Xiaomi har sat et nyt pejlemærke for modeller med frit tilgængelige vægte, ikke dokumenteret fuld ligestilling med de bedste kommercielle, lukkede systemer.

Xiaomis forklaring: Én fælles RL-træning

Xiaomi kalder sin metode "You Only RL Once". I stedet for at eftertræne særskilte modeller eller politikker til kodning, generelle AI-agenter, visuelle opgaver og cybersikkerhed, blander virksomheden opgaverne – samt flere forskellige agentrammer – i én reinforcement-learning-kørsel (RL).

Tanken er, at en fælles model kan overføre nyttige strategier mellem områder: at opdage manglende information, vælge et værktøj, vurdere resultatet og komme videre efter et mislykket forsøg. 5

Ifølge Xiaomi gennemførte både Pro og Flash 30 RL-trin over omtrent 750.000 forløb på under seks dage. De oplyste træningsomkostninger var cirka 2,62 mio. dollar for Pro og 850.000 dollar for Flash. Det er virksomhedens egne tal og ikke uafhængigt reviderede totalomkostninger. 10

Xiaomi har også fremhævet en fremgang på 20 point i forhold til MiMo-V2.5-Pro. Det bør læses som en sammenligning ved lanceringen – ikke som et bevis på, at modellen nødvendigvis er bedst i alle praktiske arbejdsgange. 14

Prisen er en stor del af pointen

MiMo-V2.6-Pro har en oplyst API-pris på 0,435 dollar pr. million inputtokens og 0,87 dollar pr. million outputtokens. En sammenligning baseret på Artificial Analysis’ estimerede testomkostninger angiver omtrent 0,13 dollar pr. Intelligence Index-opgave for Pro, mod 3,74 dollar for Grok 4.7 xHigh. 21

En benchmarkopgave er naturligvis ikke det samme som en reel produktionsopgave. Prisen i praksis afhænger blandt andet af længden på prompt og svar, caching, værktøjsbrug og de valgte inferensindstillinger. Alligevel er kombinationen af en score på 46 og lave tokenpriser det centrale argument for teams, der skal bruge avanceret ræsonnement eller agentfunktioner i stor skala.

Flash er den billigere model til høj volumen

MiMo-V2.6-Flash er den mere omkostningsorienterede søstermodel. Den bygger på en sparsom mixture-of-experts-arkitektur med 309 mia. parametre i alt og 15 mia. aktive parametre, mod Pros oplyste 1,02 billioner parametre i alt og 42 mia. aktive parametre. Begge modeller har et kontekstvindue på 1 mio. tokens og kan modtage tekst, billeder, video og lyd som input. 4

Flash er prissat til hyppigere kald: 0,14 dollar pr. million inputtokens uden cache og 0,28 dollar pr. million outputtokens. Xiaomi oplyser en pris på 0,0028 dollar pr. million tokens for cachede input. 310

Xiaomis egne benchmark-sammenligninger placerer Flash under Pro på DeepSWE v1.1, men fremstiller den som et billigere alternativ til opgaver med lange kontekster og flere inputtyper. Det er leverandørens egne sammenligninger, så virksomheder bør teste modellen mod deres egen opgavetype og infrastruktur, før de træffer et produktionsvalg. 10

En tidlig brugererfaring med Flash

AI-forskeren Tim Dettmers beskrev Flash som en model, der føltes som "den bedste model i klassen fra 300B til 550B". Han skrev, at den i hans brug klarede sig bedre end DeepSeek V4.1 og GLM-5.3 Flash, og fremhævede automatisk komprimering af kontekst i en session over 3 mio. tokens. Han rapporterede desuden cirka 250 tokens i sekundet ved dekodning og 2,6 tusind tokens i sekundet ved prefill. 44

Det er interessante indtryk, især for langvarige kodeforløb, men det er stadig én praktikers erfaring – ikke en uafhængig benchmark eller en garanti for tilsvarende ydeevne på andet hardware og med andre serveropsætninger.

Mere end blot modelvægte

Udgivelsen omfatter ikke kun downloadbare vægte. Xiaomi oplyser, at Pro og Flash frigives under MIT-licensen sammen med en teknisk rapport, mere end 7.000 RL-opgavemiljøer, et fuldt RL-framework og sammensættelige mini-harnesses. Derudover findes et dashboard med data fra trænerlogfilerne for de to RL-kørsler. 462

Den form for indblik i eftertræningen kan gøre det lettere for forskere at undersøge metoden og videreudvikle opgavemiljøerne. Det er dog ikke det samme som en komplet, reproducerbar pakke for hele modeludviklingen: materialet dokumenterer ikke, at alle prætræningsdata, infrastrukturdele eller træningsdetaljer er frigivet.

Hvad siger det om konkurrencen?

MiMo-V2.6-Pro styrker billedet af, at kinesiske laboratorier er meget konkurrencedygtige – og aktuelt ligger forrest på netop Artificial Analysis’ open-weight-rangliste. Den overgår de angivne scores for GLM-5.3 og Kimi K3, mens MIT-licensen gør den grundlæggende anderledes end en model, der kun kan tilgås gennem en lukket API. 3136

Men det vil være for vidtgående at konkludere, at kinesiske laboratorier samlet set fører over amerikanske. Samme indeks giver de førende lukkede modeller, Claude Fable 5.1 og GPT-6 Astra, 53 point. 19

Den praktiske konklusion er derfor enklere: Open-weight-AI er kommet tættere på dyre proprietære systemer på denne måling, og MiMo-V2.6-Pro er nu et seriøst valg for teams, der prioriterer mulighed for selv at køre modelvægte, lave inferenspriser, multimodale input og agentforløb med meget lange kontekster.