AntwortenVeröffentlicht23 Quellen
Warum Xiaomis MiMo-V2.6-Pro jetzt die Open-Weight-KI-Rangliste anführt
MiMo V2.6 Pro führt die Open Weight Rangliste von Artificial Analysis mit 46 Punkten an – vor GLM 5.3 mit 45 und Kimi K3 mit 44. Xiaomi führt den Sprung auf einen gemeinsamen Reinforcement Learning Lauf für Code, Agenten, visuelle Aufgaben und Cybersicherheit zurück; die gemeldeten Kosten betragen 2,62 Millionen US...
Veröffentlicht vonBearbeitet mit GPT-5.6 TerraBilder erstellt mit GPT Image 2
Forschungsantwort
Wichtige Erkenntnisse
- MiMo V2.6 Pro führt die Open Weight Rangliste von Artificial Analysis mit 46 Punkten an – vor GLM 5.3 mit 45 und Kimi K3 mit 44.
- Xiaomi führt den Sprung auf einen gemeinsamen Reinforcement Learning Lauf für Code, Agenten, visuelle Aufgaben und Cybersicherheit zurück; die gemeldeten Kosten betragen 2,62 Millionen US Dollar für Pro.
- Das günstigere MiMo V2.6 Flash bietet ebenfalls ein Kontextfenster von einer Million Token und multimodale Eingaben; der API Preis beginnt bei 0,14 US Dollar pro Million nicht zwischengespeicherter Eingabe Token.
KI-Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How did Xiaomi’s newly released, MIT-licensed MiMo-V2.6-Pro become the top open-weight model on the Artificial Analysis Intelligence Index—s. Article summary: MiMo‑V2.6‑Pro’s result is best understood as a major reinforcement-learning scaling result, not proof that it has closed the overall frontier. It is the current highest-scoring open-weight model on Artificial Analysis’s . Topic tags: general, general web, user generated, education. 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, cha
MiMo-V2.6-Pro ist vor allem deshalb bemerkenswert, weil Xiaomi drei Dinge verbindet: einen Spitzenplatz bei einem breit beobachteten Open-Weight-Benchmark, auffallend niedrige API-Listenpreise und die Veröffentlichung umfangreicher Artefakte zum Post-Training. Die Einschränkung ist aber entscheidend: Das Modell liegt in einer Rangliste für Open-Weight-Modelle vorn – nicht an der gesamten KI-Leistungsspitze.
Platz eins bei offenen Gewichten – nicht insgesamt
Artificial Analysis führt MiMo-V2.6-Pro als bestplatziertes Open-Weight-Modell mit einem Intelligence-Index-Wert von 46. Dahinter folgen GLM-5.3 mit 45 und Kimi K3 mit 44 Punkten. 31
Der Wert liegt zugleich im Bereich der proprietären Grok-4.7-Konfiguration von xAI. Xiaomi weist jedoch selbst darauf hin, dass sein Flaggschiffmodell hinter den stärksten geschlossenen Systemen zurückbleibt: Claude Fable 5.1 und GPT-6 Astra stehen bei Artificial Analysis bei 53 Punkten – sieben Punkte vor MiMo. 1
19
Das ist ein relevanter, aber klar umrissener Meilenstein: Xiaomi setzt eine neue Referenz unter den offen verfügbaren Modellgewichten, belegt aber keine Gleichaufstellung mit den besten geschlossenen KI-Systemen.
Der technische Hebel: „You Only RL Once“
Xiaomi nennt seinen Post-Training-Ansatz „You Only RL Once“. Statt getrennte Modelle oder Richtlinien für Programmierung, allgemeine Agenten, visuelle Aufgaben und Cybersicherheit nachzutrainieren, mischt das Unternehmen diese Bereiche – einschließlich mehrerer Agenten-Harnesses, also Ausführungsumgebungen für Agenten – in einem einzigen Reinforcement-Learning-Lauf.
