跳转到主要内容
最近验证：2026-10-14
MiMo V2.6 是小米的多模态智能体模型系列，于九月22日（2026 年）在 MIT 许可证 下发布。该系列包含 3 个变体 — 1.02 万亿参数的旗舰版（Pro）、309B 的生产主力版（Flash），以及可适配单张消费级 GPU 的 9B 蒸馏版 — 均共享原生多模态输入（文本、图像、视频和音频）、最高 128K 输出 token，以及 1M token 上下文窗口。 亮点在于规模、模态覆盖和许可证的组合。Pro 和 Flash 是稀疏混合专家架构，需要强大的多 GPU 硬件，但 9B Distill 将整个系列拉低至单张 24 GB GPU — 这是该系列中首次在你可能已经拥有的消费级硬件上运行的模型。
已经在运行 MiMo 变体？通过 Tokios 注册即可从任何客户端以 https://api.tokios.com 访问它。

​
MiMo V2.6 阵容一览

所有 3 个变体均采用 MIT 许可证，接受文本、图像、视频和音频输入，生成文本输出，并支持最高 128K 输出 token。

​
你应该运行哪个 MiMo？

你的硬件决定了一切：
  • 单张 24 GB GPU（RTX 3090、4090 或类似显卡）— 运行 Distill。它是一个 9B 密集模型，从 Qwen 架构蒸馏而来，也是唯一无需卸载即可适配消费级硬件的 MiMo 变体。实验、学习和轻量代理工作从这里开始。
  • 高内存系统（192 GB+ 统一内存，或 2+ 块数据中心 GPU）— 运行 Flash。309B 总参数、每 token 15B 活跃参数，是需要多模态输入和长上下文但又不想达到 Pro 硬件门槛的生产代理循环的性价比之选。
  • 多 GPU 服务器（4× H100 级别或同等配置）— 运行 Pro。1.02T 旗舰专为最困难的任务而构建：高难度编码、网络安全分析和长周期多工具编排。
MoE 模型的透明尺寸计算 — 内存随总参数量扩展，而非活跃参数，因为每个专家权重都必须常驻，即使路由每个 token 仅激活一小部分（参见推理工作原理）：
  • Pro：1.02T × ~0.5 字节（4-bit）≈ ~510 GB 权重，含开销约 ~520 GB+
  • Flash：309B × ~0.5 字节（4-bit）≈ ~155 GB 权重，含开销约 ~160 GB+
  • Distill：9B × ~0.5 字节（4-bit）≈ ~4.5 GB 权重，出厂约 ~6 GB
在权重之上，根据你的上下文长度和并发量额外预留 KV 缓存。

​
本地运行

在机箱内所有 GPU 上进行张量并行。预留约 ~520 GB+ 的总 VRAM 用于 4-bit 权重加 KV 缓存。vLLM 在 http://127.0.0.1:8000/v1 上提供 OpenAI 兼容 API — 这正是 Tokios 连接器指向的地址。在标准化之前，请对照模型卡确认你的 vLLM 版本参数。参见 vLLM 远程访问。
不要为 MiMo 变体编造仓库名称或 CLI 参数。上述 Pro 和 Flash 仓库已确认。Distill 仓库名称是基于小米命名模式的最佳猜测 — 运行前请在 XiaomiMiMo 的 HuggingFace 页面上验证。

​
变体与规格

以下所有数据均来自小米在 Hugging Face 上的模型卡。在确定使用某个变体之前，请对照模型卡核实。 来源：XiaomiMiMo/MiMo-V2.6-Pro-RL、XiaomiMiMo/MiMo-V2.6-Flash-MOPD。
MiMo V2.6 在 MIT 许可证 下发布，该许可证宽松，无可接受使用政策或用户数量门槛。在构建商业产品之前，请阅读模型卡上的 LICENSE 文件。

​
能力

  • 原生多模态输入。 文本、图像、视频和音频输入；文本输出。这不是一个附加的视觉模块 — 它是所有 3 个变体基础架构的一部分。
  • 128K 输出 token。 足够支撑扩展推理、仓库级代码生成和详细分析，无需截断。
  • 1M 上下文窗口。 足以容纳仓库级编码会话、长文档或数小时的音频。在规划长上下文部署时，在权重之上预留 KV 缓存内存。
  • 工具调用与代理工作流。 所有变体均支持工具使用和多步代理循环。使用 vLLM 或 SGLang 部署时，启用模型卡推荐的工具调用解析器，以确保 tools 请求通过你的端点正常工作。
  • MIT 许可证。 所有 3 个变体均适用 — 无可接受使用政策，无用户数量门槛。

​
基准测试

由小米报告，基于近期发布的模型。目前尚无独立复现 — 在第三方评估发布之前，请将其视为厂商声明。 具体分数将在独立评估发布后补充。目前，请在你的工作负载上将 Pro 和 Flash 与 Kimi K2.6 和 Qwen3.8-27B 进行对比。

​
硬件适配

以下结论基于适度上下文长度的 4-bit 量化。 Pro 模型需要约 ~520 GB+ 的总 VRAM — 这意味着 4× H100 或 8× A100 系统，或者大量消费级 GPU 配合激进量化。Flash 约 ~160 GB，可适配高内存 Mac Studio、2 台 DGX Spark 或 4 GPU 服务器。Distill 约 ~6 GB，可适配任何具有 24 GB VRAM 的现代 GPU，并仍留有上下文余量。 在共享硬件上，Flash 和 Distill 变体在长上下文长度时与 KV 缓存争夺同一内存池。从适度的上下文开始，测量，然后逐步增加。有关尺寸计算方法，参见多大型号适合你的 GPU？。

