Xiaomi MiMo-V2.6: wat organisaties moeten weten vóór ingebruikname

Xiaomi zet met MiMo-V2.6 nadrukkelijk in op open modellen voor agentische en multimodale toepassingen. Het topmodel Pro combineert een zeer groot sparse mixture-of-experts-model met opvallend lage gepubliceerde API-prijzen; Flash is bedoeld voor aanzienlijk goedkopere inzet op schaal.

Dat technische en financiële plaatje is echter niet het hele verhaal. Anthropic beschuldigde Xiaomi ervan zonder toestemming Claude-uitvoer te hebben gebruikt voor distillatie. Daarmee ontstaan voor organisaties vragen over de herkomst van trainingsdata, juridische aansprakelijkheid en de betrouwbaarheid van benchmarks. Die beschuldigingen zijn geen rechterlijke uitspraak en ook geen onafhankelijke forensische audit, maar wel een relevant risico dat vooraf moet worden onderzocht.

Wat Xiaomi heeft uitgebracht

Xiaomi publiceerde downloadbare checkpoints voor MiMo-V2.6-Pro-RL en MiMo-V2.6-Flash-RL. In de repositories staat de MIT-licentie vermeld. Daarnaast bracht het bedrijf MiMo-V2.6-Distill-Qwen-9B uit: een agentisch model met 9 miljard parameters, gemaakt door Qwen3.5-9B via supervised fine-tuning verder te trainen op door MiMo gegenereerde data. 245

De twee grotere modellen worden gepresenteerd als omnimodale systemen: ze kunnen tekst, afbeeldingen, video en audio verwerken. Xiaomi claimt een contextvenster van maximaal 1 miljoen tokens. Pro is een sparse MoE-model met 1,02 biljoen parameters in totaal, waarvan 42 miljard per token actief zijn. Flash heeft circa 309 miljard parameters, met 15 miljard actieve parameters per token. 3

De MIT-licentie geeft gebruikers ruime toestemming om de vrijgegeven artefacten te gebruiken en aan te passen. Maar die licentie bewijst niet dat alle trainingsinputs of synthetische outputs die eerder in de keten zijn gebruikt, een sluitende herkomst hebben. Evenmin lost zij mogelijke claims over intellectueel eigendom of compliance op.

Prestaties: veelbelovend, maar onderscheid externe en eigen claims

Volgens berichtgeving scoort MiMo-V2.6-Pro 46,32 op de Intelligence Index v4.3 van Artificial Analysis. In die vergelijking zou het model op gelijke hoogte staan met Grok 4.7 en bovenaan de aangehaalde ranglijst voor open-gewichtmodellen staan. Dat is een relevant extern signaal, maar een samengestelde index is geen bewijs dat het model ook goed werkt op de eigen data, talen, responstijdeisen, veiligheidsregels of langcontexttaken van een organisatie. 2324

Xiaomi rapporteert zelf ook sterke resultaten voor programmeer- en agenttaken. In de reinforcement-learningresultaten op DeepSWE v1.1 steeg de average@3-score van Pro van 58,4 naar 72,6; Flash steeg van 48,7 naar 65,7. DeepSWE v1.1 omvat 113 taken rond repository-engineering, beoordeeld met functionele verifiers. Average@3 is het gemiddelde slagingspercentage over drie gegenereerde pogingen. 10

Deze resultaten zijn bruikbaar als aanwijzing, maar blijven door de leverancier gerapporteerd totdat onafhankelijke partijen ze reproduceren. Een productie-keuze hoort daarom te steunen op blinde tests met eigen, afgeschermde datasets en realistische werksituaties — niet alleen op een leaderboard.

