Xiaomi、309B MoEのMiMo-V2.6-Flash-RLをMITで公開

XiaomiMiMoは、総パラメータ309B・活性15BのSparse MoEモデル「MiMo-V2.6-Flash-RL」をMITライセンスで公開しました。1Mトークンのコンテキスト長を持ち、テキスト・画像・動画・音声を1つのモデルで扱い、DeepSWE v1.1で67.9を記録しています。

何が新しいか

MiMo-V2.6-Flash-RLは、MiMo-V2.6シリーズのうち効率とのバランスを取ったチェックポイントです。上位版のMiMo-V2.6-Pro-RLも同時に配布されています。XiaomiMiMoは、コーディング、一般エージェント、ビジュアル、サイバーセキュリティを領域ごとに分けず、単一の混合強化学習("You Only RL Once")で学習させました。同じバッチにタスクと複数のハーネスを混ぜ、学習時に見ていないハーネスへも戦略が転移することを狙っています。

学習手法の要点は以下のとおりです。

• 完全非同期のGRPOを1ステップあたり1,568プロンプト×16ロールアウトの大バッチで実行
• エージェント型グレーダーがグループ内のロールアウトを比較。Groupwise Reward Synthesis(GRS)が対照的なロールアウトからタスク別ルーブリックをオフラインで作り、テスト結果と融合。Groupwise Advantage Redistribution(GAR)が合格した軌跡をオンラインで順位付けし、より高品質な解へadvantageを寄せる
• 自己修正からのコールドスタートと、環境のハードニングや検証器のクロスチェックによるreward hacking対策
• 混合RL後にMulti-Prefix Multi-Teacher On-Policy Distillation(MOPD2)を適用し、検証が難しいタスクへ能力を拡張

仕様

Vision Encoderは681MパラメータのMiMo ViT(28層: 24 SWA + 4 Full)、音声側は308MのAudioTokenizerと127Mのaudio patch encoderで構成されています。Multi-Token Prediction(MTP)として5層のspeculative decoderを備えます。

ベンチマーク

ベンチマーク	MiMo-V2.6 Flash	MiMo-V2.6 Pro	Claude Opus 5	GPT-5.6 Sol
DeepSWE v1.1	67.9	71.9	74.0	73.0
ProgramBench	26.0	26.5	37.0	25.0
MiMo Code Bench	61.2	63.2	68.6	59.3
AutomationBench v1.0.6	52.3	53.1	50.3	45.8
Toolathlon-Verified	73.6	76.9	80.6	74.9
Agents’ Last Exam	27.6	31.6	31.6	30.8
Terminal Bench 2.1	87.6	89.9	89.1	88.8
OSWorld-Verified	80.8	82.0	83.4	83.0
CyberGym	95.1	94.0	-	-

数値はXiaomiMiMoのモデルカードに掲載された値です。

入手方法

重みはHugging FaceのXiaomiMiMo/MiMo-V2.6-Flash-RLと、ModelScopeの同名リポジトリからダウンロードできます。Hugging Faceはモデルの重みやデータセットを共有するHugging Face Hubを提供する企業です。ほかにXiaomi MiMo API Platform、Xiaomi MiMo Studio、Xiaomi MiMo Desktopも案内されています。