Xiaomi ปล่อยน้ำหนัก MiMo-V2.6 Pro (1.02T) และ Flash (309B) แล้ว — omni 1M context ลงวันเดียวกับที่ dashboard RL ปิดฉาก พร้อมป้าย MIT ที่ยังไม่มีไฟล์ LICENSE
ห้าวันหลังจากที่เราเขียนถึงการถ่ายทอดสด RL run ของ MiMo v2.6 ซึ่งตอนนั้นหน้าเว็บบอกไว้แค่ว่า “coming soon” ตอนนี้ของจริงออกมาแล้ว Xiaomi สร้าง repo XiaomiMiMo/MiMo-V2.6-Pro-RL และ XiaomiMiMo/MiMo-V2.6-Flash-RL บน Hugging Face เมื่อ 21 ก.ย. เวลา 15:39 UTC อัปโหลดน้ำหนักช่วง 19:34–20:07 UTC และลงการ์ดโมเดลตอน 20:12 UTC (ราวตีสามของวันที่ 22 ตามเวลาไทย) repo ทั้งสองไม่ได้ gate ดาวน์โหลดได้ทันที
ประเด็นที่ทำให้เรื่องนี้ใหญ่คือขนาดและความกว้างของโมเดล: ตัว Pro เป็น MoE 1.02 ล้านล้านพารามิเตอร์ ใช้งานจริง 42B ต่อโทเคน รับได้ทั้งข้อความ ภาพ วิดีโอ และเสียงในโมเดลเดียว context 1M โทเคน และตัวเลขเบนช์มาร์กที่ Xiaomi รายงานเองวางมันไว้ใกล้ Claude Opus 5 และ GPT-5.6 Sol ในงาน agent หลายรายการ นี่คือ open-weight ที่ใหญ่และครบเครื่องที่สุดตัวหนึ่งที่เคยออกมา แต่ก็มีรายละเอียดหลายจุดที่นักพัฒนาควรรู้ก่อนดาวน์โหลด 573GB
สเปกจาก config.json ไม่ใช่แค่จากประกาศ
| MiMo-V2.6-Pro-RL | MiMo-V2.6-Flash-RL | |
|---|---|---|
| พารามิเตอร์รวม / active | 1.02T / 42B | 309B / 15B |
| Layers (รวม / SWA / Global) | 70 / 60 / 10 | 48 / 39 / 9 |
| Hidden size | 6144 | 4096 |
| Routed experts (รวม / ใช้ต่อโทเคน) | 384 / 8 | 256 / 8 |
| ขนาด repo บน HF | ~573GB | ~178GB |
ทั้งสองตัวใช้สถาปัตยกรรม MiMoV2ForCausalLM เดียวกัน คือ hybrid ระหว่าง sliding-window attention ขนาดหน้าต่างแค่ 128 โทเคน กับ global attention ในสัดส่วนราว 6:1 (Pro) และ 4:1 (Flash) ซึ่งเป็นกลไกหลักที่ทำให้ 1M context ไม่กิน KV cache จนรับไม่ไหว บล็อกแรกเป็น global attention กับ FFN แบบ dense ที่เหลือเป็น MoE ที่ไม่มี shared expert ส่วนหัว encoder คือ MiMo ViT ขนาด 681M สำหรับภาพ/วิดีโอ และ AudioTokenizer 308M กับ audio patch encoder อีก 127M สำหรับเสียง
อีกจุดที่ควรรู้คือ น้ำหนักที่ปล่อยไม่ใช่ BF16 — quantization_config ระบุ quant_method: fp8 กับ store_dtype: mxfp4 (block size 32) API ของ Hugging Face จึงนับตัว Pro ได้ราว 500B element แบบ U8 (packed 4-bit สองตัวต่อไบต์) บวก BF16 10.6B และ FP8 13.4B ความหมายในทางปฏิบัติคือ Xiaomi ส่งมาในรูปที่ quantize แล้วเพื่อให้ serve ได้เลย ไม่ใช่ master weights ความแม่นยำเต็ม ใครที่วางแผนจะ fine-tune ต่อควรคิดเรื่องนี้ไว้ด้วย
