事件：小米开源 MiMo-V2.6，登顶全球开源榜首
9 月 21 日晚间，小米在 Hugging Face 与 ModelScope 同步开源了 MiMo-V2.6 系列大模型，包括旗舰版 Pro-RL、轻量版 Flash-RL 和蒸馏版 Distill-Qwen-9B，全部采用 MIT 协议。按评测平台 Artificial Analysis 的智能指数，Pro 版登顶开源模型第一名、总榜并列第六，性能超过 Kimi K3 与 Qwen3.8 Max。小米总裁雷军也在社交媒体确认了这一排名。官方一手资料见 Hugging Face 官方模型页 与 官方技术报告。
为什么能登顶开源榜：AA 智能指数与关键分数
登顶依据是 Artificial Analysis 的智能指数（Intelligence Index）：Pro 版拿到 46 分，位列其开源（Open-Weight）榜单第一、全网总榜并列第六。除整体智能外，它在一批 Agent 基准上也表现突出：代码任务 DeepSWE v1.1 拿到 71.9，终端操作 TerminalBench 2.1 拿到 89.9，网页操作 OSWorld 拿到 82.0，自动化运维 AutomationBench 拿到 53.1，网络安全 CyberGym 拿到 94.0。需要提醒的是，这些是官方自报评测结果，未全部经第三方独立复测，选型时建议用自己手头的任务再跑一遍验证。
全模态与百万上下文：一个大模型看懂图、视频和声音
MiMo-V2.6 最直观的变化是一个模型原生覆盖文本、图像、视频、音频四种模态，官方称为 Omnimodal。它内置 6.81 亿参数的 MiMo ViT 视觉编码器，以及音频 tokenizer 与音频 patch 编码器，能直接输入图片、视频、音频并输出带语音的回答，而不是像很多模型那样"文本主干 + 外挂视觉接口"。它还带 100 万 tokens 的上下文窗口，可以一次性读入长代码仓库、长工具调用记录或多轮 Agent 会话，这对做 Agent 和自动化任务的开发者很实用。官方能力拆解见 Pro-RL 模型卡。
怎么接入：本地部署、官方 API 与 Studio
上手有三条路径。其一，本地部署：Pro 版是稀疏 MoE，总参数 1.02 万亿但每次只激活约 42B，官方支持 8-bit 与 FP8 量化，有条件自托管的团队可以跑；轻量版 Flash-RL 只有 48 层、隐藏维 4096，单卡更容易拉起来。其二，调用官方 API：小米提供 MiMo API 平台，据多家媒体测算单任务成本约 0.13 美元，约为海外同等智能模型价格的 1/20 到 1/60，API 定价与前代 V2.5 持平。其三，用官方 MiMo Studio 或桌面版直接体验，适合想先看效果的普通用户。做代码 Agent 的开发者，建议优先用 DeepSWE、TerminalBench 对应类型的任务实测。
和 Kimi K3、Qwen3.8 Max 比：性价比是真卖点
对预算敏感的团队，这版的吸引力主要在性价比。按"智能指数 ÷ 价格"的口径，Pro 版把强模型拉进了 0.1 美元/任务区间，明显比海外同级旗舰便宜，也和国内 Kimi K3、Qwen3.8 Max 拉开了一档价格差距。对企业，同样的预算能跑更多 Agent 任务；对个人开发者，可以放开手做长上下文、多模态、Agent 类实验，不用担心账单。但代价也清楚：轻量版在多模态深度理解、复杂推理上仍弱于旗舰版，选型要看自己任务是"重推理"还是"高频调用"。
技术内核：为自我改进而扩展的强化学习
技术层面，MiMo-V2.6 的主题是"扩展强化学习走向自我改进"。它用一次混合的强化学习（官方称 You Only RL Once）同时覆盖编码、通用 Agent、视觉和网络安全多个领域，而不是每个领域单独跑；奖励信号本身也做了升级，用 Groupwise Reward Synthesis 生成分档评分、Groupwise Advantage Redistribution 在线排序，让模型从自己的输出里不断挑出更优解，形成自我改进闭环，并尽量规避奖励作弊。普通用户不用深究，但对研究强化学习和对齐的人，这是开源阵营在"模型自己越练越好"这条路线上一个值得跟进的方向。
下一步关注什么
对三类人影响最大：自己做 Agent 或自动化的开发者，得到了长上下文、全模态、强代码能力打包且可改的开源新选择；中小团队多了一个"便宜又能本地跑"的强模型；研究强化学习/对齐的从业者，它的混合 RL 与自评机制是新的研究样本。接下来值得跟踪三点：第三方独立复测分数是否与官方一致、ModelScope/Hugging Face 上下载量与社区微调生态成长速度、以及后续会不会上线更多 API 型号。想验证的读者，可直接去官方模型页拉权重，或用官方 Studio 跑一两个自己的任务实测。
来源与说明
本文由 AI 潮汐编辑部基于官方公告与公开资料整理，补充了行业影响、适用场景和行动建议，帮助你在阅读原文前先理解这条信息为什么重要。
原始来源：https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL
如发现事实、价格或链接有误，可通过 联系我们 提交更正。
常见问题
普通用户需要马上换用 MiMo-V2.6 吗？
不一定。如果你只是在用现成的 Chat 产品，可以先用官方 Studio 或桌面版免费体验，看它处理图片、视频、长文档是否符合你的场景；跑通觉得值得，再考虑换底模或迁移业务。
开发者最该关注 MiMo-V2.6 的什么？
最值得关注三点：一是 100 万上下文加全模态，适合做 Agent、代码仓库分析、多模态自动化；二是 MIT 开源可以商用和改造；三是单任务约 0.13 美元的成本，适合跑大批量 Agent 任务。建议用你实际的 DeepSWE 或终端类任务复测，别只看官方分数。
MiMo-V2.6 和 Kimi K3、Qwen3.8 Max 怎么选？
从公开口径看 Pro 版 AA 智能指数更高、价位更低，主打性价比；Kimi K3、Qwen3.8 Max 生态和接入方式更成熟。如果看重开源可改与成本选 V2.6，看重生态成熟度和既有接入选另两家，最好在同一任务上对比跑一轮再决定。
信息以哪里为准？
以 Hugging Face 官方 MiMo-V2.6-Pro-RL 模型卡、官方技术报告和小米官方博客为准。媒体关于排名与成本的报道需结合官网数据核实，评测分数属于官方自报，尚未全部第三方复测。