AntwortenVeröffentlicht24 Quellen
Xiaomi MiMo-V2.6: Was Unternehmen vor dem Einsatz wissen sollten
MiMo V2.6 Pro erreicht laut Berichten 46,32 Punkte im Artificial Analysis Intelligence Index; Flash kostet pro Tokenmenge rund ein Drittel von Pro. Pro umfasst 1,02 Billionen Parameter, von denen 42 Milliarden pro Token aktiv sind.
Veröffentlicht vonBearbeitet mit GPT-5.6 TerraBilder erstellt mit GPT Image 2
Forschungsantwort
Wichtige Erkenntnisse
- MiMo V2.6 Pro erreicht laut Berichten 46,32 Punkte im Artificial Analysis Intelligence Index; Flash kostet pro Tokenmenge rund ein Drittel von Pro.
- Pro umfasst 1,02 Billionen Parameter, von denen 42 Milliarden pro Token aktiv sind.
- Für Unternehmen ist MiMo V2.6 derzeit vor allem ein Kandidat für kontrollierte Pilotprojekte mit nicht sensiblen Daten – bis Herkunft der Trainingsdaten, Vertragsfragen und unabhängige Tests geklärt sind.
KI-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 ist ein ernstzunehmender Vorstoß im Bereich offener KI-Modelle für agentische und multimodale Anwendungen. Das Spitzenmodell Pro kombiniert eine große, sparsame Mixture-of-Experts-Architektur mit niedrigen veröffentlichten API-Preisen; Flash zielt auf deutlich günstigere Inferenz ab. Für Unternehmen zählen jedoch nicht nur Leistungsfähigkeit und Lizenz: Vorwürfe, Xiaomi habe Claude-Ausgaben unbefugt zur Destillation genutzt, werfen ungelöste Fragen zur Herkunft der Trainingsdaten, zu rechtlichen Risiken und zur Belastbarkeit von Evaluierungen auf.
Was Xiaomi veröffentlicht hat
Xiaomi hat die Checkpoints MiMo-V2.6-Pro-RL und MiMo-V2.6-Flash-RL zum Download bereitgestellt; die zugehörigen Repositories führen die MIT-Lizenz. Hinzu kommt MiMo-V2.6-Distill-Qwen-9B, ein agentisches 9B-Modell, das laut Beschreibung durch Supervised Fine-Tuning von Qwen3.5-9B mit von MiMo erzeugten Daten entstanden ist. 2
4
5
Die beiden größeren Modelle werden als omnimodale Systeme präsentiert: Sie verarbeiten Text, Bilder, Video und Audio und sollen ein Kontextfenster von bis zu einer Million Token unterstützen. Pro ist ein sparsames MoE-Modell mit 1,02 Billionen Parametern insgesamt, von denen pro Token 42 Milliarden aktiviert werden. Flash hat rund 309 Milliarden Parameter insgesamt und 15 Milliarden aktive Parameter pro Token. 3
Die MIT-Lizenz erlaubt eine weitgehende Nutzung und Veränderung der veröffentlichten Artefakte. Sie belegt jedoch nicht automatisch die Herkunft jedes Trainingsinputs oder jedes synthetischen Outputs in der vorgelagerten Trainingspipeline. Ebenso klärt sie keine möglichen Ansprüche Dritter zu geistigem Eigentum oder Compliance.
Leistung: externe Signale und Herstellerangaben getrennt bewerten
Berichten zufolge erzielt MiMo-V2.6-Pro im Artificial Analysis Intelligence Index v4.3 46,32 Punkte. In diesem Vergleich liegt es auf dem Niveau von Grok 4.7 und an der Spitze der zitierten Rangliste offener Modelle. Das ist ein relevantes externes Signal, aber ein zusammengesetzter Index ist kein Beweis dafür, dass das Modell auf den eigenen Daten, in bestimmten Sprachen, unter konkreten Latenzvorgaben, Sicherheitsrichtlinien oder bei langen Kontexten gleichermaßen überzeugt. 23
24
Xiaomi berichtet außerdem über starke Ergebnisse bei Programmier- und Agentenaufgaben. Im technischen Bericht stieg beim Reinforcement Learning auf DeepSWE v1.1 der Wert average@3 bei Pro von 58,4 auf 72,6, bei Flash von 48,7 auf 65,7. DeepSWE v1.1 umfasst 113 Aufgaben zur Softwareentwicklung in Code-Repositories, die mit funktionalen Prüfverfahren bewertet werden. average@3 ist die durchschnittliche Erfolgsquote über drei gezogene Versuche. 10
Diese Ergebnisse sind nützlich, bleiben aber Herstellerangaben, solange sie nicht unabhängig reproduziert wurden. Produktionsentscheidungen sollten auf Blindtests mit eigenen, nicht veröffentlichten Testfällen und realitätsnahen Aufgaben beruhen – nicht allein auf einer Bestenliste.
