RéponsesPublié24 sources
MiMo-V2.6 de Xiaomi : ce que les entreprises doivent vérifier avant de l’adopter
MiMo V2.6 Pro obtient un score rapporté de 46,32 sur l’Intelligence Index d’Artificial Analysis ; Flash coûte environ trois fois moins cher par token. Pro compte 1 020 milliards de paramètres au total, dont 42 milliards activés par token ; Flash en compte environ 309 milliards, dont 15 milliards activés.
Publié parModifié avec GPT-5.6 TerraImages générées avec GPT Image 2
Réponse de recherche
Points clés à retenir
- MiMo V2.6 Pro obtient un score rapporté de 46,32 sur l’Intelligence Index d’Artificial Analysis ; Flash coûte environ trois fois moins cher par token.
- Pro compte 1 020 milliards de paramètres au total, dont 42 milliards activés par token ; Flash en compte environ 309 milliards, dont 15 milliards activés.
- À court terme, l’approche la plus prudente est un pilote contrôlé sur des données non sensibles, en attendant des garanties suffisantes sur la provenance, les contrats et les évaluations indépendantes.
Prompt IA
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
MiMo-V2.6 de Xiaomi constitue une proposition sérieuse dans l’IA à poids ouverts pour les usages agentiques et multimodaux. Le modèle phare Pro combine une très grande architecture mixture-of-experts (MoE) clairsemée à des tarifs d’API publiés particulièrement faibles, tandis que Flash vise une inférence bien moins coûteuse.
Mais la capacité technique et la licence ne suffisent pas à trancher une décision d’entreprise. Des allégations selon lesquelles Xiaomi aurait utilisé des sorties de Claude dans le cadre d’une distillation non autorisée soulèvent des questions non résolues sur la provenance des données d’entraînement, l’exposition juridique et l’intégrité des évaluations.
Ce que Xiaomi a publié
Xiaomi a rendu téléchargeables les points de contrôle MiMo-V2.6-Pro-RL et MiMo-V2.6-Flash-RL, dont les dépôts affichent la licence MIT. L’entreprise a également publié MiMo-V2.6-Distill-Qwen-9B, présenté comme un modèle agentique de 9 milliards de paramètres obtenu par ajustement supervisé de Qwen3.5-9B sur des données générées par MiMo. 2
4
5
Les deux modèles les plus importants sont présentés comme des systèmes omnimodaux acceptant texte, images, vidéo et audio, avec une fenêtre de contexte annoncée allant jusqu’à un million de tokens. Pro est un modèle MoE clairsemé de 1 020 milliards de paramètres au total, dont 42 milliards activés par token. Flash compte environ 309 milliards de paramètres au total, dont 15 milliards actifs. 3
La licence MIT donne de larges droits d’utilisation et de modification sur les éléments publiés. Elle ne prouve toutefois pas, à elle seule, la provenance de chaque donnée d’entraînement ou sortie synthétique utilisée en amont ; elle ne règle pas non plus d’éventuelles revendications de propriété intellectuelle ou de conformité par des tiers.
Performances : distinguer les éléments indépendants des résultats du fournisseur
MiMo-V2.6-Pro aurait obtenu 46,32 sur l’Intelligence Index v4.3 d’Artificial Analysis, au niveau de Grok 4.7 dans cette comparaison et en tête du classement cité des modèles à poids ouverts. C’est un signal externe utile, mais il s’agit d’un indice composite : il ne démontre pas à lui seul les performances sur les données propres à une organisation, ses langues de travail, ses contraintes de latence, ses politiques de sûreté ou ses charges à très long contexte. 23
24
Les documents de Xiaomi rapportent également de solides résultats en programmation et en usages agentiques. Dans les résultats d’apprentissage par renforcement du rapport technique sur DeepSWE v1.1, le score average@3 de Pro passe de 58,4 à 72,6 ; celui de Flash, de 48,7 à 65,7. DeepSWE v1.1 couvre 113 tâches d’ingénierie logicielle sur des dépôts de code, évaluées par des vérificateurs fonctionnels ; average@3 correspond au taux de réussite moyen sur trois tentatives échantillonnées. 10
Ces chiffres sont utiles, mais doivent rester considérés comme des résultats communiqués par le fournisseur tant qu’ils ne sont pas reproduits indépendamment. Une décision de déploiement devrait reposer sur des tests en aveugle, réalisés sur des jeux de données de validation privés et des tâches proches de la production, plutôt que sur un classement seul.