นอกจากนี้ยังมีตัว drafter สำหรับ speculative decoding แบบ MTP 5 เลเยอร์ (โฟลเดอร์ dflash/) ที่การ์ดบอกว่าเดาได้ 7 โทเคนต่อ forward pass
รันได้บนอะไร และราคา API
อย่าหวังว่าจะรันบนเครื่องตัวเอง คำสั่ง SGLang ในการ์ดของตัว Pro ใช้ --tp 16 สองเครื่อง (--nnodes 2) ส่วน Flash ใช้ --tp 8 เครื่องเดียว (vLLM ให้ตัวอย่างที่ --tensor-parallel-size 8 สำหรับตัว Pro) ต้องใช้ --trust-remote-code และ parser mimo สำหรับ reasoning และ tool call การ์ดแนะนำ temperature=1.0, top_p=0.95 ส่วน ModelScope ยังระบุแค่ว่า “at release”
สำหรับคนที่อยากลองผ่าน API: ตอนที่เราตรวจ OpenRouter มี xiaomi/mimo-v2.6-pro ราคา $0.435 / $0.87 ต่อล้านโทเคน (input/output) และ mimo-v2.6-flash ราคา $0.14 / $0.28 — เท่ากับรุ่น V2.5 เป๊ะ ทั้งสองตัวรับ context 1,048,576 โทเคน และมีรุ่น pro-ultraspeed ที่แพงกว่า 10 เท่า ($4.35 / $8.70)
เบนช์มาร์ก (ตัวเลขที่ Xiaomi รายงานเอง)
ตารางในการ์ดเทียบกับ Claude Opus 5, GPT-5.6 Sol และ Claude Fable 5 ตัวอย่างที่น่าสนใจ (Pro / Flash / Opus 5):
- DeepSWE v1.1: 71.9 / 67.9 / 74.0 (รุ่น V2.5 Pro ได้แค่ 19.0)
- Terminal Bench 2.1: 89.9 / 87.6 / 89.1
- Terminal Bench 4.0: 34.9 / 28.8 / 49.0 — ห่างจาก Opus 5 ชัดเจน
- AutomationBench v1.0.6: 53.1 / 52.3 / 50.3 — แซง Opus 5
- OSWorld-Verified: 82.0 / 80.8 / 83.4
ภาพรวมคือ Pro ตามหลัง frontier แบบปิดอยู่ไม่กี่จุดในงาน agent ทั่วไป แต่ยังห่างในงาน terminal ระยะยาวและงาน exploit (ExploitBench 47.9 เทียบ Opus 5 ที่ 70.0) ที่น่าสังเกตคือ Flash ตามหลัง Pro น้อยมาก ในเกือบทุกรายการด้าน agent ด้วยขนาดที่เล็กกว่า 3 เท่าและ active แค่ 15B ทั้งหมดนี้เป็นตัวเลขของ Xiaomi เอง และมีหลายรายการที่เป็นเบนช์มาร์กภายในอย่าง “MiMo Code Bench” หรือ “MiMo Cyber Bench” ยังไม่มีผลวัดอิสระ
