Zum Hauptinhalt springen
Zuletzt überprüft: 2026-10-14
MiMo V2.6 ist Xiaomis multimodale Agenten-Modellfamilie, veröffentlicht am 22. September 2026 unter der MIT-Lizenz. Die Palette umfasst 3 Varianten — ein 1.02-Billionen-Parameter-Flaggschiff (Pro), ein 309B-Produktion-Arbeitstier (Flash) und ein 9B-Destillat, das auf eine einzelne Consumer-GPU passt — alle mit nativer multimodaler Eingabe (Text, Bilder, Video und Audio), bis zu 128K Ausgabe-Token und einem 1M-Token-Kontextfenster. Die Schlagzeile ist die Kombination aus Skalierung, Modalitätsabdeckung und Lizenz. Pro und Flash sind Sparse-Mixture-of-Experts-Architekturen, die ernsthafte Multi-GPU-Hardware benötigen, aber das 9B Distill bringt die Familie auf eine einzelne 24-GB-GPU — das erste Mal, dass ein Modell in dieser Linie auf Consumer-Hardware läuft, die Sie wahrscheinlich bereits besitzen.
Führen Sie bereits eine MiMo-Variante aus? Registrieren Sie sie bei Tokios, um sie als https://api.tokios.com von jedem Client aus zu erreichen.

​
Die MiMo V2.6-Palette

Alle 3 Varianten sind MIT-lizenziert, akzeptieren Text-, Bild-, Video- und Audioeingabe, erzeugen Textausgabe und unterstützen bis zu 128K Ausgabe-Token.

​
Welches MiMo sollten Sie ausführen?

Ihre Hardware entscheidet:
  • Einzelne 24-GB-GPU (RTX 3090, 4090 oder ähnlich) — führen Sie das Distill aus. Es ist ein 9B-dichtes Modell, das aus der Qwen-Architektur destilliert wurde, und es ist die einzige MiMo-Variante, die auf Consumer-Hardware ohne Offloading passt. Starten Sie hier für Experimente, Lernen und leichte Agenten-Arbeit.
  • System mit viel Speicher (192 GB+ Unified Memory oder 2+ Rechenzentrum-GPUs) — führen Sie Flash aus. Bei 309B insgesamt mit 15B aktiven Parametern pro Token ist es die kosteneffektive Wahl für Produktions-Agenten-Schleifen, in denen Sie multimodale Eingabe und langen Kontext ohne Pros Hardware-Anforderung brauchen.
  • Multi-GPU-Server (4× H100-Klasse oder gleichwertig) — führen Sie Pro aus. Das 1.02T-Flaggschiff ist für die schwierigsten Aufgaben gebaut: schwieriges Coding, Cybersicherheitsanalyse und Multi-Tool-Orchestrierung über lange Horizonte.
Die transparente Dimensionierungsberechnung für MoE-Modelle — der Speicher skaliert mit den Gesamt-Parametern, nicht den aktiven, weil alle Expertengewichte resident bleiben, obwohl das Routing nur einen Bruchteil pro Token aktiviert (siehe wie Inferenz funktioniert):
  • Pro: 1.02T × ~0.5 Bytes bei 4-Bit ≈ ~510 GB an Gewichten, ~520 GB+ mit Overhead
  • Flash: 309B × ~0.5 Bytes bei 4-Bit ≈ ~155 GB an Gewichten, ~160 GB+ mit Overhead
  • Distill: 9B × ~0.5 Bytes bei 4-Bit ≈ ~4.5 GB an Gewichten, ~6 GB wie ausgeliefert
Addieren Sie KV-Cache für Ihre Kontextlänge und Parallelität oben auf die Gewichte.

​
Lokal ausführen

Tensor-Parallel über alle GPUs im System. Rechnen Sie mit ~520 GB+ kombiniertem VRAM für die 4-Bit-Gewichte plus KV-Cache. vLLM bietet eine OpenAI-kompatible API unter http://127.0.0.1:8000/v1 — darauf zeigt der Tokios-Connector. Bestätigen Sie die Flags für Ihre vLLM-Version anhand der Modellkarte bevor Sie standardisieren. Siehe vLLM Fernzugriff.
Erfinden Sie keine Repository-Namen oder CLI-Flags für MiMo-Varianten. Die oben genannten Pro- und Flash-Repos sind bestätigt. Der Distill-Repository-Name ist eine begründete Schätzung basierend auf Xiaomis Namensmuster — überprüfen Sie ihn auf XiaomiMiMos HuggingFace-Seite bevor Sie ihn ausführen.

​
Varianten und Spezifikationen

Jeder Wert unten stammt aus Xiaomis Modellkarten auf Hugging Face. Bestätigen Sie dies anhand der Modellkarte, bevor Sie sich auf eine standardisieren. Quellen: XiaomiMiMo/MiMo-V2.6-Pro-RL, XiaomiMiMo/MiMo-V2.6-Flash-MOPD.
MiMo V2.6 wird unter der MIT-Lizenz veröffentlicht, die permissiv ist und keine Acceptable-Use-Policy oder Benutzerzahl-Schwelle hat. Lesen Sie die LICENSE-Datei auf der Modellkarte, bevor Sie ein kommerzielles Produkt darauf aufbauen.