Pro ou Flash : arbitrer entre capacité et coût
| Modèle | Échelle de l’architecture | Tarif API publié pour 1 million de tokens en entrée | Tarif API publié pour 1 million de tokens en sortie | Usage pratique |
|---|---|---|---|---|
| MiMo-V2.6-Pro | 1 020 Md au total / 42 Md actifs | 0,435 $ | 0,87 $ | Évaluation des cas agentiques et d’ingénierie les plus exigeants |
| MiMo-V2.6-Flash | Environ 309 Md au total / 15 Md actifs | 0,14 $ | 0,28 $ | Expérimentation à grand volume et charges sensibles au coût |
Les tarifs publiés pour Flash représentent environ un tiers de ceux de Pro, tant pour les tokens d’entrée non mis en cache que pour les tokens de sortie. 20 Flash est donc le candidat le plus pragmatique pour un premier test lorsque le volume de traitement compte davantage que le dernier gain de performance sur les benchmarks.
L’auto-hébergement modifie toutefois l’équation. Les poids ouverts peuvent améliorer la portabilité et le contrôle des données, mais l’organisation doit alors assumer la capacité GPU, le stockage, l’exploitation de l’inférence, la supervision, les correctifs et le support. Le tarif par token le plus bas n’est pas nécessairement le coût total de possession le plus faible.
Ce que Xiaomi a communiqué sur les coûts d’apprentissage par renforcement
La publication comprend des points de contrôle publics et un rapport technique. Selon les informations relayant les exécutions d’apprentissage par renforcement divulguées par Xiaomi, les deux grands modèles ont effectué 30 étapes de RL sur environ 750 000 trajectoires. Xiaomi a déclaré environ 2,62 millions de dollars pour l’exécution RL de Pro et 850 000 dollars pour celle de Flash, soit environ 3,47 millions de dollars au total. 18
29
Ces montants ne doivent pas être interprétés comme le coût complet de développement des modèles. Les sources citées indiquent qu’ils ne couvrent que la phase d’apprentissage par renforcement, les coûts de pré-entraînement n’ayant pas été rendus publics. 29 Ils renseignent donc sur l’efficacité d’une étape de post-entraînement, non sur le coût total de création des modèles.
Pourquoi les allégations de distillation de Claude sont importantes
Le 10 septembre, Anthropic a déclaré avoir identifié et interrompu des campagnes présumées de distillation non autorisée visant Claude, attribuées à sept laboratoires basés en Chine, dont Xiaomi. Anthropic définit la distillation illicite comme une opération industrielle et clandestine destinée à extraire les capacités d’un modèle et à les reproduire dans un autre sans autorisation. 47
D’après des informations relayant cette allégation, Xiaomi aurait enregistré des conversations impliquant ses modèles MiMo avant de les soumettre à Claude pour générer des données d’entraînement. Un compte rendu secondaire du rapport d’Anthropic évoque plus de 400 000 requêtes réparties sur plus de 1 500 comptes et précise qu’Anthropic n’aurait pas observé que les réponses de Claude étaient servies directement à des utilisateurs finaux. 44 Les chiffres globaux communiqués sur la campagne d’Anthropic sont souvent décrits comme environ 190 millions, ou près de 200 millions, d’échanges sur plusieurs opérations présumées.
33
38
Il s’agit d’allégations formulées par Anthropic, et non d’une décision judiciaire ni d’un audit médico-légal indépendant. Les éléments disponibles n’établissent pas qu’un point de contrôle MiMo-V2.6 particulier contient du contenu dérivé de Claude, que les données d’un client précis ont été transmises, ou qu’un benchmark publié a été contaminé. Ces distinctions sont essentielles.
Les allégations font néanmoins émerger de vraies questions de diligence :
- Chaîne de traçabilité des données d’entraînement : les acheteurs doivent pouvoir demander si des sorties de modèles externes, des interactions utilisateur ou des traces synthétiques ont contribué à un point de contrôle publié.
- Exposition liée au traitement des données : si des conversations de clients ou d’utilisateurs ont été relayées à un tiers, l’enjeu dépasse la propriété intellectuelle : consentement, confidentialité, conservation, transferts transfrontaliers et obligations contractuelles de traitement des données sont concernés.
- Validité des benchmarks : l’exposition à des items de benchmark, à leurs solutions ou à des variantes proches générées par un modèle enseignant peut gonfler les résultats. Les sources examinées ne démontrent pas de contamination, mais une évaluation indépendante de ce risque devient plus importante à la lumière des allégations.
