AnswersPublished24 sources
Xiaomi MiMo-V2.6: Det bør virksomheder vide før en implementering
MiMo V2.6 Pro har en rapporteret score på 46,32 i Artificial Analysis’ Intelligence Index, mens Flash koster omtrent en tredjedel af Pro pr. Pro har 1,02 billioner parametre i alt og 42 milliarder aktive pr.
Udgivet afRedigeret med GPT-5.6 TerraBilleder genereret med GPT Image 2
Research answer
Key takeaways
- MiMo V2.6 Pro har en rapporteret score på 46,32 i Artificial Analysis’ Intelligence Index, mens Flash koster omtrent en tredjedel af Pro pr.
- Pro har 1,02 billioner parametre i alt og 42 milliarder aktive pr. token; Flash har cirka 309 milliarder i alt og 15 milliarder aktive.
- Den fornuftige tilgang er kontrollerede piloter med ikke følsomme data, indtil dataoprindelse, kontraktbeskyttelse og uafhængige test er på plads.
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
Xiaomis MiMo-V2.6 er et seriøst bud på åbne AI-modeller til agentbaseret og multimodal udvikling. Flagskibet Pro kombinerer en stor, sparsom mixture-of-experts-arkitektur med lave offentliggjorte API-priser, mens Flash er rettet mod billigere drift i større skala.
Det er dog ikke nok at se på licens og benchmarktal. Anthropics beskyldninger om, at Xiaomi kan have brugt Claude-output i uautoriseret destillation, efterlader væsentlige spørgsmål om træningsdataenes oprindelse, juridisk eksponering og troværdigheden af evalueringerne.
Det har Xiaomi udgivet
Xiaomi har offentliggjort checkpoints til download for MiMo-V2.6-Pro-RL og MiMo-V2.6-Flash-RL, og repositorierne angiver MIT-licensen. Virksomheden har også udgivet MiMo-V2.6-Distill-Qwen-9B, en agentisk model med 9 milliarder parametre, som ifølge beskrivelsen er skabt ved superviseret finjustering af Qwen3.5-9B på MiMo-genererede data. 2
4
5
De to større modeller præsenteres som omnimodale systemer, der kan modtage tekst, billeder, video og lyd, med et hævdet kontekstvindue på op til 1 million tokens. Pro er en sparsom MoE-model med 1,02 billioner parametre i alt, hvor 42 milliarder aktiveres pr. token. Flash har cirka 309 milliarder parametre i alt og 15 milliarder aktive pr. token. 3
MIT-licensen giver vide rammer for at bruge og ændre de udgivne artefakter. Den dokumenterer derimod ikke i sig selv oprindelsen af alle træningsinput eller syntetiske output længere oppe i kæden. Den løser heller ikke eventuelle krav om tredjeparts-IP eller compliance.
Ydelse: Lovende, men skeln mellem uafhængige og leverandørens egne tal
MiMo-V2.6-Pro er rapporteret til 46,32 på Artificial Analysis’ Intelligence Index v4.3. I den omtalte sammenligning er det på niveau med Grok 4.7 og øverst blandt de nævnte modeller med åbne vægte. Det er et relevant eksternt signal, men et samlet indeks er ikke dokumentation for resultater på virksomhedens egne data, danske eller andre specifikke sprog, krav til svartid, sikkerhedspolitikker eller lange kontekstforløb. 23
24
Xiaomi rapporterer desuden stærke resultater for kodning og agentopgaver. I den tekniske rapports reinforcement-learning-resultater på DeepSWE v1.1 steg Pros average@3-score fra 58,4 til 72,6. Flash steg fra 48,7 til 65,7. DeepSWE v1.1 omfatter 113 opgaver inden for softwareudvikling i kodebaser, som verificeres funktionelt; average@3 er den gennemsnitlige beståelsesrate på tre forsøg. 10
Tallene er nyttige, men bør betragtes som leverandørens egne, indtil de er reproduceret uafhængigt. Beslutninger om implementering bør bygge på blindtest med private kontrolopgaver og produktionslignende arbejdsopgaver – ikke alene på en rangliste.
