چکیده
در این مقاله، خانوادهٔ MiMo-V2.6 معرفی می‌شود: مجموعه‌ای از مدل‌های بومیِ چندحالته که مسیر مقیاس‌دهی محاسبات یادگیری تقویتی بر وظایف پیچیده و قابل‌سنجش را دنبال می‌کنند تا مدل بتواند از راه کاوش و بازخورد، مرز توانایی خود را به‌صورت پیوسته گسترش دهد. MiMo-V2.6-Pro توانمندترین مدل این خانواده و MiMo-V2.6-Flash متعادل‌ترین آن‌ها از حیث هوش، کارایی و هزینه است؛ همچنین MiMo-V2.6-Pro-UltraSpeed با حفظ کیفیت، سرعت خروجی را تا ۲۰ برابر افزایش می‌دهد. نتایج نشان می‌دهد این مدل‌ها در شاخص‌های هوش، برنامه‌نویسی، طراحی بصری، آهنگسازی و پژوهش علمی عملکرد رقابتی دارند و کلیهٔ منابع آموزشی و فنی آن‌ها به‌صورت متن‌باز منتشر شده است.
کلیدواژه‌ها: MiMo-V2.6، یادگیری تقویتی، مدل‌های چندحالته، متن‌باز، عامل‌های هوشمند، پژوهش مواد، رسمی‌سازی ریاضی
۱. مقدمه
امروز، ما خانوادهٔ MiMo-V2.6 را منتشر و متن‌باز می‌کنیم. این انتشار، گامی کلیدی در کاوش مسیر RSI است: مقیاس‌دهی محاسبات یادگیری تقویتی (RL) بر وظایف پیچیده و قابل‌سنجش، تا مدل بتواند از طریق کاوش و بازخورد، مرز توانایی خود را به‌صورت پیوسته گسترش دهد.
خانوادهٔ MiMo-V2.6 شامل دو مدل بومیِ چندحالته است: MiMo-V2.6-Pro توانمندترین مدل ماست، در حالی که MiMo-V2.6-Flash بهترین تعادل میان هوش، کارایی و هزینه را برقرار می‌کند. همچنین MiMo-V2.6-Pro-UltraSpeed را عرضه می‌کنیم که با حفظ کیفیت، سرعت خروجی را تا ۲۰ برابر افزایش می‌دهد و برای کاربرانی طراحی شده است که به سرعت تولید بسیار بالا نیاز دارند.
۲. جابه‌جایی مرز پارتو
MiMo-V2.6-Pro در شاخص هوش Artificial Analysis نمرهٔ ۴۶٫۳۲ را کسب می‌کند و با پیشی‌گرفتن از Kimi K3 و Qwen3.8 Max، به قوی‌ترین مدل متن‌باز تاکنون تبدیل می‌شود. خانوادهٔ MiMo-V2.6 قیمت‌گذاری API خانوادهٔ V2.5 را حفظ می‌کند. هوش بیشتر در قیمتی یکسان، مرز پارتویِ هوش در برابر هزینه را دوباره به بیرون می‌راند.
شکل ۱. شاخص هوش
Artificial Analysisنسخهٔ ۴٫۳، سپتامبر ۲۰۲۶.MiMo-V2.6-Proبالاترین امتیاز را در میان مدل‌های متن‌باز دارد.
شکل ۲. شاخص هوش در برابر هزینهٔ هر واحد شاخص (مقیاس لگاریتمی).
MiMo-V2.6-Proبر خط پارتو و در جذاب‌ترین ربع قرار دارد. منبع:Artificial Analysis.
۳. مقیاس‌دهی یادگیری تقویتی، با متن‌باز کامل
در این مسیر، مسائل پژوهشی و مهندسیِ آموزش RL را یکی‌یکی حل کردیم و اجرای تولید را به‌صورت زنده پخش کردیم. در کمتر از شش روز، هر یک از MiMo-V2.6-Flash و MiMo-V2.6-Pro سی گام RL را بر حدود ۷۵۰ هزار مسیر (trajectory) تکمیل کردند؛ با هزینهٔ حدود ۰٫۸۵ و ۲٫۶۲ میلیون دلار به‌ترتیب. نرخ میانگین موفقیت در وظایف آموزشی به‌ترتیب ۲۵ و ۱۲ درصد به‌صورت نسبی افزایش یافت. در DeepSWE v1.1 — معیار مهندسی نرم‌افزاریِ بلندمدت و نگه‌داشته‌شده از مجموعهٔ آموزشی — امتیازها حدود ۱۷ واحد (از ۴۸٫۸ به ۶۵٫۶۸) و حدود ۱۴ واحد (از ۵۸٫۴ به ۷۲٫۵۷) بالا رفت. RL از نظر کارایی نمونه‌ای کارآمد ظاهر شد، در سراسر اجرا بهبود مستمر داشت و فراتر از توزیع آموزشی تعمیم یافت.
