هوش مصنوعی متن‌باز MiMo-V2.6-Pro شیائومی معرفی شد؛ از کدنویسی تا ساخت دنیای سه‌بعدی

شیائومی از خانواده جدید مدل‌های هوش مصنوعی MiMo-V2.6 رونمایی و کد آن‌ها را متن‌باز کرد. این خانواده شامل MiMo-V2.6-Pro و MiMo-V2.6-Flash است و نسخه MiMo-V2.6-Pro-UltraSpeed نیز تا 20 برابر سریع‌تر عمل می‌کند.

تمرکز اصلی شیائومی در نسل جدید، افزایش مقیاس محاسبات یادگیری تقویتی (RL) برای وظایف پیچیده و قابل راستی‌آزمایی است. این شرکت اعلام کرده فرایند آموزش مدل‌ها را به‌صورت زنده اجرا کرده و MiMo-V2.6-Flash و Pro در کمتر از 6 روز، هرکدام 30 مرحله یادگیری تقویتی را روی حدود 750 هزار مسیر تصمیم‌گیری پشت سر گذاشته‌اند.

هزینه این فرایند برای Flash حدود 0.85 میلیون دلار و برای Pro حدود 2.62 میلیون دلار بوده است. شیائومی می‌گوید نرخ موفقیت نسبی مدل‌ها نیز به‌ترتیب 25 و 12 درصد افزایش یافته است. در بنچمارک مهندسی نرم‌افزار DeepSWE v1.1، امتیاز Flash از 48.8 به 65.68 و امتیاز Pro از 58.4 به 72.57 رسیده است.

زیرساخت آموزشی این مدل‌ها از معماری کاملاً ناهمگام با 1,568 نمونه در هر به‌روزرسانی استفاده می‌کند و قادر است در هر مرحله 3.5 تا 3.7 میلیارد توکن را با طول کانتکست حداکثر 1 میلیون توکن پردازش کند. شیائومی همچنین با استفاده از وظایف متنوع در حوزه‌های برنامه‌نویسی، عامل‌های هوش مصنوعی، پردازش بصری و امنیت سایبری، تلاش کرده قابلیت‌های مدل را در سناریوهای مختلف تقویت کند.

نتایج بنچمارک‌های هوش مصنوعی شیائومی

مدل MiMo-V2.6-Pro در شاخص Artificial Analysis Intelligence Index امتیاز 46.32 را به دست آورده است. شیائومی می‌گوید این مدل در این ارزیابی از Kimi K3 و Qwen3.8 Max عملکرد بهتری داشته و قیمت API نیز نسبت به نسل V2.5 افزایش پیدا نکرده است.

بر اساس گزارش fonearena یکی از قابلیت‌های مهم این خانواده، ترکیب درک چندوجهی با استدلال فضایی سه‌بعدی و قابلیت استفاده از رایانه (CUA) است. شیائومی این بخش را با عنوان «Vibe World» معرفی می‌کند؛ قابلیتی که می‌تواند از یک متن، تصویر یا ویدیو برای ساخت محیط‌های سه‌بعدی و جهان‌های تعاملی استفاده کند.

مدل می‌تواند وظایف ساخت یک پروژه را میان چند عامل تقسیم کند، صحنه و منطق تعامل را در Blender ایجاد کند، خروجی رندرشده را بررسی و اصلاح کند و در نهایت یک محیط تعاملی قابل اجرا بسازد. تولید مدل‌ها و صحنه‌های سه‌بعدی از متن یا تصویر مرجع نیز از دیگر قابلیت‌های آن است.

MiMo-V2.6 همچنین می‌تواند براساس دستورهای متنی، رابط‌های کاربری و اسلایدهای ساختاریافته تولید کند و با ابزارهایی مانند Figma کار کند. شیائومی قابلیت تولید ویدیو، طراحی نماها و حرکت‌ها، ساخت موسیقی و هماهنگ‌سازی تدوین با ضرباهنگ را نیز برای این مدل به نمایش گذاشته است.

مدل‌های MiMo-V2.6-Pro و MiMo-V2.6-Flash اکنون از طریق Xiaomi AI Studio، MiMo Code، MiMo Desktop، پلتفرم API شیائومی و OpenRouter در دسترس هستند. شیائومی همچنین گزارش فنی، محیط‌های آموزشی و کد RL این پروژه را برای بازتولید و بررسی عمومی متن‌باز کرده است.