Der chinesische Technologiekonzern Xiaomi sorgt für einen Paukenschlag im weltweiten KI-Modellrennen: Nach einem sechstägigen, öffentlich im Netz übertragenen Trainingslauf hat das Team um LLM-Core-Leiter Luo Fuli die Modellfamilie MiMo-V2.6 offiziell freigegeben. Neben den offenen Modellgewichten stellt das Unternehmen auch den vollständigen 44-seitigen technischen Forschungsbericht, die Reinforcement-Learning-Trainingsumgebungen und den Code zur freien Verfügung. Mit einer Bewertung von 46,32 Punkten auf dem unabhängigen Intelligence Index von Artificial Analysis übernimmt das Spitzenmodell MiMo-V2.6-Pro auf Anhieb die globale Führung unter allen frei verfügbaren Open-Source-Modellen vor Kimi K3 und Qwen3.8 Max.
1,02 Billionen Parameter und ein neuer Spitzenplatz auf der Pareto-Grenze
Das Flaggschiff MiMo-V2.6-Pro basiert auf einer hybriden Mixture-of-Experts-Architektur (MoE). Von den insgesamt rund 1,02 Billionen Parametern werden bei jedem Rechenschritt gezielt nur etwa 42 Milliarden Parameter aktiviert. Das kleinere Schwestermodell MiMo-V2.6-Flash kommt auf 310 Milliarden Gesamtparameter bei 15 Milliarden aktiven Parametern und zielt auf maximale Effizienz im produktiven Dauereinsatz ab.
Nach Erhebungen der unabhängigen Benchmark-Plattform Artificial Analysis schiebt sich das Modell direkt an die globale Pareto-Grenze, welche die kognitive Leistungsfähigkeit ins Verhältnis zu den Betriebskosten setzt. Bei unveränderten API-Preisen gegenüber der Vorgängergeneration V2.5 bietet Xiaomi Spitzenleistung zu einem Bruchteil der Kosten westlicher Spitzenmodelle an.
Die nachfolgende Übersicht fasst die technischen Kenndaten, Parameter und die Preisstruktur der MiMo-V2.6-Familie zusammen:
| Modellvariante | Gesamt- / Aktiv-Parameter | Kontextfenster | Input (Cache Hit / Miss) | Output je 1 Mio. Token |
|---|---|---|---|---|
| MiMo-V2.6-Flash | 310 Mrd. / 15 Mrd. | Bis zu 1.000.000 Token | 0,0028 $ / 0,14 $ | 0,28 $ |
| MiMo-V2.6-Pro | 1,02 Bio. / 42 Mrd. | Bis zu 1.000.000 Token | 0,0036 $ / 0,435 $ | 0,87 $ |
| MiMo-V2.6-Pro-UltraSpeed | 1,02 Bio. (spekulativ) | Bis zu 1.000.000 Token | 0,036 $ / 4,35 $ | 8,70 $ |
Bemerkenswert ist der Modus UltraSpeed: Über einen speziellen spekulativen Decoder (DFlash-Architektur mit 127 Millionen Parametern), der in einem Durchlauf sieben künftige Token parallel vorhersagt, soll das Modell laut Xiaomi eine bis zu 20-fache Ausgabegeschwindigkeit bei identischer inhaltlicher Qualität erreichen. Damit adressiert Xiaomi interaktive Echtzeitszenarien und Latenz-kritische Workflows.
Öffentliches Reinforcement Learning und das Rätsel des Router-Kollapses
Besondere Aufmerksamkeit in der Forschungswelt erregte das Trainingsverfahren: Xiaomi übertrug den gesamten produktiven Reinforcement-Learning-Lauf (RL) live über ein öffentliches Dashboard. In weniger als sechs Tagen absolvierten die Modelle 30 RL-Schritte über rund 750.000 Aufgaben-Trajektorien. Die reinen Trainingskosten beziffert Xiaomi auf 0,85 Millionen Dollar für die Flash- und 2,62 Millionen Dollar für die Pro-Variante.
Im anspruchsvollen Software-Engineering-Benchmark DeepSWE v1.1 steigerte das RL-Training die Trefferquote des Pro-Modells nach Firmenangaben von 58,4 auf 72,57 Punkte - ein Plus von über 14 Punkten. Bei Flash kletterte der Wert von 48,8 auf 65,68 Punkte. Als Schlüssel erwies sich ein Verfahren namens Groupwise Agentic Grading: Anstelle isolierter Belohnungen vergleicht das System Lösungswege innerhalb einer Gruppe relativ zueinander, was überflüssiges Ausschweifen bestraft und das Modell zu kurzen, token-effizienten Antworten anhält.
Forschungsdurchbruch: Router-Freezing
Die Gefahr des Experten-Kollapses: Beim skalierten RL-Training auf MoE-Modellen beobachtete Xiaomi ein kritisches Phänomen: Wenn der Routing-Mechanismus (der entscheidet, welcher Token an welchen Experten geschickt wird) während des RL mittrainiert wird, kollabiert die Lastverteilung. Wenige Experten werden mit Tokens überflutet, während andere verhungern.