شکل ۳. پیشرفت آموزش
RLدر ۳۰ گام برDeepSWE v1.1(برنامه‌نویسی)،AutomationBench v1.0.6(گردش‌کار عمومی) وMiMo Visual Coding(وظایف بصری). منحنی‌های بالا: امتیاز معیار. نوار پایین: مجموع توکن‌ها، به هزار. برای دیدن مقادیر هر گام، نشانگر را روی آن ببرید.
ما محاسبات RL را در سه محور مقیاس‌دهی کردیم:
۱. دسته‌های بزرگ‌تر و نرخ ازدیاد بالاتر: دسته‌های بزرگ بر معماری کاملاً ناهمگام، با ۱٬۵۶۸ نمونه در هر به‌روزرسانی، آموزش تا طول زمینهٔ ۱ میلیون توکن، و ۳٫۵ تا ۳٫۷ میلیارد توکن در هر گام.
۲. وظایف بیشتر و محیط‌های غنی‌تر: مجموعهٔ آموزشی چندوظیفه‌ای شامل برنامه‌نویسی، عامل‌های عمومی، بصری و امنیتی، آمیخته در چند چارچوب اجرا (harness)، تا دستاوردهای یک توانایی، توانایی‌های دیگر را تقویت کند.
۳. محاسبات بیشتر ارزیاب: مقایسهٔ نسبی در هر گروه، سیگنال‌های پاداش دقیق‌تر و متنوع‌تری برای وظایف بلندمدتِ RL فراهم می‌کند، حلقهٔ بهبود خودمدل را می‌بندد و مدل را به مسیرهای کوتاه‌تر و توکن کمتر در هر وظیفه سوق می‌دهد.
هم‌زمان با بزرگ‌شدن اجرا، مسیریاب را برای مهار افت آموزشی ثابت نگه داشتیم و سامانهٔ دفاعی در برابر دستکاری پاداش (reward hacking) ساختیم که طراحی پاداش، ارزیابی تخاصمانه، تشخیص ناهنجاری و کنترل متقابل میان راستی‌آزمای‌ها را در بر می‌گرفت؛ این کار هم پایداری آموزش و هم قابل‌اتکایی پاداش را بهبود بخشید.
برای پشتیبانی از یادگیری تقویتی عامل‌محور در مقیاس بزرگ بر وظایف ناهمگون، نمایش یکپارچهٔ مسیر و سازوکار جریمه طراحی کردیم تا سیگنال‌های یادگیری ظریف‌تری ارائه شود؛ تعامل هم‌روند در چندین چارچوب عامل را ممکن کردیم؛ لایهٔ کنترل را از لایهٔ داده جدا کردیم تا مهاجرت مسیر در مقیاس بزرگ پشتیبانی شود؛ نسبت نمونه‌گیری هر وظیفه را در دسته‌های آمیخته ثابت کردیم؛ و هم موتورهای آموزش و استنتاج و هم سازگاری میان آن‌ها را بهینه کردیم.
همهٔ موارد بالا را به‌همراه منابع پیرامون آن متن‌باز می‌کنیم: گزارش فنی کامل، محیط‌های آموزشی و کد RL، تا پژوهشگران بتوانند این نتایج را بازتولید و راستی‌آزمایی کنند و در کاوش اینکه مقیاس‌دهی RL و بهبود خودمدل در گام بعدی چه می‌توانند بکنند، همراه ما شوند.
