Zijn de weights open en kan ik MiMo-V2.6-Flash lokaal draaien?

Ja, de weights zijn open en gehost op Hugging Face onder XiaomiMiMo/MiMo-V2.6-Flash-RL. Lokaal draaien is mogelijk, maar met 309B totale parameters heb je serieuze hardware nodig; slechts 15B parameters worden per token geactiveerd, wat inferentiekosten helpt verlagen maar het model op schijf niet kleiner maakt.

Wat kost MiMo-V2.6-Flash en hoe groot is het contextvenster?

Via Xiaomi's API kost het $0,14 per miljoen input tokens en $0,28 per miljoen output tokens, met een contextvenster van 1 miljoen tokens.

Hoe verschilt Flash van MiMo-V2.6-Pro?

Flash is de efficiëntie-gebalanceerde checkpoint in de serie, waarbij wat maximale prestaties worden geruild voor lagere inferentiekosten; Pro is de variant met hogere capaciteit. Beide delen dezelfde architectuur en trainingsaanpak.

▲

43.2%

deze week

MiMo V2.6 Flash

9344°

#llm #xiaomi #visie #audio #video #redeneren

Voer dit model uit

Aanbiedingen / Advertenties

OpenRouter Terminal / API

Betaal per token

Chat met dit model in de browser of roep het aan vanuit je code met één API-sleutel.

Xiaomi | 1.050.000 token context | $0,14/M input, $0,28/M output. MiMo-V2.6-Flash is een open-source funderingsmodel ontwikkeld door Xiaomi. Gebouwd op een Mixture-of-Experts architectuur met 309B totale parameters en 15B geactiveerd per token, maakt het gebruik van een hybride aandachtmechanisme voor grotere rekenefficiëntie. Het model beschikt over een contextvenster van 1M tokens en native multimodale mogelijkheden. Geoptimaliseerd voor agent-werkstromen, levert het sterke prestaties op het gebied van codering, visueel, algemeen en onderzoekswerk, en blinkt het uit in complexe, langlopende taken met robuuste generalisatie over een breed scala aan agentomgevingen.

Gidsen voor dit model

Hoe Ollama te installeren en een lokale AI te draaien (Windows, Mac, Linux)

Ollama vs LM Studio (2026): welke lokale AI-app gebruik je, en welke topmodellen draaien ze

Beste lokale LLM per gebruik (oktober 2026): het juiste open model voor elke klus

Hoe kies je een AI-model in oktober 2026: eerst het nieuws over gesloten modellen, dan de open modellen die het downloaden waard zijn

Hoeveel VRAM heb ik eigenlijk nodig voor lokale AI?

Open weights vs open source vs alleen API: wat je eigenlijk mag doen

Wat is een GGUF-bestand? Uitleg over gekwantiseerde modellen (Q4, Q8, fp8, NF4)

Alle gidsen

Aantekeningen van de kapitein

Geschreven door Captain, de huisredacteur

Aantekeningen van 2026-10-13

MiMo-V2.6-Flash is Xiaomi's efficiëntie-gebalanceerde open-weights model uit de MiMo-V2.6-serie: een sparse 309B-parameter MoE die slechts 15B per token activeert, met een contextvenster van 1 miljoen tokens en native ondersteuning voor tekst, beeld, video en audio. De trainingsmethode schaalt reinforcement learning over coderen, agents, visuele en cybersecuritytaken in één enkele gemengde run, waardoor capaciteiten over agentomgevingen heen worden overgedragen in plaats van geïsoleerd te blijven. Met $0,14 per miljoen input tokens zit het ruim onder de meeste voorhoedemultimodale modellen.

Bekend om

Omnimodaal in één model: tekst, beeld, video en audio native
Context van 1 miljoen tokens kan lange repos, tooltraces en multi-sessie runs aan
Enkele gemengde RL-run draagt strategieën over naar ongeziene agentomgevingen
15B geactiveerde parameters houden inferentie licht ondanks 309B totale weights
Open weights beschikbaar op Hugging Face voor zelfhosting

Let op

309B totale parameters betekent dat zelf-hosting serieuze hardware vereist; controleer VRAM voordat je eraan begint.
Licentievoorwaarden zijn niet gedetailleerd in wat Xiaomi heeft gepubliceerd; verifieer voor commercieel gebruik.
Flash is de efficiëntie-checkpoint; de Pro-variant bestaat als je het plafond nodig hebt, niet de prijs.