Die Idee dahinter: Ein Modell kann grundlegende, auf verschiedene Aufgaben übertragbare Verhaltensweisen lernen. Dazu zählen fehlende Informationen erkennen, passende Werkzeuge auswählen, Tool-Ergebnisse bewerten und nach Fehlversuchen sinnvoll weiterarbeiten. 5
Nach Angaben von Xiaomi absolvierten Pro und Flash jeweils 30 RL-Schritte mit rund 750.000 Trajektorien in weniger als sechs Tagen. Die ausgewiesenen Trainingskosten lagen bei etwa 2,62 Millionen US-Dollar für Pro und 850.000 US-Dollar für Flash. Dabei handelt es sich um Herstellerangaben, nicht um unabhängig geprüfte Gesamtkosten. 10
Der gemeldete Sprung um 20 Punkte gegenüber MiMo-V2.5-Pro deutet darauf hin, dass breit angelegtes RL in unterschiedlichen, werkzeugnutzenden Umgebungen die Fähigkeiten stark steigern kann. Er ist allerdings ein Vergleich zum Veröffentlichungszeitpunkt und kein Beleg für Überlegenheit in jedem denkbaren Praxisszenario. 14
Preis-Leistung ist ein Kernargument
Für MiMo-V2.6-Pro nennt Xiaomi 0,435 US-Dollar pro Million Eingabe-Token und 0,87 US-Dollar pro Million Ausgabe-Token. Eine Gegenüberstellung auf Basis der von Artificial Analysis geschätzten Kosten je Benchmark-Aufgabe beziffert Pro auf rund 0,13 US-Dollar je Intelligence-Index-Aufgabe; Grok 4.7 xHigh liegt dort bei 3,74 US-Dollar. 21
Solche Benchmark-Kosten sind nicht direkt mit den Betriebskosten eines produktiven Systems gleichzusetzen. Sie hängen unter anderem von Prompt- und Antwortlängen, Caching, Tool-Aufrufen und Inferenz-Einstellungen ab. Dennoch erklärt die Kombination aus einem Indexwert von 46 und niedrigen Tokenpreisen, warum Pro für Teams mit hohem Bedarf an Reasoning- oder Agenten-Workloads interessant sein kann.
MiMo-V2.6-Flash: die günstigere Variante
MiMo-V2.6-Flash ist auf Effizienz ausgelegt. Das Sparse-Mixture-of-Experts-Modell hat 309 Milliarden Parameter insgesamt, von denen 15 Milliarden aktiv sind. Bei Pro nennt Xiaomi 1,02 Billionen Gesamtparameter und 42 Milliarden aktive Parameter. Beide Modelle unterstützen ein Kontextfenster von einer Million Token und akzeptieren Text-, Bild-, Video- und Audioeingaben. 4
Flash ist für häufige Aufrufe und hohe Volumina positioniert: Xiaomi verlangt 0,14 US-Dollar pro Million nicht zwischengespeicherter Eingabe-Token sowie 0,28 US-Dollar pro Million Ausgabe-Token. Zwischengespeicherte Eingaben kosten laut Liste 0,0028 US-Dollar je Million Token. 3
10
In Xiaomis veröffentlichten Benchmark-Vergleichen liegt Flash bei DeepSWE v1.1 hinter Pro; das Modell wird als preiswertere Wahl für lange Kontexte und multimodale Arbeitslasten vermarktet. Diese Vergleiche stammen vom Anbieter und sollten vor einem konkreten Einsatz mit unabhängigen Tests im jeweiligen technischen Umfeld überprüft werden. 10
Ein erster Praxiseindruck zu Flash
Tim Dettmers beschrieb Flash als gefühlt „bestes Modell in der Klasse von 300 bis 550 Milliarden Parametern“. In seiner Nutzung habe es DeepSeek V4.1 und GLM-5.3 Flash übertroffen. Zudem lobte er die automatische Kontextkomprimierung in einer Sitzung mit mehr als drei Millionen Token und berichtete von etwa 250 Token pro Sekunde bei der Ausgabe sowie 2.600 Token pro Sekunde beim Prefill. 44
Das sind interessante Beobachtungen, insbesondere für lang laufende Programmier-Workflows. Es handelt sich jedoch um den Erfahrungsbericht eines einzelnen Praktikers – nicht um einen unabhängigen Benchmark und keine Leistungsgarantie für andere Hardware- oder Serving-Konfigurationen.