۴. از ویب‌کدینگ تا ویب‌ورد
توانایی برنامه‌نویسیِ MiMo فراتر از مهندسی نرم‌افزار تعمیم یافته است. با دادن هدف، چارچوب اجرا و زمان، کار مولد واقعی برعهده می‌گیرد: می‌سازد، آزمایش می‌کند، عرضه می‌کند و به تولید ارزش اقتصادی ادامه می‌دهد. MiMo-V2.6 استدلال فضایی سه‌بعدی، ادراک چندوجهی و توانایی عامل استفاده از رایانه (CUA) را گرد هم می‌آورد و مرزهای دست‌یافتنیِ برنامه‌نویسی را بیشتر گسترش می‌دهد. برنامه‌نویسی مبتنی بر زبان طبیعی را از ساخت نرم‌افزار به ساخت جهان‌های تعاملی می‌رساند — آنچه «ویب‌ورد» می‌نامیم.
۴٫۱. توسعهٔ بازی
با دادن تصویر، ویدیو یا متن، MiMo-V2.6 درخواست را به چند وظیفه تجزیه می‌کند و چند عامل را هماهنگ می‌کند تا صحنهٔ سه‌بعدی بسازند، منطق تعاملی پیاده‌سازی کنند و راستی‌آزمایی بصری انجام دهند. سپس بر پایهٔ خروجی‌های رندرشده، نتیجه را به‌صورت تکرارشونده اصلاح می‌کند و در نهایت جهان تعاملی قابل‌اجرایی هم‌راستا با نیت کاربر تولید می‌کند.
۴٫۲. مدل‌سازی سه‌بعدی
MiMo-V2.6 می‌تواند از توصیف متنی یا تصویر مرجع کاربر، اشیاء و صحنه‌های سه‌بعدی در Blender بسازد و دارایی‌های سه‌بعدی برای انیمیشن، چاپ سه‌بعدی و توسعهٔ بازی تولید کند.
۴٫۳. شبیه‌سازی تجسم‌یافته
در محیط‌های شبیه‌سازی تجسم‌یافته، MiMo-V2.6 می‌تواند مستقیماً جریان تصاویر دوربین چنددیدگی را ورودی بگیرد، به‌طور پیوسته استدلال و تصمیم‌گیری کند و بازخورد بصری را در حلقهٔ بسته به‌کار بگیرد تا بازوی رباتیک Franka Panda را کنترل کند و گرفتن شیء، تطبیق رنگ و جای‌گذاری دقیق را انجام دهد.
۵. طراحی بصری
MiMo-V2.6 یک دستور ساده را به رابط کامل کاربری یا مجموعهٔ اسلایدها تبدیل می‌کند، با چیدمان ساختاریافته، اجزای دقیقاً طراحی‌شده، عناصر تعاملی و انیمیشن غنی. همچنین با Figma و ابزارهای تولید تصویر و ویدیو روان است و دارایی‌های بصری هم‌سبک با کلیت اثر تولید می‌کند؛ تایپوگرافی، رنگ و آرایش متن و تصویر را منسجم نگه می‌دارد و کیفیت زیبایی‌شناختی را با تجربهٔ خواندن و تعامل متعادل می‌کند.
۵٫۱. طراحی رابط کاربری
MiMo سلیقهٔ خودش را دارد.
۵٫۲. طراحی ارائه
سه ارائه، هر یک از یک تک‌خط خلاصه: آموزش داخلی مهندسی دربارهٔ نحوهٔ یادگیری یک LLM، یادداشت پژوهشی دربارهٔ چرخهٔ ابرِ مواد حیاتی، و بازبینی طراحی که سه جهت برای نخستین گزارش سالانهٔ یک شرکت پیشنهاد می‌کند.
۵٫۳. کلیپ ویدیویی
حرکت، تداوم طبیعیِ طراحی ایستاست. MiMo-V2.6 می‌تواند تولید ویدیوی باکیفیت را از ابتدا تا انتها ارائه دهد. برای ویدیوهای خلاقانه و تبلیغاتی محصول، می‌تواند طراحی بصری، ترتیب نماها و حرکات، آهنگسازی و تدوین هم‌آهنگ با ضرب را بر پایهٔ نیاز کاربر انجام دهد. برای ویدیوهای آموزشی، مفاهیم انتزاعی مانند تجزیهٔ فوریه را به توضیحاتی ساده و انیمیشن‌های منسجم تبدیل می‌کند و از MiMo-V2.5-TTS برای تولید گویندگی هم‌آهنگ دقیق با تصاویر بهره می‌گیرد. این قابلیت، خودکارسازی کل فرایند را از تفکیک مفهومی تا خروجی نهایی ویدیو ممکن می‌کند و دانش پیچیده را به محتوای زنده‌ای تبدیل می‌کند که برای مخاطبان آسان‌فهم است.
