小米 MiMo 官方发布：MiMo-V2.6-Pro 基准信号与原生全模态定位

一句话结论

小米官方把 MiMo-V2.6-Pro 定位为面向 Agent、代码、视觉与电脑操作的原生全模态开源模型，并自报 Artificial Analysis Intelligence Index 46 分及多项 RL/Agent 结果；这些数字仍是厂商发布口径，不能替代同一 harness 下的独立复测。

适用场景

• 适合的任务：需要长程执行和工具调用的软件工程、漏洞复现、知识密集型工作、网页设计与开发；图像/视频/文本驱动的 3D 场景构建；Blender 建模；带视觉反馈的机器人控制；桌面办公和数据处理；材料研究、形式化证明，以及前端、PPT、视频和音乐创作。

• 不适合的任务：仅凭官方榜单决定生产上线；需要独立统计显著性、完整输入、随机种子和逐题日志的严谨对照；把案例演示或“可达到”描述当作稳定成功率。

• 适用的模型版本：mimo-v2.6-pro。官方同时列出 mimo-v2.6-flash；mimo-v2.6-pro-ultraspeed 是 API 中的高速模式标识，不应与基础 Pro 模型的测评结果混为一谈。

• 适用的客户端、Agent 或 API：小米 MiMo API、MiMo Desktop，以及能够提供多模态输入、工具调用、浏览器/桌面或代码执行环境的 Agent harness。官方页面未给出一套可直接复用的完整工具 schema。

• 推荐的推理档位和参数：官方发布页没有公开统一的 temperature、top-p、推理档位、token 上限、工具超时或随机种子；复测时应使用目标端点默认值并逐项记录，不能从本页推定推荐参数。

测试方法/工作流

这是一份厂商发布说明，不是独立重跑。按官方页面可核对的实验线索，建议按以下流程复现：

1. 固定 API 模型 ID mimo-v2.6-pro、客户端版本、工具 schema、上下文上限、超时、采样参数和 harness；不要把 mimo-v2.6-pro-ultraspeed 的延迟表现并入基础模型结果。

2. 在同一代码仓库和同一评分脚本上复跑 SWE-bench Verified、DeepSWE v1.1、Terminal Bench 2.1 等任务，同时保存逐题输出、通过率、工具调用次数、输入/输出 token、耗时和失败类型。

3. 对官方所说的 Agent 能力，分别测代码、通用知识、视觉任务和 Cyber 任务；报告每个子集的样本量，而不是只报告“多数 Agent Benchmark 与某模型相当”。

4. 对全模态能力做可复核任务：输入图像/视频/文本生成 3D 场景，执行 Blender 建模，使用多视角图像完成抓取与放置，完成桌面信息检索、编辑和数据处理；保存输入素材、工具轨迹、最终文件和人工验收结果。

5. 对材料设计和 Lean 4 形式化等科研案例，记录检索来源、工具版本、每轮提示词、模型修改、编译/模拟日志和人工复核，不把官方案例描述转成未经验证的成功率。

6. 与其他模型比较时，使用同一输入、同一工具、同一预算、同一评分规则；将厂商自报的 AA 分数、训练改进和成本单列，并标注“未独立复现”。

原始证据与数据

1. 官方定位与公开模型接口

• 页面称 MiMo-V2.6 系列由 Pro 和 Flash 两个“原生全模态”模型组成，强调递归自我改进（RSI）和在可验证复杂任务上扩展强化学习（RL）。

• 官方 API 说明要求使用全小写模型名：mimo-v2.6-pro、mimo-v2.6-flash 和 mimo-v2.6-pro-ultraspeed。

• 页面将能力范围延伸到 3D 空间推理、多模态感知和 Computer Use Agent（CUA），并把自然语言编程扩展为面向交互世界构建的 “Vibe World”。这些是能力定位，不是统一基准分数。

2. 官方报告的基准与 RL 数据

同一段官方说明还给出 Flash 的对照：DeepSWE v1.1 从 48.8 提升到 65.7（约 17 分），平均 pass rate 相对提升约 25%，训练成本约 85 万美元。该组数字用于解释官方 RL 叙述，不应当作为 Pro 的测评结果。

页面另称 MiMo-V2.6-Pro 在“多数 Agent Benchmarks”上与 Claude Opus 5 和 GPT-5.6 Sol 相当，但没有在正文列出这些 benchmark 的名称、分数、样本量或运行配置，故只能记录为官方定位，不能整理成可比的排行榜表格。