​
Fähigkeiten

  • Native multimodale Eingabe. Text, Bild, Video und Audio gehen hinein; Text kommt heraus. Dies ist kein aufgesetztes Vision-Modul — es ist Teil der Basisarchitektur über alle 3 Varianten.
  • 128K Ausgabe-Token. Lang genug für erweitertes Reasoning, repositoryweite Codegenerierung und detaillierte Analyse ohne Kürzung.
  • 1M Kontextfenster. Groß genug für repositoryweite Coding-Sitzungen, lange Dokumente oder Stunden an Audio. Budgetieren Sie KV-Cache-Speicher zusätzlich zu den Gewichten, wenn Sie ein Long-Context-Deployment dimensionieren.
  • Tool-Aufrufe und Agenten-Workflows. Alle Varianten unterstützen Tool-Nutzung und mehrstufige Agenten-Schleifen. Wenn Sie mit vLLM oder SGLang bereitstellen, aktivieren Sie den Tool-Call-Parser, den die Modellkarte empfiehlt, damit tools-Anfragen durch Ihren Endpunkt funktionieren.
  • MIT-Lizenz. Permissiv über alle 3 Varianten — keine Acceptable-Use-Policy, keine Benutzerzahl-Schwelle.

​
Benchmarks

Von Xiaomi berichtet, für ein kürzlich veröffentlichtes Modell. Es gibt noch keine unabhängige Reproduktion — betrachten Sie dies als die Aussagen des Herstellers, bis unabhängige Auswertungen erscheinen. Spezifische Ergebnisse werden hinzugefügt, sobald unabhängige Auswertungen veröffentlicht werden. Vergleichen Sie vorerst Pro und Flash mit Kimi K2.6 und Qwen3.8-27B auf Ihrem eigenen Workload.

​
Hardware-Eignung

Urteile setzen 4-Bit-Quantisierung bei moderater Kontextlänge voraus. Das Pro-Modell braucht ~520 GB+ kombinierten VRAM — das ist ein 4×-H100- oder 8×-A100-System oder ein großer Pool von Consumer-GPUs mit aggressiver Quantisierung. Flash mit ~160 GB passt in einen Mac Studio mit viel Speicher, 2 DGX Sparks oder einen 4-GPU-Server. Das Distill mit ~6 GB passt in jede moderne GPU mit 24 GB VRAM und lässt noch Spielraum für Kontext. Auf gemeinsamer Hardware konkurrieren die Varianten Flash und Distill um denselben Speicherpool wie der KV-Cache bei langen Kontextlängen. Starten Sie mit einem moderaten Kontext, messen Sie, und erhöhen Sie dann. Für die Dimensionierungsmethode siehe Welche Modellgröße passt auf Ihre GPU?.

Modell ausgewählt? Verbinden Sie es

Ein authentifizierter Endpunkt unter https://api.tokios.com — keine eingehenden Ports, etwa 5 Minuten.

​
Verbinden Sie es mit Tokios

Ein immer aktives lokales Modell ist eines, das Sie erreichen möchten, wenn Sie nicht am betreibenden Rechner sind. Tokios sitzt nach Ihrer Laufzeitumgebung: Es lädt das Modell nicht herunter und ersetzt nicht vLLM.
1

Lassen Sie Ihre lokale Laufzeitumgebung laufen

Starten Sie MiMo V2.6 in vLLM, SGLang oder llama.cpp und lassen Sie es an Loopback gebunden.
2

Paaren Sie den Tokios-Connector

Melden Sie sich bei tokios.com/console an, öffnen Sie den Tab Setup und klicken Sie auf Start pairing, um einen einmaligen Pairing-Code (TKS-XXXX-XXXX) zu erhalten. Führen Sie den Installer auf dem Rechner aus, auf dem das Modell läuft:
Windows
macOS
Linux
Dann approve Sie das Gerät im Tab Setup oder Connectors.
3

Registrieren Sie ein Deployment

Im Tab Models registrieren Sie die Upstream-Modell-ID (zum Beispiel XiaomiMiMo/MiMo-V2.6-Flash-MOPD) unter einem öffentlichen Deployment-Namen wie mimo-flash. Clients senden den Deployment-Namen im model-Feld, niemals die lokale ID — eine spätere Neuquantisierung ändert also auf Client-Seite nichts.
4

Erstellen Sie einen API-Schlüssel

Im Tab Keys klicken Sie auf Create key. Kopieren Sie den sk-tok-…-Schlüssel jetzt — er wird nur einmal angezeigt.