Pro of Flash: capaciteit tegenover kosten

Model	Architectuurschaal	Gepubliceerde API-prijs per 1 miljoen inputtokens	Gepubliceerde API-prijs per 1 miljoen outputtokens	Praktische rol
MiMo-V2.6-Pro	1,02 biljoen totaal / 42 miljard actief	US$ 0,435	US$ 0,87	Hoogste capaciteit voor complexe evaluaties rond agents en software-engineering
MiMo-V2.6-Flash	Circa 309 miljard totaal / 15 miljard actief	US$ 0,14	US$ 0,28	Experimenten met hoger volume en kostengevoelige toepassingen

De gepubliceerde tarieven van Flash liggen voor zowel nieuwe input- als outputtokens op ongeveer een derde van die van Pro. 20 Daardoor ligt Flash voor de hand als eerste model om te testen wanneer volume en kostenefficiëntie zwaarder wegen dan de laatste winst op benchmarks.

Bij zelf hosten verandert de rekensom. Open gewichten kunnen portabiliteit en meer controle over data bieden, maar de organisatie draagt dan zelf de kosten voor GPU-capaciteit, opslag, inference-operaties, monitoring, patches en ondersteuning. De laagste tokenprijs is dus niet automatisch de laagste totale eigendomskosten.

Wat Xiaomi meldde over de kosten van reinforcement learning

Bij de release verschenen publieke checkpoints en een technisch rapport. Volgens berichtgeving over Xiaomi's bekendmaking doorliepen beide grote modellen 30 RL-stappen met samen ongeveer 750.000 trajecten. Xiaomi rapporteerde ongeveer US$ 2,62 miljoen voor de RL-run van Pro en US$ 850.000 voor Flash: samen circa US$ 3,47 miljoen. 1829

Deze bedragen zijn niet te lezen als de volledige ontwikkelkosten van de modellen. De aangehaalde berichtgeving stelt dat het alleen om de RL-fase gaat; kosten voor pretraining zijn niet bekendgemaakt. 29 De cijfers geven dus vooral inzicht in de efficiëntie van één fase van post-training, niet in de totale investering achter de modellen.

Waarom de beschuldigingen rond Claude-distillatie ertoe doen

Anthropic meldde op 10 september dat het vermeende ongeautoriseerde distillatiecampagnes tegen Claude had ontdekt en verstoord. Die campagnes werden volgens Anthropic toegeschreven aan zeven in China gevestigde labs, waaronder Xiaomi. Anthropic definieert ongeoorloofde distillatie als een grootschalige, heimelijke poging om de capaciteiten van een model te onttrekken en zonder toestemming in een ander model na te bouwen. 47

Volgens berichtgeving nam Xiaomi gesprekken met zijn MiMo-modellen op en diende het die bij Claude in om trainingsdata te creëren. Een secundaire weergave van Anthropics rapport spreekt van meer dan 400.000 verzoeken via meer dan 1.500 accounts; Anthropic zou niet hebben vastgesteld dat Claude-antwoorden aan livegebruikers werden getoond. 44 Voor de bredere, vermeende campagne worden vaak circa 190 miljoen tot bijna 200 miljoen uitwisselingen genoemd. 3338

Dit zijn beschuldigingen van Anthropic, geen rechterlijk oordeel en geen onafhankelijke technische audit. Het beschikbare materiaal toont niet aan dat een specifiek MiMo-V2.6-checkpoint Claude-afgeleid materiaal bevat, dat data van een specifieke klant is doorgestuurd of dat een gepubliceerde benchmark is vervuild. Juist die verschillen zijn van belang.

