Дообучение MiMo-V2.6-Pro обошлось Xiaomi в 2,62 миллиона

Xiaomi 21 сентября открыла веса двух моделей серии MiMo-V2.6, старшей Pro и более дешёвой Flash, и заодно рассказала, как и за какие деньги их дообучали с подкреплением. На RL-этап у каждой ушло меньше шести дней: около 2,62 миллиона долларов за Pro и около 850 000 за Flash.

Обе модели нативно омнимодальные и рассчитаны на код, визуальные задачи и работу за компьютером. Как сказано в посте в Threads, Pro работает «на уровне Claude Opus 5 и GPT-5.6 Sol», причём на большинстве агентских бенчмарков, уточняет сама Xiaomi. Но в центре релиза стоит другое: масштабирование обучения с подкреплением на сложных задачах с проверяемым результатом, которое компания описывает на странице MiMo-V2.6.

Шесть дней RL

Механика у такого обучения прямая. Модель получает задачу, результат которой можно проверить автоматически, делает попытку, верификатор её оценивает, и веса сдвигаются в сторону удачных попыток. Чем больше таких задач и чем длиннее каждая попытка, тем дороже прогон и тем выше риск, что обучение пойдёт не туда.

Задачи Xiaomi брала из четырёх областей: программирование, агентские задачи общего профиля, визуальные задачи и кибербезопасность. Каждая из двух моделей прошла 30 шагов RL примерно на 750 000 траекторий. На одно обновление весов шло 1568 сэмплов, а контекст доходил до миллиона токенов.

Против дрейфа Xiaomi заморозила роутер. В MoE-модели это блок, который решает, каким экспертам отдать каждый токен, и если он меняется вместе с остальными весами, распределение работы между экспертами может поплыть. Отдельно компания закрывалась от reward hacking, когда модель учится обходить проверку вместо того, чтобы решать задачу. Для этого использовали состязательную оценку, поиск аномалий и перекрёстную сверку верификаторов.

Что дал прогон

Число шагов и траекторий у двух моделей одинаковое, а прогон Pro обошёлся примерно втрое дороже. За эти деньги результат на агентском бенчмарке DeepSWE v1.1 вырос у Flash с 48,8 до 65,68, а у Pro с 58,4 до 72,57.

В другой таблице Xiaomi цифры по тому же бенчмарку другие: как пересказывает её Second Talent, DeepSWE v1.1 там вырос с 19,0 у V2.5-Pro до 71,9, а Terminal Bench 4.0 с 1,5 до 34,9 при 49,0 у Claude Opus 5 в том же сравнении.

Qwen3.8-Flash-Next от Alibaba в августе набрала 58,7 на DeepSWE 1.1. Младшая модель Xiaomi после RL-прогона по заявленным результатам её уже обходит.

Шестая в общем зачёте

В Artificial Analysis Intelligence Index v4.3 у Pro 46,32 балла. По словам Xiaomi, это лучший результат среди открытых моделей в сравнении, выше Kimi K3 и Qwen3.8 Max. В общем рейтинге индекса, согласно посту, это шестое место.

Vibe World

Помимо обычной разработки Xiaomi продвигает сценарии, которые называет «Vibe World». По картинке, видео или текстовому запросу MiMo-V2.6 координирует агентов, которые строят интерактивную 3D-сцену и сами проверяют её визуально. Модель умеет делать ассеты для Blender, управлять роботизированной рукой Franka Panda по изображению с камер, собирать фронтенды, презентации и видео, а музыку писать в виде партитур и MIDI.

Есть и исследовательские демонстрации. В одной модель отбирала материалы для улавливания PFAS, стойких фторсодержащих загрязнителей. В другой помогала формализовать теорему на Lean 4: вышло больше 6000 строк кода, который проверило ядро системы доказательств.

Где взять и почём

Цены в API остались на уровне V2.5. Flash стоит 0,14 доллара за миллион некэшированных входных токенов и 0,28 доллара за миллион выходных, Pro 0,435 и 0,87 доллара. Pro-UltraSpeed - отдельный уровень обслуживания Pro, новых весов у него нет. При том же качестве он выдаёт ответ до 20 раз быстрее и стоит в десять раз дороже. Xiaomi предлагает его для задач, где важна задержка, и для работы в реальном времени.

Pro и Flash уже доступны в AI Studio, MiMo Code, MiMo Desktop, на платформе MiMo API и в OpenRouter. MiMo Desktop с этим релизом выходит из раннего доступа, и обе модели в нём есть.

Вместе с весами Xiaomi публикует технический отчёт, обучающие среды и код RL. Компания подаёт запуск как воспроизводимую проверку масштабированного обучения с подкреплением и самоулучшения модели.