Xiaomi lança o MiMo-V2.6-Pro como principal modelo aberto de IA: vamos verificar

Autoria: Fahd Mirza · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Xiaomi Launches MiMo-V2.6-Pro as Top Open AI Model: Let’s Verify · Canal: Fahd Mirza · 13:17 · Assistir no YouTube

Tópicos: Agentes de IA, Avaliação e benchmarks de IA, Engenharia de software com IA, Modelos de IA, Modelos multimodais

Resumo

O vídeo testa o MiMo-V2.6-Pro, modelo da Xiaomi com 1,02 trilhão de parâmetros totais e 42 bilhões ativos, em tarefas de programação, design de frontend e compreensão visual. Em um app de ocupação de balsas, o modelo encontrou e corrigiu um bug que contava reservas em vez de passageiros, mas levou bastante tempo e consumiu muitos tokens. Depois, gerou uma página para uma cafeteria com design criativo e navegação funcional. Em um teste de imagem, interpretou a cena e criou um protótipo 3D, mas os controles de movimento continuaram sem funcionar mesmo após uma tentativa de correção.

Pontos-chave

O MiMo-V2.6-Pro combina tarefas de programação, agentes, visão e cibersegurança em um único processo de reinforcement learning.
O modelo aceita texto, imagem, vídeo e áudio e tem context window de 1 milhão de tokens.
No app de balsas, identificou que o sistema contava reservas, não passageiros, e corrigiu os números de ocupação exibidos.
A correção do app foi bem-sucedida, mas demorou e consumiu muitos tokens.
O modelo criou uma página para uma cafeteria com identidade visual própria e links de navegação funcionais.
Na tarefa de visão, identificou objetos na imagem e associou elementos a mecânicas interativas para um conceito de jogo.
O protótipo 3D gerado permitia saltar, mas as teclas WASD não funcionaram, mesmo após uma tentativa de correção.

Capítulos

Início	Capítulo	Resumo
00:01	Apresentação do modelo e teste do app de balsas	O apresentador descreve o MiMo-V2.6-Pro e apresenta um bug de ocupação em um aplicativo de balsas.
02:45	Benchmarks e treinamento do modelo	O vídeo comenta comparações de benchmark e o processo de reinforcement learning usado no treinamento.
04:57	Correção do bug de reservas	O modelo encontra e corrige o erro que contava reservas em vez de passageiros, embora demore e use muitos tokens.
06:00	Teste de design para uma cafeteria	O modelo cria uma página de cafeteria com estilo próprio, conteúdo criativo e navegação funcional.
09:17	Teste de visão e protótipo 3D	O modelo interpreta uma imagem, gera um conceito de jogo e cria um protótipo 3D cujos controles de movimento não funcionam.

Citações

Hoje vou colocá-lo diante de um app com aparência de produção quebrado e deixar que assuma o controle para corrigir o bug. — 01:07

A diferença está em quão rápido e barato eles encontram e corrigem o bug. — 05:29

A criatividade é muito boa, disso não duvide. — 08:44

Em compreensão de imagem e na produção dessa simulação ou animação 3D, acho que está razoável. — 13:17

Conceitos e entidades

MiMo-V2.6 Pro (modelo): Modelo da Xiaomi avaliado em tarefas de programação, design de frontend e compreensão visual.
Xiaomi (empresa): Empresa que desenvolveu a família de modelos MiMo.
Hermes Agent (ferramenta): Agent usado para executar as tarefas no aplicativo local durante os testes.
Nusantara Ferry Lines (conceito): Aplicativo de demonstração que exibe a ocupação de balsas entre ilhas da Indonésia.
reinforcement learning (conceito): Método de treinamento que, segundo o vídeo, foi usado para aprimorar o modelo em várias áreas de tarefa.
Deep Sue (conceito): Benchmark mencionado pelo apresentador ao comentar os resultados e o avanço obtido durante o treinamento.