۶. آهنگسازی موسیقی
MiMo-V2.6 همچنین درک موسیقایی مدل، قضاوت زیبایی‌شناختی آن و به‌کارگیری دانش موسیقی را تقویت می‌کند؛ این نخستین کاوش در حوزهٔ آهنگسازی است. این مدل اکنون می‌تواند قطعاتی در سطح دمو بنویسد و پتانسیل دستیاری برای آهنگسازان و تنظیم‌کنندگان حرفه‌ای را نشان می‌دهد.
در این مورد، از MiMo-V2.6-Pro خواسته شد قطعه‌ای ارکسترال برای حدود ده ساز بنویسد. او پارتیتور نوشت و سپس خود آن را به MIDI تبدیل کرد. نتیجه، درک تقسیم کار میان سازها و ارتباط‌شان با یکدیگر در تنظیم ارکسترال و نیز به‌کارگیری دانش موسیقی بر ملودی و کل تنظیم را نشان می‌دهد.
شکل ۴. قطعهٔ ارکسترال «جادهٔ شب» که از
MIDIتولیدشدهٔMiMo-V2.6-Proدر یک نرم‌افزارDAWپخش شده است: سازهای زهی، ابوا، کلارینت، ترومپت، ترومپون، هورن فرانسوی، گلاکن‌اشپیل و تیمپانی.
در مورد دوم، از MiMo-V2.6 خواستیم دو قطعهٔ پیانو در لا مینور بسازد؛ یکی آهسته و دیگری با تمپوی متوسط. این قطعات، تسلط مدل بر دینامیک، بافت و سایر عناصر تشکیل‌دهندهٔ یک قطعه را نشان می‌دهند.
۷. پژوهش
حتی بدون یادگیری تقویتیِ ویژه‌سازی‌شده برای پژوهش علمی، MiMo-V2.6 نشان داده است که در چندین حوزهٔ پژوهشی امیدبخش است. از طراحی مواد تا رسمی‌سازی ریاضی، مطالعات موردی زیر نشان می‌دهند که چگونه مدل، توانایی‌های استدلالی، برنامه‌نویسی و به‌کارگیری ابزار خود را بر وظایف پژوهشی مشخص به کار می‌گیرد.
۷٫۱. دانشمند همراه برای پژوهش مواد
MiMo-V2.6-Pro می‌تواند خلبان کمکی دانشمندان انسانی باشد. در چندین نوبت پرامپت‌نویسی، متخصصان مواد شیائومی از MiMo-V2.6-Pro خواستند ماده‌ای کاملاً تازه از خانوادهٔ چارچوب‌های فلز-آلی (MOF) طراحی کند که بتواند مواد پلی- و پرفلوئورآلکیل (PFASs) را — دسته‌ای از «شیمیایی‌های ابدی» — جذب کند. MiMo-V2.6-Pro با موفقیت جست‌وجوی جامع وب انجام داد، ادبیات و اختراعات مرتبط را مرور کرد، فرضیه پیشنهاد داد، نوآوری را ارزیابی کرد و سپس به «آزمایش‌های خشک» پرداخت: فراخوانی ابزارهای محاسباتی متن‌باز، راه‌اندازی خودکار محیط شبیه‌سازی، محاسبهٔ استحکام اتصال میان مواد MOF و PFASs، و شناسایی کاندیداهای امیدبخش برای مرحلهٔ «آزمایشگاه تر». مطالعهٔ کامل موردی را بخوانید.
شکل ۵. سه کاندیدای چارچوب
Zr₆از نوعUiO-67کهMiMo-V2.6-Proپیشنهاد و به‌صورت رایانه‌ای غربال کرده است و در لیگاند دیوارهٔ منفذ با یکدیگر تفاوت دارند. مهمان پرفلوئوراوکتانوئات با رنگ سرخ‌آجری نشان داده شده و هیدروژن‌ها پنهان‌اند. هندسه‌ها از اجرای بهینه‌سازیِ خود مدل به‌دست آمده‌اند.