Was Xiaomi konkret veröffentlicht
Der Release beschränkt sich nicht auf herunterladbare Gewichte. Xiaomi zufolge werden Pro und Flash unter der MIT-Lizenz bereitgestellt, ergänzt durch einen technischen Bericht, mehr als 7.000 RL-Aufgabenumgebungen, ein End-to-End-Framework für Reinforcement Learning und kombinierbare Mini-Harnesses. Darüber hinaus stellt Xiaomi ein Dashboard bereit, das auf Trainer-Logs der beiden RL-Läufe basiert. 46
2
Diese Transparenz beim Post-Training kann Forschenden helfen, den Ansatz nachzuvollziehen und auf den Aufgabenumgebungen aufzubauen. Sie macht den gesamten Entwicklungsprozess aber nicht automatisch vollständig reproduzierbar: Aus den bereitgestellten Materialien geht nicht hervor, dass sämtliche Pretraining-Datensätze, Infrastrukturkomponenten und Trainingsdetails veröffentlicht wurden.
Was das für das Rennen um offene Modelle bedeutet
MiMo-V2.6-Pro untermauert, dass chinesische KI-Labore im Open-Weight-Segment sehr konkurrenzfähig sind und diese konkrete Intelligence-Index-Rangliste derzeit anführen. Das Modell liegt vor GLM-5.3 und Kimi K3; die MIT-Lizenz unterscheidet es zudem wesentlich von einem nur über eine geschlossene API erreichbaren Modell. 31
36
Daraus folgt jedoch nicht, dass chinesische Labore US-Labore insgesamt überholt hätten. Im selben Index erreichen die führenden geschlossenen Modelle Claude Fable 5.1 und GPT-6 Astra weiterhin 53 Punkte. 19
Für Anwenderinnen und Anwender ist die praktische Schlussfolgerung weniger weitreichend, aber wichtig: Open-Weight-KI rückt auf diesem Benchmark näher an teure proprietäre Systeme heran. MiMo-V2.6-Pro ist damit eine ernstzunehmende Option für Teams, denen herunterladbare Gewichte, günstige Inferenz, multimodale Eingaben und Agenten-Workflows mit sehr langem Kontext wichtig sind.
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Die Leute fragen auch
Wie lautet die kurze Antwort auf „Warum Xiaomis MiMo-V2.6-Pro jetzt die Open-Weight-KI-Rangliste anführt“?
MiMo V2.6 Pro führt die Open Weight Rangliste von Artificial Analysis mit 46 Punkten an – vor GLM 5.3 mit 45 und Kimi K3 mit 44.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
MiMo V2.6 Pro führt die Open Weight Rangliste von Artificial Analysis mit 46 Punkten an – vor GLM 5.3 mit 45 und Kimi K3 mit 44. Xiaomi führt den Sprung auf einen gemeinsamen Reinforcement Learning Lauf für Code, Agenten, visuelle Aufgaben und Cybersicherheit zurück; die gemeldeten Kosten betragen 2,62 Millionen US Dollar für Pro.
Was soll ich als nächstes in der Praxis tun?
Das günstigere MiMo V2.6 Flash bietet ebenfalls ein Kontextfenster von einer Million Token und multimodale Eingaben; der API Preis beginnt bei 0,14 US Dollar pro Million nicht zwischengespeicherter Eingabe Token.
Quellen
artificialanalysis.aiComparison of AI Models across Intelligence, Performance, and Price
mimo.mi.comXiaomi MiMo-V2.6 Series: 3 New Models Officially Released
huggingface.coXiaomiMiMo/MiMo-V2.6-Flash-RL - Hugging Face
mimo.xiaomi.comIntroducing MiMo-V2.6 series