​
Von überall aus aufrufen

​
Einschränkungen

  • Pro und Flash sind MoE-Modelle. Alle 1.02T (Pro) oder 309B (Flash) Parameter müssen in den Speicher passen, obwohl nur 42B oder 15B pro Token aktiv sind — siehe wie Inferenz funktioniert.
  • 1M Kontext ist eine Obergrenze, kein Ziel. Lange Kontexte fügen KV-Cache-Speicher zu den Modellgewichten hinzu. Auf gemeinsamer Hardware ist dieser Spielraum das, was das Modell auch für Inferenz nutzt.
  • Benchmarks sind vom Hersteller berichtet. Xiaomi hat sie am Veröffentlichungstag publiziert. Warten Sie auf unabhängige Auswertungen, bevor Sie die Ergebnisse als abgeschlossen betrachten.
  • Flash ist die praktische Wahl für die meisten Produktions-Setups. Pro braucht ~520 GB+ kombinierten VRAM — ein ernsthafter Multi-GPU-Server. Flash mit ~160 GB passt in eine Workstation mit viel Speicher oder einen kleineren Server und deckt die meisten Agenten-Schleifen-Workloads ab.
  • Das Distill ist eine Destillation, nicht die vollständige Architektur. Es tauscht MoE-Skalierung gegen Single-GPU-Eignung. Erwarten Sie, dass es bei den schwierigsten Aufgaben schwächer als Pro und Flash ist, aber es ist die einzige Variante, die auf Consumer-Hardware läuft.
  • Multimodale Eingabe hängt von Ihrer Laufzeitumgebung ab. Tokios leitet Bild-, Video- und Audioinhalte an den Upstream-Endpunkt weiter — es fügt keine Fähigkeiten hinzu, die Ihrer Laufzeitumgebung oder Quantisierung fehlen. Prüfen Sie unterstützte Backends.

​
FAQ

~520 GB+ kombinierter VRAM bei 4-Bit. Die transparente Berechnung: 1.02T Parameter × ~0.5 Bytes bei 4-Bit ≈ ~510 GB an Gewichten, zuzüglich Overhead für Embeddings und Metadaten. Das bedeutet einen Multi-GPU-Server — 4× H100 (320 GB) sind nicht genug; planen Sie 8× A100 (640 GB) oder gleichwertig.
Ja — die Distill-Variante ist ein 9B-dichtes Modell, das auf eine einzelne 24-GB-GPU bei 4-Bit passt (~6 GB). Es ist aus der Qwen-Architektur destilliert und ist die einzige MiMo-Variante, die auf Consumer-Hardware läuft. Pro und Flash brauchen Multi-GPU-Systeme.
Alle 3 Varianten werden unter der MIT-Lizenz veröffentlicht, die permissiv ist und keine Acceptable-Use-Policy oder Benutzerzahl-Schwelle hat. Beachten Sie, dass offene Gewichte und Open Source nicht dasselbe sind — die Trainingsdaten und Pipeline werden nicht veröffentlicht.
Pro (1.02T gesamt, 42B aktiv) ist das Flaggschiff für schwieriges Coding, Cybersicherheit und langfristige Planung. Flash (309B gesamt, 15B aktiv) ist das Produktions-Arbeitstier für Hochvolumen-Agenten-Schleifen. Distill (9B, dicht) passt auf eine einzelne GPU für Experimente und Bildung. Alle 3 teilen die gleichen multimodalen Eingabefähigkeiten und die MIT-Lizenz.
MiMo V2.6 Pro und Flash sind MoE-Modelle in derselben Skalierungsklasse wie Kimi K2.6 (1T gesamt, 32B aktiv), aber mit nativer Audioeingabe und einem größeren Kontextfenster. Das Distill mit 9B konkurriert mit Qwen3.8-27B und Muse Glimmer für Single-GPU-Arbeit, obwohl es kleiner ist. Vergleichen Sie sie auf Ihrem eigenen Workload — die MIT-Lizenz macht alle einfach testbar.
Ja — alle Varianten unterstützen Tool-Aufrufe und Agenten-Workflows. Ob ein bestimmter Agent funktioniert, hängt davon ab, wie Ihre Laufzeitumgebung Tool-Aufrufe bereitstellt. Siehe Coding-Agenten-Kompatibilität für die Matrix und Coding-Agenten mit lokalen Modellen für die Einrichtung.
Prüfen Sie die Modellkarte für die spezifischen Audioformate und Abtastraten, die unterstützt werden. Tokios leitet Audioinhalte unverändert an den Upstream-Endpunkt weiter — es transcodiert oder resampelt nicht.

Was passt auf Ihre GPU?

Dimensionieren Sie Modell und Kontext nach Ihrem VRAM oder Unified Memory.

Coding-Agenten mit lokalen Modellen

Richten Sie Claude Code, Cline oder Aider auf ein Modell, das Sie hosten.

Kimi

Moonshot AIs 1T-MoE-Familie — vergleichbare Skalierung, andere Lizenz.

Qwen3.8

Alibabas dichtes 27B-Vision-Language-Modell, ebenfalls Apache-2.0.

Erreichen Sie es von Ihrem Telefon

Nutzen Sie ein immer aktives lokales Modell, wenn Sie nicht am Rechner sind.

Schnellstart

Paaren Sie einen Connector und registrieren Sie Ihr erstes Modell von Anfang bis Ende.