Xiaomi MiMo-V2.6 çıktı: Agent geliştiricileri için Pro, Flash ve 9B seçenekleri

Xiaomi, 22 Eylül tarihli duyurusuyla MiMo-V2.6-Pro ve MiMo-V2.6-Flash modellerini tanıttı. Pro için bir UltraSpeed seçeneği de var. Agent geliştirenler açısından ilk soru oldukça somut: Hangi işlerde en güçlü modele ihtiyaç var, hangilerinde daha ucuz bir seçenek yeterli olabilir?

Ailenin yanında yayımlanan MiMo-V2.6-Distill-Qwen-9B ise daha küçük ölçekte denemeler için ayrı bir seçenek sunuyor. Ancak MiMo adını taşıyan bu modeller aynı yapının farklı boyutları değil. Özellikle yerel model çalıştıranlar için bu ayrımı baştan yapmak gerekiyor.

Üç model, farklı başlangıç noktaları

Pro’nun model kartında toplam 1,02 trilyon, token başına aktif 42 milyar parametreli bir mixture-of-experts (MoE) mimarisi belirtiliyor. Flash’ta bu değerler 309 milyar ve 15 milyar. İkisi de 1 milyon token’lık bağlam penceresiyle metin, görsel, video ve ses girdilerini destekliyor.

Model	Mimari	İlk değerlendireceğimiz kullanım
MiMo-V2.6-Pro	1,02T toplam / 42B aktif, MoE	Birden fazla araç ve tekrarlı doğrulama gerektiren zor işler
MiMo-V2.6-Flash	309B toplam / 15B aktif, MoE	Sık tekrarlanan, maliyeti önemli agent görevleri
MiMo-V2.6-Distill-Qwen-9B	Qwen3.5-9B üzerine gözetimli ince ayar	Daha küçük ölçekte model sunumu ve agent araştırmaları

Son sütun bizim test önceliğimiz; uygulamalı deneme sonucu değil. Ayrıca aktif parametre sayısı, MoE modelinin bir token hesaplanırken kullandığı kısmını anlatıyor. Kalan ağırlıkların kurulumdan kaybolduğu anlamına gelmiyor.

9B model, Qwen3.5-9B üzerine MiMo’nun ürettiği örneklerle gözetimli ince ayar (SFT) uygulanarak hazırlanmış. Agent odaklı pekiştirmeli öğrenme araştırmalarına başlangıç olması amaçlanıyor. Dolayısıyla bu dosyaları indirmek, Pro’nun quantize edilmiş kopyasını edinmek değil; Pro’nun bağlam ve girdi desteğini de otomatik olarak aynı kabul edemeyiz.

Eğitimdeki odak: Farklı araçlarla işi tamamlamak

Eğitim açıklamasına göre, kodlama, genel agent görevleri, görsel görevler ve siber güvenlik tek bir pekiştirmeli öğrenme sürecinde birleştiriliyor. Bizim merak ettiğimiz, bu yaklaşımın agent’ın farklı araçlar arasında işe yarayan yöntemleri taşımasına katkısı. Örneğin bir uygulamadaki hatayı düzeltmek; aynı görev içinde kod okumayı, terminal komutu çalıştırmayı ve ortaya çıkan arayüzü kontrol etmeyi gerektirebilir.

Grafikler ne söylüyor?

Xiaomi’nin yayımladığı karşılaştırmada Pro, DeepSWE v1.1’de 71,9, Flash ise 67,9 alıyor. AutomationBench v1.0.6’da sonuçlar 53,1 ve 52,3 ile birbirine daha yakın. Terminal Bench 4.0’da fark açılıyor: 34,9 ve 28,8. Bu rakamlar Pro model kartındaki son karşılaştırma tablosundan; ölçümleri yayımlayan Xiaomi.

