Xiaomi MiMo-V2.6: vad företag bör granska före en utrullning

Xiaomis lansering av MiMo-V2.6 är ett tungt argument för öppna modellvikter i utveckling av agentbaserad och multimodal AI. Flaggskeppsmodellen Pro kombinerar en stor, gles mixture-of-experts-arkitektur med låga publicerade API-priser, medan Flash är inriktad på ännu billigare drift.

Men kapacitet och licens är inte hela beslutsunderlaget för ett företag. Anthropics anklagelser om att Xiaomi använt Claude-svar i otillåten destillering lämnar viktiga frågor om träningsdatans ursprung, juridisk exponering och benchmarkresultatens tillförlitlighet obesvarade.

Det här har Xiaomi släppt

Xiaomi har publicerat nedladdningsbara checkpoints för MiMo-V2.6-Pro-RL och MiMo-V2.6-Flash-RL, där modellarkiven anger MIT-licens. Företaget har också släppt MiMo-V2.6-Distill-Qwen-9B, en agentmodell med 9 miljarder parametrar som enligt beskrivningen har skapats genom supervised fine-tuning av Qwen3.5-9B på MiMo-genererad data. 245

De två större modellerna beskrivs som omnimodala system som kan ta emot text, bilder, video och ljud, med ett uppgivet kontextfönster på upp till 1 miljon token. Pro är en gles MoE-modell med 1,02 biljoner parametrar totalt och 42 miljarder aktiva per token. Flash har omkring 309 miljarder parametrar totalt och 15 miljarder aktiva per token. 3

MIT-licensen ger bred rätt att använda och ändra de släppta artefakterna. Den fastställer däremot inte i sig ursprunget för varje träningsinmatning eller syntetiskt resultat som använts tidigare i kedjan. Den löser inte heller eventuella anspråk på tredje parts immateriella rättigheter eller efterlevnadskrav.

Resultaten är lovande – men skilj på externa och leverantörsrapporterade belägg

MiMo-V2.6-Pro uppges ha fått 46,32 på Artificial Analysis Intelligence Index v4.3, i den redovisade jämförelsen i nivå med Grok 4.7 och högst bland de citerade modellerna med öppna vikter. Det är en relevant extern signal, men indexet är sammansatt och bevisar inte prestanda på den egna verksamhetens data, språk, svarstidskrav, säkerhetspolicyer eller långa kontexter. 2324

Xiaomis eget material redovisar också starka resultat för kodning och agenter. I den tekniska rapportens resultat för förstärkningsinlärning på DeepSWE v1.1 steg Pro från 58,4 till 72,6 i average@3, medan Flash steg från 48,7 till 65,7. DeepSWE v1.1 omfattar 113 uppgifter inom mjukvaruutveckling på repositories, med funktionella verifierare; average@3 är den genomsnittliga andelen godkända resultat över tre slumpade försök. 10

Siffrorna är användbara, men bör betraktas som leverantörsrapporterade tills de har reproducerats oberoende. Ett produktionsbeslut bör bygga på blindtester mot privata testmängder och produktionsnära uppgifter – inte enbart på en topplista.

Pro eller Flash: kapacitet mot kostnad

Modell	Arkitekturens storlek	Publicerat API-pris per 1 miljon inmatningstoken	Publicerat API-pris per 1 miljon utmatningstoken	Praktisk roll
MiMo-V2.6-Pro	1,02 biljoner totalt / 42 miljarder aktiva	0,435 USD	0,87 USD	Högst kapacitet för svåra utvärderingar av agenter och mjukvaruutveckling
MiMo-V2.6-Flash	Omkring 309 miljarder totalt / 15 miljarder aktiva	0,14 USD	0,28 USD	Experiment i större volym och kostnadskänsliga arbetslaster

De publicerade priserna för Flash är ungefär en tredjedel av Pro-priserna, både för ny indata och utdata. 20 Därför är Flash den naturliga första modellen att prova när arbetsvolymen betyder mer än den sista marginalen i benchmarkprestanda.

Egen drift förändrar dock kalkylen. Öppna vikter kan ge bättre portabilitet och hårdare kontroll över data, men då tar organisationen själv kostnaderna för GPU-kapacitet, lagring, inferensdrift, övervakning, patchning och support. Lägst tokenpris är inte alltid lägst total ägandekostnad.

Vad Xiaomi har uppgett om kostnaden för förstärkningsinlärning

Lanseringen omfattade publika checkpoints och en teknisk rapport. Enligt rapportering om Xiaomis redovisade RL-körningar genomförde båda större modellerna 30 RL-steg över omkring 750 000 trajektorier. Xiaomi uppgav en kostnad på cirka 2,62 miljoner USD för Pros RL-körning och 850 000 USD för Flash, eller cirka 3,47 miljoner USD sammanlagt. 1829

Siffrorna ska inte läsas som den fullständiga kostnaden för modellutvecklingen. Den citerade rapporteringen anger att de avser RL-fasen och att kostnader för förträning inte har redovisats. 29 De säger alltså något om effektiviteten i ett steg av efterträningen, inte hela kostnaden för att bygga modellerna.

