Xiaomi、マルチモーダルAI「MiMo-V2.6」シリーズをオープンソース公開

MiMo-V2.6は、Xiaomiが公開したオープンソースのネイティブマルチモーダルAIシリーズです。視覚認識や3D空間推論に加え、画面上でPCを直接操作できる機能を備えています。

ラインナップは上位のMiMo-V2.6-Pro、軽量高速なMiMo-V2.6-Flash、蒸留モデルのMiMo-V2.6-Distill-Qwen-9B、さらに最大20倍の出力速度を誇るMiMo-V2.Pro-UltraSpeedで構成されています。今回の公開に合わせて専用デスクトップクライアントも提供されます。

何ができるのか

最大の特徴は、3D空間推論とPC操作（Computer-use）機能です。AIが画面を認識し、マウスやキーボードを使ったタスクを自動実行できます。付属のデスクトップクライアントを使えば、環境構築の手間も少なく試せます。

ベンチマークでも好成績を残しています。Artificial Analysisのインテリジェンス指数でMiMo-V2.6-Proは46点（詳細スコア46.32）を獲得しました。Kimi K3の44点やGLM-5.3の45点を上回り、同インデックスにおけるオープンウェイトモデルの首位に立ちました。また、DeepSWE v1.1のスコアも約14ポイント向上しています。

ただし、Xiaomi自身も指摘している通り、主要な商用クローズドモデルは53点を記録しており、トップ層との差は依然として存在します。

どのように作られたか

性能向上の核となったのは、短期集中の大規模強化学習です。

Xiaomiは約75万本の軌跡を用い、6日足らずで30ステップの強化学習を完了させました。学習にかかった費用も公開されており、強化学習段階だけでPro版は262万ドル、Flash版は85万ドルが投じられています。

モデルの重みだけでなく、強化学習の研究リソースもあわせて公開されました。クラウドAPIを利用する場合の利用料金は、前世代のV2.5から据え置きとなっています。

なぜ重要か

PC操作エージェントや3D空間認識をローカル環境で動かしたい開発者にとって、MiMo-V2.6-Proは現在選べるオープンモデルの中で最も有力な候補です。

同時に、強化学習に262万ドルかかったという具体的なコストの開示は、オープンモデルを最前線に引き上げるための現実的な開発費を浮き彫りにしました。莫大な計算リソースを投じることで、オープン勢が商用モデルを着実に追い上げていることを示す好例といえます。