Toch leveren de beschuldigingen concrete aandachtspunten op:

• Keten van herkomst van trainingsdata: afnemers kunnen bewijs nodig hebben over de vraag of outputs van externe modellen, gebruikersinteracties of synthetische traces in een checkpoint zijn beland.
• Risico bij gegevensverwerking: als klant- of gebruikersgesprekken extern zijn doorgestuurd, gaat het niet alleen om model-IP. Toestemming, vertrouwelijkheid, bewaartermijnen, grensoverschrijdende verwerking en contractuele afspraken over data komen dan ook in beeld.
• Geldigheid van benchmarks: blootstelling aan benchmarkvragen, oplossingen of nauw verwante door een docentmodel gemaakte varianten kan scores opblazen. De bronnen tonen geen vervuiling van MiMo-V2.6-benchmarks aan, maar een onafhankelijke contaminatieanalyse wordt door de beschuldigingen wel belangrijker.
• Verdeling van commercieel risico: een open licentie biedt niet automatisch vrijwaring, garanties, meldplichten bij incidenten of een afdoende rechtsmiddel als een derde partij een claim indient.

Een pragmatisch adoptiekader voor organisaties

Behandel MiMo-V2.6 voorlopig als een kandidaat voor een pilot, niet als een vanzelfsprekend strategisch fundament, zolang de vragen over herkomst niet zijn opgehelderd.

Toepassingen die nu redelijk zijn

• Intern onderzoek en evaluatie met niet-gevoelige data
• Afgeschermde, zelfgehoste prototypes waarbij portabiliteit waardevol is
• Kostengevoelige experimenten met programmeren, retrieval, documentverwerking en multimodale taken
• Teams die zelf red-teaming, betrouwbaarheidstests en beveiligingsevaluaties kunnen uitvoeren

Toepassingen die beter wachten op sterkere waarborgen

• Gereguleerde of hoog-risicobeslissingen
• Werkstromen met zeer vertrouwelijke klant-, gezondheids-, financiële, overheids- of defensiedata
• Codegeneratie met hoge impact zonder menselijke controle en terugvalmechanisme
• Inzet waarbij garanties over trainingsdata, vrijwaring, auditrechten of concrete incidentrespons verplicht zijn

Minimale due diligence vóór productie

1. Vraag om schriftelijke informatie over herkomst. Vraag expliciet of Claude-afgeleide outputs, doorgestuurde gebruikersinteracties of outputs van andere externe modellen zijn gebruikt in training of post-training.
2. Leg contractuele bescherming vast. Maak afspraken over vrijwaring, melding van datalekken of incidenten, gegevensbewaring, subverwerkers, dataresidentie en traceerbaarheid per modelversie.
3. Voer onafhankelijke evaluaties uit. Gebruik private testsets en taken die bestand zijn tegen contaminatie. Test retrieval bij lange context, meertaligheid, toolgebruik, hallucinaties, weerstand tegen promptinjecties en mogelijk memoriseren van data.
4. Werk met een gecontroleerde architectuur. Beperk bij zelfhosting uitgaand netwerkverkeer, pas strikte identiteits- en toegangscontroles toe, log modelgebruik en houd een terugvaloptie naar een afzonderlijk getoetst model beschikbaar.
5. Houd gevoelige data weg van niet-goedgekeurde API's. Verstuur geen klantdata naar een extern eindpunt voordat contractuele voorwaarden voor gegevensverwerking en technische beveiligingsmaatregelen aan de interne eisen voldoen.

Conclusie

MiMo-V2.6 combineert opvallend aantrekkelijke eigenschappen: downloadbare gewichten onder de MIT-licentie, een geclaimd multimodaal contextvenster van 1 miljoen tokens, sterke gerapporteerde benchmarkprestaties en lage gepubliceerde inferenceprijzen. Pro is de logische optie om maximale capaciteit te beoordelen; Flash is waarschijnlijk de aantrekkelijkere keuze voor breed experimenteren tegen lagere kosten. 32023

Maar open beschikbaarheid is iets anders dan gereedheid voor bedrijfskritische inzet. Zolang Xiaomi geen overtuigende informatie geeft over herkomst, governance en risicodeling, doen organisaties er goed aan MiMo-V2.6 te zien als een veelbelovende modelfamilie voor gecontroleerde pilots — en onafhankelijke validatie te eisen vóór gevoelige of bedrijfskritische workloads worden toevertrouwd.