开源权重可下推理模型·可关多模态可商用 · MIT

MiMo-V2.6-Pro

Name: MiMo-V2.6-Pro
Author: Xiaomi

小米 MiMo-V2.6-Pro · Xiaomi 小米 · 发布 2026-09-22 · 当前代

MIT 许可的 1.02T 全模态 MoE，官方称开源第一，$0.435 / $0.87。

参数

1.02T 总 / 42B 激活

MOE

上下文

价格 / 1M tok

$0.43 / $0.87

小米 MiMo 开放平台官方 · 2026-09-29

最低可跑

8× A100

Q4_K_M · 604 GB · ≈322 tok/s

Arena Elo—

AA 综合指数—

代码—

GPQA 推理—

Hugging Face ↗技术报告 ↗官方 ↗

架构简图

类型: MoE
注意力: 混合：60 层 128 滑窗 + 10 层全注意力，128 Q 头 / 8 KV 头，QK 192 / V 128
层数: 70
专家: 384 · 激活 8
隐藏维: 6144
词表: 未披露

首层全注意力 + 稠密 FFN，其余层交替 SWA / 全注意力，均为无共享专家的稀疏 MoE。681M MiMo ViT 视觉编码器（28 层，24 SWA + 4 全）、308M AudioTokenizer + 127M 音频 patch 编码器，全模态输入。5 层 SWA MTP 投机解码器（窗口 1024），单次前向预测后续 7 个 token。

完善中

精度	权重大小	说明
BF16	—	暂无
FP8	—	暂无
Q8	—	暂无
Q4	—	暂无

消费级 24GB: 未评估
单卡 80GB: 不可行
8×80GB 节点: 不足：官方 SGLang 示例为 2 节点、tp16 / ep16

KV Cache：官方未公布自建显存需求，只给了多节点推理参数（SGLang tp16 dp2 nnodes2 / vLLM tp8）

⚠ 能加载 ≠ 能在满上下文 / 高并发下舒服跑。标「估」的数字来自计算器公式或社区量化文件大小。

完善中

硬件配置与预估吞吐

最低可跑（8K 上下文）

8 × A100 80GB

云 ≈$1.5/h × 8 · 合计 ≈¥480,000 · 数据中心

量化

Q4_K_M

解码

322 tok/s

最大上下文

95K

推荐配置（≥Q8 · 32K 上下文 · ≥15 tok/s）

8 × H200 141GB

云 ≈$3.5/h × 8 · 合计 ≈¥2,080,000 · 数据中心

量化

FP8

解码

431 tok/s

最大上下文

480K

配置	量化	占用 / 显存	解码 tok/s	预填充 tok/s	最大上下文
8× RTX PRO 6000 Blackwell 96GB工作站	Q5_K_M估	717 GB / 768 GB	243	10714	133K
8× A100 80GB数据中心	Q4_K_M估	604 GB / 640 GB	322	13371	95K
8× H20 96GB数据中心	Q5_K_M估	717 GB / 768 GB	541	3171	133K
8× H100 80GB PCIe数据中心	Q4_K_M估	604 GB / 640 GB	316	32400	95K
8× H100 80GB SXM数据中心	Q4_K_M估	604 GB / 640 GB	529	42386	95K
4× AMD MI300X 192GB数据中心	Q5_K_M估	712 GB / 768 GB	359	28007	145K
8× H200 141GB数据中心	FP8估	1031 GB / 1128 GB	483	42386	480K
4× B200 192GB数据中心	Q5_K_M估	712 GB / 768 GB	541	48214	145K

单流（batch=1）估算：解码 ≈ 显存带宽 × 效率 ÷ 每 token 读取字节（激活参数 × 量化位宽 + KV）；预填充 ≈ FP16 算力 × 0.45 ÷ (2 × 激活参数)。多卡按张量并行、带宽求和 × 0.55。实际受引擎、驱动、PCIe 影响，误差 ±30%。反向查：我的卡能跑谁 →

用计算器按你的上下文与并发估算 →

可用维度不足 3 个，不绘制雷达图

编程DeepSWE v1.1 71.9、MiMo Code Bench 63.2、ProgramBench 26.5（官方模型卡；Claude Opus 5 分别 74.0 / 68.6 / 37.0）。

