Apakah bobotnya terbuka dan bisakah saya menjalankan MiMo-V2.6-Pro secara lokal?

Ya, bobot dipublikasikan di Hugging Face di repositori XiaomiMiMo/MiMo-V2.6-Pro-RL. Menjalankannya secara lokal secara teknis mungkin tapi membutuhkan perangkat keras multi-GPU yang besar mengingat jumlah parameter total 1,02 triliun.

Berapa biaya MiMo-V2.6-Pro dan berapa besar jendela konteksnya?

Melalui API Xiaomi harganya $0,43 per juta token input dan $0,87 per juta token output, dengan jendela konteks 1.050.000 token.

Apa perbedaan MiMo-V2.6-Pro dengan MiMo-V2.6-Flash?

Keduanya berasal dari run pelatihan RL yang sama; Flash adalah versi yang lebih kecil dan lebih cepat. Pro adalah checkpoint unggulan yang dioptimalkan untuk kemampuan maksimal pada tugas berat, bukan kecepatan atau biaya.

▲

50.4%

minggu ini

MiMo V2.6 Pro

9028°

#llm #xiaomi #visi #audio #video #penalaran

Jalankan model ini

Penawaran / Iklan

OpenRouter Terminal / API

Bayar per token

Ngobrol dengan model ini di browser atau panggil dari kode kamu dengan satu API key.

Xiaomi | konteks token 1.050.000 | $0,43/M input, $0,87/M output. MiMo-V2.6-Pro adalah model dasar unggulan yang dikembangkan oleh Xiaomi. Dibangun dengan skala lebih dari 1T parameter, model ini dirancang untuk mendorong batas kemampuan pada beban kerja paling menuntut. Model ini memiliki jendela konteks 1 juta token dan kemampuan multimodal asli. Dioptimalkan untuk alur kerja agen, model ini memberikan performa kelas atas di bidang pengkodean, visual, umum, dan skenario riset, unggul dalam tugas kompleks dengan cakupan jangka panjang dan generalisasi kuat di berbagai jenis agen.

Panduan untuk model ini

Cara memilih model AI di Oktober 2026: berita sumber tertutup, lalu bobot terbuka yang layak diunduh

LLM lokal terbaik berdasarkan kasus penggunaan (Oktober 2026): model terbuka yang tepat untuk setiap pekerjaan

Berapa banyak VRAM yang sebenarnya saya butuhkan untuk AI lokal?

Bobot terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya boleh kamu lakukan

Cara Menginstal Ollama dan Menjalankan AI Lokal (Windows, Mac, Linux)

Semua panduan

Catatan Kapten

Ditulis oleh Captain, editor rumah

Catatan dari 2026-10-13

MiMo-V2.6-Pro adalah model unggulan Xiaomi: sistem Mixture-of-Experts sparse dengan total 1,02 triliun parameter (42 miliar aktif) yang menangani teks, gambar, video, dan audio dalam satu model. Fitur utamanya adalah pipeline pembelajaran penguatan yang dirancang untuk terus memperbaiki dirinya melalui eksplorasi, bukan fine-tuning terpisah per domain. Cocok untuk tim yang menjalankan alur kerja agentik kompleks, kode konteks panjang, atau tugas riset, serta siapa saja yang menginginkan model frontier dengan bobot terbuka yang mumpuni dengan harga di bawah satu dolar per juta token.

Dikenal untuk

Omnimodal sejati: teks, gambar, video, dan audio ditangani secara native dalam satu model
Jendela konteks 1 juta token — cukup panjang untuk repositori penuh atau sesi agent multi-run
Satu run RL campuran untuk tugas pemrograman, visual, umum, dan keamanan siber
Bobot terbuka tersedia di Hugging Face untuk penyebaran lokal atau mandiri
Loop reward yang memperbaiki diri sendiri mengarah ke solusi yang lebih pendek dan berkualitas tinggi

Waspadai

Lebih dari satu triliun parameter total — menjalankan ini secara lokal membutuhkan perangkat keras serius yang kebanyakan orang tidak punya.
Ketentuan lisensi tidak dijelaskan di kartu model; periksa repositori Hugging Face sebelum penggunaan komersial.
Pada skala ini, latensi inferensi pada setup mandiri akan tinggi kecuali Anda memiliki klaster multi-GPU besar.

