Är vikterna öppna och kan jag köra MiMo-V2.6-Pro lokalt?

Ja, vikterna är publicerade på Hugging Face under repot XiaomiMiMo/MiMo-V2.6-Pro-RL. Att köra den lokalt är tekniskt möjligt men kräver betydande multi-GPU-hårdvara med tanke på de 1,02 biljoner totala parametrarna.

Vad kostar MiMo-V2.6-Pro och hur stort är kontextfönstret?

Via Xiaomis API kostar det $0,43 per miljon inmatningstokens och $0,87 per miljon utmatningstokens, med ett kontextfönster på 1 050 000 tokens.

Hur skiljer sig MiMo-V2.6-Pro från MiMo-V2.6-Flash?

Båda kommer från samma RL-träningskörning; Flash är den mindre, snabbare syskonmodellen. Pro är flaggskeppets checkpoint optimerad för maximal kapacitet på krävande uppgifter snarare än hastighet eller kostnad.

▲

50.4%

den här veckan

MiMo V2.6 Pro

9028°

#llm #xiaomi #vision #ljud #video #resonemang

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Xiaomi | 1 050 000 tokens kontext | $0.43/M input, $0.87/M output. MiMo-V2.6-Pro är Xiaomis flaggskeppsgrundmodell. Byggd med över 1 biljon parametrar, är den designad för att tänja på gränserna för kapacitet vid de mest krävande arbetsuppgifterna. Modellen har ett kontextfönster på 1 miljon tokens och inbyggda multimodala funktioner. Optimerad för agentbaserade arbetsflöden levererar den topprestanda inom kodning, visuella, generella och forskningsscenarier, och utmärker sig vid komplexa, långsiktiga uppgifter med robust generalisering över en mångfald av agentplattformar.

Guider för denna modell

Hur du väljer en AI-modell i oktober 2026: nyheter om stängd källkod och öppna vikter värda att ladda ner

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

Hur man installerar Ollama och kör en lokal AI (Windows, Mac, Linux)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

MiMo-V2.6-Pro är Xiaomis flaggskeppsmodell: ett sparsamt Mixture-of-Experts-system med totalt 1,02 biljoner parametrar (42 miljarder aktiverade) som hanterar text, bild, video och ljud i en enda modell. Dess kännetecken är en förstärkningsinlärningspipeline designad för att ständigt förbättra sig själv genom utforskning snarare än separat finjustering per domän. Den passar team som kör komplexa agentbaserade arbetsflöden, kod med lång kontext eller forskningsuppgifter, och alla som vill ha en kapabel öppen-vikts gränsmodell till under en dollar per miljon tokens.

Känd för

Verklig omnimodal: text, bild, video och ljud hanteras inbyggt i en modell
1 miljon tokens kontextfönster – tillräckligt långt för hela kodförråd eller agentkörningar över flera sessioner
En enda blandad RL-körning över kodning, visuella, generella och cybersäkerhetsuppgifter
Öppna vikter tillgängliga på Hugging Face för lokal eller självhostad distribution
Självförbättrande belöningsloop som styr mot kortare, högkvalitativa lösningar

Se upp för

Över en biljon totala parametrar – att köra detta lokalt kräver seriös hårdvara som de flesta inte har.
Licensvillkor är inte detaljerade i modelldokumentationen; kontrollera Hugging Face-repot innan kommersiell användning.
På denna skala blir inferenslatens på självhostade system hög om du inte har en stor multi-GPU-kluster.

Bäst för

Agenter och verktygsanvändning

Promptar att prova

Refaktorering över flera filer

Du har en Python-tjänst uppdelad i tre filer: en FastAPI-router, en SQLAlchemy-modellfil och en Celery-uppgiftsfil. Routern importerar direkt från modellfilen och anropar Celery-uppgifter inline. Designa om beroendestrukturen så att routern bara beror på ett servicelag, skriv servicelagets kod och förklara varje ändring du gör.

Forskningsplan med lång horisont

Jag behöver utvärdera fem open source-vektordatabaser för ett produktions-RAG-system som hanterar 50 miljoner dokument, sub-100 ms p95-latens och hybrid sökning med nyckelord plus semantik. Bygg en strukturerad utvärderingsplan: definiera kriterierna, föreslå en benchmark-datasetstrategi, lista specifika tester för varje kriterium och beskriv hur du skulle poängsätta och jämföra resultaten.

Bild plus kodfelsökning

Bifoga en skärmdump av ett Python-traceback eller ett diagram med oväntat resultat. Beskriv vad koden ska göra, och fråga sedan: vad orsakar detta fel eller avvikelse, och vad är den minsta kodändringen som fixar det? Gå igenom ditt resonemang steg för steg innan du ger lösningen.

