Xiaomi abre MiMo-V2.6 Pro, Flash y Pro-UltraSpeed, una familia capaz de trabajar con texto, imágenes, audio y vídeo en agentes de larga duración.
Xiaomi ha lanzado y abierto la familia MiMo-V2.6, formada por modelos multimodales para razonamiento, programación y agentes. La compañía publica tanto los pesos como parte del entorno utilizado para entrenarlos y evaluarlos.
La familia incluye MiMo-V2.6 Pro, su modelo principal para proyectos complejos y tareas de larga duración; MiMo-V2.6 Flash, orientado a un uso frecuente con menor coste; y Pro-UltraSpeed, que mantiene la capacidad del modelo Pro con una generación hasta veinte veces más rápida.
Los modelos aceptan texto, imágenes, audio y vídeo de forma nativa. Esta combinación permite que un agente analice documentos visuales, escuche grabaciones, revise clips y utilice toda esa información durante una misma tarea sin depender de modelos separados para cada formato.
Xiaomi ha centrado parte del entrenamiento en agentes capaces de utilizar herramientas y desenvolverse en entornos distintos. El sistema emplea varias configuraciones de instrucciones, herramientas y gestión del contexto para que el modelo no dependa de una única aplicación o estructura de agente.
MiMo-V2.6 Flash se presenta como la opción de equilibrio para llamadas frecuentes y procesos profesionales a gran escala. Pro está dirigido a trabajos que necesitan más razonamiento, mientras Pro-UltraSpeed busca responder en tiempo real cuando la latencia es importante.
La publicación incluye pequeños entornos de agentes que pueden combinarse y modificarse. Investigadores y desarrolladores pueden utilizarlos para experimentar con métodos de entrenamiento por refuerzo, recompensas y formas distintas de coordinar herramientas.
Los modelos se pueden probar mediante la API de Xiaomi MiMo y descargar desde la cuenta oficial de Xiaomi en Hugging Face. Para las llamadas a la API se utilizan los identificadores mimo-v2.6-pro, mimo-v2.6-flash y mimo-v2.6-pro-ultraspeed.
Xiaomi también ha actualizado MiMo Code para leer archivos de imagen, audio y vídeo, mejorar la recuperación de sesiones interrumpidas y ordenar las llamadas a herramientas cuando una acción puede afectar a la siguiente.