3. 全模态与 Agent 案例

• 3D 开放世界：官方描述模型把图片、视频或文本需求拆为 3D 场景构建、交互逻辑编程和视觉验证等子任务，并依据渲染结果持续修正，最后生成可运行的交互世界。

• Blender：官方称可根据文字或参考图进行物体和场景建模，生成可用于动画、3D 打印和游戏开发的资产。

• 具身智能：官方称在仿真环境中接收多视角相机图像，通过视觉反馈闭环控制 Franka Panda 机械臂，完成抓取、颜色匹配和精确放置。

• Computer Use Agent：官方称模型可以理解复杂 GUI，使用办公和生产力工具完成信息检索、编辑和数据处理，并依据视觉反馈检查结果、排查问题和调整后续动作。

• 科研案例：官方展示了 PFAS 吸附目标的 MOF 材料设计与“干实验”筛选，以及 Li–Yorke “Period Three Implies Chaos”定理在 Lean 4 中的形式化。后者页面称最终生成超过 6,000 行 Lean 源码，并由 Lean kernel 验证、没有未证明占位符；这是官方案例陈述，不是公开盲测。

• 内容创作：官方称在 Design Arena 上 Pro 与 Claude Opus 5、GPT-5.6 Sol 处于相当水平，并展示前端、PPT、视频、SVG、音乐等案例；正文没有提供 Design Arena 的分数和完整评测协议。

4. 开源资源与辅助基准

官方页面提供了权重、技术报告、RL 训练环境和代码的开源说明，并称包含 7k+ 高质量 RL 任务环境，覆盖软件工程、漏洞复现、知识密集型工作和网页设计开发四类 Agent 任务。

页面还报告从 MiMo-V2.6-Distill-Qwen-9B 的 SFT 基线开始，RL 在 11 个 benchmark 上均有改进，包括：SWE-bench Verified 61.1 → 66.2、MiMo Cyber Bench 31.3 → 47.0、Terminal Bench 2.1 37.1 → 52.8、MiMo Visual Coding 64.0 → 72.4。这些是 Distill-Qwen-9B 训练资源的辅助结果，不能当作 MiMo-V2.6-Pro 的直接得分。

适用边界

• 厂商自报：AA 46 分、Agent benchmark 对标、DeepSWE 改进、训练成本、轨迹数、训练吞吐、Design Arena 定位及案例结果均来自 Xiaomi MiMo 发布页；本篇没有把它们表述为独立验证。

• 缺少复现要件：正文没有公开每道题的输入、完整 system prompt、工具 schema、随机种子、评分脚本、失败样本、token/延迟日志和置信区间，因此不能从页面计算胜率、成本效率或统计显著性。

• 训练增益的归因限制：DeepSWE 的 58.4→72.6 是 RL 训练前后官方流程中的变化，可能同时受数据、环境、grader、harness 和训练策略影响；不能归因于单一模型版本。

• 上下文与 API 限制：1M context 是训练描述，不等于所有 API、Desktop 或 UltraSpeed 端点都开放 1M；实际端点应读取当前 API 文档并用超长输入验证。

• 价格结论限制：页面称同等智能水平下 Pro 的价格约为海外模型的 1/20 至 1/60，但正文没有给出用于比较的完整价格表、模型集合、token 口径和时间窗口；该比例只能作为官方宣传口径。

• 案例不等于稳定能力：3D、机器人、科研、形式化证明、视频和音乐案例缺乏统一样本与失败率；上线前应保留产物、日志和人工验收。

• 版本边界：不要把 mimo-v2.6-pro-ultraspeed 的最高 20× 推理速度描述为 Pro 基础模型的质量提升，也不要把 Flash 或 Distill-Qwen-9B 的结果并入 Pro 分数。

来源摘录或观察

• 页面明确写道，MiMo-V2.6-Pro 在 AA Composite Intelligence Index 中为 46 分，并声称超过 Kimi K3 与 Qwen3.8 Max；该句是本页最直接的公开排名证据。

• 页面把 Pro 的 DeepSWE v1.1 结果写为 58.4 → 72.6，同时给出约 6 天、30 步 RL、约 262 万美元训练成本等背景；因此复核时应把“模型结果”和“训练流程结果”分开记录。

• 页面以 “Vibe World” 概括从代码生成到交互世界构建的扩展，并列出 3D、Blender、机械臂和 CUA 案例；这些观察支持“原生全模态 + Agent 工作流”的产品定位，但不提供统一 pass rate。

• 官方开源入口：https://huggingface.co/collections/XiaomiMiMo/mimo-v26。本篇的 benchmark 数字仍以发布页正文为准，未把该入口中可能更新的模型卡内容混入本来源。