MiMo-V2.6 技术解读

2026 年 9 月 22 日，小米发布并开源 MiMo-V2.6 系列。本文基于官方发布页与完整基准附录整理，重点放在三处：完整评测数据及其可比性边界、强化学习规模化的训练曲线与工程方案、以及基于定价的选型分析。应用演示与科研案例仅作简述。

---

一、发布要点

• 两款原生全模态模型：MiMo-V2.6-Pro（旗舰）与 MiMo-V2.6-Flash（效率版），另有 Pro 的极速模式 UltraSpeed，输出速度最高提升 20 倍。
• 开源模型智能指数第一：Pro 在 Artificial Analysis Intelligence Index v4.3（2026 年 9 月）中得 46.32 分，超越 Kimi K3 与 Qwen3.8 Max，成为迄今得分最高的开源模型。
• 价格不变：API 定价完全沿用 V2.5 系列。
• RL 全程直播：不到六天、30 个 RL 步、约 75 万条轨迹，训练过程公开直播；技术报告、训练环境与 RL 代码全部开源。
• 官方口号：Frontier intelligence, all the modalities, built in public.

---

二、模型矩阵与定价

单位：美元 / 百万 token。限时免费缓存写入；面向高用量场景提供 Token Plan 套餐；人民币价格见官方定价页。

几个值得注意的点：

• Flash 的输出价格约为 Pro 的三分之一，而在多数基准上与 Pro 的差距只有 1 到 4 分（见下文），是典型的"性价比型号"。
• UltraSpeed 的单价是 Pro 的 10 倍，换取最高 20 倍的速度。它适合对响应时间敏感的实时交互场景，不适合批量离线任务。
• 缓存命中价格极低（Pro 仅 $0.0036），对于系统提示词很长、重复调用频繁的 Agent 应用，实际成本会远低于标价。

---

三、基准测试全景

以下数据来自官方发布页附录（完整对比集）。"Pro 位次"按附录中有成绩的模型排序，并列时注明。

3.1 编程

代码是本次提升最大的方向。DeepSWE v1.1 从 19.0 到 71.9，几乎是从"不可用"到"第一梯队"；ProgramBench 翻倍。这两项恰好是 RL 训练重点覆盖的长周期软件工程任务，与下文的训练曲线相互印证。

3.2 通用与智能体

通用能力整体处在第一梯队，但分布不均：在 GDPVal、JobBench、Automation Bench 这类"完成职业任务"的评测中稳居前三；在 Terminal Bench 4.0 这类高难度终端操作任务中差距明显。值得注意 Terminal Bench 2.1 上各家已趋近饱和（84 到 91 分），而 4.0 版拉开了差距，说明它更能反映当前的能力上限。

3.3 视觉

这是小米内部基准，且是本次唯一的视觉评测，横向可比性有限。但它对应的是下文"Vibe World"应用中的前端与设计能力，官方给出了大量实例。

3.4 网络安全

网络安全是本次最需要仔细阅读的板块：

• CyberGym 与 MiMo Cyber Bench 上登顶，但两项都没有 GPT 或 Claude 的成绩可比，"领先"仅限于开源阵营。
• 在有闭源对照的三项（SEC Bench Pro、ExploitGym、ExploitBench）中，Pro 均落后，其中 ExploitBench 与 GPT 6 Astra 相差 52 分。
• Flash 在 CyberGym 上略胜 Pro，但在漏洞利用类任务上落差极大（ExploitBench 仅 25.3）。

可以归纳为：分析与检测类任务强，主动利用类任务弱。这一分布与开源模型普遍更保守的安全对齐策略相符，官方未对此作出说明。

---

四、强化学习规模化：结果、方法与开源

4.1 训练结果

关键在于分布外泛化。DeepSWE v1.1 未参与训练，但分数随 RL 步数稳步上升：

注：DeepSWE v1.1 官方引用的起终点为 Pro 58.4→72.57、Flash 48.8→65.68，与步进表略有小数差异；AutomationBench 与 Visual Coding 起点为第 0 步。