Pro eller Flash: Afvejning mellem kapacitet og pris
| Model | Arkitektur | Offentliggjort API-pris pr. 1 mio. inputtokens | Offentliggjort API-pris pr. 1 mio. outputtokens | Praktisk rolle |
|---|---|---|---|---|
| MiMo-V2.6-Pro | 1,02 billioner i alt / 42 mia. aktive | 0,435 dollar | 0,87 dollar | Højeste kapacitet til krævende agent- og udviklingsopgaver |
| MiMo-V2.6-Flash | Ca. 309 mia. i alt / 15 mia. aktive | 0,14 dollar | 0,28 dollar | Eksperimenter i større volumen og prisfølsomme opgaver |
De offentliggjorte priser for Flash er omtrent en tredjedel af Pros pris for både nye inputtokens og outputtokens. 20 Derfor er Flash det oplagte første testvalg, når volumen og driftsøkonomi betyder mere end den sidste forbedring på en benchmark.
Selvhosting ændrer dog regnestykket. Åbne vægte kan give større portabilitet og bedre kontrol med data, men virksomheden overtager så udgifter og ansvar for GPU-kapacitet, lagring, inferensdrift, overvågning, opdateringer og support. Den laveste tokenpris er ikke nødvendigvis den laveste samlede ejerskabsomkostning.
Xiaomis oplysninger om omkostninger til reinforcement learning
Udgivelsen omfattede offentlige checkpoints og en teknisk rapport. Ifølge omtale af Xiaomis egne oplysninger gennemførte begge store modeller 30 RL-trin på omkring 750.000 forløb. Xiaomi oplyste omkostninger på cirka 2,62 mio. dollar for Pros RL-kørsel og 850.000 dollar for Flash – eller cirka 3,47 mio. dollar samlet. 18
29
Det er vigtigt ikke at læse disse tal som de fulde udviklingsomkostninger. De citerede oplysninger dækker RL-fasen, mens omkostninger til prætræning ikke er offentliggjort. 29 Tallene siger dermed noget om effektiviteten i én fase af eftertræningen – ikke om den samlede pris for at udvikle modellerne.
Derfor er beskyldningerne om Claude-destillation vigtige
Den 10. september oplyste Anthropic, at selskabet havde identificeret og stoppet påståede kampagner med uautoriseret destillation rettet mod Claude, som det tilskrev syv Kina-baserede laboratorier, herunder Xiaomi. Anthropic definerer ulovlig destillation som en industriel, skjult indsats for at udtrække en models kapabiliteter og kopiere dem uden tilladelse. 47
Ifølge omtalen af påstanden registrerede Xiaomi samtaler med sine MiMo-modeller og sendte dem til Claude for at skabe træningsdata. En sekundær gennemgang af Anthropics rapport angiver, at Xiaomis aktivitet omfattede mere end 400.000 forespørgsler fra over 1.500 konti; den angiver også, at Anthropic ikke observerede Claude-svar leveret direkte til slutbrugere. 44 Anthropics samlede, rapporterede kampagnetal beskrives ofte som cirka 190 millioner eller næsten 200 millioner udvekslinger på tværs af flere formodede operationer.
33
38
Det er beskyldninger fra Anthropic – ikke en retsafgørelse eller en uafhængig retsmedicinsk revision. Det tilgængelige materiale dokumenterer ikke, at et bestemt MiMo-V2.6-checkpoint indeholder Claude-afledt indhold, at en bestemt kundes data blev overført, eller at en offentlig benchmark er forurenet. De skel er vigtige.
Alligevel rejser beskyldningerne konkrete spørgsmål, som virksomheder bør undersøge:
- Sporbarhed i træningsdata: Købere bør kunne få dokumentation for, om output fra eksterne modeller, brugerinteraktioner eller syntetiske spor indgik i træningen eller eftertræningen af et konkret checkpoint.
- Risiko ved databehandling: Hvis kunde- eller brugersamtaler blev videresendt til eksterne tjenester, handler sagen ikke kun om model-IP. Den kan også berøre samtykke, fortrolighed, opbevaring, overførsel af data på tværs af landegrænser og kontraktuelle datavilkår.
- Gyldigheden af benchmarks: Eksponering for benchmarkopgaver, løsninger eller nært beslægtede lærer-genererede varianter kan løfte rapporterede resultater kunstigt. Kilderne påviser ikke benchmarkforurening, men en uafhængig vurdering af risikoen er vigtigere i lyset af beskyldningerne.
