Xiaomi stellt MiMo-V2.6 unter Open Source: 46 auf dem AA-Index, Preise auf V2.5-Niveau gehalten und das volle RL-Programm

Was veröffentlicht wurde (22. Sep., offizielle Kanäle)

• MiMo-V2.6-Pro. Das Flaggschiff-Reasoning-Modell — nativ omnimodal, im Billionen-Parameter-Bereich, ausgelegt auf komplexe Long-Horizon-Projekte, Cybersicherheit und Forschungs-Workloads. Aufruf über mimo-v2.6-pro.
• MiMo-V2.6-Flash. Omnimodal, hochintelligent, kostengünstig — positioniert für den hochfrequenten professionellen Einsatz. Xiaomis eigene Einordnung: Es übertrifft das bisherige MiMo-V2.5-Pro vollständig, das in unserem Leitfaden für die günstigsten chinesischen LLMs noch mit dem V2.5-Benchmark aufgeführt ist.
• MiMo-V2.6-Pro-UltraSpeed. Pro-Leistung bei bis zu 20-facher Inferenzgeschwindigkeit für latenzkritische Produktivumgebungen — verfügbar über die offene Plattform-API und in MiMo Desktop.
• Preise auf V2.5-Niveau gehalten. Xiaomi beansprucht einen nationalen Preis-Leistungs-Rekord: bei vergleichbarer Intelligenz 1/20 bis 1/60 des Preises ausländischer Modelle. Der V2.5-Referenzwert: pauschal $3/1M Output bei 1M-Token-Kontext.
• Desktop + Abonnements. MiMo Desktop (offizielle Veröffentlichung) und kostenpflichtige Abonnements starteten am selben Tag; das Ökosystem umfasst nun MiMo Claw (Kingsoft-Office-Integration), MiMo Code und MiMo Studio.

Kontext zur V2.6-Reihe: V2.5-Serie mit Zuwächsen im AA-Index → RL-Training live gestreamt (Aug.–Sep.) → offener V2.6-Release + Desktop (22. Sep.). Die Strategie „RL als Content“ ist mittlerweile Xiaomis Markenzeichen.

Die Trainingsgeschichte: Skaliertes RL in aller Öffentlichkeit

Laut dem offiziellen Beitrag ist das RL-Training von MiMo-V2.6 wahrscheinlich der größte RL-Rechenaufwand, der jemals in ein chinesisches Open-Weights-Modell investiert wurde — und der gesamte Durchlauf wurde live gestreamt. In weniger als 6 Tagen Live-RL-Training: Flash und Pro kosteten jeweils rund $0.85M bzw. $2.62M und schlossen jeweils 30 Schritte mit kumuliert ~750k Trajektorien ab; die durchschnittlichen Erfolgsquoten bei Aufgaben stiegen um 25% bzw. 12%. Im Out-of-Sample-Benchmark DeepSWE v1.1 für Long-Horizon-Aufgaben stiegen die Werte um ~17 Punkte (48.8 → 65.7) für Flash und ~14 Punkte (58.4 → 72.6) für Pro. Das Training lief bei 1M-Token-Kontext mit 3.5–3.7B Token pro Schritt und kombinierte Aufgabenfamilien aus Code, General, Visual und Cyber über mehrere Test-Harnesses hinweg.

In den meisten Agent-Benchmarks liegt MiMo-V2.6-Pro nahe an Claude Opus 5 und GPT-5.6 Sol. Die offiziellen Demos („Vibe World“) gehen noch weiter: 3D-Open-World-Spielegenerierung, Blender-Modellierung, Embodied Manipulation eines Franka-Panda-Roboterarms, Computer-Use-Workflows, ein Screening-Lauf für PFAS-absorbierende MOF-Materialien und eine vollständige Lean-4-Formalisierung des Li-Yorke-Theorems („Periode drei impliziert Chaos“) mit über 6.000 kernel-verifizierten Zeilen.

Was im Open-Source-Paket enthalten ist

• Gewichte + technischer Bericht. Hugging Face XiaomiMiMo/mimo-v26-Collection — alle drei Stufen sowie MiMo-V2.6-Distill-Qwen-9B.
• 7k+ RL-Aufgaben-Umgebungen. Software-Engineering, Schwachstellen-Reproduktion, Wissensarbeit und Webdesign — die Umgebungen, auf denen die Modellfamilie trainiert wurde.
• End-to-End-RL-Trainingsframework. Aufgebaut auf verl / uni-agent / mini-swe-agent — der Stack, mit dem die Livestreams betrieben wurden.
• Minimale, modular kombinierbare Mini-Harnesses. System-Prompts, Tools und Kontextmanagement sind entkoppelt; Multi-Harness-Training zielt auf frameworkübergreifende Generalisierung ab.

Vergleichen Sie das Offenheitsmuster mit den MIT-Gewichten von DeepSeek Vision-Exp — im Open-Weights-Bereich wird es langsam voll, aber niemand sonst liefert das gesamte RL-Paket gleich mit.

Preispositionierung im Vergleich zum Wettbewerb (pro 1M Token)

MiMo ist noch nicht auf Drittanbieter-Relays verfügbar (Stand 25. Sep.) — Tabelle spiegelt Xiaomis offizielle offene Plattform-API wider; Modelle im Relay-Angebot behalten ihre eigenen Margen, siehe den vollständigen Preisleitfaden.

Warum die RL-Offenheit im Mittelpunkt steht

Das Multi-Harness-Rezept — das Training eines Modells über viele Agent-Frameworks hinweg und die Open-Source-Bereitstellung der Harnesses selbst — signalisiert, dass Modellanbieter jetzt direkt für die Harness-Ebene optimieren und nicht nur für die Chat-Qualität. Für Entwickler bedeutet dies, dass agenten-natives Verhalten (Tool-Nutzung, Kontextdisziplin, Zuverlässigkeit über mehrere Schritte) zu einem primären Release-Kriterium wird und nicht mehr nur eine nachgelagerte Anpassung ist. Das MiMo-Ökosystem setzt diese Logik bereits durchgängig um: MiMo Claw bündelt Flaggschiff-Modelle im Abonnement mit der Kingsoft-Office-Suite; MiMo wurde zudem mit einem zeitlich begrenzten kostenlosen Kontingent in Agent-Clients wie Hermes Agent integriert. An der Schnittstelle von offenen Spitzenmodellen und Agent-Harnesses herrscht zunehmend Hochbetrieb.

Primärquellen

• Offizielle Ankündigung zu Xiaomi MiMo (22.09.2026) — V2.6-Release, RL-Umfang, Open-Source-Liste
• mimo.mi.com Modell-Changelog — API-Namen und Preise
• Hugging Face XiaomiMiMo/mimo-v26 — Gewichte und technischer Bericht
• Interner Vergleich: Qwen3.8 Open Weights · Vision-Exp MIT Open Source · Leitfaden für die günstigsten Modelle (V2.5-Benchmark weiterhin gelistet)

FAQ (2026)