选好了模型？连接它

一个经过认证的端点，位于 https://api.tokios.com — 无需入站端口，大约 5 分钟。

​
通过 Tokios 连接

始终在线的本地模型意味着你可以在不在运行它的机器旁时访问它。Tokios 位于你的运行时之后：它不下载模型，也不替代 vLLM。
1

保持本地运行时运行

在 vLLM、SGLang 或 llama.cpp 中启动 MiMo V2.6，并让其绑定到回环地址。
2

配对 Tokios 连接器

在 tokios.com/console 登录，打开 Setup 标签页，点击 Start pairing 获取一次性配对码（TKS-XXXX-XXXX）。在运行模型的机器上执行安装程序：
Windows
macOS
Linux
然后 approve 该设备，可在 Setup 或 Connectors 标签页中完成。
3

注册部署

在 Models 标签页中，以上游模型 ID（例如 XiaomiMiMo/MiMo-V2.6-Flash-MOPD）注册一个公共部署名称，如 mimo-flash。客户端在 model 字段中发送部署名称，而非本地 ID — 因此后续重新量化不会改变客户端侧的任何内容。
4

创建 API 密钥

在 Keys 标签页中，点击 Create key。立即复制 sk-tok-… 密钥 — 它仅显示一次。

​
从任何地方调用

​
注意事项

  • Pro 和 Flash 是 MoE 模型。 所有 1.02T（Pro）或 309B（Flash）参数都必须放入内存，即使每个 token 仅有 42B 或 15B 活跃参数 — 参见推理工作原理。
  • 1M 上下文是上限，而非目标。 长上下文在模型权重之上增加 KV 缓存内存。在共享硬件上，该余量也是模型用于推理的空间。
  • 基准测试数据来自厂商。 小米在发布当天公布了这些数据。在将分数视为定论之前，请等待独立评估。
  • Flash 是大多数生产环境的实际选择。 Pro 需要约 ~520 GB+ 的总 VRAM — 一台强大的多 GPU 服务器。Flash 约 ~160 GB，可适配高内存工作站或较小的服务器，并覆盖大多数代理循环工作负载。
  • Distill 是蒸馏版，而非完整架构。 它以 MoE 规模换取单 GPU 适配。在最困难的任务上，它预计比 Pro 和 Flash 弱，但它是唯一在消费级硬件上运行的变体。
  • 多模态输入取决于你的运行时。 Tokios 将图像、视频和音频内容透传至上游端点 — 它不会添加你的运行时或量化所缺少的能力。查看支持的后端。

​
常见问题

约 ~520 GB+ 的总 VRAM（4-bit 量化）。透明的计算方式：1.02T 参数 × ~0.5 字节（4-bit）≈ ~510 GB 权重，加上嵌入和元数据的开销。这意味着需要多 GPU 服务器 — 4× H100（320 GB）不够；请规划 8× A100（640 GB）或同等配置。
可以 — Distill 变体是一个 9B 密集模型，可适配单张 24 GB GPU（4-bit 量化，约 ~6 GB）。它从 Qwen 架构蒸馏而来，是唯一在消费级硬件上运行的 MiMo 变体。Pro 和 Flash 需要多 GPU 系统。
所有 3 个变体均在 MIT 许可证 下发布，该许可证宽松，无可接受使用政策或用户数量门槛。请注意，开放权重和开源不是一回事 — 训练数据和流程未发布。
Pro（1.02T 总计，42B 活跃）是高难度编码、网络安全和长周期规划的旗舰。Flash（309B 总计，15B 活跃）是大规模代理循环的生产主力。Distill（9B，密集）可适配单张 GPU，用于实验和教育。所有 3 个变体共享相同的多模态输入能力和 MIT 许可证。
MiMo V2.6 的 Pro 和 Flash 是与 Kimi K2.6（1T 总计，32B 活跃）同规模的 MoE 模型，但具有原生音频输入和更大的上下文窗口。9B 的 Distill 在单 GPU 工作上与 Qwen3.8-27B 和 Muse Glimmer 竞争，尽管它更小。请在你的工作负载上对比它们 — MIT 许可证使它们都易于测试。
可以 — 所有变体均支持工具调用和代理工作流。特定代理是否可用取决于你的运行时如何暴露工具调用。参见编码代理兼容性了解兼容矩阵，以及编码代理与本地模型了解设置方法。
请查看模型卡了解支持的具体音频格式和采样率。Tokios 将音频内容原样透传至上游端点 — 不进行转码或重采样。

什么适合你的 GPU？

根据 VRAM 或统一内存选择模型和上下文大小。

编码代理与本地模型

将 Claude Code、Cline 或 Aider 指向你托管的模型。

Kimi

Moonshot AI 的 1T MoE 系列 — 相当规模，不同许可证。

Qwen3.8

阿里巴巴的密集 27B 视觉语言模型，同样采用 Apache-2.0 许可证。

从手机访问

在离开机器时使用始终在线的本地模型。

快速入门

配对连接器并端到端注册你的第一个模型。