Tradução completa (pt-BR)

00:01 Parece que todo mundo na China está criando modelos de IA, desde serviços de entrega de comida até gigantes como Alibaba, Baidu e vários outros. E agora temos a Xiaomi também contribuindo. Já faz bastante tempo que cobrimos o Mimo e outras famílias de modelos deles. E eles também não são ruins. Desta vez, eles lançaram o V2.6 Pro em RL, com várias versões. Este é o modelo principal deles, com 1,02 trilhão de parâmetros em uma mistura de especialistas

00:36 com apenas 42 bilhões ativos. Este modelo foi criado para ampliar o aprendizado por reforço visando ao autoaperfeiçoamento. Ele combina tarefas de programação, de agent, visuais e de cibersegurança em uma única rodada de aprendizado por reforço, em vez de treiná-las separadamente. Assim, as habilidades são transferidas entre domínios. Este modelo consegue lidar com texto, imagem, vídeo e áudio, tudo em um único modelo, com uma context window de 1 milhão de tokens para execuções longas de agent.

01:07 Hoje vou colocá-lo diante de um aplicativo no estilo de produção com um bug e deixá-lo assumir o controle para corrigir o problema. Na tela está o Nusantara Ferry Lines, um painel de ocupação em tempo real para balsas entre ilhas na Indonésia. Todos os indicadores aqui estão mentindo. Por exemplo, a rota de Merak a Bakauheni aparece com 5% de ocupação e 114 assentos livres, mas essa balsa tem, na verdade, 92 passageiros reservados e apenas 28 assentos disponíveis. O endpoint de reservas contabiliza

01:42 as reservas, não os passageiros por reserva. Então, uma única reserva para 30 pessoas conta como uma. O painel subestima muito a ocupação. No mundo real, isso representa um risco de excesso de reservas e de segurança. A equipe venderia assentos que não existem. E sabe de uma coisa? Se você tem acompanhado as notícias da Indonésia, houve muitos incidentes com balsas. Felizmente, estão cuidando disso agora, mas ainda é um problema do mundo real, e este aplicativo está de fato

02:14 rodando localmente, com um backend, um frontend e uma aplicação full stack com muitos componentes, como vocês podem ver aqui, e um banco de dados real. O que vou fazer depois de integrá-lo ao agent Hermes é dar a ele este objetivo, sem dizer exatamente qual é o bug: vou apenas pedir que o encontre e corrija por conta própria. Enquanto ele executa, vamos falar um pouco mais sobre os benchmarks.

02:45 Então, dá para ver nesta imagem que ele está competindo na mesma categoria de peso que Claude Opus 5 e GPT-6 Astra. Supera os dois em benchmarks reais de programação, como o DeepSeek, e lidera o campo no Job Bench. Ele não vence em tudo, e o Opus 5 é muito antigo. Mas acho que, para um modelo desse tamanho, competir diretamente com o GPT-6 Astra é um ótimo resultado. O restante, porém, não parece muito impressionante. Mas as pontuações não são ruins, especialmente quando você

03:18 compara com o Fable 5.1. Veja, por exemplo, que o Fable 5.1 está muito distante. É bem parecido. De qualquer forma, não presto muita atenção a esses benchmarks. Estamos mais interessados em saber exatamente como ele se sai. Então, vamos esperar que termine. A propósito, recentemente comecei este boletim semanal gratuito sobre IA, que você pode assinar em fahadmirza.substack.com. E, se quiser ajudar o canal, acesse a página inicial e torne-se membro. Você também encontrará o link no

03:50 primeiro comentário fixado. E este é o mesmo modelo que virou notícia quando fizeram uma transmissão ao vivo dele. Além disso, o que fizeram foi uma rodada combinada de aprendizado por reforço, com programação, agentes visuais e cibersegurança juntos, como eu disse, em vez de rodadas separadas para cada habilidade. Eles também ampliaram o próprio sinal de recompensa, e um avaliador de IA classifica as soluções aprovadas umas contra as outras, em vez de apenas marcar aprovado ou reprovado, fechando um ciclo de autoaperfeiçoamento. E então transmitiram toda essa execução real de aprendizado por reforço em produção

04:24 ao vivo, enquanto acontecia, em menos de 6 dias. O Mimo V2.6 Pro completou 30 etapas de aprendizado por reforço, ao longo de aproximadamente 750 mil trajetórias, por cerca de 2,62 milhões de dólares americanos, elevando o resultado no DeepSeek de 58,4 para 72,57, um salto de 14 pontos que se generalizou bem para além da tarefa de treinamento. Está quase lá e, como vocês podem ver, ele

