MiMo-V2.6 da Xiaomi: o que empresas precisam avaliar antes de adotar

A família MiMo-V2.6 coloca a Xiaomi no centro da disputa por modelos de IA com pesos abertos. O Pro reúne uma arquitetura esparsa de mistura de especialistas (mixture of experts, ou MoE), números competitivos em benchmarks e tarifas de API baixas. Já o Flash tenta entregar uma opção mais barata para alto volume.

Para empresas, porém, desempenho e licença não bastam. Alegações da Anthropic de que a Xiaomi teria usado respostas do Claude em uma campanha de destilação não autorizada abrem questões relevantes sobre origem dos dados de treinamento, exposição jurídica e confiabilidade das avaliações divulgadas.

O que a Xiaomi lançou

A Xiaomi publicou os checkpoints para download do MiMo-V2.6-Pro-RL e do MiMo-V2.6-Flash-RL, cujos repositórios indicam licença MIT. Também lançou o MiMo-V2.6-Distill-Qwen-9B, descrito como um modelo agente de 9 bilhões de parâmetros, criado a partir do ajuste supervisionado do Qwen3.5-9B com dados gerados pelo MiMo. 245

Os dois modelos maiores são apresentados como sistemas omnimodais: aceitam texto, imagens, vídeo e áudio. A janela de contexto anunciada chega a 1 milhão de tokens. O Pro é um MoE esparso com 1,02 trilhão de parâmetros totais e 42 bilhões ativados por token; o Flash tem cerca de 309 bilhões de parâmetros totais e 15 bilhões ativos por token. 3

A licença MIT permite amplo uso e modificação dos artefatos liberados. Mas ela, sozinha, não comprova a procedência de todos os dados de treinamento ou resultados sintéticos usados no processo anterior ao lançamento. Tampouco elimina eventuais disputas de propriedade intelectual ou obrigações de conformidade.

Desempenho: sinal externo positivo, mas não suficiente

O MiMo-V2.6-Pro recebeu a pontuação de 46,32 no Intelligence Index v4.3 da Artificial Analysis, segundo reportagens. Na comparação citada, ficou no mesmo nível do Grok 4.7 e no topo do ranking de modelos com pesos abertos. 2324

É um indicador externo relevante, mas um índice composto não substitui testes na realidade de cada organização: dados internos, português e outros idiomas, limites de latência, políticas de segurança e cargas de contexto longo.

Nos materiais técnicos da própria Xiaomi, os ganhos em programação e uso de agentes também são expressivos. No DeepSWE v1.1, o resultado average@3 do Pro subiu de 58,4 para 72,6 durante o treinamento por reforço; o do Flash foi de 48,7 para 65,7. O benchmark reúne 113 tarefas de engenharia de software em repositórios, verificadas funcionalmente; average@3 é a média de aprovação em três tentativas amostradas. 10

Esses dados são úteis, mas continuam sendo evidência reportada pelo fornecedor enquanto não houver reprodução independente. A decisão de implantação deve se apoiar em testes cegos, com tarefas semelhantes às de produção e conjuntos privados de validação — não apenas em um ranking.

Pro ou Flash: a troca entre capacidade e custo

Modelo	Escala da arquitetura	Preço publicado por 1 milhão de tokens de entrada	Preço publicado por 1 milhão de tokens de saída	Uso mais indicado
MiMo-V2.6-Pro	1,02 tri. no total / 42 bi. ativos	US$ 0,435	US$ 0,87	Avaliações difíceis de agentes e engenharia de software
MiMo-V2.6-Flash	Cerca de 309 bi. no total / 15 bi. ativos	US$ 0,14	US$ 0,28	Experimentação em escala e casos sensíveis a custo

As tarifas divulgadas para o Flash equivalem a cerca de um terço das cobradas pelo Pro, tanto para tokens de entrada novos quanto para tokens de saída. 20 Por isso, para cargas volumosas, o Flash tende a ser o ponto de partida mais prático — desde que a perda marginal de desempenho seja aceitável.

Hospedar o modelo internamente muda a conta. Pesos abertos podem ampliar a portabilidade e o controle sobre dados, mas a empresa passa a arcar com GPUs, armazenamento, operação de inferência, monitoramento, atualizações e suporte. O menor preço por token não é necessariamente o menor custo total de propriedade.

Custos divulgados para o treinamento por reforço

A Xiaomi publicou checkpoints e um relatório técnico. Reportagens sobre a execução de treinamento por reforço informam que os dois modelos maiores realizaram 30 etapas de RL, com cerca de 750 mil trajetórias. O custo divulgado foi de aproximadamente US$ 2,62 milhões para o Pro e US$ 850 mil para o Flash — cerca de US$ 3,47 milhões somados. 1829

Os valores não representam o custo completo de desenvolvimento dos modelos. As fontes citadas indicam que eles cobrem a fase de RL, enquanto os custos de pré-treinamento não foram divulgados. 29 Assim, servem como referência de eficiência em uma etapa de pós-treinamento, e não como balanço integral do projeto.