- Fordeling af kommerciel risiko: En åben licens indebærer ikke automatisk skadesløsholdelse, garantier, underretning ved hændelser eller et tilfredsstillende retsmiddel ved krav fra tredjepart.
En pragmatisk ramme for virksomheder
MiMo-V2.6 bør ses som en kandidat til pilotprojekter – ikke som et automatisk strategisk standardvalg – så længe spørgsmålene om dataoprindelse er uafklarede.
Fornuftige anvendelser nu
- Intern forskning og evaluering med ikke-følsomme data
- Isolerede, selvhostede prototyper, hvor portabilitet er værdifuld
- Prisfølsomme eksperimenter med kodning, søgning i dokumenter, dokumentbehandling og multimodale opgaver
- Teams, der selv kan gennemføre red teaming samt robustheds- og sikkerhedstest
Anvendelser, der bør vente på stærkere garantier
- Regulerede beslutninger eller opgaver med alvorlige konsekvenser
- Arbejdsbelastninger med stærkt fortrolige kunde-, sundheds-, finans-, myndigheds- eller forsvarsdata
- Kodegenerering med høj risiko uden menneskelig gennemgang og mulighed for tilbagerulning
- Implementeringer, der kræver garantier for træningsdata, skadesløsholdelse, revisionsret eller klare forpligtelser til hændelseshåndtering
Minimumskrav før produktion
- Indhent skriftlig dokumentation for dataoprindelse. Spørg direkte, om Claude-afledte output, videresendte brugerinteraktioner eller output fra andre eksterne modeller indgik i trænings- eller eftertræningsforløbet.
- Fastlæg kontraktbeskyttelsen. Afklar skadesløsholdelse, underretning ved brud, dataopbevaring, underdatabehandlere, dataresidens og sporbarhed for den konkrete modelversion.
- Gennemfør uafhængige evalueringer. Brug private kontrolopgaver og opgaver, der er robuste over for benchmarkforurening. Test langkontekst-søgning, flersproget adfærd, værktøjsbrug, hallucinationer, modstandsdygtighed mod prompt injection og tendens til memorisering.
- Brug en kontrolleret driftsarkitektur. Ved selvhosting bør udgående netværksadgang begrænses, adgangsstyringen være stram, brugen logges, og der bør være en plan for hurtigt at skifte tilbage til en særskilt godkendt model.
- Hold følsomme data væk fra ikke-godkendte API’er. Send ikke kundedata til et eksternt endpoint, før databehandleraftaler og tekniske kontroller lever op til organisationens krav.
Konklusion
MiMo-V2.6 tilbyder en usædvanligt attraktiv kombination af MIT-licenserede modelvægte til download, et hævdet multimodalt kontekstvindue på 1 million tokens, stærke rapporterede benchmarkresultater og lave inferenspriser. Pro er modellen at evaluere, når maksimal kapacitet er målet, mens Flash er det mere økonomiske valg til brede forsøg. 3
20
23
Men åben tilgængelighed er ikke det samme som parathed til virksomhedsbrug. Indtil Xiaomi kan levere tilfredsstillende dokumentation for dataoprindelse, governance og risikofordeling, bør virksomheder behandle MiMo-V2.6 som en lovende modelfamilie til kontrollerede piloter – og kræve uafhængig validering, før følsomme eller forretningskritiske opgaver flyttes over på den.
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 "Xiaomi MiMo-V2.6: Det bør virksomheder vide før en implementering"?
MiMo V2.6 Pro har en rapporteret score på 46,32 i Artificial Analysis’ Intelligence Index, mens Flash koster omtrent en tredjedel af Pro pr.
What are the key points to validate first?
MiMo V2.6 Pro har en rapporteret score på 46,32 i Artificial Analysis’ Intelligence Index, mens Flash koster omtrent en tredjedel af Pro pr. Pro har 1,02 billioner parametre i alt og 42 milliarder aktive pr. token; Flash har cirka 309 milliarder i alt og 15 milliarder aktive.
What should I do next in practice?
Den fornuftige tilgang er kontrollerede piloter med ikke følsomme data, indtil dataoprindelse, kontraktbeskyttelse og uafhængige test er på plads.