04:57 encontrou um bug. Tudo bem, mas acho que está desperdiçando muitos tokens. Está demorando bastante. Já se passaram mais de 25 minutos, mais ou menos. Ele ainda está trabalhando nisso. Não é um bug tão difícil. Por exemplo, usei o Grok 4.7 hoje de manhã e ele foi bem rápido e não desperdiçou muitos tokens, porque, no fim das contas, esses modelos estão chegando a um platô. E é aqui que precisamos ver a

05:29 diferença: a rapidez e o baixo custo com que encontram e corrigem o bug. Então, ele concluiu o objetivo. Vou deixar que retorne e depois vamos testá-lo. Certo, objetivo concluído. Vou atualizar a página forçando a recarga e vamos conferir. Por exemplo, fiquem de olho neste número de reservas aqui. Ele mostra seis reservas. Deveria aumentar. Vou pressionar Ctrl+F5. E agora vocês veem que mostra 92 reservas. Este número também aumentou. E agora

06:00 os assentos disponíveis de verdade estão sendo mostrados. Isso deve evitar qualquer catástrofe. Mas, olha, acho que o modelo não é nada ruim, porque este era um bug bem sutil e complexo, e ele o corrigiu. Subiu a aplicação, mas, como eu disse antes, demorou bastante e consumiu muitos tokens. De qualquer forma, vamos fazer outro teste. Vamos fazer outro teste. Então, se vocês olharem o prompt, estamos dando ao Mimo um briefing criativo detalhado para a página de destino de uma cafeteria em Melbourne: cores marcantes,

06:32 layout editorial, personalidade de verdade, sem aqueles padrões genéricos de template aos quais a maioria dos modelos recorre. Então, vamos ver se ele realmente entrega um design com bom gosto, porque é isso que dizem na publicação do blog: que este modelo tem bom gosto para frontend. Vamos ver se esse bom gosto aparece ou não. Já dei este prompt ao modelo, e ele está trabalhando nele. Vai demorar um pouco. Então, vamos esperar. Enquanto isso, como eu disse antes, assinem este boletim, que publico gratuitamente

07:03 toda semana em hamza.substack.com. E, se quiserem ajudar o canal, tornem-se membros. Vou esperar e depois mostrar o que ele gera, porque também estou pedindo, no final, que inicie um servidor local de Python, confirme que está funcionando e me forneça uma URL. Certo, o modelo respondeu, iniciou o servidor de Python, criou o arquivo e este é o resultado. Ele até me deu a porta. Então, sabe de uma coisa? Vou executá-lo assim mesmo.

07:37 Acabei de clicar nele. Ou talvez eu precise copiá-lo, porque esta é uma máquina Ubuntu. Então, vou copiar isto e executar na frente de vocês. E pronto. É assim que ficou. Vou tentar minimizar isto. Certo, este é o Duckboard. Esse é o nome do café, aliás. E há as opções Menu, História e Como chegar. Vejam, Menu funciona. História funciona, e Como chegar também funciona. Então, vou voltar ao topo e vamos

08:13 percorrer a página. A fonte parece boa, meio chique. Vocês acham que é moderna? Não tenho certeza. E, em “O que está sendo servido”, vou conferir daqui a pouco. Depois, há o restante do menu. Esta parte ficou boa. É bem diferente. Em seguida, ele conta a história do lugar. E esta parte ficou boa. Vejam, diz que fomos despejados

08:44 de uma garagem perfeitamente boa e precisávamos de um lugar para colocar 9 quilos de grãos etíopes dos sonhos. Muito bom. E esta parte é legal. Bem moderna. E depois, muito bom. Vejam, esta é a criatividade: se vocês estiverem vindo para este lugar pelo bonde 86, descendo na parada 20, e depois pelo vendedor e uns 130. Então, ficou muito bom. “Biscoitos incentivados atrás do balcão.” A criatividade é muito boa. Não

