Xiaomi MiMo‑V2.6: що бізнесу варто знати перед впровадженням

Xiaomi випустила MiMo‑V2.6 — помітну серію моделей із відкритими вагами для агентних і мультимодальних завдань. Флагманська Pro поєднує велику розріджену архітектуру mixture-of-experts (MoE) із низькими опублікованими цінами API, а Flash орієнтована на дешевше масове використання.

Втім, для компаній самі лише можливості та ліцензія не повинні бути вирішальними. Заяви Anthropic про нібито несанкціоноване використання відповідей Claude для дистиляції створюють невирішені питання щодо ланцюга походження тренувальних даних, правових ризиків і достовірності оцінювання.

Що саме випустила Xiaomi

Xiaomi опублікувала для завантаження чекпоїнти MiMo‑V2.6‑Pro‑RL і MiMo‑V2.6‑Flash‑RL; у репозиторіях вказано ліцензію MIT. Також компанія випустила MiMo‑V2.6‑Distill‑Qwen‑9B — 9-мільярдну агентну модель, створену шляхом supervised fine-tuning моделі Qwen3.5‑9B на даних, згенерованих MiMo. 245

Дві старші моделі позиціонуються як омнімодальні: вони приймають текст, зображення, відео й аудіо та, за заявою компанії, підтримують контекст до 1 млн токенів. Pro — розріджена MoE-модель із 1,02 трлн параметрів загалом, з яких на кожен токен активуються 42 млрд. Flash має близько 309 млрд параметрів загалом і 15 млрд активних на токен. 3

Ліцензія MIT надає широкі права на використання та модифікацію оприлюднених артефактів. Але вона сама по собі не підтверджує законність походження кожного тренувального входу чи синтетичного виходу, використаного на попередніх етапах, і не усуває можливих претензій третіх сторін щодо інтелектуальної власності або комплаєнсу.

Результати: сильний сигнал, але потрібно відділяти незалежні дані від заяв постачальника

За повідомленнями, MiMo‑V2.6‑Pro набрала 46,32 у Intelligence Index v4.3 від Artificial Analysis — на рівні Grok 4.7 у цьому порівнянні та на вершині згаданого рейтингу моделей із відкритими вагами. Це важливий зовнішній індикатор, але комбінований індекс не доводить ефективності на власних даних організації, українській чи іншій потрібній мовній поведінці, вимогах до затримки, політиках безпеки або довгих контекстах. 2324

У матеріалах Xiaomi також заявлено сильні результати в програмуванні та агентних сценаріях. У результатах reinforcement learning для DeepSWE v1.1 середній показник average@3 для Pro зріс із 58,4 до 72,6, а для Flash — із 48,7 до 65,7. DeepSWE v1.1 охоплює 113 завдань із розробки в репозиторіях, що перевіряються функціональними верифікаторами; average@3 — це середня частка успішних проходжень у трьох згенерованих спробах. 10

Ці результати корисні, але до незалежного відтворення їх слід вважати даними, повідомленими постачальником. Рішення про впровадження має спиратися на сліпі випробування на приватних контрольних наборах і завданнях, наближених до реального виробничого середовища, а не лише на лідерборд.

Pro чи Flash: компроміс між можливостями та ціною

Модель	Масштаб архітектури	Опублікована ціна API за 1 млн вхідних токенів	Опублікована ціна API за 1 млн вихідних токенів	Практичне призначення
MiMo‑V2.6‑Pro	1,02 трлн загалом / 42 млрд активних	$0,435	$0,87	Найвищі можливості для складних агентних та інженерних оцінок
MiMo‑V2.6‑Flash	Близько 309 млрд загалом / 15 млрд активних	$0,14	$0,28	Масові експерименти та навантаження з високою чутливістю до вартості

Опубліковані тарифи Flash становлять приблизно третину тарифів Pro як для нових вхідних, так і для вихідних токенів. 20 Тому Flash є логічною першою моделлю для тестування, якщо обсяг навантаження важливіший за максимальний приріст у бенчмарках.

Самостійне розгортання змінює економіку. Відкриті ваги можуть дати переносимість і жорсткіший контроль над даними, але тоді організація бере на себе витрати на GPU-інфраструктуру, сховище, інференс-операції, моніторинг, оновлення та підтримку. Найнижча ціна токена не обов’язково означає найнижчу сукупну вартість володіння.

Що Xiaomi розкрила про витрати на reinforcement learning

Разом із чекпоїнтами Xiaomi опублікувала технічний звіт. У повідомленнях про розкриті компанією RL-запуски зазначається, що обидві старші моделі пройшли 30 RL-кроків приблизно на 750 000 траєкторій. Xiaomi повідомила про витрати близько $2,62 млн на RL-запуск Pro і $850 тис. на Flash — разом близько $3,47 млн. 1829

Ці цифри не варто трактувати як повну вартість розробки моделей. За цитованими повідомленнями, вони охоплюють лише фазу RL, тоді як витрати на попереднє навчання не розкривалися. 29 Отже, це радше показник ефективності одного етапу посттренування, а не повний кошторис створення моделей.