- Répartition du risque commercial : une licence ouverte ne fournit pas automatiquement une indemnisation, des garanties, une notification d’incident ou un recours juridique satisfaisant en cas de réclamation d’un tiers.
Un cadre pragmatique d’adoption en entreprise
MiMo-V2.6 devrait être considéré comme un candidat pour un pilote, et non comme un socle stratégique automatique, tant que les questions de provenance restent sans réponse satisfaisante.
Usages raisonnables dès maintenant
- Recherche interne et évaluation sur des données non sensibles ;
- prototypes isolés auto-hébergés lorsque la portabilité est importante ;
- expérimentations de programmation, de recherche documentaire, de traitement de documents et de multimodalité sensibles au coût ;
- équipes capables de mener elles-mêmes des évaluations de sécurité, de robustesse et de red teaming.
Usages à différer dans l’attente de garanties plus solides
- Décisions réglementées ou à conséquences élevées ;
- charges impliquant des données très confidentielles de clients, de santé, financières, gouvernementales ou de défense ;
- génération de code à fort enjeu sans contrôle humain ni mécanisme de retour arrière ;
- déploiements nécessitant des garanties sur les données d’entraînement, une indemnisation, des droits d’audit ou des engagements précis de gestion d’incident.
Diligence minimale avant la production
- Demander des informations écrites sur la provenance. Interroger Xiaomi sur l’utilisation éventuelle de sorties dérivées de Claude, d’interactions utilisateur relayées ou d’autres sorties de modèles externes dans les pipelines d’entraînement et de post-entraînement.
- Prévoir des protections contractuelles. Clarifier l’indemnisation, la notification de violation, la conservation des données, les sous-traitants, la résidence des données et la traçabilité des artefacts par version.
- Mener des évaluations indépendantes. Utiliser des jeux de validation privés et des tâches résistantes à la contamination. Tester la récupération d’information à long contexte, le comportement multilingue, l’usage d’outils, les hallucinations, la résistance à l’injection de prompt et les comportements de mémorisation.
- Déployer dans une architecture contrôlée. En auto-hébergement, limiter les accès réseau sortants, appliquer des contrôles d’identité et d’accès stricts, journaliser les usages et conserver une solution de repli vers un modèle évalué séparément.
- Écarter les données sensibles des API non approuvées. Ne pas transmettre de données clients à un point d’accès externe avant que les conditions de traitement et les contrôles techniques ne répondent aux exigences internes.
À retenir
MiMo-V2.6 associe de façon inhabituelle des poids téléchargeables sous licence MIT, une fenêtre de contexte multimodale annoncée d’un million de tokens, de solides performances rapportées et des prix d’inférence publiés très bas. Pro est le modèle à évaluer pour la capacité maximale ; Flash est l’option la plus économique pour des expérimentations à plus grande échelle. 3
20
23
Mais disponibilité ouverte ne veut pas dire préparation automatique à l’entreprise. Tant que Xiaomi ne fournit pas des éléments satisfaisants sur la provenance, la gouvernance et la répartition des risques, les entreprises ont intérêt à traiter MiMo-V2.6 comme une famille de modèles très prometteuse pour des pilotes contrôlés — et à exiger une validation indépendante avant de lui confier des charges sensibles ou critiques.
Studio Global AI
Continuez vos recherches
Cette page comprend une réponse basée sur la source que vous pouvez continuer dans Studio Global.
Les gens demandent aussi
Quelle est la réponse courte à « MiMo-V2.6 de Xiaomi : ce que les entreprises doivent vérifier avant de l’adopter » ?
MiMo V2.6 Pro obtient un score rapporté de 46,32 sur l’Intelligence Index d’Artificial Analysis ; Flash coûte environ trois fois moins cher par token.
Quels sont les points clés à valider en premier ?
MiMo V2.6 Pro obtient un score rapporté de 46,32 sur l’Intelligence Index d’Artificial Analysis ; Flash coûte environ trois fois moins cher par token. Pro compte 1 020 milliards de paramètres au total, dont 42 milliards activés par token ; Flash en compte environ 309 milliards, dont 15 milliards activés.
Que dois-je faire ensuite en pratique ?
À court terme, l’approche la plus prudente est un pilote contrôlé sur des données non sensibles, en attendant des garanties suffisantes sur la provenance, les contrats et les évaluations indépendantes.