09:17 tenham dúvida disso. Esta parte também não está ruim. Vou subir e clicar naquele botão que queria clicar antes. Então, este é o painel. Muito bom. Nada mal mesmo. Mas também vou levar em conta o que vocês disserem. Vamos fazer agora um teste de visão. Olá, a propósito, ele também cria as skills por conta própria. Vejam, eu não pedi, mas ele criou uma skill a partir disso. Vamos fazer um teste de visão bem difícil. Então, e isto está correto de acordo com o

09:49 postagem do blog que eles alegam. Estou testando se o modelo consegue compreender esta imagem e, mais importante, se consegue transformá-la em uma lógica estruturada de design de jogo, que é a alegação de fato. Então, esta é a imagem que já forneci ao modelo, e este é um prompt para criar um conceito de cena de jogo 3D interativa e pequena com base nela. E então ele precisa descrever o ambiente e todas essas coisas. Vamos ver que tipo de resultado ele fornece, porque dei carta branca para ele.

10:21 E o modelo voltou com um resultado realmente muito bom. Identificou com precisão todos os objetos da imagem, como bolas, ratos, torres de postes, cama de rosquinha e muitas outras coisas. E associou cada um a uma mecânica interativa concreta, em vez de apenas descrever a cena. Então, como eles alegam que ele consegue decompor uma solicitação em várias tarefas, isso é verdade. Agora, deixa eu ver se ele consegue realmente gerar algo a partir desse conceito. Estou pedindo para ele criar um protótipo 3D simples e jogável em um único arquivo HTML. Vamos ver o que ele produz.

10:59 Certo, o modelo diz que concluiu o objetivo. Vou abrir esta URL no navegador aqui na sua frente e vamos conferir. Aí está. Então, certo, agora aparece alguma coisa. Ah, uau, nada mal. Ele diz para usar a barra de espaço para quicar. Sim, está quicando, e isso não está nada mal. Uau. Está muito bom. Até está pulando. E dá para ver que o resto está bem

11:31 bom. Então, o quique funciona com a barra de espaço, mas o problema é que as teclas W, A, S e D do meu teclado não estão funcionando. A propósito, W é para frente, A é para a esquerda, S é para trás e D é para a direita. Essas são as teclas, mas, quando eu as pressiono, nada acontece. Então, se eu, por exemplo, pressionar F12 no modo de desenvolvedor, vocês veem: este é o erro que estou recebendo. Então, o que vou fazer é voltar aqui para baixo e dizer o seguinte: o jogo tem este bug. Este é o

12:05 erro. Corrija isso. Vamos ver se ele consegue corrigir ou não, ao vivo. Certo, ele diz que corrigiu, então vou fazer uma atualização forçada com Control+F5. E agora temos a bola vermelha. Vou me movimentar com as teclas. Ainda não, nada está acontecendo. O quique funciona, e eu acertei nela. Isso é bom. Vou continuar me movimentando. Certo, as teclas ainda não estão funcionando.

12:43 Talvez seja um problema do meu navegador. Não sei. Talvez eu pressione F12 de novo. E vou dar foco à janela. Não vejo nenhum erro. Isso não está nada mal. Sabe de uma coisa? Vou abrir em outro navegador e tentar de novo. Só um instante. Agora este é o Microsoft Edge. Vou pressionar a barra de espaço. Isso está bom. Não, as teclas não estão funcionando. Também testei no Chrome. Mas as teclas não funcionam. O quique funciona. Fora isso,

13:17 acho que está tudo bem. Nada mal, considerando a compreensão da imagem e a produção dessa simulação ou animação 3D. Então, é isso. Esse é o MiMo da Xiaomi. Há outros dois modelos. Também há uma destilação do Qwen, que talvez eu aborde nos próximos dias, então fiquem ligados. Digam o que acham nos comentários. Obrigado por todo o apoio.

Transcrição original

[00:01] It seems everyone in China is building AI models from food delivery services to giants like Alibaba, Baidu, and various others. And now we have Xiaomi also chipping in for quite some time and we have been covering their Mimo and other family of model series for quite some time. And they’re not bad either. This time they have come up with V2.6 Pro in RL with various flavors. This is their flagship model 1.02 trillion parameters mixture of expert

[00:36] with only 42 billion active. This model is built to scale reinforcement learning towards self-improvement. It mixes coding, agentic, visual, and cybersecurity tasks in one reinforcement learning run instead of training them separately. So, skills transfer across domains. This model can handle text, image, video, and audio all in one model with a 1 million token context window for long agent runs.

