基于小米 MiMo-V2.6 系列官方发布信息及第三方评测整理，数据口径均保留原文，供开发者选型参考。
一、两个型号，同一种全模态底座
mimo-v2.6 与 mimo-v2.6-pro 共享同一套全模态架构，均原生支持图像、视频、音频与文本输入。区别在于定位与规模：
- mimo-v2.6：定位高效推理，面向高频调用与规模化任务。总参数约 310B，激活参数约 15B，上下文 1M tokens。
- mimo-v2.6-pro：旗舰推理模型，面向复杂项目与长程任务。总参数约 1.02T，激活参数约 42B，上下文 1M tokens。
Pro 版本以万亿级参数规模，面向网络安全、科研辅助、企业自动化等高价值场景；标准版在保持全模态能力的前提下，将成本控制在更适合日常调用的区间。
二、Pro 的核心突破：RL 规模化与 Agentic 能力
在 Artificial Analysis 智能指数上，mimo-v2.6-pro 取得 46 分，位列开源模型第一、国产模型第一（截至 2026 年 9 月 22 日）。这一成绩背后，是三个轴向上对 RL 算力的扩展：
更大批次与更高吞吐。 全异步架构下，每次更新 1,568 个样本，训练上下文长度达 1M，每步处理 35 至 37 亿 token。
更丰富的任务环境。 覆盖编程、通用 Agent、视觉与网络安全的多任务训练套件，让不同能力的增益相互强化。
更精细的评分信号。 Group 内相对比较为长程 RL 任务提供更精确的奖励信号，闭合自我改进回路，同时引导模型以更短路径、更少 token 完成任务。
在 Agentic RL 层面，设计了统一的轨迹表示与惩罚机制，支持多 Agent 框架的高并发交互，并将控制面与数据面解耦以支撑大规模轨迹迁移。这些工程投入的回报，体现在 JobBench、Automation Bench 等企业级任务评测中 Pro 版本对部分 Claude 与 GPT 旗舰模型的超越。
三、从写代码到造世界：Vibe World
MiMo-V2.6 的编程能力已泛化至软件工程之外。给定目标、工具链与时间，它能够构建、测试并交付具备经济价值的产出。Pro 版本更进一步，整合了 3D 空间推理、多模态感知与 Computer-Use Agent 能力，将自然语言驱动的编程从 "构建软件" 延伸至 "构建可交互的世界"。
在游戏开发场景中，输入一张图或一段文字，Pro 可拆解任务、协调多个 Agent 搭建 3D 场景、实现交互逻辑并做视觉验证，迭代产出可运行的交互世界。在 Blender 中，它根据文本描述或参考图生成 3D 资产。在具身仿真环境里，它直接以多视角相机画面为输入，闭环控制机械臂完成抓取与放置。
四、定价与可用性
V2.6 系列沿用 V2.5 的 API 定价：
- mimo-v2.6：每百万 token 输入 1 元、输出 2 元。
- mimo-v2.6-pro：每百万 token 输入 3 元、输出 6 元，并提供 99% 缓存折扣。
在相近智能水平下，Pro 的价格约为海外旗舰模型的 1/20 至 1/60，在 Artificial Analysis 的智能 - 价格图上位于帕累托前沿。
需要留意：在思考模式下，两个型号均不支持自定义 temperature 与 top_p，系统会强制采用推荐默认值 1.0 与 0.95。从 V2.5 迁移的开发者请核对参数并完成模型名称切换。
五、开发接入与实测要点
1. 接入方式
兼容 OpenAI 协议，现有 SDK 换 base_url 即可：
from openai import OpenAI
client = OpenAI(
api_key="your-key",
base_url="https://api.xiaomimimo.com/v1"
)
resp = client.chat.completions.create(
model="mimo-v2.6-pro",
messages=[{"role": "user", "content": "你的任务"}],
max_completion_tokens=1024,
)
2. 实测中的关键数据
- 反直觉数据点：Flash 在多项基准上逼近 Pro。JobBench 61.2 vs 62.0，ProgramBench 26.0 vs 26.5。任务不需要极限推理深度时，Flash 是更聪明的钱包选择。
- 缓存折扣很实在：固定 system prompt 命中缓存后，输入价格从 3 元降到 0.025 元 / 百万 token，99% 折扣。高频生产环境务必把稳定不变的指令放在 prompt 头部。
- 工具调用注意：多轮对话里记得把历史 reasoning_content 保留在 messages 里。多数 OpenAI 兼容实现默认丢弃思考内容，但 MiMo 的设计里思考链有记忆价值。
- 训练成本：Pro 版本训练一天多烧约 93 万美元，Flash 约 42 万。开源的不只是权重，还有 RL 训练代码和环境。
3. 已知短板与选型边界
第三方实测里有个值得警惕的信号：在纯前端生成类任务中，Flash 出现过 5 轮里 3 轮交白卷的情况 —— 模型花大量时间 "规划" 和 "研究 SVG 技法"，就是不产出代码，最终超时。
官方基准里 Terminal Bench 和 ExploitGym 的得分也显示，Pro 在高阶终端操作和实战渗透场景与 GPT-6 Astra、Claude Fable 仍有明显代差（17~34 vs 59.6/42.4）。复杂命令行环境下的运维自动化或安全攻防，现阶段需要留出人工兜底。
但 CyberGym 上 Flash 95.1、Pro 94.0 包揽前两名，说明模型在受控环境下的安全分析能力是够的，短板在开放式、高不确定性的实战操作。
4. 选型速查
| 场景 | 推荐型号 | 说明 |
|---|---|---|
| 日常写代码、跑 CI、批量文档处理 | Flash | 便宜够用，缓存叠满成本极低 |
| 长程 Agent 任务、1M 文档分析、企业自动化 | Pro | 多花的钱换稳定性 |
| 网络安全分析（受控环境） | 两者均可 | Flash 性价比更高 |
| 开放式终端运维 / 渗透测试 | 需人工兜底 | 现阶段不建议全自动 |
| 视觉 / 3D / 具身仿真 | Pro | 全模态 + CUA 是核心卖点 |
六、迁移提醒
V2.5 系列 10 月 21 日已下线，API 自动切到 V2.6。还在用旧模型名的项目需要完成切换，并检查思考模式下的参数传参逻辑。