Terbaik untuk

Agen dan penggunaan alat

Prompt untuk dicoba

Tugas refaktor multi-file

Anda memiliki layanan Python yang terbagi dalam tiga file: router FastAPI, file model SQLAlchemy, dan file tugas Celery. Router mengimpor langsung dari file model dan memanggil tugas Celery secara inline. Rancang ulang struktur dependensi sehingga router hanya bergantung pada lapisan layanan, tulis kode lapisan layanan, dan jelaskan setiap perubahan yang Anda buat.

Rencana riset jangka panjang

Saya perlu mengevaluasi lima basis data vektor open-source untuk sistem RAG produksi yang menangani 50 juta dokumen, latensi p95 di bawah 100ms, dan pencarian hybrid kata kunci plus semantik. Buat rencana evaluasi terstruktur: definisikan kriteria, usulkan strategi dataset benchmark, daftar tes spesifik untuk setiap kriteria, dan jelaskan cara Anda memberi skor dan membandingkan hasil.

Debugging gambar plus kode

Lampirkan tangkapan layar traceback Python atau grafik dengan output tak terduga. Jelaskan apa yang seharusnya dilakukan kode, lalu tanyakan: apa penyebab kesalahan atau anomali ini, dan perubahan kode minimal apa yang memperbaikinya? Jelaskan langkah demi langkah sebelum memberikan perbaikan.

Bandingkan dengan

MiMo-V2.6-Pro-UltraSpeed
Model hanya API
konteks 1,048,576 token · $4.35/M input, $8.70/M output
MiMo-V2.6-Flash
Model dengan bobot terbuka
konteks 1,050,000 token · $0.14/M input, $0.28/M output
MiMo-V2.5
Model dengan bobot terbuka
konteks 1,050,000 token · $0.14/M input, $0.28/M output
MiMo-V2.5-Pro
Model dengan bobot terbuka
konteks 1,050,000 token · $0.43/M input, $0.87/M output

Model teks lain dari xiaomi

Pertanyaan yang sering diajukan

Apakah bobotnya terbuka dan bisakah saya menjalankan MiMo-V2.6-Pro secara lokal?: Ya, bobot dipublikasikan di Hugging Face di repositori XiaomiMiMo/MiMo-V2.6-Pro-RL. Menjalankannya secara lokal secara teknis mungkin tapi membutuhkan perangkat keras multi-GPU yang besar mengingat jumlah parameter total 1,02 triliun.
Berapa biaya MiMo-V2.6-Pro dan berapa besar jendela konteksnya?: Melalui API Xiaomi harganya $0,43 per juta token input dan $0,87 per juta token output, dengan jendela konteks 1.050.000 token.
Apa perbedaan MiMo-V2.6-Pro dengan MiMo-V2.6-Flash?: Keduanya berasal dari run pelatihan RL yang sama; Flash adalah versi yang lebih kecil dan lebih cepat. Pro adalah checkpoint unggulan yang dioptimalkan untuk kemampuan maksimal pada tugas berat, bukan kecepatan atau biaya.

Putusan Kapten
Model frontier bobot terbuka yang serius untuk pekerjaan agentik dan konteks panjang — harganya pas, tapi kebutuhan perangkat kerasnya tidak ringan.

Kartu model di Hugging Face

Kapten menulis catatan ini dari deskripsi model dan kartu model itu sendiri. Harga dan ukuran konteks adalah milik penyedia pada saat penulisan dan dapat berubah.

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: #22 Hottest Text / LLM model · #22 Hottest Text / LLM text model

Not this creator?

Get your own badge

Tren popularitas MiMo V2.6 Pro

Skor panas sejak 21 Sep 2026

Skor panas

9,028°

Minggu ini

▲

50.4%

8,974° dulu, 9,028° sekarang

Bulan ini

n/a

Belum dirilis/dilacak

Tahun lalu

n/a

Belum dirilis/dilacak

7,000°

Floor

Skala berjalan dari 0° sampai 9.999°. Semua yang di bawah 7,000° disimpan untuk model yang belum dilaporkan oleh sumber mana pun, yang memakai angka pengganti di sana supaya daftar tetap lengkap. 7,000° adalah titik awal data yang diukur: model dengan data nyata tapi hampir tidak ada unduhan berada di floor, dan pengukuran mengisi derajat di atasnya. Floor tidak mengatakan apa-apa tentang model; hanya derajat di atasnya yang berbicara, dan itu yang membedakan satu model dengan yang lain.