ผลวัดอิสระชุดแรกออกมาแล้ว: Artificial Analysis ใส่ MiMo-V2.6-Pro ลงลีดเดอร์บอร์ดแล้ว ได้คะแนน Intelligence Index 46.3 ขึ้น อันดับ 1 ของโมเดล open-weight แซง GLM-5.3 (max) ที่ 44.8 และ Kimi K3 (max) ที่ 43.6 และเท่ากับ Grok 4.7 (xhigh, 46.4) ซึ่งเป็นโมเดลปิดที่เพิ่งเปิดตัววันเดียวกัน แต่ยังห่างจากอันดับ 1 โดยรวมคือ Claude Fable 5.1 (53.4) อยู่ราว 7 จุด ตัวเลข Terminal-Bench 4.0 ที่ AA วัดเองได้ 34.8% ซึ่งตรงกับที่ Xiaomi รายงาน (34.9) — เป็นสัญญาณที่ดีว่าอย่างน้อยตัวเลขชุดนี้ไม่ได้ปั้นจาก harness พิเศษ (ตอนที่เราตรวจ AA ยังไม่มีผลของตัว Flash)
ปิดฉาก dashboard: 30 สเต็ป ~3.5 ล้านดอลลาร์
API ของหน้า mimo.xiaomi.com/rl ตอนนี้แสดงทั้งสอง run เป็น "mode": "ended" — run ของ Pro จบวันที่ 20 ก.ย. 18:01 UTC ที่สเต็ป 30 หลังจาก รีสตาร์ต 14 ครั้ง ใช้ไปราว 75,000 ล้านโทเคนสะสม ส่วน Flash จบก่อนหน้านั้นราว 40 ชั่วโมง ที่สเต็ป 30 เช่นกัน รีสตาร์ต 5 ครั้ง ตัวนับค่าใช้จ่ายบนหน้าเว็บ (ที่คำนวณจากอัตราต่อวินาทีที่ Xiaomi ตั้งไว้) หยุดที่ราว 2.62 ล้านดอลลาร์สำหรับ Pro และ 0.85 ล้านดอลลาร์สำหรับ Flash — ประมาณ 3.5 ล้านดอลลาร์สำหรับ RL หนึ่ง run คู่
การ์ดโมเดลอธิบายวิธีการไว้ว่าเป็น “You Only RL Once” — RL run เดียวที่ผสมงานเขียนโค้ด, agent ทั่วไป, visual และ cybersecurity ไว้ใน batch เดียวกัน (1,568 prompt × 16 rollout ต่อสเต็ป) ใช้ GRPO แบบ asynchronous และมี “agentic grader” ที่เปรียบเทียบ rollout ภายในกลุ่มเดียวกัน แทนที่จะให้แค่ผ่าน/ไม่ผ่าน
มุมมอง AI Curator
เรื่องที่ผมอยากให้นักพัฒนาสังเกตมากที่สุดไม่ใช่ตัวเลขเบนช์มาร์ก แต่เป็น ช่องว่างระหว่างสิ่งที่ dashboard บอกกับสิ่งที่การ์ดโมเดลบอก ประกาศบนหน้า RL เมื่อวันที่ 17 ก.ย. เขียนไว้ชัดว่า “we also removed the cyber dataset from the upcoming pro run, since we observed some bad patterns in the rollout logs” แต่การ์ดของตัว Pro ยังบรรยายว่าเป็น RL run เดียวที่รวม cybersecurity และรายงาน CyberGym 94.0 ความสามารถนั้นอาจมาจากสเต็ปก่อนรีสตาร์ต จาก SFT หรือจากขั้น MOPD2 ที่กลั่นจาก teacher หลายตัวหลังจบ RL ก็ได้ แต่ Xiaomi ยังไม่ได้อธิบาย และสำหรับโมเดลที่ปล่อยน้ำหนักให้ทุกคนดาวน์โหลดพร้อมคะแนน cyber สูงขนาดนี้ มันเป็นคำถามที่ควรได้คำตอบ นี่คือข้อดีของความโปร่งใสแบบที่ Xiaomi เลือกทำ: มันทำให้เราถามคำถามแบบนี้ได้ ซึ่งแล็บที่ปิดทุกอย่างไม่มีวันเปิดโอกาสให้ถาม