官方公布了每一步的分数与 token 消耗。以下抽取 DeepSWE v1.1 上的关键步（完整 30 步数据见官方页面）：

从曲线可以读出几点：

• token 消耗与分数同步增长。Pro 单任务 token 从 138.7K 增至 214K（+54%），Flash 从 154.1K 增至 236.6K（+54%）。能力提升有一部分来自模型学会了"多探索、多验证"，而不只是策略变准。
• Flash 的 token 一直高于 Pro。同一任务上 Flash 平均多消耗 10% 到 15% 的 token 却得分更低，符合小模型需要更多步骤补偿单步能力的直觉；这也意味着按 token 计费时，Flash 的实际单任务成本差距会比标价差距小一些。
• 提升不是单调的。Pro 在第 2、6、13 步都出现回落，第 26 步已达 72.6，第 27、28 步又降到 69.5、68.3，最终第 30 步回到 72.6。评估该基准的方差（未公布置信区间）时需要留意这一点。
• 一个反例。AutomationBench 上 Flash 的 token 几乎没涨（7.6K→9.3K），分数却从 45.2 升到 52.7；同一基准上 Pro 的 token 翻倍（6.9K→14.3K），分数 46.5→55.0。这说明 token 增长不是提升的必要条件，官方所述"引导模型走更短路径"的奖励设计在部分任务上确有体现。

4.2 三条扩展轴

官方将 RL 算力扩展归纳为三个方向：

1. 更大批次、更高吞吐：全异步架构，每次更新 1,568 个样本，训练上下文最长 1M，每步 35 到 37 亿 token。
2. 更多任务、更丰富环境：覆盖编程、通用智能体、视觉与网络安全的多任务训练集，混合多个执行框架（harness），让不同能力相互强化。
3. 更多评分算力：在每组样本内部做相对比较，为长周期任务提供更精细、更多样的奖励信号，形成自改进闭环，并引导模型走更短路径、用更少 token。

4.3 稳定性与基础设施

• 训练规模扩大后**冻结路由器（router）**以抑制训练漂移，这也间接确认了模型采用 MoE 架构。
• 构建了覆盖奖励设计、对抗评估、异常检测、多验证器交叉核验的反奖励劫持（reward hacking）防线。
• 为支撑异构任务上的大规模智能体 RL：统一的轨迹表示与惩罚机制、多智能体框架高并发交互、控制面与数据面解耦以支持大规模轨迹迁移、混合批次内稳定各任务采样比例、训练与推理引擎的一致性优化。

几点工程上的解读：

• 每步 1,568 个样本、35 到 37 亿 token，意味着单条轨迹平均约 220 万到 240 万 token。结合 1M 训练上下文，这是多轮、长周期的智能体轨迹，而非单次问答。
• "组内相对比较"的奖励设计接近 GRPO 一类的方法：同一任务采样多条轨迹，用组内排名而非绝对分数作奖励，避免了为每个任务训练价值模型的开销，也更适合难以给出绝对分数的长周期任务。
• 冻结路由器是 MoE 模型 RL 阶段的常见做法，可以防止专家分配在策略更新中漂移导致的不稳定，代价是放弃了路由层面的进一步优化。
• 控制面与数据面解耦、跨框架轨迹迁移，说明训练系统需要在多个 agent harness（不同的工具集与执行环境）之间调度同一批模型权重的采样，这是异构多任务 RL 与传统单环境 RL 在基础设施上的主要差别。

4.4 开源范围

技术报告、训练环境、RL 代码全部开源，研究者可以复现并验证上述结果。这是本次发布区别于多数"开放权重"发布的地方——开放的不只是结果，还有产生结果的过程。

---

五、应用演示：从 Vibe Coding 到 Vibe World

官方将 V2.6 定位为把自然语言编程从"构建软件"扩展到"构建可交互世界"，整合了 3D 空间推理、多模态感知与计算机使用智能体（CUA）能力。演示涵盖：游戏开发（多智能体协作搭建 3D 场景并基于渲染结果迭代）、Blender 3D 建模、具身仿真（以多视角相机画面为输入，闭环控制 Franka Panda 机械臂）、前端与幻灯片生成（可配合 Figma 与图像、视频生成工具）、端到端视频制作（含配乐、节拍对齐剪辑，教学视频配合 MiMo-V2.5-TTS 旁白），以及管弦乐与钢琴曲作曲（输出总谱并自行转为 MIDI）。

这一板块全部为官方演示案例，无第三方基准可供验证；从技术角度看，其中最值得关注的是具身仿真与游戏开发两项，因为它们要求模型在长周期内根据视觉反馈闭环修正，与 RL 训练强调的长周期任务能力直接相关。

