MiMo-V2.6-Flash-RL Hugging Face 官方基准与部署边界

一句话结论

官方模型卡将 XiaomiMiMo/MiMo-V2.6-Flash-RL 定义为 MiMo-V2.6 系列的效率平衡 checkpoint，并报告其在代码、通用 Agent、网络安全和视觉 Agent 基准上的结果；但评测硬件、样本量、完整 harness、提示词和解码设置未公开，结果应视为厂商报告，不能直接外推到所有任务或独立复现实验。

适用场景

• 适合判断的任务：长上下文、多模态输入、代码 Agent、通用 Agent、网络安全和视觉编码任务的官方能力定位；SGLang/vLLM 本地部署边界。

• 不适合外推的任务：未列出的任务、不同 harness 或不同解码参数下的准确率、延迟、吞吐、成本和生产稳定性；表格中的跨模型比较也不能替代同条件独立测试。

• 适用的模型版本：仅 MiMo-V2.6-Flash-RL；表中的 MiMo-V2.6 Flash 与该 checkpoint 对应。本文不把 MiMo-V2.6-Pro-RL、MiMo-V2.5-Pro 或其他旧版/Pro 型号的数据并入 Flash。

• 测试环境或客户端：Hugging Face 模型卡；可见部署示例包括 SGLang、vLLM、Transformers 和 Docker。评测硬件、操作系统、驱动、服务版本和 API 客户端未注明。

• 推理档位和参数：模型卡建议 temperature=1.0、top_p=0.95；未注明各基准是否使用该设置。SGLang 示例使用 --tp 8 --dp 2、--mem-fraction-static 0.65、EAGLE 草稿参数和 --reasoning-parser mimo --tool-call-parser mimo；vLLM 示例使用 --tensor-parallel-size 4、--gpu-memory-utilization 0.95、--max-model-len auto 及同样的解析器配置。

测评方法

模型卡可见的方法信息分为训练/对齐描述和结果表两部分：

1. 训练/对齐侧描述：官方称使用一次混合 RL 运行覆盖代码、通用 Agent、视觉和网络安全；任务与多个 harness 混在同一批次中。异步 GRPO 的可见规模是每步 1,568 prompts × 16 rollouts，每次更新涉及数十亿 token。GRS 以组内对比 rollout 生成任务化 rubric，GAR 对通过的轨迹排序并重新分配 advantage。

2. 结果表：模型卡列出代码 Agent、通用 Agent、网络安全、视觉 Agent 四组基准，并将 Flash 与 MiMo-V2.6 Pro、MiMo-V2.5 Pro、Claude Opus 5、GPT-5.6 Sol、Claude Fable 5 并列。

3. 可见评测条件：部分基准包含版本号，例如 DeepSWE v1.1、AutomationBench v1.0.6、GDPval-AA 2.1、Terminal Bench 4.0/2.1；其余版本、样本量、提示词、few-shot 设置、工具配置、评分脚本、硬件和重复次数均未注明。

4. 结果性质：以下数字全部是模型卡中的厂商报告值；页面没有提供 Flash 的独立复测记录或逐项可复现的评测命令。

关键结果

按模型卡原表抄录全部列（- 保留为原文缺失标记）：

表中 - 是原文的缺失标记，不应解释为 0。由于各列的评测条件未注明，不能据此确认不同模型使用了同一 harness、提示词或时间窗口。

原始数据

目标 checkpoint 与能力摘要

• 精确仓库标识：XiaomiMiMo/MiMo-V2.6-Flash-RL；模型卡标题和部署命令均使用此标识。

• 系列定位：MiMo-V2.6 系列中的 efficiency-balanced checkpoint。

• 架构：稀疏 MoE；模型卡摘要写为总参数 309B、激活参数 15B。

• 上下文：最大上下文 1M tokens；仓库 config.json 的 max_position_embeddings 为 1048576。

• 模态：文本、图像、视频、音频；标签含 multimodal、vision-language、audio、video-understanding、agent、long-context。

• 视觉编码器：681M 参数 MiMo ViT，28 层（24 SWA + 4 全注意力）。

• 音频编码器：308M 参数 AudioTokenizer + 127M 音频 patch encoder。

• 主干配置：48 层（39 SWA + 9 GA）、hidden size 4096、SWA Q/KV heads 64/8、GA Q/KV heads 64/4、sliding window 128、256 个 routed experts、每 token 激活 8 个 expert。

• 推测解码：5 层 SWA MTP speculative decoder；模型卡称每次前向预测后续 7 个 token，部署示例另配置 EAGLE 草稿步骤。

参数摘要冲突

同一 Hugging Face 页面侧边栏另显示 Model size: 159B params，并列出 F32、BF16、F8_E4M3、U8 张量类型。模型卡正文的 309B total / 15B activated 是架构摘要，页面没有解释 159B 与其如何对应，也没有说明 159B 是否按某种权重格式、去除模块或统计口径计算。因此本文不强行换算或合并：

• 厂商架构口径：309B 总参数、15B 激活参数；用于描述稀疏 MoE 计算结构。

• Hugging Face 页面摘要口径：159B params；仅作为页面元数据记录，不能替代正文架构数字。

• 复现建议：引用参数时同时注明口径，并以仓库当前 config.json、权重索引和实际加载日志进一步核对；不能把 159B 解释为 15B 激活参数，也不能把 Flash 与 Pro 合并。

结论与边界

• 在官方表格中，Flash 在 CyberGym（95.1）和 Terminal Bench 2.1（87.6）等项目表现较高；在 ExploitGym（6.0）、ExploitBench（25.3）和 SEC Bench Pro（47.5）上明显低于同表的 MiMo-V2.6 Pro。以上是逐项结果，不构成总体排名。

• 结果覆盖范围有限：GDPval-AA 2.1 的 Flash 值为空，且各基准的样本量、硬件、提示词、工具/harness 和评分细则未公开；不能据此推导延迟、吞吐、成本或真实业务成功率。

• 模型卡给出了本地部署边界，但它不是性能实测：SGLang 示例依赖 trust-remote-code、TP/DP 和 MTP/EAGLE 配置；vLLM 示例注明稳定版可能滞后，并指向预构建镜像 vllm/vllm-openai:mimov25-cu129。实际兼容性应以当前框架版本、显存和权重格式验证。

• 跨模型列（Claude、GPT 等）是厂商表格中的对照值，来源、时间和 harness 条件未注明；不能把它们当成同条件独立测量。

复现说明

1. 下载或挂载精确仓库 XiaomiMiMo/MiMo-V2.6-Flash-RL，不要替换为 Pro、V2.5 或其他 Flash 版本。

2. 按模型卡的 Transformers、SGLang 或 vLLM 示例部署；保留 trust_remote_code、多模态编码器和 reasoning/tool-call parser 配置，并记录框架、镜像、驱动、GPU、显存、并行度和权重格式。

3. 以 temperature=1.0、top_p=0.95 作为模型卡给出的采样起点；逐项记录实际 max tokens、工具设置、提示词、样本量和评分脚本。模型卡未给出这些评测细节，复现者必须自行补齐，不能声称与官方数字同条件。

4. 运行同版本基准并分别保存原始输出、评分结果和失败样本；对表中 - 保持“未报告”，不要改写为 0。

5. 对参数争议同时记录模型卡的 309B/15B 架构摘要、Hugging Face 159B 页面摘要、config.json 和实际加载日志，注明统计口径后再比较。