Xiaomi MiMo-V2.6: Hva bedrifter bør vite før de tar modellene i bruk

Xiaomis MiMo-V2.6 er et av de mer interessante åpne KI-lanseringene akkurat nå: Modellvektene kan lastes ned, lisensen er bred, kontekstvinduet er oppgitt til opptil én million tokens, og API-prisene er lave. Flaggskipet Pro ser dessuten sterkt ut i tilgjengelige sammenligninger.

For virksomheter er likevel ikke spørsmålet bare hvor god modellen er, eller hvor billig den er å kjøre. Påstandene om at Xiaomi kan ha brukt Claude-svar i uautorisert destillering, skaper uavklarte spørsmål om treningsdataenes opprinnelse, immaterielle rettigheter og hvor robuste benchmark-resultatene er. Det gjør MiMo-V2.6 til en aktuell pilotkandidat – men ikke nødvendigvis et ukvalifisert valg som strategisk standard.

Dette har Xiaomi lansert

Xiaomi har publisert nedlastbare sjekkpunkter for MiMo-V2.6-Pro-RL og MiMo-V2.6-Flash-RL. Repositoriene oppgir MIT-lisens. Selskapet har også lansert MiMo-V2.6-Distill-Qwen-9B, en agentmodell med 9 milliarder parametere som beskrives som en Qwen3.5-9B-modell finjustert på data generert av MiMo. 245

De to større modellene presenteres som omnimodale: De kan ta imot tekst, bilder, video og lyd. Begge har et oppgitt kontekstvindu på opptil én million tokens. Pro er en sparsom «mixture-of-experts»-modell (MoE) med 1,02 billioner parametere totalt, men 42 milliarder parametere aktivert per token. Flash har rundt 309 milliarder parametere totalt og 15 milliarder aktive per token. 3

MIT-lisensen gir i utgangspunktet vide rettigheter til å bruke og endre de publiserte artefaktene. Men lisensen dokumenterer ikke i seg selv opprinnelsen til alle treningsinnganger eller syntetiske data som kan ha blitt brukt oppstrøms. Den løser heller ikke eventuelle tredjepartskrav knyttet til IP eller etterlevelse.

Resultatene er lovende – men skill mellom uavhengige og leverandørrapporterte tall

MiMo-V2.6-Pro skal ha oppnådd 46,32 på Artificial Analysis' Intelligence Index v4.3. I den omtalte sammenligningen er den på nivå med Grok 4.7 og øverst blant modellene med åpne vekter. Det er et relevant eksternt signal, men indeksen er sammensatt og erstatter ikke testing mot en virksomhets egne data, språk, svartidskrav, sikkerhetspolicyer eller lange arbeidsflyter. 2324

Xiaomi rapporterer selv sterke resultater innen koding og agentoppgaver. I teknisk rapport for DeepSWE v1.1 steg Pros average@3-resultat fra 58,4 til 72,6 gjennom forsterkningslæring, mens Flash steg fra 48,7 til 65,7. DeepSWE v1.1 omfatter 113 oppgaver innen programvareutvikling på eksisterende kodebaser, evaluert med funksjonelle verifikatorer. Average@3 er gjennomsnittlig beståttandel over tre genererte forsøk. 10

Tallene er nyttige, men de er leverandørrapporterte inntil de er reprodusert uavhengig. En produksjonsbeslutning bør derfor bygge på blindtesting mot private testsett og oppgaver som ligner reell drift – ikke bare på en rangering.

Pro eller Flash? Kapasitet opp mot kostnad

Modell	Arkitekturstørrelse	Oppgitt API-pris per 1 mill. input-tokens	Oppgitt API-pris per 1 mill. output-tokens	Praktisk rolle
MiMo-V2.6-Pro	1,02 billioner totalt / 42 mrd. aktive	0,435 dollar	0,87 dollar	Maksimal kapasitet i krevende agent- og utviklingsoppgaver
MiMo-V2.6-Flash	Rundt 309 mrd. totalt / 15 mrd. aktive	0,14 dollar	0,28 dollar	Testing i større volum og kostnadssensitive arbeidslaster

De oppgitte Flash-prisene er omtrent en tredel av Pros priser for både nye input-tokens og output-tokens. 20 Flash er derfor det mest naturlige førstevalget når volum og kostnad betyr mer enn den siste marginale forbedringen på benchmarker.

Egen drift endrer regnestykket. Åpne vekter kan gi portabilitet og bedre kontroll over data, men virksomheten må da selv dekke GPU-kapasitet, lagring, inferensdrift, overvåking, oppdateringer og support. Lavest tokenpris er ikke alltid lavest total eierkostnad.

Hva Xiaomi har oppgitt om kostnader til forsterkningslæring

Lanseringen omfattet offentlige sjekkpunkter og en teknisk rapport. Rapportering om Xiaomis oppgitte forsterkningslæringskjøringer sier at begge de store modellene gjennomførte 30 RL-steg, med om lag 750 000 trajektorier. Xiaomi oppga om lag 2,62 millioner dollar for Pros RL-kjøring og 850 000 dollar for Flash, altså rundt 3,47 millioner dollar samlet. 1829

Dette må ikke leses som hele utviklingskostnaden. Den siterte rapporteringen sier at tallene gjelder RL-fasen, mens kostnaden for pretrening ikke er offentliggjort. 29 Tallene sier dermed noe om effektiviteten i én del av ettertreningen, ikke hva det totalt kostet å utvikle modellene.