---

六、科研案例

官方强调这两个案例都没有针对科研做专门的 RL 训练。

材料研究协同科学家。小米材料专家多轮提示 Pro 设计一种能吸附全氟及多氟烷基物质（PFAS，即"永久化学品"）的全新金属有机框架（MOF）材料。模型完成了文献与专利检索、假设提出、新颖性评估，随后调用开源计算工具自动搭建仿真环境，计算 MOF 与 PFAS 的结合强度（吸附能约 -2.78 eV），筛选出三种 UiO-67 型锆基框架候选物，供湿实验阶段使用。

数学证明形式化。Pro 协助研究者用 Lean 4 完成了 Li 与 Yorke 经典论文《Period Three Implies Chaos》主定理的完整形式化。该定理证明：区间上的连续自映射若存在周期三轨道，则存在所有正整数周期的轨道及不可数的混沌集。在研究者设计的探索策略引导下，模型通过子智能体协作推进，最终项目超过 6,000 行 Lean 代码，经 Lean 内核完整验证，无未完成占位符。模型未接受任何 Lean 专项后训练。

---

七、获取方式

• 产品：AI Studio、MiMo Code、MiMo Desktop。MiMo Desktop 结束早期访问，发布首个正式版，内置 Pro 与 Flash，并上线 UltraSpeed 模式；早期访问计划还将持续一周，已有权限的用户需切换到新模型名。
• API：小米 MiMo 开放平台，定价同 V2.5；Pro 可以 UltraSpeed 模式调用。
• 第三方：OpenRouter。
• 开源：Hugging Face 权重、技术报告、训练环境与 RL 代码。

---

八、怎么看这次发布

选型建议

• 日常 Agent、代码补全、批量处理：优先 Flash。多数基准与 Pro 差距在 1 到 4 分，价格只有三分之一。
• 长周期复杂任务、科研协作、需要极限能力的场景：选 Pro。在 GDPVal、Terminal Bench、SEC Bench Pro、ExploitBench 等高难项目上 Pro 与 Flash 的差距会拉大到 6 到 22 分。
• 实时对话、交互式创作：UltraSpeed，但要接受 10 倍单价。
• 网络安全场景：分析检测类可用，主动渗透类任务不要指望它接近 GPT 6 Astra 的水平。

值得肯定的

• 开源模型首次在 Artificial Analysis 智能指数上登顶，且价格不变，实质性推动了智能与成本的帕累托前沿。
• 从 V2.5 到 V2.6 的提升幅度罕见：DeepSWE 从 19.0 到 71.9，Terminal Bench 4.0 从 1.5 到 34.9，Automation Bench 从 16.0 到 53.1。
• RL 过程直播、训练环境与代码开源，让"六天三十步"的结论可以被第三方复现，而不是只能相信一张图。
• 在训练分布外的基准上持续提升，是 RL 泛化能力较有说服力的证据。

需要保留的

• 顶级闭源模型在高难任务上仍有明显优势：Terminal Bench 4.0 落后 GPT 6 Astra 约 25 分，ExploitBench 落后 52 分，OSWorld 落后 Claude Fable 5 约 4 分。
• 多项"登顶"来自小米内部基准（MiMo Code Bench、Visual Coding、Cyber Bench）或缺少闭源对照的基准（CyberGym），横向可比性有限。
• Vibe World 与科研案例均为官方演示，尚无独立评测。
• 官方页面未公布参数规模、激活参数量与上下文长度等基础规格（仅提及训练时上下文最长 1M），需等技术报告确认。
• 基准分数均未给出置信区间或采样次数；从 RL 步进曲线看，DeepSWE v1.1 相邻步之间波动可达 3 到 4 分，因此榜单上 2 分以内的差距不宜过度解读。
• 复现门槛：官方开源了训练环境与 RL 代码，但 Pro 单次 30 步训练成本约 262 万美元，完整复现对多数研究机构不现实；更可行的验证路径是复现 Flash 的部分步数，或在开源环境上验证泛化趋势。

总体而言，MiMo-V2.6 是一次以代码与智能体能力为核心、以 RL 规模化为方法论、以彻底开源为姿态的发布。Pro 在综合能力上已能与 Claude Opus 5、GPT 6 Astra 同台比较，Flash 则以三分之一价格复刻了绝大部分能力。它把开源模型的上限抬高了一截，但也清楚地留下了闭源模型仍然领先的位置。

---

参考资料

1. Introducing MiMo-V2.6 series — Xiaomi MiMo 官方发布页
2. Xiaomi MiMo Home — MiMo-V2.6-Pro
3. Artificial Analysis Intelligence Index v4.3, September 2026