Bizim çıkarımımız, seçimin yapılacak işe bağlı olduğu. Bir testte küçük, başka bir testte daha belirgin fark görülmesi, kendi iş yükümüzle karşılaştırma yapmayı değerli kılıyor. Tek bir puan; agent’ın logları yorumlarken, başarısız bir komuttan sonra toparlanırken veya önerdiği düzeltmeyi kontrol ederken ne kadar yardıma ihtiyaç duyacağını söylemiyor.

Fiyat farkını gerçek bir görevle ölçmek gerekiyor

Kontrol ettiğimiz sırada OpenRouter’da Pro ve Flash için şu fiyatlar listeleniyordu:

Milyon token başına USD	Flash	Pro
Önbellek isabeti olmayan girdi	$0,14	$0,435
Çıktı	$0,28	$0,87

Basit bir örnekle, 100 bin önbelleksiz girdi ve 20 bin çıktı token’ı, bu tarifeyle Flash’ta yaklaşık $0,0196, Pro’da $0,0609 tutuyor. Bu hesap iki modelin aynı sayıda token kullandığını varsayıyor; ek araç ve servis ücretlerini içermiyor. Ölçülmüş bir görev maliyeti değil.

Ucuz token, her zaman ucuz tamamlanan iş anlamına gelmiyor. Çok sayıda yeniden deneme maliyeti artırabilir; öte yandan her basit istek için Pro kullanmak da beklenen faydayı sağlamayabilir. Bu yüzden karşılaştırmada kabul edilen sonuç başına maliyeti, tekrarları, araç çağrılarını, geçen süreyi ve insanın yaptığı düzeltmeleri birlikte izlerdik.

Bir SRE ekibi ilk olarak ne deneyebilir?

Kapsamı sınırlı bir görev düşünelim: Agent’a hassas bilgilerden arındırılmış bir olay zaman çizelgesi, ilgili yapılandırma dosyaları ve izleme panelinden bir ekran görüntüsü verelim. Olası nedeni bulmasını, ardından geri alma planıyla birlikte bir değişiklik önermesini isteyelim. Bu, MiMo’da çalıştırdığımız bir görev değil; önerdiğimiz değerlendirme senaryosu.

Pro ve Flash’a aynı malzemeleri ve araçları verip dört soruya bakabiliriz:

1. Açıklaması, sağlanan dosyalardaki kanıtlara dayanıyor mu?
2. Önerdiği kontrolü başka bir mühendis tekrar edebiliyor mu?
3. Değişiklik, mevcut kontrolleri bozmadan örnek problemi çözüyor mu?
4. Tamamlanan deneme ne kadar müdahale, süre ve token gerektiriyor?

İlk denemede beklenen çıktı, izole bir test ortamında incelenmiş bir düzeltme olurdu. Böylece başarıyı gözlemleyebilir, daha ucuz modeli varsayılan kullanıp zor görevleri güçlü modele aktarmanın ek geliştirmeye değip değmediğini anlayabiliriz.

Nereden denenebilir?

Xiaomi, duyuruda AI Studio, MiMo Code, Desktop ve kendi API’sini erişim seçenekleri arasında sayıyor. API üzerinden karşılaştırma için OpenRouter’da da iki modelin sayfası mevcut. Kendi altyapısında çalıştırmak isteyenler, önce yukarıdaki resmî model kartlarından model dosyalarını ve servis gereksinimlerini kontrol edebilir.

Küçük bir lab ortamında 9B modelin mevcut yazılım ve donanıma uygunluğunu inceleyerek başlardık. Hâlihazırda API kullanan bir agent içinse gerçek kabul kriterleriyle küçük bir Pro/Flash karşılaştırması daha anlamlı. Takip edeceğimiz asıl sonuç, yayımlanan kazanımların günlük işlerde daha az düzeltme ihtiyacına dönüşüp dönüşmediği.

Kaynaklar 22 Eylül 2026’da kontrol edildi. Haber, kaynaklardan aktarılan bilgiler ile açıkça belirtilmiş bir test önerisini birleştiriyor; canberk.me bu modelleri çalıştırmadı ve benchmark sonuçlarını bağımsız olarak yeniden üretmedi.