Pro oder Flash: Leistung gegen Kosten
| Modell | Architekturgröße | Veröffentlichter API-Preis je 1 Mio. Input-Token | Veröffentlichter API-Preis je 1 Mio. Output-Token | Praktische Rolle |
|---|---|---|---|---|
| MiMo-V2.6-Pro | 1,02 Bio. insgesamt / 42 Mrd. aktiv | 0,435 US-Dollar | 0,87 US-Dollar | Maximale Leistungsoption für anspruchsvolle agentische und technische Evaluierungen |
| MiMo-V2.6-Flash | Rund 309 Mrd. insgesamt / 15 Mrd. aktiv | 0,14 US-Dollar | 0,28 US-Dollar | Tests mit hohem Volumen und kostenbewusste Workloads |
Die veröffentlichten Flash-Preise liegen bei Input und Output jeweils ungefähr bei einem Drittel der Pro-Preise. 20 Flash ist damit der naheliegende erste Testkandidat, wenn Durchsatz und Kosten wichtiger sind als die letzten Prozentpunkte möglicher Benchmark-Leistung.
Beim Self-Hosting verschiebt sich die Rechnung: Offene Gewichte können Portabilität und mehr Kontrolle über Daten ermöglichen. Dafür tragen Unternehmen Kosten für GPU-Kapazität, Speicher, Inferenzbetrieb, Monitoring, Patches und Support selbst. Der niedrigste Preis pro Token ist daher nicht zwingend der niedrigste Gesamtaufwand.
Was Xiaomi zu den Kosten des Reinforcement Learnings offengelegt hat
Zum Release gehören öffentliche Checkpoints und ein technischer Bericht. Berichte über Xiaomis offengelegte RL-Läufe besagen, dass beide großen Modelle 30 RL-Schritte über rund 750.000 Trajektorien absolvierten. Xiaomi bezifferte den RL-Lauf für Pro auf rund 2,62 Millionen US-Dollar, für Flash auf 850.000 US-Dollar – zusammen etwa 3,47 Millionen US-Dollar. 18
29
Diese Zahlen sind nicht als vollständige Entwicklungskosten zu verstehen. Den zitierten Berichten zufolge decken sie nur die RL-Phase ab; die Vortrainingskosten wurden nicht veröffentlicht. 29 Sie liefern damit Hinweise auf die Effizienz einer Post-Training-Phase, aber keine vollständige Kostenrechnung für die Entwicklung der Modelle.
Warum die Vorwürfe zur Claude-Destillation wichtig sind
Am 10. September erklärte Anthropic, es habe mutmaßliche unbefugte Destillationskampagnen gegen Claude entdeckt und unterbunden, die das Unternehmen sieben in China ansässigen Labs zuschreibt, darunter Xiaomi. Anthropic definiert unerlaubte Destillation als einen industriellen, verdeckten Versuch, Fähigkeiten eines Modells ohne Erlaubnis zu extrahieren und nachzubilden. 47
Laut Berichten soll Xiaomi Unterhaltungen mit seinen MiMo-Modellen gespeichert und an Claude übermittelt haben, um Trainingsdaten zu erzeugen. Eine Sekundärdarstellung von Anthropics Bericht beziffert die Xiaomi-Aktivität auf mehr als 400.000 Anfragen über mehr als 1.500 Konten; Anthropic habe dabei nicht beobachtet, dass Claude-Antworten an Endnutzer ausgespielt wurden. 44 Für die breiteren, mutmaßlichen Kampagnen werden insgesamt häufig rund 190 Millionen beziehungsweise knapp 200 Millionen Interaktionen genannt.
33
38
Es handelt sich um Vorwürfe von Anthropic, nicht um ein gerichtliches Urteil oder das Ergebnis eines unabhängigen forensischen Audits. Das vorliegende Material belegt weder, dass ein bestimmter MiMo-V2.6-Checkpoint Claude-abgeleitete Inhalte enthält, noch dass Daten eines konkreten Kunden übertragen wurden oder ein veröffentlichter Benchmark verfälscht wurde. Diese Unterschiede sind entscheidend.
Trotzdem ergeben sich für Käufer konkrete Prüfpflichten:
- Nachvollziehbarkeit der Datenherkunft: Unternehmen benötigen möglicherweise Nachweise dazu, ob Ausgaben externer Modelle, Nutzerinteraktionen oder synthetische Daten in einen veröffentlichten Checkpoint eingeflossen sind.
- Risiken bei der Datenverarbeitung: Falls Kunden- oder Nutzergespräche an Dritte weitergeleitet wurden, betrifft das nicht nur Modell-IP. Es geht auch um Einwilligung, Vertraulichkeit, Aufbewahrung, grenzüberschreitende Verarbeitung und vertragliche Datenpflichten.
- Aussagekraft von Benchmarks: Kontakt mit Benchmark-Aufgaben, Lösungen oder sehr ähnlichen, von einem Lehrermodell erzeugten Varianten kann Ergebnisse nach oben verzerren. Die geprüften Quellen belegen keine Kontamination bei MiMo-V2.6; vor dem Hintergrund der Vorwürfe gewinnt eine unabhängige Prüfung aber an Bedeutung.