知识GDPval-AA 2.1 1673 Elo（官方模型卡；Claude Opus 5 为 1708、GPT-5.6 Sol 1588）。

AgentTerminal-Bench 2.1 89.9、Terminal-Bench 4.0 34.9、AutomationBench v1.0.6 53.1、Toolathlon-Verified 76.9、OSWorld-Verified 82.0、JobBench 62.0、Agents' Last Exam 31.6（官方模型卡）。

多模态MiMo VisualCoding 72.3（官方自建基准）；图 / 视频 / 音频原生输入，另集成 3D 空间推理与计算机操作能力。

中文强，国产模型，中文文档齐全。

逻辑能力

这是「把算力砸在 RL 上」的路线产物：官方说 Pro 与 Flash 各跑 30 步、累计约 75 万条轨迹，训练成本分别约 262 万与 85 万美元，六天完成；样本外的 DeepSWE v1.1 从 48.8 提到 65.7（Pro），说明 RL 确实泛化到了训练集之外。能力形状因此偏工程与 agent：Terminal-Bench 2.1 89.9、AutomationBench 53.1、Toolathlon-Verified 76.9、OSWorld-Verified 82.0、JobBench 62.0，多数贴近甚至超过 Claude Opus 5。短板是「更难口径」与硬推理：Terminal-Bench 4.0 34.9、ProgramBench 26.5、Agents' Last Exam 31.6，前两项距闭源旗舰差距很大。官方也没给 GPQA / AIME / SWE-bench Verified 这类考试型数字。

亮点

1.MIT 许可，1.02T 总参 / 42B 激活，文本 / 图 / 视频 / 音频全模态输入 + 1M 上下文
2.Terminal-Bench 2.1 89.9、AutomationBench v1.0.6 53.1、Toolathlon-Verified 76.9，前两项均高于 Claude Opus 5（89.1 / 50.3）（官方模型卡）
3.$0.435 / $0.87 与上代 V2.5-Pro 同价，缓存命中输入 $0.0036；官方称同智能档位下价格只有海外模型的 1/20 ~ 1/60
4.全量开源：权重 + 技术报告 + 端到端 RL 训练框架 + 7000 多个 RL 任务环境，另放出 MiMo-V2.6-Distill-Qwen-9B

坑

1.Terminal-Bench 4.0 只有 34.9，远落后 Claude Opus 5 的 49.0 与 GPT-5.6 Sol 的 39.9 —— 它在 2.1 上的领先完全没有传导到 4.0 口径
2.1.02T 总参没有单机方案，官方只给多节点参数（SGLang tp16 / dp2 / 双节点），且没有公布任何自建显存需求
3.攻防类分数非常不均：自家 CyberGym 94.0、MiMo Cyber Bench 80.2 很高，但公开口径的 ExploitBench 47.9、ExploitGym 17.8 明显落后 Opus 5（70.0 / 22.1）与 GPT-5.6 Sol（78.5 / 30.3）
4.对比表里 MiMo Code Bench / MiMo Cyber Bench / MiMo VisualCoding 是厂商自建基准，且整张表由小米自己跑，属官方声明而非独立复测
5.AA 智能指数 46 是 v4.3 口径，与本站 aa 列（较早口径）不可直接比；离最强闭源（58）仍有明显差距
6.开源 checkpoint 名为 MiMo-V2.6-Pro-RL，托管 API 的 mimo-v2.6-pro 是否含额外后训练官方未说明

适合：全模态 agent 与计算机操作（CUA） · 成本敏感的超长上下文批量任务 · 需要 MIT 许可、可自建的合规场景 · RL / agent 训练研究（环境与框架一并开源）

不适合：单机或单卡自建 · 最难的长时程终端任务（看 Terminal-Bench 4.0 差距） · 需要权威考试型推理评测背书的场景 · 攻防安全开发（公开口径分数落后闭源）

基准	分数	来源	日期	证据
Terminal-Bench终端 agent	89.9%	MiMo-V2.6-Pro 模型卡（Terminal-Bench 2.1）	2026-09-29	厂商公布

更新 2026-09-29 · 排名供选型参考，基准会饱和、会泄漏、会过时。