Чому твердження про дистиляцію Claude мають значення

10 вересня Anthropic заявила, що виявила й припинила ймовірні кампанії несанкціонованої дистиляції, спрямовані на Claude, які вона пов’язує із сімома лабораторіями з Китаю, серед яких названо Xiaomi. Anthropic визначає незаконну дистиляцію як промислову приховану кампанію з вилучення можливостей моделі та їх відтворення в іншій моделі без дозволу. 47

За повідомленнями про ці твердження, Xiaomi записувала розмови, пов’язані зі своїми моделями MiMo, і надсилала їх до Claude для створення тренувальних даних. Вторинний виклад звіту Anthropic оцінює активність Xiaomi більш ніж у 400 000 запитів через понад 1 500 облікових записів; там само зазначено, що Anthropic не спостерігала, аби відповіді Claude надавалися кінцевим користувачам у реальному часі. 44 Загальні масштаби описано як приблизно 190 млн або майже 200 млн обмінів у межах кількох імовірних операцій. 3338

Це твердження Anthropic, а не судове рішення й не незалежний криміналістичний аудит. Доступні матеріали не встановлюють, що конкретний чекпоїнт MiMo‑V2.6 містить матеріали, похідні від Claude; що передавалися дані конкретного клієнта; або що було скомпрометовано певний опублікований бенчмарк. Ці розмежування принципові.

Проте твердження породжують реальні питання для належної перевірки:

• Ланцюг походження тренувальних даних. Покупцям варто вимагати доказів того, чи використовувалися виходи зовнішніх моделей, взаємодії користувачів або синтетичні траси для конкретного випущеного чекпоїнта.
• Ризики обробки даних. Якщо клієнтські чи користувацькі розмови пересилалися зовнішньому провайдеру, проблема виходить за межі прав на модель: вона стосується згоди, конфіденційності, зберігання даних, транскордонної обробки та договірних умов.
• Валідність бенчмарків. Доступ до завдань бенчмарків, розв’язань або близьких варіантів, створених моделлю-вчителем, може штучно підвищити показники. У розглянутих джерелах немає доведеного забруднення тестів, однак незалежна перевірка на контамінацію стає особливо важливою.
• Розподіл комерційних ризиків. Відкрита ліцензія не означає автоматичного відшкодування збитків, гарантій, повідомлення про інциденти чи прийнятного правового захисту в разі позову третьої сторони.

Практичний підхід для компаній

Поки питання походження даних залишаються невирішеними, MiMo‑V2.6 доцільно розглядати як кандидата для пілотування, а не як безумовну основу стратегічної інфраструктури.

Де використання може бути виправданим уже зараз

• внутрішні дослідження та оцінювання на нечутливих даних;
• ізольовані self-hosted прототипи, де важлива переносимість;
• експерименти з програмуванням, пошуком, обробкою документів і мультимодальні сценарії, чутливі до вартості;
• команди, здатні самостійно проводити red teaming, перевірки надійності та безпеки.

Що варто відкласти до появи сильніших гарантій

• регульовані рішення або рішення з високою ціною помилки;
• роботу з особливо конфіденційними клієнтськими, медичними, фінансовими, державними чи оборонними даними;
• генерацію коду для критичних систем без контролю людини та механізмів відкату;
• розгортання, де обов’язкові гарантії щодо тренувальних даних, відшкодування збитків, права на аудит або чіткі зобов’язання з реагування на інциденти.

Мінімальна перевірка перед промисловим використанням

1. Попросіть письмово розкрити походження даних. Зокрема, чи використовувалися в навчанні або посттренуванні виходи Claude, переслані взаємодії користувачів чи виходи інших зовнішніх моделей.
2. Зафіксуйте контрактні гарантії. Уточніть відшкодування збитків, повідомлення про витоки, зберігання даних, субпідрядників з обробки, резидентність даних і простежуваність артефактів для кожної версії.
3. Проведіть незалежні оцінки. Використовуйте приватні контрольні набори й завдання, стійкі до контамінації. Перевіряйте довгий контекст, багатомовну поведінку, роботу з інструментами, галюцинації, стійкість до prompt injection та запам’ятовування даних.
4. Побудуйте контрольовану архітектуру розгортання. Для self-hosting обмежуйте вихідний мережевий доступ, застосовуйте суворий контроль ідентифікації та доступу, ведіть журнали використання і зберігайте можливість швидкого переходу на окремо перевірену модель.
5. Не надсилайте чутливі дані в непогоджені API. Клієнтські дані не варто передавати зовнішній кінцевій точці, доки умови обробки даних і технічні засоби контролю не відповідатимуть внутрішнім вимогам.

Висновок

MiMo‑V2.6 пропонує незвично привабливе поєднання: ваги для завантаження під MIT, заявлений омнімодальний контекст до 1 млн токенів, сильні заявлені результати й низькі опубліковані тарифи інференсу. Pro варто оцінювати там, де потрібна максимальна якість, а Flash — для широких і економних експериментів. 32023

Але відкритий доступ не тотожний готовності до корпоративного використання. Поки Xiaomi не надасть прийнятних підтверджень походження даних, управління ризиками та їх контрактного розподілу, компаніям доцільно вважати MiMo‑V2.6 перспективною сім’єю для контрольованих пілотів — і вимагати незалежної перевірки перед передаванням чутливих чи критичних для бізнесу навантажень.