Het beste voor

Agenten en toolgebruik

Prompts om te proberen

Multi-bestand refactor agent

Je werkt in een Python-monorepo. De auth-module gebruikt een globale mutable config-dict die per referentie wordt doorgegeven over zes bestanden. Stel een concreet refactorplan voor: identificeer risicovolle aanroepplaatsen, stel een vervangingspatroon voor met een getypte dataclass, en schrijf de bijgewerkte versie van het kernauth.py-bestand met het nieuwe patroon.

Visie: diagram naar code

Ik voeg een screenshot toe van een database-entiteit-relatiediagram. Lees de entiteiten, hun attributen en de getoonde relaties, en schrijf dan de SQLAlchemy ORM-modellen die er precies bij passen, inclusief foreign keys en eventuele junction tables die veel-op-veel-relaties impliceren.

Langdurige repo-audit

Ik plak hieronder de volledige inhoud van een Node.js REST API codebase. Lees elk bestand en maak dan een security-audit: lijst elk endpoint, de toegepaste authenticatie, eventuele inputvalidatie-tekorten en dependencyversies met bekende CVE's. Rangschik bevindingen op ernst.

Vergelijk met

MiMo-V2.6-Pro-UltraSpeed
Alleen API-model
1,048,576 token context · $4.35/M invoer, $8.70/M uitvoer
MiMo-V2.5
Model met open gewichten
1,050,000 token context · $0.14/M invoer, $0.28/M uitvoer
MiMo-V2.6-Pro
Model met open gewichten
1,050,000 token context · $0.43/M invoer, $0.87/M uitvoer
MiMo-V2.5-Pro
Model met open gewichten
1,050,000 token context · $0.43/M invoer, $0.87/M uitvoer

Meer tekstmodellen van xiaomi

Veelgestelde vragen

Zijn de weights open en kan ik MiMo-V2.6-Flash lokaal draaien?: Ja, de weights zijn open en gehost op Hugging Face onder XiaomiMiMo/MiMo-V2.6-Flash-RL. Lokaal draaien is mogelijk, maar met 309B totale parameters heb je serieuze hardware nodig; slechts 15B parameters worden per token geactiveerd, wat inferentiekosten helpt verlagen maar het model op schijf niet kleiner maakt.
Wat kost MiMo-V2.6-Flash en hoe groot is het contextvenster?: Via Xiaomi's API kost het $0,14 per miljoen input tokens en $0,28 per miljoen output tokens, met een contextvenster van 1 miljoen tokens.
Hoe verschilt Flash van MiMo-V2.6-Pro?: Flash is de efficiëntie-gebalanceerde checkpoint in de serie, waarbij wat maximale prestaties worden geruild voor lagere inferentiekosten; Pro is de variant met hogere capaciteit. Beide delen dezelfde architectuur en trainingsaanpak.

Oordeel van de kapitein
Een echt goedkope instap in miljoen-token omnimodale agentterritorie, en de open weights maken het het overwegen waard als je hardware het aankan.

Modelkaart op Hugging Face

De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: #4 Hottest Text / LLM model · #4 Hottest Text / LLM text model

Not this creator?

Get your own badge

Populariteitstrend van MiMo V2.6 Flash

Heat score sinds 21 Sep 2026

Heat score

9,344°

Deze week

▲

43.2%

9,297° toen, 9,344° nu

Deze maand

n.v.t.

Nog niet uitgebracht/getrackt

Afgelopen jaar

n.v.t.

Nog niet uitgebracht/getrackt

7,000°

Basis

De schaal loopt van 0° tot 9.999°. Alles onder 7,000° is gereserveerd voor modellen waar nog geen bron over rapporteert, die daar een tijdelijke waarde krijgen zodat de lijsten compleet blijven. 7,000° is waar gemeten data begint: een model met echte data maar bijna geen downloads zit op de basis, en de metingen vullen de graden erboven. De basis zegt niets over het model; alleen de graden erboven doen dat, en die maken het verschil tussen modellen.