Die Lösung: Durch das vollständige Einfrieren der Router-Gewichte auf den Stand vor dem RL-Start stabilisierte sich das Training vollständig ohne Verlust an Benchmark-Leistung. Das belegt, dass der Lastkollaps primär durch Parameter-Drift und nicht durch echte Aufgabenspezialisierung verursacht wurde.
Von „Vibe Coding“ zu „Vibe World“: 3D-Welten, Blender und Roboterarme
Über reine Text- und Code-Generierung hinaus erweitert Xiaomi den Horizont auf räumliche Interaktion und autonome Agenten. Unter dem Schlagwort Vibe World demonstriert der Hersteller, wie MiMo-V2.6 auf Basis einfacher Bild- oder Textprompts mehrstufige Aufgabenpläne erstellt, Agenten koordiniert und lauffähige interaktive 3D-Welten programmiert.
Das Modell steuert nachweislich professionelle Software wie Blender zur automatisierten Erstellung komplexer 3D-Objekte für Spiele und 3D-Druck. In physikalischen Simulationen für die Robotik verarbeitet MiMo-V2.6 mehrkanalige Kamerabilder in Echtzeit und steuert einen Franka Panda-Industrieroboterarm in einer geschlossenen visuellen Regelschleife beim Greifen und Sortieren von Bauteilen.
Ergänzt wird das multimodale Profil durch audiovisuelle Fähigkeiten: Im Frontend-Design erstellt das Modell responsive Webseiten und Präsentations-Folien aus knappen Kurzbeschreibungen. Für Videoclips kombiniert es visuelle Sequenzen mit stimmiger Vertonung über das Modell MiMo-V2.5-TTS. Selbst in der Musikerzeugung generierte MiMo-V2.6 ein zehnteiliges Orchesterstück inklusive Partitur und direktem MIDI-Export.
Einsatz in der Spitzenforschung: PFAS-Filterung und mathematische Beweise
Wie tiefgreifend die logischen Fähigkeiten gereift sind, demonstriert Xiaomi an zwei konkreten wissenschaftlichen Projekten. In der Materialforschung entwickelte MiMo-V2.6 als virtueller Co-Pilot neue metallorganische Gerüststrukturen (MOFs), die gezielt giftige Fluor-Chemikalien (sogenannte PFAS oder „Ewigkeits-Chemikalien“) aus Wasser binden können. Das Modell führte eigenständig Patentrecherchen durch, simulierte Bindungsstärken und lieferte optimierte Kristallgitter für Labortests.
In der formalen Mathematik unterstützte das Modell Forscher bei der vollständigen Formalisierung des bekannten Chaos-Theorems von Li und Yorke („Period Three Implies Chaos“) in der formalen Beweissprache Lean 4. Der resultierende Beweis umfasst mehr als 6.000 Zeilen Lean-Quellcode und wurde ohne jegliche ungelöste Platzhalter erfolgreich durch den Lean-Kernel verifiziert - eine beachtliche Demonstration logischer Stringenz, ähnlich wie wir es kürzlich bei der Gründung des Mathematik-Beirats von OpenAI diskutiert haben.
Verfügbarkeit und strategische Bedeutung
Die Modelle stehen ab sofort über Xiaomis AI Studio, den Desktop-Client MiMo Desktop 1.0, die eigene API-Plattform sowie auf OpenRouter zur Verfügung. Die Veröffentlichung von MiMo-V2.6 reiht sich nahtlos in die Veröffentlichungen von Modellen wie StepFun Step-5 ein und verdeutlicht, wie chinesische Forschungslabore den internationalen Preiskampf bei KI-Tokens weiter anheizen. Nachdem schon der Vorgänger MiMo-V2-Pro als Überraschungssieger für Aufsehen sorgte, festigt Xiaomi seinen Platz an der technologischen Weltspitze.
🎯 Was das für die Praxis bedeutet
1. Open-Source-Agenten evaluieren: MiMo-V2.6-Pro beweist, dass Unternehmen für Spitzenleistung im Coding und bei Agenten-Workflows nicht mehr zwingend an geschlossene US-APIs gebunden sind. Die offenen Gewichte erlauben den Betrieb in eigenen, auditierbaren Rechenzentren.
2. UltraSpeed für interaktive Oberflächen nutzen: Der neue Spekulativ-Modus liefert Antworten bei komplexem Reasoning bis zu zwanzigmal schneller. Für Benutzeroberflächen und Kundeninteraktionen, bei denen Sekundenbruchteile über die Akzeptanz entscheiden, eröffnet dies völlig neue Produktoptionen.
3. Massive Hardware-Anforderungen beachten: Trotz offener Gewichte erfordert ein Modell mit 1,02 Billionen Parametern hochspezialisierte Rechencluster (etwa H100- oder H200-Verbünde). Für kleinere Teams bleibt der Zugriff über die extrem günstigen offiziellen APIs der wirtschaftlichste Weg.
4. Räumliche 3D-Generierung im Prototyping testen: Mit den neuen Schnittstellen zu Blender und Game-Engines wird die Erstellung interaktiver 3D-Modelle für Design, Produktentwicklung und Simulation drastisch beschleunigt.