Derfor betyr Claude-påstandene noe

1. september opplyste Anthropic at selskapet hadde avdekket og stanset påståtte kampanjer for uautorisert destillering rettet mot Claude, og knyttet dem til sju laboratorier basert i Kina, blant dem Xiaomi. Anthropic definerer slik destillering som et industrielt forsøk på å trekke ut en modells egenskaper og gjenskape dem uten tillatelse. 47

Ifølge omtalen av påstanden skal Xiaomi ha registrert samtaler med sine MiMo-modeller og sendt dem til Claude for å lage treningsdata. En sekundær gjennomgang av Anthropics rapport anslår Xiaomis aktivitet til over 400 000 forespørsler fra mer enn 1 500 kontoer. Den opplyser også at Anthropic ikke observerte at Claude-svar ble servert direkte til sluttbrukere. 44 For de bredere, påståtte kampanjene har det samlet blitt omtalt rundt 190 millioner eller nær 200 millioner utvekslinger. 3338

Dette er påstander fra Anthropic, ikke en rettslig avgjørelse eller en uavhengig teknisk gransking. Materialet som foreligger, dokumenterer ikke at et bestemt MiMo-V2.6-sjekkpunkt inneholder Claude-avledet innhold, at data fra en bestemt kunde ble overført, eller at en publisert benchmark er kontaminert. De forskjellene er viktige.

Likevel utløser påstandene reelle kontrollspørsmål:

• Sporbarhet i treningsdata: Kjøpere bør be om dokumentasjon på om utdata fra eksterne modeller, brukerinteraksjoner eller syntetiske spor inngikk i treningen eller ettertreningen av et publisert sjekkpunkt.
• Risiko ved databehandling: Dersom kunde- eller brukersamtaler ble videresendt eksternt, gjelder saken ikke bare modell-IP. Den kan også berøre samtykke, konfidensialitet, lagringstid, behandling på tvers av landegrenser og kontraktsmessig datahåndtering.
• Gyldigheten av benchmarker: Eksponering for benchmarkoppgaver, løsninger eller nært beslektede lærer-genererte varianter kan løfte rapporterte resultater kunstig. Kildene dokumenterer ikke slik kontaminering, men en uavhengig vurdering blir viktigere i lys av påstandene.
• Fordeling av kommersiell risiko: En åpen lisens gir ikke automatisk skadesløsholdelse, garantier, varsel ved hendelser eller et tilfredsstillende rettsmiddel hvis en tredjepart fremmer krav.

En pragmatisk ramme for virksomheter

MiMo-V2.6 bør foreløpig behandles som en pilotkandidat, ikke som et automatisk strategisk fundament, så lenge spørsmålene om proveniens er uavklarte.

Bruksområder som kan være forsvarlige nå

• Intern forskning og evaluering med ikke-sensitive data
• Isolerte, selvhostede prototyper der portabilitet er viktig
• Kostnadssensitive eksperimenter med koding, søk og gjenfinning, dokumentbehandling og multimodale arbeidsflyter
• Team som har kapasitet til egne sikkerhets-, pålitelighets- og red-team-evalueringer

Bruksområder som bør vente på sterkere garantier

• Regulerte eller høykonsekvensbeslutninger
• Arbeidslaster med strengt fortrolige kunde-, helse-, finans-, myndighets- eller forsvarsdata
• Kodegenerering med høy risiko uten menneskelig kontroll og mulighet for tilbakerulling
• Utrullinger som krever garantier for treningsdata, skadesløsholdelse, revisjonsrett eller tydelige forpliktelser for hendelseshåndtering

Minstekrav før produksjon

1. Be om skriftlige opplysninger om proveniens. Spør eksplisitt om Claude-avledede utdata, videresendte brukerinteraksjoner eller utdata fra andre eksterne modeller ble brukt i trenings- eller ettertreningsløpet.
2. Avklar kontraktsvern. Klargjør skadesløsholdelse, varsling ved brudd, datalagring, underleverandører, dataresidens og sporbarhet for hver modellversjon og artefakt.
3. Gjennomfør uavhengige evalueringer. Bruk private testsett og oppgaver som er robuste mot kontaminering. Test langkontekst-gjenfinning, flerspråklig oppførsel, verktøybruk, hallusinasjoner, motstand mot prompt-injeksjon og tendens til memorisering.
4. Bruk en kontrollert driftsarkitektur. Ved egen drift bør utgående nettverkstilgang begrenses, identitets- og tilgangskontroll være streng, modellbruken loggføres og en separat kvalitetssikret modell være tilgjengelig som tilbakefallsalternativ.
5. Hold sensitive data unna ikke-godkjente API-er. Ikke send kundedata til et eksternt endepunkt før databehandlingsvilkår og tekniske kontroller oppfyller virksomhetens krav.

Konklusjon

MiMo-V2.6 tilbyr en uvanlig attraktiv kombinasjon: nedlastbare vekter under MIT-lisens, et oppgitt multimodalt kontekstvindu på én million tokens, sterke rapporterte resultater og lave inferenspriser. Pro er modellen å vurdere når kapasitet er viktigst, mens Flash er det økonomiske alternativet for testing og større volum. 32023

Men åpen tilgjengelighet er ikke det samme som klar for virksomhetskritisk bruk. Inntil Xiaomi kan levere tilfredsstillende dokumentasjon på proveniens, styring og risikofordeling, bør bedrifter se MiMo-V2.6 som en lovende modellfamilie for kontrollerte piloter – og kreve uavhengig validering før sensitive eller forretningskritiske arbeidslaster flyttes over.