+1,956°

OpenRouter tokens

32,884,504,724,760 tokens heeft dit model in de afgelopen 30 dagen verwerkt via OpenRouter, prompts en antwoorden samen. Elke 10,000,000 tokens telt als één download in de downloadterm, in totaal 3,288,450; de tokens van de laatste dag tellen mee voor het adoptiecijfer. Bron: OpenRouter (openrouter.ai/rankings).

+388°

Adoptiesnelheid

Ongeveer 151,030 downloads per dag, gemeten tussen twee metingen van de bronnen, nooit geschat op een levenslange gemiddelde. Snelheid weegt een kwart van de downloadterm, zodat een verse piek zichtbaar is zonder dat een dagpiek jaren gebruik overstemt.

Toon gedetailleerde uitsplitsing

Elk getal op deze site is te controleren. De heat-score van dit model is 9,344°, en hier wordt die stap voor stap opgebouwd, met de tussentijdse totalen na elke stap: de basis, de graden die elke bron toevoegt, de bonus voor het type model en wat de leeftijd van de gewichten eraf haalt. De kleuren zijn de banden van de grafiek hierboven. De woordenlijst achteraan legt elke term uit.

1
Begin bij de basis.
Waarom 7,000° en niet nul: de schaal loopt van 0° tot 9.999°, en het deel onder 7,000° is gereserveerd voor modellen waar nog geen bron over rapporteert, die daar een tijdelijke waarde krijgen zodat de lijsten compleet blijven en nooit hoger staan dan een model met data. 7,000° is waar gemeten data begint. Een model met echte data maar bijna geen downloads zit hier; alles wat volgt is meting, en de ruimte boven de basis bevat tien stappen van tien keer zoveel downloads, elk 300° waard. De basis is voor elk model hetzelfde, dus die zegt niets; de graden erboven wel.
7,000°
lopende totaal
2
Voeg de downloads toe.
3,288,450 download-equivalenten in totaal, van OpenRouter tokens. Tien keer de downloads voegt dezelfde 300° toe, dus grootte telt mee maar bepaalt niet alles.
+1,956°
8,956°
lopende totaal
3
Voeg de adoptiesnelheid toe.
Ongeveer 151,030 downloads per dag op dit moment, gemeten tussen twee metingen, met een kwart van het gewicht.
+388°
9,344°
lopende totaal
=
De heat-score.
Waar dit model staat op elke lijst van deze site. Niets anders beïnvloedt dit.
9,344°

Woordenlijst: de gebruikte termen

Heat-score: Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
Vloer: De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
Download-equivalenten: Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
Logaritmische schaal: Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
Likes: Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
Adoptiesnelheid: Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
Gemeten en geschat: Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
Seeder: Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
AI Horde: Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
Generatiesites: Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
OpenRouter tokens: Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Volledig model (checkpoint): De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
LoRA en embedding: Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
Familie en gewichten: De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
Leeftijd: Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
Familie boost: Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
Stand-in score: Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
Nieuw! (gratieperiode): Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
Trend: Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
Typisch model: Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.

Hoe de populariteit van dit model zich verhoudt tot de rest van de catalogus: de groei in downloads, likes en gebruik per periode, gemeten ten opzichte van de typische groei van modellen in dezelfde periode, met de heat score op dat moment. Boven de typische groei betekent stijging, eronder daling. Het verleden wordt herbouwd vanuit de huidige totalen, de eerste dag van het model en de gemeten downloadsnelheid als er twee metingen zijn; een model dat er aan het begin van een periode nog niet was, toont n.v.t.

Vergelijkbare modellen

Qwen3 VL 30B A3B Instruct

AI-modellen voor het genereren van afbeeldingen, video en tekst

MiMo V2.6 Flash is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen en bekijk de populariteitsscore om de trend te zien.

Meer Text / LLM-modellen Meer Text / LLM Tekst / LLM llm xiaomi visie audio video redeneren agenten coderen

Bladeren op modelfamilie