[01:07] Today I’m going to point it at a broken production style app and handing it the wheel to fix the bug in this one. On your screen is Nusantara Ferry Lines, a live occupancy dashboard for inter-island ferries in Indonesia. Every gauge here is lying to you. For example, Merak to Bakauheni shows 5% full with 114 seats free, but that ferry actually has 92 passengers booked and only 28 seats left. The booking endpoint counts

[01:42] booking rows, not passengers per booking. So, a single booking of 30 people counts as one. The dashboard massively underreports occupancy. In the real world, that’s an overbooking and safety risk. Staff would sell seats that exist. And you know what? If you have been keeping an eye on the news from Indonesia, there have been a lot of fairy incidents. Uh thankfully, they are taking care of it now, but still it’s a real-world issue where this application is actually

[02:14] running locally with a back end with front end full stack app with lot of components as you can see here with a real-life database. What I’m going to do after integrating it with the Hermes agent, I’m going to give it this goal, which is not telling this model what exactly the bug is, only asking it to go and fix after finding it by itself. While it runs, let’s talk a bit more about the benchmarks.

[02:45] So, you can see that as per this image, it is punching right in the same weight class as Claude Opus 5 and GPT-6 Astra. Beating both on real coding benchmarks like Deep Sue and topping the center field on job bench. It doesn’t win everywhere and Opus 5 is very old. But I think for a model this size going head-to-head with GPT-6 Astra is a real good deal. But rest of it doesn’t seem too impressive. Um but the scores are not bad, especially when you

[03:18] compare it with Fable 5.1, you see that Fable 5.1 for example to let’s run very far. It is very close. Anyway, I really don’t pay much attention to these benchmarks. We are more interested in how exactly it performs. So, let’s wait for it to finish. By the way, recently I have started this free weekly AI newsletter, which you can subscribe at fahadmirza.substack.com. And if you want to help out the channel, please go to the home page and become a member. You will also find the link in

[03:50] first pinned comment. And this is the same model which made quite a headline when they streamed it live. And not only that, what they did was um one mixed reinforcement learning run across coding agent vision and cybersecurity together as I said instead of separate runs per skill. They also scaled the reward signal itself and AI grader ranks passing solution against each other instead of just pass fail closing a self-improvement loop. And then they streamed this whole actual

[04:24] production RL um live as it happened in under 6 days. Mimo V2.6 Pro completed 30 RL steps over roughly 750k trajectories for about uh 2.62 million US dollars lifting its Deep Sue 58.4 to 72.57, which is a 14-point jump that generalized well beyond the training task. It is almost there and as you can see there it has

[04:57] um found a bug. That is fine, but I think it is wasting a lot of tokens. Taking long time. It’s already more than 25 minutes or so. It is still working through it. It is not that hard a bug. For instance, I just did Grok 4.7 um this morning and it was quite fast and didn’t waste too many tokens because at the end of the day these models are now plateauing. And this is where we need to see the

[05:29] difference at how quickly and how cheaply they find and fix the bug. So, it has completed the goal. I would just let it come back and then we will test it out. Okay, goal completed. Let me hard refresh this page and we will check out. So, for instance, keep an eye on this booked figure here. It says booked six. It should jump. Let me control F5. And now you see it says booked 92. And this one has also jumped. And now

[06:00] the actual seats are being shown which are available. And that should avoid any catastrophe. But look, I think the model is not bad at all cuz this was a very subtle and nuanced bug which it has fixed. Brought the stack up, but as I said earlier, took long time and just consumed a lot of tokens. Anyway, let’s do another test. Let’s do another test. So, if you look at the prompt, we are handing Mimo a detailed creative brief for a Melbourne coffee shop landing page, bold colors,

[06:32] editorial layout, real personality, none of the generic template defaults most models fall back on. So, let’s see if it actually delivers a design with taste because that is what they say in their blog post that this model has got a taste for front end. So, let’s see if the taste is there or not. I already have given this prompt to the model and it is working through it. It’s going to take bit of a time. So, let’s wait. