MiMo v2.6
小米的 MiMo v2.6 发布被赞为一个能力强、成本低的开源权重模型，处在智能度与价格的前沿位置；一些用户认为它在编码、agent 和多模态任务上可与美国“前沿”系统竞争。评论者特别强调小米少见的透明度，尤其是实时 RL 训练仪表盘，同时也指出一些实际问题，比如在某些设置下推理过长、循环以及 token 效率较差。此次发布也加速了更广泛的趋势，即中国及其他开源模型正因成本和效率优势而崛起，引发了关于美国实验室商业模式、对开源权重的监管反弹，以及在算力、能源和 AI 领导地位上的长期竞争的讨论。
模型能力、定价与定位
- MiMo v2.6 被广泛视为一个强大且高性价比的开源权重发布，尤其是 Flash 变体（总参数 309B / 激活参数 15B）和 Pro（1.02T / 激活参数 42B）。
- 一些用户表示，2.6 Flash/Pro 在许多任务上的体感大致处于 Opus/Sol 级别，但价格便宜得多，尤其适合编码和 agentic 用途。
- 还有一个基于 MiMo 生成数据训练的 9B Qwen 蒸馏模型，面向“toy GPU”和更轻量的使用场景。
基准测试、帕累托前沿与对比
- MiMo 因诚实地把自己放在多项基准上低于美国顶级前沿模型的位置，同时突出其成本/性能“帕累托前沿”而受到称赞。
- 在一些更难、或基准覆盖较少的任务上，评论者称 MiMo 领先于可比的中国模型如 Kimi K3，并与 DeepSeek 4.1 Flash 竞争。
- 也有人总体不信任基准测试，理由是过拟合以及专有模型发布后表现退化；一些按单项基准给出的排名（例如 Opus 对 Astra/Fable）也存在争议。
训练透明度与 RL 仪表盘
- 实时 RL 仪表盘是一个主要优点：它暴露了重启、被移除的数据集（例如一个损害编码表现的“cyber”数据集）、实时 loss 曲线、rollout、成本以及高级指标（模型陈旧度、KL 散度）。
- 评论者认为这是一项有价值的教育资源，也是对前沿风格 RL 的一种异常开放的观察，尽管数据集身份仍然不透明。
用户体验与行为怪癖
- 许多人喜欢 MiMo 在真实世界编码和科学任务中的表现；也有人报告无限循环、很长的“过度思考”轨迹，以及在更高努力等级下完成速度非常慢。
- 与预期相反，Flash 有时比 Pro 推理更久。有些人觉得 MiMo 2.5 在 2.6 发布前不久就“变笨了”。
- SVG “pelican” 基准显示它行为称职但并未把基准刷满；一些人更喜欢其他模型的输出。
中国与美国实验室、监管与商品化
- 普遍情绪是，中国模型（MiMo、DeepSeek、GLM、Kimi、Qwen）正在缩小能力差距，同时在效率和价格方面占据主导。
- 许多人猜测，美国前沿实验室正在推动“AI 安全”监管以及对开源权重或中国模型的限制，实际上属于保护主义和监管俘获。
- 另一些人则反驳说，算力优势仍然偏向美国实验室，而且监管会适用于所有人，不只是后来者。
- 还有几位预测，LLM 推理会像移动数据一样变成低利润商品；价值会转移到应用和企业集成，而不是原始 token。
基础设施、能源与硬件
- 讨论内容包括在 “Spark”/GB10 级硬件上运行 MiMo 和其他大型 MoE 模型，使用激进量化以及带 SSD 卸载的逐层 n-gram embedding。
- 内存是主要限制；许多拥有 128–256 GB RAM 的用户仍然无法托管完整上下文的前沿规模模型。
- 争论还包括真正的瓶颈到底是算力还是电力；有人认为中国的电网建设和工程师培养会带来长期 AI 优势，另一些人则指出美国 hyperscaler 的全球数据中心战略。