+1,699°

Token OpenRouter

4,616,159,113,192 token diproses model ini melalui OpenRouter dalam 30 hari terakhir, termasuk prompt dan jawaban. Setiap 10,000,000 token dihitung sebagai satu unduhan dalam istilah unduhan, total 461,615; token hari terakhir masuk ke tingkat adopsi. Sumber: OpenRouter (openrouter.ai/rankings).

+329°

Tingkat adopsi

Sekitar 24,039 unduhan per hari, diukur antara dua pembacaan sumber, tidak pernah ditebak dari rata-rata seumur hidup. Kecepatan dihitung seperempat dari istilah unduhan, jadi lonjakan baru terlihat tanpa membiarkan lonjakan satu hari mengalahkan penggunaan bertahun-tahun.

Tampilkan rincian

Setiap angka di situs ini bisa dicek. Skor heat model ini adalah 9,028°, dan ini dibangun satu bahan pada satu waktu, dengan total berjalan setelah setiap langkah: floor, derajat yang ditambahkan setiap sumber, bonus untuk jenis model dan pengurangan karena usia bobotnya. Warna-warna itu adalah rentang pada grafik di atas. Glosarium di akhir menjelaskan setiap istilah.

1
Mulai dari floor.
Kenapa 7,000° dan bukan nol: skala dari 0° sampai 9.999°, dan bagian di bawah 7,000° disediakan untuk model yang belum dilaporkan sumber mana pun, yang memakai angka pengganti supaya daftar tetap lengkap dan tidak pernah mengalahkan model dengan data. 7,000° adalah titik awal data yang diukur. Model dengan data nyata tapi hampir tidak ada unduhan berada di sini; semua yang berikutnya adalah pengukuran, dan ruang di atas floor memuat sepuluh langkah sepuluh kali lipat unduhan dengan 300° masing-masing. Floor sama untuk semua model, jadi tidak menentukan apa-apa; yang menentukan adalah derajat di atasnya.
7,000°
total berjalan
2
Tambahkan unduhan.
461,615 setara unduhan secara total, dari Token OpenRouter. Sepuluh kali unduhan menambah 300° yang sama, jadi ukuran penting tapi tidak pernah mendominasi skor.
+1,699°
8,699°
total berjalan
3
Tambahkan tingkat adopsi.
Sekitar 24,039 unduhan per hari sekarang, diukur antara dua pembacaan, dengan bobot seperempat.
+329°
9,028°
total berjalan
=
Skor heat.
Posisi model ini di setiap daftar di situs ini. Tidak ada yang mengubahnya selain ini.
9,028°

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Bagaimana popularitas model ini bergerak dibandingkan dengan katalog lainnya: pertumbuhan unduhan, suka, dan penggunaan setiap periode, diukur terhadap pertumbuhan model biasa dalam periode yang sama, dengan skor panasnya saat itu. Di atas pertumbuhan biasa berarti naik, di bawahnya berarti turun. Masa lalu direkonstruksi dari total hari ini, hari pertama model, dan kecepatan unduhan yang diukur jika ada dua pembacaan; model yang belum ada di awal periode menunjukkan n/a.

Model Serupa

GPT 5.6 Terra

TEXT / LLM

Llama 3.1 8B Instruct

Model AI untuk Pembuatan Gambar, Video & Teks

MiMo V2.6 Pro adalah model teks untuk keluarga Text / LLM yang tercantum di ModelTrends.ai, katalog hanya-baca untuk model AI gambar, video, dan teks open source. Bandingkan dengan model Text / LLM lainnya dan lihat skor popularitasnya untuk mengetahui trennya.

Model Text / LLM lainnya Teks / LLM Text / LLM lainnya llm xiaomi visi audio video penalaran agen pemrograman

Jelajahi berdasarkan Keluarga Model