Jawapan ringkasnya dahulu: pada 22 September 2026, Xiaomi melancarkan keluarga model MiMo-V2.6 dan menerbitkan pemberatnya di bawah lesen MIT, yang membenarkan penggunaan komersial dan pengubahsuaian hampir tanpa sebarang syarat. Keluarga ini mempunyai dua model: Pro, dengan 1.02 trilion parameter, dan Flash, dengan 309 bilion. Kedua-duanya menerima teks, imej, video dan audio dalam satu model, dengan tetingkap konteks sehingga satu juta token. Di OpenRouter, Flash bermula pada $0.14 bagi setiap sejuta token input. Bagi perniagaan anda, ini bermakna dua perkara: pilihan pengehosan sendiri dengan lesen yang selesa, dan pilihan API yang sangat murah untuk tugas yang menggabungkan suara, imej dan teks.

Apakah sebenarnya yang dikeluarkan oleh Xiaomi

Kedua-dua model menggunakan seni bina campuran pakar (MoE), yang bermakna hanya sebahagian kecil parameter aktif bagi setiap token. Itulah yang memastikan kos operasi jauh lebih rendah daripada apa yang dibayangkan oleh saiz keseluruhannya:

  • MiMo-V2.6-Pro: sejumlah 1.02 trilion parameter, 42 bilion aktif bagi setiap langkah, dan konteks 1M token.
  • MiMo-V2.6-Flash: sejumlah 309 bilion parameter, 15 bilion aktif, dengan konteks yang sama.
  • Pro-UltraSpeed: versi Pro yang menurut Xiaomi menjalankan inferens sehingga 20 kali lebih pantas, ditawarkan melalui API pada harga sepuluh kali ganda.

Syarikat itu tidak berhenti setakat pemberat. Ia juga menerbitkan lebih daripada 7,000 persekitaran latihan pembelajaran pengukuhan yang merangkumi kejuruteraan perisian, penghasilan semula kelemahan keselamatan, kerja pengetahuan dan reka bentuk web, bersama rangka kerja latihan itu sendiri, laporan teknikal, dan sebuah model suling kecil bersaiz 9 bilion parameter yang dibina berasaskan Qwen. Pemberat itu diterbitkan dalam format FP8 di Hugging Face dan boleh dimuat turun tanpa perlu memohon akses.

Di manakah sebenarnya kedudukan prestasinya

Artificial Analysis memberikan Pro skor 46.32 pada Intelligence Index miliknya. Xiaomi mengatakan skor itu meletakkannya di hadapan Kimi K3 dan Qwen3.8 Max, menjadikannya model sumber terbuka paling berkebolehan semasa pelancaran, sambil mengakui bahawa ia masih ketinggalan di belakang Claude Fable 5.1 dan GPT-6 Astra.

Walau bagaimanapun, jadual perbandingan pada kad model mengukurnya berbanding generasi sebelumnya bagi model tertutup, bukan generasi semasa. Berikut ialah angkanya berbanding Claude Opus 5:

  • AutomationBench (automasi tugas): 53.1 berbanding 50.3.
  • Terminal Bench 2.1 (kerja baris arahan): 89.9 berbanding 89.1.
  • DeepSWE (membaiki pepijat perisian sebenar): 71.9 berbanding 74.0.
  • OSWorld-Verified (penggunaan komputer): 82.0 berbanding 83.4.
  • Terminal Bench 4.0 yang lebih sukar: 34.9 berbanding 49.0.

Rumusan yang jujur: sebuah model yang hampir dengan peringkat teratas generasi lalu dalam tugas ejen dan pengaturcaraan, dan jelas ketinggalan dalam tugas yang paling sukar. Jangan anggap pengumuman ini sebagai pengganti yang setara bagi model tertutup terkini.

Harga: angka yang mengubah kira-kira operasi

Di OpenRouter, setiap sejuta token input dan setiap sejuta token output berharga:

  • Flash: $0.14 untuk input dan $0.28 untuk output.
  • Pro: $0.435 untuk input dan $0.87 untuk output.
  • Pro-UltraSpeed: $4.35 untuk input dan $8.70 untuk output.

Satu contoh ilustrasi, berdasarkan andaian kami sendiri: pembantu khidmat pelanggan yang mengendalikan 1,000 perbualan sehari, setiap satu dengan kira-kira 3,000 token input dan 500 token output. Jumlahnya ialah 3 juta token input dan setengah juta token output sehari. Dengan Flash, kosnya kira-kira $0.56 sehari, lebih kurang SAR 63 sebulan. Dengan Pro, kira-kira $1.74 sehari, lebih kurang SAR 196 sebulan. Angka sebenar akan berubah mengikut panjang perbualan anda dan caching konteks, tetapi yang penting ialah skala magnitudnya: kos bukan lagi halangan untuk mencubanya. Xiaomi mengatakan bahawa kos Pro adalah antara satu per dua puluh hingga satu per enam puluh daripada model asing pada tahap kecerdasan yang sama; itu dakwaan syarikat, bukan ukuran bebas.