۷٫۲. رسمی‌سازی اثبات‌های ریاضی
MiMo-V2.6-Pro به پژوهشگران کمک کرد تا رسمی‌سازی Lean 4 را بر تعریف اصلیِ مقالهٔ کلاسیک لی و یورک، با عنوان «دورهٔ سه، آشوب را نتیجه می‌دهد»، تکمیل کنند. این تعریف بیان می‌کند که برای یک نگاشت خودِ پیوستهٔ یک بازه، وجود مدار دورهٔ سه، مدارهای دوره‌ای با هر دورهٔ مثبت صحیح و نیز یک مجموعهٔ بی‌شمار آشفته را در پی دارد.
با راهنمایی راهبرد کاوشی که پژوهشگران طراحی کرده بودند، MiMo-V2.6-Pro از همکاری زیرعامل‌ها برای پیشبرد رسمی‌سازی هم بیانیهٔ تعریف و هم اثبات آن بهره گرفت. پس از بازنگری و یکپارچه‌سازی بیشتر، پروژه بیش از ۶٬۰۰۰ خط کد مبدأ Lean را در بر گرفت. اثبات کامل به‌وسیلهٔ هستهٔ Lean راستی‌آزمایی شد و هیچ جای‌گذاریِ اثباتِ ناتمامی باقی نماند. این مدل هیچ آموزش تکمیلی ویژهٔ Lean ندیده بود؛ بنابراین این مورد، نمایشی از توانایی او در مشارکت در وظایف رسمی‌سازی پیچیده است. کد کامل Lean را می‌توان از اینجا بارگیری کرد.
شکل ۶. نمودار انشعاب نگاشت لجستیک: با افزایش پارامتر، انشعاب‌های دوبرابرکنندهٔ دوره به آشوب می‌انجامند و با پنجره‌های دوره‌ای مانند دورهٔ سه درهم‌آمیخته می‌شوند. تعریف لی-یورک بیان می‌کند که برای یک نگاشت خودِ پیوستهٔ یک بازه، مدار دورهٔ سه، مدارهای دوره‌ای با هر دورهٔ مثبت صحیح و یک مجموعهٔ بی‌شمار آشفته را تضمین می‌کند.
۸. در دسترس‌بودن
MiMo-V2.6-Pro و MiMo-V2.6-Flash از امروز در AI Studio، MiMo Code و MiMo Desktop، از طریق پلتفرم API مایمیو و در OpenRouter در دسترس‌اند.
۸٫۱. MiMo Desktop
هم‌زمان با MiMo-V2.6، MiMo Desktop از دسترسی اولیه خارج می‌شود و نخستین انتشار رسمی خود را با MiMo-V2.6-Pro و MiMo-V2.6-Flash داخلی عرضه می‌کند. آن را از اینجا بارگیری کنید. MiMo Desktop همچنین MiMo-V2.6-Pro-UltraSpeed را راه‌اندازی می‌کند؛ حالتی فوق‌سریع که تا ۲۰ برابر سرعت MiMo-V2.6-Pro کار می‌کند و برای تعامل هم‌زمان و هر گردش‌کاری که به زمان پاسخ حساس است به کار می‌رود. برنامهٔ دسترسی اولیه یک هفتهٔ دیگر ادامه دارد؛ اگر اکنون دسترسی دارید، برای ادامهٔ استفاده به نام‌های جدید مدل‌ها تغییر دهید.
۸٫۲. رابط برنامه‌نویسی (API)
MiMo-V2.6 در پلتفرم باز شیائومی مایمیو فعال است و قیمت‌گذاری API آن نسبت به V2.5 تغییری نکرده است. MiMo-V2.6-Pro همچنین در حالت UltraSpeed با تا ۲۰ برابر سرعت خروجی قابل فراخوانی است. طرح توکن برای مصرف پیش‌بینی‌پذیر و حجیم در دسترس است.
| مدل | ورودی (کش موجود) | ورودی (بدون کش) | خروجی |
|---|---|---|---|
MiMo-V2.6-Flash | $0.0028 | $0.14 | $0.28 |
MiMo-V2.6-Pro | $0.0036 | $0.435 | $0.87 |
MiMo-V2.6-Pro-UltraSpeed | $0.036 | $4.35 | $8.7 |
قیمت به ازای هر میلیون توکن و به دلار آمریکا. نوشتن در کش برای مدت محدود رایگان است. قیمت‌گذاری یوان چین در صفحهٔ قیمت آمده است.