เรื่องที่สองคือใบอนุญาต การ์ดประกาศ license: mit ใน metadata แต่ ไม่มีไฟล์ LICENSE ใน repo (เราเช็กแล้วได้ 404 ทั้งสองตัว) ซึ่งเหมือนกับรุ่น V2.5-Pro ที่เราเคยเขียนถึงว่า “MIT” ในทางปฏิบัติ ป้าย MIT ใน metadata ก็เป็นเจตนาที่ชัดพอ แต่สำหรับองค์กรที่ฝ่ายกฎหมายต้องมีข้อความสัญญาอนุญาตจริงก่อนอนุมัติ นี่คือสิ่งที่ต้องบันทึกไว้ อย่าคัดลอกคำว่า “MIT” ไปใส่เอกสารจัดซื้อโดยไม่ได้อ่าน
สำหรับทีมไทยและ SEA ในทางปฏิบัติ ตัวที่น่าสนใจจริงคือ Flash ไม่ใช่ Pro — 309B/15B active ที่รันบนเครื่อง 8 GPU เครื่องเดียวได้ ตามหลัง Pro แค่ 1–4 จุดในงาน agent ส่วนใหญ่ และมีเสียงกับวิดีโอในตัว สำหรับองค์กรที่ติดเงื่อนไขเก็บข้อมูลในประเทศ (ธนาคาร โรงพยาบาล หน่วยงานรัฐ) โมเดล omni ที่ตั้งบนคลาวด์ในไทยได้เองแบบนี้เปิดทางให้ทำ agent ที่ฟังเสียงลูกค้า อ่านเอกสารสแกน และเรียกใช้เครื่องมือ ในโมเดลเดียว ส่วนใครที่ยังไม่มี GPU ราคา API $0.14/$0.28 ต่อล้านโทเคนก็ถูกพอจะลองกับงานจริงก่อน — แต่ Xiaomi ไม่ได้บอกเลยว่าโมเดลทำภาษาไทยได้ดีแค่ไหน (การ์ดระบุภาษาไว้แค่ en กับ zh) นั่นคือสิ่งแรกที่ควรทดสอบ
แหล่งข่าว
อ่านเพิ่มในหมวด โมเดลใหม่
Google เปิดตัว Gemini 4 Carbon ขึ้นอันดับ 1 Artificial Analysis v5 ด้วยคะแนน 59 แต่ยังให้ใช้แค่นักป้องกันไซเบอร์กลุ่มเล็ก
Gemini 4 Carbon เปิดตัว 28 ต.ค. แซง Claude Opus 5.5 บน Intelligence Index v5 แค่ 1 คะแนน และตามหลังเพียง 3 คะแนนในดัชนี coding agent ราคาเปิดตัว $2/$10 แต่นักพัฒนาทั่วไปยังเรียกใช้ไม่ได้ ระหว่างที่ Google ค่อย ๆ เปิดผ่านโปรแกรม Fairwind
Microsoft ปล่อย Mage-VL-Cowork โมเดล 4B คุมเดสก์ท็อปและเทอร์มินัลในตัวเดียว ได้ 66% บน OSWorld-Verified สัญญาอนุญาต Apache-2.0
Mage-VL-Cowork ขนาด 4B ของ Microsoft เลือกเองว่าจะคลิกหน้าจอหรือสั่ง bash ทำคะแนน OSWorld-Verified 66.0% ใกล้ค่าอ้างอิงมนุษย์ 72.4% ในตารางเดียวกัน แต่คำว่าดีที่สุดในขนาด 4B มีคู่เทียบบนตารางนี้แค่รุ่นเดียว
Mistral ปล่อยน้ำหนัก Large 4 จริงแล้ว — 1T ราคาลดเกือบครึ่ง แต่บน AA ได้ 26 และสัญญาอนุญาตห้ามขายเป็น API ถ้าไม่มีใบอนุญาตแยก
Mistral ปล่อยน้ำหนัก Large 4 (Le Chonk) เมื่อ 29 ต.ค. เป็นรุ่นที่ฝึก RL ต่ออีกสามสัปดาห์หลัง preview ขนาด 1T ใช้พื้นที่ราว 1.06TB ราคา API ลดเหลือ $0.70/$2.10 Mistral นำ open-weight ด้าน coding แต่คะแนนรวม AA 26 ตามหลังโมเดลจีน และสัญญาอนุญาตกันธุรกิจ Model-as-a-Service