--- title: "小米把 MiMo-V2.6 做成原生全模态模型并开源" date: 2026-10-25 category: AI大模型 site: 脑机网 canonical: https://www.logic.wang/a/njw-993930 language: zh-CN --- # 小米把 MiMo-V2.6 做成原生全模态模型并开源 > 有人把手机镜头对准一台坏掉的洗碗机，用中文说一句话，就指望助手能"看见"零件、听懂抱怨、写出可执行的维修方案。这正是现代助手要跨过的门槛——而小米，这家以硬件闻名的公司，正在公开地造出跨过这道门槛的模型。 有人把手机镜头对准一台坏掉的洗碗机，用中文说一句话，就指望助手能"看见"零件、听懂抱怨、写出可执行的维修方案。这正是现代助手要跨过的门槛——而小米，这家以硬件闻名的公司，正在公开地造出跨过这道门槛的模型。 ## 关键事实 小米发布并开源了 **MiMo-V2.6** 系列：旗舰 **Pro**、兼顾成本与智能的 **Flash**，以及宣称同质量下输出最高快 20 倍的 **Pro-UltraSpeed**。模型被描述为**原生全模态（omnimodal，全模态）**，可同时处理文本、图像、视频与音频，而非事后把各模态拼起来。小米将其称为"RSI 路径"——在可验证的复杂任务上扩大量化强化学习算力，让模型通过探索与反馈持续拓宽能力边界。 ## 一家硬件公司的模型策略 小米不是恰好做手机的实验室，而是需要模型活在手机、耳机、汽车和眼镜上的设备制造商。这个约束塑造了产品：一个能在一轮对话里同时接收截图、语音和文字指令的全模态模型，对"交互界面是物理物体"的公司直接有用。"built in public（公开建造）"的说法也很关键——小米持续放出权重、基准与适配代码，赌的是开发者生态胜过封闭护城河。 ## 原生全模态能换来什么 多数多模态系统先训文本模型，再外挂图像或语音编码器。小米称 MiMo-V2.6 从底层就是全模态，同一骨干可跨文本、图像、视频、音频推理，无需中间翻译层。实际承诺是：当任务混进一张截图、一句语音和一段文字追问时，掉上下文更少——而这恰恰是真实用户制造的混乱。 ## 小米亮出的数字 公司自己的基准表显示，MiMo-V2.6-Pro 已贴近开放阵营前列：软件工程基准 DeepSWE v1.1 上，Pro 得 71.9、Flash 得 67.9，仅落后最顶尖的封闭模型；Artificial Analysis 的 GDPVal 2.1 上，Pro 达 1673，对标领先封闭模型的 1735；智能体工具调用测试 Toolathlon-verified 上，Pro 为 76.9。其他自报结果还包括 Automation Bench（Pro 53.1）、ALE（Pro 31.6）、Terminal Bench（Pro 34.9）。 请把这些当作小米的定位声明而非中立排名。它们作为相对信号有用：在若干智能体与代码任务上，严肃的开源模型与封闭前沿的差距已缩到个位数。 ## 从 V2.5 延续的开源血脉 V2.6 建立在清晰的开源脉络之上。V2.5 系列于 2026 年春季以 MIT 协议开源，支持 100 万 token 上下文，当时在 GDPVal-AA 与 ClawEval 上位列开源第一。小米配套推出"Orbit"计划：100 万亿 token 社区激励，最高获批档约合 16 亿 credits，价值约 659 元（≈ 93 美元 / 720 港元）。宽松协议、长上下文、送 token——这是为播种采用量而设计的经典打法。 这条路线并非一蹴而就。据小米 2025 年中期报告，公司于 2025 年 4 月推出首款为推理而生的开源大模型 MiMo-7B，5 月发布开源多模态模型 MiMo-VL-7B；正是从语言推理到全模态的这一步步行累积，铺成了今天的 V2.6。对一家以硬件立身的公司而言，模型能力先是内化为手机与汽车座舱的底层能力，再外溢为对开发者开源的权重。 ## 为什么设备商如今能造出可信的模型 五年前，手机品牌发布前沿级模型像营销话术；今天逻辑很具体：设备公司坐拥海量、富模态的交互数据，掌控芯片路径，还握着纯实验室没有的分发界面。当模型与 gadget 同属一家公司，延迟、隐私与离线就从阻碍变成了特性。 ## 诚实的局限 - 本文所有基准数字均出自小米自己的发布材料，我们未独立运行 MiMo-V2.6，分数应视为公司定位而非中立排名。 - "全模态"在演示里容易证明，在嘈杂真实输入下跨模态的鲁棒性尚无第三方验证。 - MIT 开放权重不保证在每个设备类上无缝部署，端侧表现高度依赖量化与硬件支持。 - 100 万亿 token 的 Orbit 计划是绑定 V2.5 发布的限时活动，应作历史背景看待，而非常驻优惠。 - 除中英文外，跨语言与文化表现未在其材料中充分记录。 ## 普通人现在能做什么 - **开发者**：抓取 MIT 权重，原型一个"照片+语音+文字"的混合模态功能，看看单轮助手是否真能帮忙。 - **企业**：在一个真实智能体任务上，把 MiMo-V2.6 与你当前的封闭模型比对，再假设高价 API 值得付费。 - **观察者**：留意设备商而非实验室是否会成为全模态助手的老家——当模型装在你口袋里，分发能力胜过研究声望。 --- 来源：脑机网（https://www.logic.wang/）｜原文：https://www.logic.wang/a/njw-993930 本内容仅供参考，不构成投资建议。