- Vertragliche Risikoverteilung: Eine offene Lizenz gewährt nicht automatisch Freistellung von Ansprüchen, Garantien, Meldepflichten bei Sicherheitsvorfällen oder wirksame Rechtsmittel bei Ansprüchen Dritter.
Ein pragmatischer Rahmen für die Einführung im Unternehmen
Solange Fragen zur Datenherkunft ungeklärt sind, sollte MiMo-V2.6 als Kandidat für Pilotprojekte gelten – nicht als automatisch geeignete strategische Grundlage.
Sinnvolle Einsatzfelder jetzt
- Interne Forschung und Evaluierung mit nicht sensiblen Daten
- Isolierte, selbst betriebene Prototypen, bei denen Portabilität wichtig ist
- Kostenbewusste Experimente für Coding, Retrieval, Dokumentenverarbeitung und multimodale Anwendungen
- Teams, die eigene Red-Team-, Zuverlässigkeits- und Sicherheitsprüfungen durchführen können
Einsatzfelder, die auf belastbarere Zusicherungen warten sollten
- Regulierte oder folgenschwere Entscheidungen
- Workloads mit hochvertraulichen Kunden-, Gesundheits-, Finanz-, Behörden- oder Verteidigungsdaten
- Risikoreiche Codegenerierung ohne menschliche Prüfung und Rückfallmechanismen
- Implementierungen, die Garantien zur Herkunft der Trainingsdaten, Freistellung, Audit-Rechte oder klar definierte Incident-Response-Zusagen verlangen
Mindestprüfung vor dem Produktivbetrieb
- Schriftliche Angaben zur Herkunft einholen. Fragen Sie, ob Claude-abgeleitete Ausgaben, weitergeleitete Nutzerinteraktionen oder Ausgaben anderer externer Modelle in Training oder Post-Training eines bestimmten Modells eingeflossen sind.
- Vertragliche Schutzmechanismen festlegen. Klären Sie Freistellung, Meldung von Datenschutz- oder Sicherheitsvorfällen, Datenaufbewahrung, Unterauftragnehmer, Datenresidenz und die Nachverfolgbarkeit konkreter Artefaktversionen.
- Unabhängig testen. Nutzen Sie private Testdaten und kontaminationsresistente Aufgaben. Prüfen Sie Long-Context-Retrieval, Mehrsprachigkeit, Tool-Nutzung, Halluzinationsraten, Widerstand gegen Prompt-Injection und mögliches Memorieren sensibler Inhalte.
- Kontrollierte Betriebsarchitektur wählen. Beim Self-Hosting sollten ausgehende Netzwerkverbindungen begrenzt, strenge Identitäts- und Zugriffskontrollen umgesetzt, Modellnutzung protokolliert und ein Rückweg zu einem separat geprüften Modell vorbereitet werden.
- Sensible Daten aus nicht freigegebenen APIs heraushalten. Kundendaten sollten erst dann an externe Endpunkte gesendet werden, wenn Vereinbarungen zur Datenverarbeitung und technische Schutzmaßnahmen die internen Anforderungen erfüllen.
Fazit
MiMo-V2.6 kombiniert attraktive Eigenschaften: herunterladbare Gewichte unter MIT-Lizenz, ein behauptetes multimodales Kontextfenster von einer Million Token, starke gemeldete Benchmark-Ergebnisse und niedrige veröffentlichte Inferenzpreise. Pro ist die Variante für maximale Leistungsansprüche; Flash ist die wirtschaftlichere Option für breit angelegte Experimente. 3
20
23
Offene Verfügbarkeit ist jedoch nicht gleichbedeutend mit Unternehmensreife. Bis Xiaomi überzeugende Nachweise zur Datenherkunft, Governance und Risikoverteilung liefert, sollten Unternehmen MiMo-V2.6 als vielversprechende Modellfamilie für kontrollierte Pilotprojekte behandeln – und vor dem Einsatz in sensiblen oder geschäftskritischen Workloads eine unabhängige Validierung verlangen.
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 „Xiaomi MiMo-V2.6: Was Unternehmen vor dem Einsatz wissen sollten“?
MiMo V2.6 Pro erreicht laut Berichten 46,32 Punkte im Artificial Analysis Intelligence Index; Flash kostet pro Tokenmenge rund ein Drittel von Pro.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
MiMo V2.6 Pro erreicht laut Berichten 46,32 Punkte im Artificial Analysis Intelligence Index; Flash kostet pro Tokenmenge rund ein Drittel von Pro. Pro umfasst 1,02 Billionen Parameter, von denen 42 Milliarden pro Token aktiv sind.
Was soll ich als nächstes in der Praxis tun?
Für Unternehmen ist MiMo V2.6 derzeit vor allem ein Kandidat für kontrollierte Pilotprojekte mit nicht sensiblen Daten – bis Herkunft der Trainingsdaten, Vertragsfragen und unabhängige Tests geklärt sind.