MiMo-V2.6-Pro porta Xiaomi in testa tra i modelli AI a pesi aperti

Il debutto di MiMo-V2.6-Pro è rilevante per una combinazione rara: un risultato di vertice in un benchmark per modelli a pesi aperti, prezzi API dichiarati molto bassi e il rilascio di una parte consistente degli strumenti usati nel post-addestramento.

La lettura corretta, però, richiede una distinzione: Xiaomi è arrivata prima nella categoria open-weight di una specifica classifica composita molto seguita. Non significa che abbia raggiunto il vertice assoluto delle capacità dell’AI.

Primo tra i pesi aperti, non primo in assoluto

Artificial Analysis indica MiMo-V2.6-Pro come il modello a pesi aperti con il punteggio più alto nel suo Intelligence Index: 46. Nella stessa graduatoria GLM-5.3 è a 45 e Kimi K3 a 44. 31

Il valore è nella fascia riportata per una configurazione proprietaria di Grok 4.7. Xiaomi stessa, tuttavia, riconosce che il proprio modello di punta resta dietro ai migliori sistemi chiusi: Artificial Analysis attribuisce 53 sia a Claude Fable 5.1 sia a GPT-6 Astra, ossia sette punti in più rispetto a MiMo. 119

Il traguardo è quindi concreto ma circoscritto: un nuovo punto di riferimento per i modelli con pesi distribuibili, non una dimostrazione di parità generale con i migliori modelli accessibili solo via API.

La scommessa tecnica: «You Only RL Once»

Xiaomi chiama il proprio metodo di post-addestramento “You Only RL Once”. Invece di addestrare policy separate per programmazione, agenti generalisti, attività visive e cybersicurezza, l’azienda mescola questi domini — e più harness, cioè ambienti di esecuzione per agenti — in un singolo ciclo di reinforcement learning.

L’idea è che una stessa policy possa trasferire comportamenti utili tra compiti diversi: capire quali informazioni mancano, scegliere uno strumento, valutare il risultato ottenuto e recuperare dopo un tentativo fallito. 5

Secondo Xiaomi, Pro e Flash hanno entrambi completato 30 step di reinforcement learning su circa 750.000 traiettorie in meno di sei giorni. Il costo dichiarato è di circa 2,62 milioni di dollari per Pro e 850.000 dollari per Flash. Sono cifre fornite dall’azienda, non costi complessivi verificati da un audit indipendente. 10

Il risultato suggerisce che l’espansione del reinforcement learning su ambienti eterogenei e con uso di strumenti possa produrre guadagni importanti senza costruire una pipeline di post-addestramento ad hoc per ogni categoria. Il miglioramento di 20 punti rispetto a MiMo-V2.5-Pro resta comunque un confronto legato al rilascio: non prova una superiorità universale in ogni carico di lavoro reale. 14

Il prezzo è una parte centrale della notizia

Per MiMo-V2.6-Pro, Xiaomi indica 0,435 dollari per milione di token in input e 0,87 dollari per milione di token in output. Una comparazione basata sulle stime di costo per task di Artificial Analysis quantifica il costo di Pro in circa 0,13 dollari per task dell’Intelligence Index, contro 3,74 dollari per Grok 4.7 xHigh. 21

Il costo di un task di benchmark non coincide automaticamente con quello di una workload in produzione: incidono lunghezza di prompt e risposte, caching, utilizzo di strumenti e impostazioni di inferenza. Ma l’unione tra un punteggio di 46 e tariffe per token così basse spiega l’interesse per Pro nei team che cercano ragionamento avanzato o workflow agentici su scala.

MiMo-V2.6-Flash: l’alternativa per volumi elevati

MiMo-V2.6-Flash è la variante orientata all’efficienza. Usa un’architettura sparse mixture-of-experts, o MoE: dichiara 309 miliardi di parametri totali, di cui 15 miliardi attivi per token, contro gli 1,02 trilioni totali e 42 miliardi attivi riportati per Pro. Entrambi supportano una finestra di contesto da 1 milione di token e accettano input testuali, immagini, video e audio. 4

Flash è pensato per chiamate più frequenti: costa 0,14 dollari per milione di token in input non in cache e 0,28 dollari per milione di token in output. Xiaomi indica inoltre 0,0028 dollari per milione di token per l’input servito dalla cache. 310

Nei confronti pubblicati da Xiaomi, Flash risulta sotto Pro su DeepSWE v1.1, ma viene posizionato come opzione meno costosa per attività multimodali e con contesti molto lunghi. Sono confronti del fornitore: utili per capire il posizionamento previsto, ma da verificare con test indipendenti prima di un’adozione specifica. 10

Il primo giudizio di un utilizzatore

Tim Dettmers ha scritto che Flash gli è sembrato «il miglior modello nella classe da 300 a 550 miliardi» di parametri, aggiungendo che nel suo utilizzo avrebbe superato DeepSeek V4.1 e GLM-5.3 Flash. Ha inoltre elogiato la compattazione automatica del contesto in una sessione oltre i 3 milioni di token e riportato circa 250 token al secondo in decodifica e 2,6 mila token al secondo in prefill. 44

Sono osservazioni interessanti, soprattutto per flussi di coding di lunga durata, ma restano l’esperienza di un singolo professionista: non costituiscono un benchmark indipendente né una garanzia su hardware o stack di serving differenti.

Cosa viene effettivamente rilasciato

Il rilascio non si limita ai pesi scaricabili. Xiaomi afferma di distribuire Pro e Flash con licenza MIT, insieme a un report tecnico, oltre 7.000 ambienti di task per il reinforcement learning, un framework RL end-to-end e mini-harness componibili. È disponibile anche una dashboard alimentata dai log dei trainer per i due cicli RL. 462

Questa apertura sul post-addestramento può aiutare ricercatori e sviluppatori a esaminare il metodo e a riutilizzare gli ambienti di task. Non equivale però, da sola, a un pacchetto di riproducibilità completo: i materiali disponibili non dimostrano che siano stati rilasciati tutti i dataset di pretraining, i componenti infrastrutturali o ogni dettaglio dell’addestramento.

Cosa cambia nella corsa ai modelli a pesi aperti

MiMo-V2.6-Pro rafforza l’evidenza che i laboratori cinesi siano molto competitivi — e in testa in questa particolare classifica open-weight. Il suo 46 supera i punteggi elencati per GLM-5.3 e Kimi K3; inoltre, la licenza MIT lo distingue in modo sostanziale da un modello chiuso accessibile esclusivamente via API. 3136

Sarebbe però eccessivo trasformare questo dato nella tesi che i laboratori cinesi superino complessivamente quelli statunitensi. Lo stesso indice colloca Claude Fable 5.1 e GPT-6 Astra, entrambi modelli chiusi, a 53. 19

La conclusione pratica è più semplice: su questo benchmark, l’AI a pesi aperti si è avvicinata ai costosi sistemi proprietari. MiMo-V2.6-Pro emerge ora come opzione significativa per chi attribuisce valore a pesi distribuibili, inferenza economica, input multimodali e agenti capaci di lavorare su contesti molto estesi.