Jämför med

MiMo-V2.6-Pro-UltraSpeed
Endast API-modell
1,048,576 tokens kontext · $4.35/M indata, $8.70/M utdata
MiMo-V2.6-Flash
Öppen vikt-modell
1,050,000 tokens kontext · $0.14/M indata, $0.28/M utdata
MiMo-V2.5
Öppen vikt-modell
1,050,000 tokens kontext · $0.14/M indata, $0.28/M utdata
MiMo-V2.5-Pro
Öppen vikt-modell
1,050,000 tokens kontext · $0.43/M indata, $0.87/M utdata

Fler textmodeller från xiaomi

Vanliga frågor

Är vikterna öppna och kan jag köra MiMo-V2.6-Pro lokalt?: Ja, vikterna är publicerade på Hugging Face under repot XiaomiMiMo/MiMo-V2.6-Pro-RL. Att köra den lokalt är tekniskt möjligt men kräver betydande multi-GPU-hårdvara med tanke på de 1,02 biljoner totala parametrarna.
Vad kostar MiMo-V2.6-Pro och hur stort är kontextfönstret?: Via Xiaomis API kostar det $0,43 per miljon inmatningstokens och $0,87 per miljon utmatningstokens, med ett kontextfönster på 1 050 000 tokens.
Hur skiljer sig MiMo-V2.6-Pro från MiMo-V2.6-Flash?: Båda kommer från samma RL-träningskörning; Flash är den mindre, snabbare syskonmodellen. Pro är flaggskeppets checkpoint optimerad för maximal kapacitet på krävande uppgifter snarare än hastighet eller kostnad.

Kaptens omdöme
En seriös öppen-vikts gränsmodell för agentbaserat och långkontextarbete – priset är rätt, men hårdvarukraven är inte vardagliga.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Popularitetstrend för MiMo V2.6 Pro

Värmenpoäng sedan 21 Sep 2026

Värmescore

9,028°

Den här veckan

▲

50.4%

8,974° då, 9,028° nu

Den här månaden

n/a

Inte släppt/spårad än

Senaste året

n/a

Inte släppt/spårad än

7,000°

Golvet

Skalan går från 0° till 9 999°. Allt under 7,000° är reserverat för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta. 7,000° är där mätta data börjar: en modell med riktiga data men nästan inga nedladdningar ligger på golvet, och mätningarna fyller graderna ovanför. Golvet säger inget om modellen; det gör bara graderna ovanför, och det är de som skiljer en modell från en annan.

+1,699°

OpenRouter-token

4,616,159,113,192 token som denna modell bearbetat via OpenRouter de senaste 30 dagarna, både prompts och svar. Varje 10,000,000 token räknas som en nedladdning i nedladdningsterm, totalt 461,615; token från senaste dagen räknas in i användningstakten. Källa: OpenRouter (openrouter.ai/rankings).

+329°

Adoptionshastighet

Ungefär 24,039 nedladdningar per dag, mätt mellan två avläsningar av källorna, aldrig uppskattat från ett livstidsgenomsnitt. Hastigheten väger en fjärdedel av nedladdningstermen, så en ny våg syns utan att en dags toppar slår ut år av användning.

Visa detaljerad uppdelning

Varje siffra på den här sidan kan kontrolleras. Den här modellens heat-poäng är 9,028°, och här byggs den upp en ingrediens i taget, med löpande total efter varje: golvet, graderna varje källa lägger till, bonusen för modelltypen och vad vikternas ålder drar bort. Färgerna är banden i diagrammet ovan. Ordlistan i slutet förklarar varje term.

1
Börja vid golvet.
Varför 7,000° och inte noll: skalan går från 0° till 9 999°, och delen under 7,000° är reserverad för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta och aldrig rankas högre än en modell med data. 7,000° är där mätta data börjar. En modell med riktiga data men nästan inga nedladdningar ligger här; allt som följer är mätning, och utrymmet ovanför golvet rymmer tio tiofaldiga steg i nedladdningar på 300° vardera. Golvet är detsamma för varje modell, så det avgör inget; det gör graderna ovanför.
7,000°
löpande total
2
Lägg till nedladdningarna.
461,615 nedladdnings-ekvivalenter totalt, från OpenRouter-token. Tio gånger nedladdningarna ger samma 300°, så storlek spelar roll men tar aldrig över poängen.
+1,699°
8,699°
löpande total
3
Lägg till adoptionshastigheten.
Ungefär 24,039 nedladdningar per dag just nu, mätt mellan två mätningar, med en fjärdedels vikt.
+329°
9,028°
löpande total
=
Heat-poängen.
Var den här modellen står på varje lista på den här sidan. Ingenting annat ändrar den.
9,028°

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Hur den här modellens popularitet har rört sig jämfört med resten av katalogen: dess tillväxt i nedladdningar, gillningar och användning under varje period, mätt mot en typisk modells tillväxt under samma period, med dess heat-poäng vid den tiden. Över den typiska tillväxten ses som en uppgång, under som en nedgång. Det förflutna rekonstrueras från dagens totalsummor, modellens första dag och dess uppmätta nedladdningshastighet där två mätningar finns; en modell som inte fanns i början av en period visar n/a.

Liknande modeller

Ministral 3 8B 2512

TEXT / LLM

Qwen3 235B A22B Thinking 2507

AI-modeller för bild-, video- och textgenerering

MiMo V2.6 Pro är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm xiaomi vision ljud video resonemang agenter kodning

Bläddra efter modellfamilj