۹. پیوست: نتایج کامل معیارها
نمرات مجموعهٔ مقایسه‌ای کامل، شامل معیارهایی که در مرور بالا نیامده‌اند.
بالاتر بهتر است. GDPVal 2.1 یک رتبه‌بندی Elo است که Artificial Analysis گزارش می‌کند. توپر بهترین نمرهٔ هر سطر را نشان می‌دهد؛ خط تیره یعنی نتیجه‌ای ثبت نشده است.
| معیار | MiMo-V2.6-Pro | MiMo-V2.6-Flash | MiMo-V2.5-Pro | DeepSeek V4.1 Flash | Kimi K3 | Claude Opus 5 | GPT 5.6 Sol | Claude Fable 5 | GPT 6 Astra | Claude Fable 5.1 |
|---|---|---|---|---|---|---|---|---|---|---|
| برنامه‌نویسی | ||||||||||
DeepSWE v1.1 | 71.9 | 67.9 | 19.0 | 74.2 | 69.0 | 74.0 | – | 70.0 | 74.0 | – |
ProgramBench | 26.5 | 26.0 | 12.5 | 20.3 | 24.5 | 37.0 | 25.0 | 33.0 | – | – |
MiMo Code Bench* | 63.2 | 61.2 | 40.4 | 60.2 | 60.1 | 68.6 | 59.3 | – | 61.4 | – |
| عمومی | ||||||||||
GDPVal 2.1 (AA) | 1673 | – | 1107 | 1600 | 1524 | 1708 | 1588 | 1595 | 1542 | 1735 |
Toolathlon-verified | 76.9 | 73.6 | 49.1 | – | 76.5 | 80.6 | 74.9 | 77.9 | – | 77.8 |
Automation Bench v1.0.6 | 53.1 | 52.3 | 16.0 | 54.8 | 46.7 | 50.3 | 45.8 | 46.2 | 52.0 | – |
Agents' Last Exam | 31.6 | 27.6 | 13.2 | 31.8 | 28.3 | 31.6 | 30.8 | 25.7 | 34.2 | – |
Terminal Bench 4.0 | 34.9 | 28.8 | 1.5 | 26.8 | 12.6 | 49.0 | 39.9 | 42.4 | 59.6 | 55.1 |
Terminal Bench 2.1 | 89.9 | 87.6 | 65.2 | 90.6 | 88.3 | 89.1 | 88.8 | 84.3 | 89.9 | 91.4 |
OSWorld-Verified | 82.0 | 80.8 | – | – | 84.8 | 83.4 | 83.0 | 86.0 | – | – |
JobBench | 62.0 | 61.2 | 25.0 | 45.8 | 54.3 | 65.7 | 45.4 | 57.4 | – | – |
| بصری | ||||||||||
MiMo Visual Coding* | 72.3 | 71.5 | – | 70.6 | 70.3 | 70.0 | 73.4 | 69.1 | 82.2 | 74.4 |
| امنیتی | ||||||||||
CyberGym | 94.0 | 95.1 | 40.0 | 88.1 | 80.0 | – | – | – | – | – |
ExploitGym | 17.8 | 6.0 | 0.1 | 15.3 | 8.1 | 22.1 | 30.3 | 28.4 | 42.4 | 30.4 |
ExploitBench | 47.9 | 25.3 | 16.6 | – | 32.2 | 70.0 | 78.5 | 78.0 | 100.0 | 83.0 |
SEC Bench Pro | 66.3 | 47.5 | 17.7 | 62.8 | – | – | 79.1 | – | 85.4 | – |
MiMo Cyber Bench* | 81.7 | 77.2 | 0.0 | 62.7 | 56.3 | – | – | – | – | – |
* معیار داخلی.
منبع اصلی: Introducing MiMo-V2.6 series — انتشار Xiaomi MiMo در ۲۲ سپتامبر ۲۰۲۶.
گزارش فنی: Technical Report (PDF)