まず結論から言うと、2026年9月22日、XiaomiはMiMo-V2.6モデルファミリーを発表し、重みをMITライセンスで公開しました。このライセンスは商用利用と改変をほぼ無条件で認めています。ファミリーには二つのモデルがあります。1.02兆パラメータのProと、3090億パラメータのFlashです。どちらもテキスト、画像、動画、音声を1つのモデルで受け付け、コンテキストウィンドウは最大百万トークンです。OpenRouterでは、Flashは入力100万トークンあたり0.14ドルからです。これは御社にとって二つのことを意味します。扱いやすいライセンスで自社運用できる選択肢と、音声、画像、テキストを組み合わせるタスク向けの非常に安価なAPIの選択肢です。

Xiaomiが実際に公開したもの

両モデルとも混合エキスパート（MoE）アーキテクチャを採用しており、トークンごとにパラメータのごく一部だけがアクティブになります。これにより、実行コストは総サイズから想像されるよりはるかに低く抑えられます。

  • MiMo-V2.6-Pro：総パラメータ数1.02兆、ステップごとのアクティブパラメータ420億、コンテキストは100万トークン。
  • MiMo-V2.6-Flash：総パラメータ数3090億、アクティブは150億で、コンテキストは同じ。
  • Pro-UltraSpeed：Xiaomiによれば推論を最大20倍高速に実行するProのバージョンで、APIを通じて十倍の料金で提供されます。

同社は重みの公開だけにとどまりませんでした。ソフトウェアエンジニアリング、脆弱性の再現、ナレッジワーク、Webデザインをカバーする7,000以上の強化学習用トレーニング環境に加え、トレーニングフレームワークそのもの、技術レポート、Qwenをベースにした90億パラメータの小型蒸留モデルも公開しています。重みはHugging FaceでFP8形式で公開されており、アクセス申請なしでダウンロードできます。

性能は実際どの位置にあるのか

Artificial Analysisは、同社のIntelligence IndexでProに46.32のスコアを付けています。Xiaomiは、このスコアによってKimi K3やQwen3.8 Maxを上回り、公開時点で最も高性能なオープンソースモデルになったとしていますが、Claude Fable 5.1やGPT-6 Astraにはまだ及ばないことも認めています。

ただし、モデルカードの比較表が比べているのは現行世代ではなく、前世代のクローズドモデルです。Claude Opus 5との比較は次のとおりです。

  • AutomationBench（タスク自動化）：53.1対50.3。
  • Terminal Bench 2.1（コマンドライン作業）：89.9対89.1。
  • DeepSWE（実際のソフトウェアバグの修正）：71.9対74.0。
  • OSWorld-Verified（コンピューター操作）：82.0対83.4。
  • より難しいTerminal Bench 4.0：34.9対49.0。

率直にまとめると、エージェントやコーディングのタスクでは前世代のトップクラスに近く、最も難しいタスクでははっきりと後れを取るモデルです。この発表を、最新のクローズドモデルと同等の代替品と受け取らないでください。

価格：運用の計算を変える数字

OpenRouterでは、入力100万トークンと出力100万トークンあたりの料金は次のとおりです。

  • Flash：入力0.14ドル、出力0.28ドル。
  • Pro：入力0.435ドル、出力0.87ドル。
  • Pro-UltraSpeed：入力4.35ドル、出力8.70ドル。

当社独自の前提による試算例です。1日1,000件の会話を処理するカスタマーサービスのアシスタントで、各会話の入力が約3,000トークン、出力が500トークンだとします。合計すると1日あたり入力300万トークン、出力50万トークンになります。Flashならコストは1日約0.56ドル、月に約63サウジ・リヤルです。Proなら1日約1.74ドル、月に約196サウジ・リヤルです。実際の金額は会話の長さやコンテキストキャッシュによって変わりますが、重要なのは桁の大きさです。コストはもはや試す際の障壁ではありません。Xiaomiは、Proのコストは同じ知能レベルの海外モデルの二十分の一から六十分の一だとしていますが、これは同社の主張であり、独立した測定ではありません。

聞いて、見て、読む1つのモデル

注目すべきは、1つのモデルが4種類の入力すべてを理解する点です。現在、顧客との通話録音を分析するシステムを作るには、通常まず音声テキスト変換サービスを使い、次に言語モデルで書き起こしを分析する必要があります。営業担当者がスマートフォンで撮影した請求書の写真も同様で、画像からテキストを抽出するサービスを使い、次にモデルで内容を理解させます。このチェーンの各リンクが追加のコストとなり、障害点がまた1つ増えます。

マルチモーダルモデルはこのチェーンを短くします。通話録音はそのまま、領収書の写真もそのまま、倉庫カメラの動画クリップもそのまま入力できます。これにより、通話品質のレビュー、会計システムへの書類の自動入力、入荷時の商品写真のチェックといったシステムの構築が簡単になります。ただし、情報源ではアラビア語やサウジアラビアの方言での性能について具体的に何も述べられていません。何かを決める前に、まさにその点を自社のデータでテストすべきです。

自社サーバーでの運用：可能だが予算が必要

MITライセンスにより、モデルを自社のインフラ内で実行し、改変し、商用製品に組み込むことができます。これは個人データを扱うすべての企業にとって重要です。サウジアラビアの個人データ保護法は王国外へのデータ移転に規制を設けており、自社運用ならデータを自社の環境内にとどめられるからです。

ただし、サイズは本物です。Proのモデルカードには、vLLMでモデルを8基のGPUに分割する参照構成、またはSGLangで二つのノードに分割する構成が示されています。Flashは4基のGPUへの分割が必要です。カードにはGPUの種類は明記されていませんが、このサイズのモデルには現実的に最上位クラスのAIサーバーが必要です。だからこそ、アクティブパラメータが150億のFlashが、ほとんどの企業にとって現実的な自社運用の候補になります。ハードウェアの計算については大規模AIモデルを自分のマシンで動かす方法で詳しく解説しています。

頼る前に注意すべき点

  • セキュリティ：Proは脆弱性悪用テストで大きく後れを取っており、ExploitBenchのスコアは47.9で、Opus 5の70.0を下回ります。コードのセキュリティレビューが目的なら、第一候補ではありません。
  • データの経路：API経由で使うということは、顧客のデータが外部プロバイダーのサーバーを通過するということです。機密データの場合、自社運用または送信前の匿名化は選択肢ではなく必須条件です。
  • ベンダーの数字：ベンチマーク結果のほとんどはXiaomi自身が公開したものです。自社の業務のタスクで、自社のデータから作った質問を使ってテストしてください。

Origamiでの取り組み方

私たちは、構築するシステムを1つのモデルに縛りません。アプリケーションを作り直さずにモデルを入れ替えられるよう中間レイヤーを設け、そのうえで各候補をお客様の業務の実際のタスクで評価します。評価項目は精度、1回の処理あたりのコスト、応答時間です。MiMo-V2.6は現在この候補リストに加わりました。特に音声、画像、テキストを組み合わせるタスクや、月々の請求額がAIプロジェクトの開始を妨げている場面に向いています。そのようなタスクをお持ちで、本格導入の前に実際のコストを知りたい場合は、お気軽にお問い合わせください。

情報源