XNews

MiMo V2.6 Pro、RL学習でオープンソースリーダーボード首位に

MiMo V2.6 Pro、RL学習でオープンソースリーダーボード首位に

小米(Xiaomi)はMiMo-V2.6 ProとFlashを公開・オープンソース化した。ProはArtificial Analysisの知能指数で46点を獲得し、同日公開されたxAI Grok 4.7と並び、最強のオープンソースモデルとなった。モデルはMixRL戦略を用いた大規模強化学習(30ステップ、75万トラジェクトリ、262万ドルのコスト)で訓練された。API価格はProが入力トークン100万あたり0.435ドル、Flashが0.14ドル。

Key insights

MiMo V2.6 Pro、知能指数でGrok 4.7と同点

Pro版はArtificial Analysisの総合知能指数で46点を獲得し、同日発表されたxAI Grok 4.7と並んだ。Kimi K3やQwen3.8 Maxを上回り、現在最強のオープンソースモデルとなった。ただし、Claude Fable 5.1やGPT-6 Astraなどのトップクローズドソースモデルにはまだ及ばない。

オープンソースモデルとしては最大規模の単一RL学習

DeepSeek R1に従事していたMiMoチームのリーダー、Fuli Luo氏は、V2.6はおそらくオープンソースチームによる最大規模の単一強化学習訓練であると述べた。Proモデルは約75万の訓練トラジェクトリにわたる30の主要ステップを経ており、各トラジェクトリは平均11万~15万トークンで、総訓練コストは約262万ドル。

MixRL戦略:多様なタスクを1回の訓練で統合

チームは、コーディング、ビジョン、サイバーセキュリティのタスクを別々に訓練してマージするのではなく、同じ大規模RL訓練で混合するMixRL戦略を採用した。検証が難しいタスクや時間軸が長いタスクは個別に訓練され、後にMOPD法を用いて結合された。

攻撃的な価格設定:海外モデルの1/20から1/60

ProのAPI価格は入力トークン100万あたり0.435ドル、出力トークン100万あたり0.87ドル。Flashはさらに安く、入力0.14ドル、出力0.28ドル。小米は同等の知能レベルで、価格は海外モデルの1/20から1/60であると主張している。両モデルとも100万トークンのコンテキストウィンドウとマルチモーダル入力(テキスト、画像、音声、動画)をサポートする。

Flashモデル、エージェントタスクに高い費用対効果

Flashモデルは大幅に安価であるものの、多くのエージェントベンチマークでProよりわずか数ポイント低いスコアにとどまる。自動コードレビュー、文書処理、社内リサーチアシスタントなど、大量のAIエージェントタスクを実行する必要があるチームにとって、Flashはより実用的な価値を提供する可能性がある。

オープンソース公開にはRLフレームワークと蒸留モデルも含む

モデル重みに加え、小米は完全なRL訓練フレームワーク、7000以上のRLタスク環境、およびMiMoのRLトラジェクトリから蒸留したQwen-9Bモデルをオープンソース化した。これらのリソースにより、他のチームは1兆パラメータのベースモデルをゼロから訓練することなく、より小さなモデルで同様のRL訓練を再現できる。

Source posts