Därför spelar anklagelserna om Claude-destillering roll

Den 10 september uppgav Anthropic att bolaget hade identifierat och stoppat påstådda otillåtna destilleringskampanjer riktade mot Claude, som det tillskrev sju Kina-baserade laboratorier, däribland Xiaomi. Anthropic definierar otillåten destillering som ett industriellt upplagt försök att extrahera en modells förmågor och återskapa dem utan tillstånd. 47

Rapportering om anklagelsen säger att Xiaomi registrerade konversationer med sina MiMo-modeller och skickade dem till Claude för att skapa träningsdata. En sekundär redogörelse för Anthropics rapport uppskattar Xiaomis aktivitet till över 400 000 förfrågningar från fler än 1 500 konton och anger att Anthropic inte observerade att Claude-svar levererades till slutanvändare. 44 Anthropics bredare kampanjuppgifter beskrivs ofta som cirka 190 miljoner, eller nära 200 miljoner, utbyten över flera påstådda operationer. 3338

Detta är Anthropics anklagelser – inte en domstolsprövning eller en oberoende forensisk granskning. Det tillgängliga underlaget fastställer inte att en viss MiMo-V2.6-checkpoint innehåller Claude-härlett material, att en viss kunds data skickades vidare eller att ett publicerat benchmark har kontaminerats. Skillnaderna är avgörande.

Samtidigt väcker anklagelserna konkreta frågor för företagsköpare:

• Spårbarhet i träningsdata: Företag kan behöva belägg för om externa modellsvar, användarinteraktioner eller syntetiska spår har bidragit till en släppt checkpoint.
• Risker i databehandlingen: Om kund- eller användarkonversationer skickades vidare externt berör frågan mer än modell-IP: samtycke, sekretess, lagringstid, gränsöverskridande behandling och avtalad datahantering blir också relevanta.
• Benchmarkens giltighet: Exponering för benchmarkuppgifter, lösningar eller närliggande lärargenererade varianter kan blåsa upp rapporterade resultat. Källorna visar ingen sådan kontaminering, men en oberoende granskning blir viktigare mot bakgrund av anklagelserna.
• Kommersiell riskfördelning: En öppen licens ger inte automatiskt skadeslöshet, garantier, incidentrapportering eller en tillräcklig juridisk lösning vid anspråk från tredje part.

Ett pragmatiskt ramverk för införande i företag

MiMo-V2.6 bör i nuläget ses som en kandidat för pilotprojekt, inte som en självklar strategisk grund, så länge frågorna om dataproveniens är olösta.

Rimliga användningar nu

• Intern forskning och utvärdering med icke-känslig data
• Isolerade, egenhostade prototyper där portabilitet är viktig
• Kostnadskänsliga experiment inom kodning, sökning, dokumenthantering och multimodala arbetsflöden
• Team som kan genomföra egna tester av säkerhet, robusthet och tillförlitlighet

Användningar som bör vänta på starkare garantier

• Reglerade beslut eller beslut med stora konsekvenser
• Arbetslaster med mycket känsliga kund-, hälso-, finans-, myndighets- eller försvarsuppgifter
• Kodgenerering med hög insats utan granskning och möjlighet att återställa ändringar
• Driftsättningar som kräver garantier för träningsdata, skadeslöshet, revisionsrätt eller tydliga åtaganden för incidenthantering

Miniminivå för granskning före produktion

1. Begär skriftliga uppgifter om proveniens. Fråga om Claude-härledda svar, vidarebefordrade användarinteraktioner eller andra externa modellsvar använts i modellens tränings- eller efterträningspipeline.
2. Säkra avtalsmässiga skydd. Klargör skadeslöshet, incidentrapportering, datalagring, underbiträden, dataresidens och spårbarhet för varje artefakt- och modellversion.
3. Genomför oberoende utvärderingar. Använd privata testmängder och uppgifter som motstår kontaminering. Testa återhämtning i långa kontexter, flerspråkighet, verktygsanvändning, hallucinationsfrekvens, motståndskraft mot promptinjektion och memoriseringsbeteende.
4. Använd en kontrollerad driftsarkitektur. Vid egen drift: begränsa utgående nätverksåtkomst, inför strikta identitets- och behörighetskontroller, logga modellens användning och behåll en återställningsväg till en separat granskad modell.
5. Håll känslig data borta från ej godkända API:er. Skicka inte kunddata till en extern endpoint förrän villkor för databehandling och tekniska skydd uppfyller interna krav.

Slutsats

MiMo-V2.6 erbjuder en ovanligt attraktiv kombination: nedladdningsbara vikter under MIT-licens, ett uppgivet multimodalt kontextfönster på 1 miljon token, starka rapporterade benchmarkresultat och låga publicerade inferenspriser. Pro är modellen att utvärdera för högsta kapacitet; Flash är det mer ekonomiska alternativet för breda experiment. 32023

Men öppen tillgänglighet är inte samma sak som företagsmognad. Tills Xiaomi kan ge tillfredsställande underlag om proveniens, styrning och riskfördelning bör företag se MiMo-V2.6 som en modellfamilj med stor potential för kontrollerade piloter – och kräva oberoende validering innan känsliga eller verksamhetskritiska arbetslaster flyttas över.