Por que as alegações sobre destilação do Claude importam

Em 10 de setembro, a Anthropic afirmou ter identificado e interrompido campanhas que classificou como destilação não autorizada contra o Claude e atribuiu essas ações a sete laboratórios sediados na China, entre eles a Xiaomi. A empresa define a chamada destilação ilícita como uma operação industrial para extrair capacidades de um modelo e reproduzi-las sem autorização. 47

Segundo reportagens sobre a acusação, a Xiaomi teria registrado conversas envolvendo modelos MiMo e enviado esses conteúdos ao Claude para gerar dados de treinamento. Um relato secundário do relatório da Anthropic atribui à Xiaomi mais de 400 mil solicitações, distribuídas por mais de 1.500 contas, e diz que a Anthropic não observou respostas do Claude sendo entregues a usuários finais. 44 Para o conjunto de operações alegadas, os números citados giram em torno de 190 milhões, ou quase 200 milhões, de interações. 3338

São alegações da Anthropic, não uma decisão judicial nem o resultado de uma auditoria forense independente. O material disponível não demonstra que um checkpoint específico do MiMo-V2.6 contenha conteúdo derivado do Claude, que dados de um cliente específico tenham sido enviados ou que um benchmark publicado tenha sido contaminado. Essas diferenças são fundamentais.

Ainda assim, a acusação traz perguntas concretas de diligência:

• Cadeia de custódia dos dados de treinamento: compradores corporativos precisam de evidências sobre o uso de saídas de modelos externos, interações de usuários ou traços sintéticos na criação de cada checkpoint.
• Risco no tratamento de dados: se conversas de clientes ou usuários foram retransmitidas a terceiros, a questão envolve não só propriedade intelectual, mas também consentimento, confidencialidade, retenção, transferências internacionais e obrigações contratuais.
• Validade de benchmarks: contato prévio com itens de teste, soluções ou variações próximas geradas por um modelo-professor pode inflar pontuações. As fontes analisadas não comprovam contaminação nos benchmarks do MiMo, mas justificam a necessidade de uma avaliação independente.
• Alocação de risco comercial: uma licença aberta não equivale automaticamente a indenização, garantias, aviso de incidente ou remédio jurídico adequado em caso de reclamação de terceiros.

Como adotar o MiMo-V2.6 sem assumir risco excessivo

No momento, o MiMo-V2.6 deve ser tratado como candidato a projeto-piloto, e não como base estratégica automática, enquanto persistirem dúvidas sobre proveniência.

Casos razoáveis agora

• Pesquisa e avaliação internas com dados não sensíveis
• Protótipos isolados e auto-hospedados, quando a portabilidade for importante
• Experimentos de programação, recuperação de informação, processamento de documentos e multimodalidade com forte pressão de custo
• Equipes capazes de executar testes próprios de segurança, confiabilidade e red teaming

Casos a adiar até haver garantias mais fortes

• Decisões reguladas ou de alto impacto
• Cargas com dados altamente confidenciais de clientes, saúde, finanças, governo ou defesa
• Geração de código crítica sem revisão humana e mecanismos de reversão
• Projetos que exijam garantias sobre dados de treinamento, indenização, direito de auditoria ou compromissos formais de resposta a incidentes

Diligência mínima antes da produção

1. Peça declarações escritas sobre proveniência. Questione se saídas do Claude, interações retransmitidas de usuários ou resultados de outros modelos externos foram empregados no treinamento ou pós-treinamento.
2. Defina proteções contratuais. Esclareça indenização, notificação de incidentes, retenção de dados, suboperadores, residência dos dados e rastreabilidade de cada versão do artefato.
3. Execute avaliações independentes. Use conjuntos privados e tarefas resistentes à contaminação. Teste recuperação em contexto longo, comportamento multilíngue, uso de ferramentas, alucinação, resistência a injeção de prompt e memorização de dados.
4. Use uma arquitetura controlada. Na hospedagem própria, limite o acesso de saída à rede, aplique controles rigorosos de identidade e acesso, registre o uso e mantenha uma rota de reversão para outro modelo já validado.
5. Não envie dados sensíveis a APIs não aprovadas. Dados de clientes não devem ir para endpoints externos até que termos de tratamento e controles técnicos atendam às exigências internas.

Em resumo

O MiMo-V2.6 combina pesos para download sob licença MIT, contexto multimodal anunciado de até 1 milhão de tokens, desempenho competitivo reportado e preços de inferência baixos. O Pro é a escolha para extrair a maior capacidade; o Flash, para testar em maior escala com custo menor. 32023

Mas disponibilidade aberta não é sinônimo de prontidão empresarial. Até que a Xiaomi forneça evidências satisfatórias sobre proveniência, governança e alocação de riscos, a postura mais equilibrada é usar o MiMo-V2.6 em pilotos controlados — e exigir validação independente antes de confiar a ele dados sensíveis ou processos críticos.