Satu model yang mendengar, melihat dan membaca

Bahagian yang wajar diberi perhatian ialah satu model memahami keempat-empat jenis input. Hari ini, jika anda mahukan sistem yang menganalisis rakaman panggilan pelanggan, anda biasanya memerlukan perkhidmatan pertuturan kepada teks terlebih dahulu, kemudian model bahasa untuk menganalisis transkripnya. Perkara yang sama berlaku bagi gambar invois yang diambil oleh wakil jualan menggunakan telefon: satu perkhidmatan untuk mengekstrak teks daripada imej, kemudian satu model untuk memahaminya. Setiap mata rantai dalam aliran itu ialah kos tambahan dan satu lagi titik kegagalan.

Model multimodal memendekkan rantai itu: rakaman panggilan dimasukkan seadanya, gambar resit seadanya, klip video daripada kamera gudang seadanya. Ini memudahkan pembinaan sistem seperti semakan kualiti panggilan, kemasukan dokumen secara automatik ke dalam sistem perakaunan anda, atau pemeriksaan gambar barangan semasa penerimaan. Namun, ingatlah bahawa sumber-sumber tersebut tidak menyatakan apa-apa yang khusus tentang prestasinya dalam bahasa Arab atau dialek Saudi, dan itulah tepat yang perlu anda uji dengan data anda sendiri sebelum membuat sebarang keputusan.

Menjalankannya pada pelayan sendiri: boleh, dengan bajet

Lesen MIT bermakna anda boleh menjalankan model ini di dalam infrastruktur anda sendiri, mengubah suainya dan membinanya ke dalam produk komersial. Ini penting bagi sesiapa sahaja yang memproses data peribadi, kerana Undang-undang Perlindungan Data Peribadi Arab Saudi mengenakan kawalan ke atas pemindahan data ke luar Kerajaan, dan pengehosan sendiri mengekalkannya dalam persekitaran anda.

Namun, saiznya memang besar. Kad model Pro menunjukkan persediaan rujukan yang membahagikan model kepada 8 GPU dengan vLLM, atau kepada dua nod dengan SGLang. Flash perlu dibahagikan kepada 4 GPU. Kad itu tidak menyatakan jenis GPU, tetapi model sebesar ini secara realistik memerlukan pelayan AI peringkat tertinggi. Sebab itulah Flash, dengan 15 bilion parameter aktifnya, merupakan calon pengehosan sendiri yang realistik bagi kebanyakan syarikat. Kami telah membincangkan kira-kira perkakasan secara terperinci dalam cara menjalankan model AI besar pada mesin anda sendiri.

Perkara yang perlu diperhatikan sebelum bergantung padanya

  • Keselamatan: Pro jauh ketinggalan dalam ujian eksploitasi kelemahan, dengan skor 47.9 pada ExploitBench berbanding 70.0 bagi Opus 5. Jika tugas anda ialah semakan keselamatan kod, ia bukan pilihan pertama anda.
  • Laluan data: menggunakannya melalui API bermakna data pelanggan anda melalui pelayan pembekal luar. Bagi data sensitif, pengehosan sendiri atau penyahnamaan sebelum penghantaran ialah satu kemestian, bukan pilihan.
  • Angka pembekal: kebanyakan keputusan penanda aras diterbitkan oleh Xiaomi sendiri. Ujilah ia pada tugas daripada kerja anda sendiri, dengan soalan yang diambil daripada data anda sendiri.

Cara kami mendekatinya di Origami

Kami tidak mengikat sistem yang kami bina kepada satu model sahaja. Kami meletakkan lapisan perantara supaya model boleh ditukar tanpa membina semula aplikasi, kemudian mengukur setiap calon pada tugas sebenar daripada kerja pelanggan: ketepatan, kos bagi setiap operasi dan masa tindak balas. MiMo-V2.6 kini menyertai senarai pendek itu, terutamanya bagi tugas yang menggabungkan suara, imej dan teks, dan di mana-mana sahaja bil bulanan menjadi penghalang kepada permulaan projek AI. Jika anda mempunyai tugas sedemikian dan ingin mengetahui kos sebenarnya sebelum membuat komitmen, hubungi kami.

Sumber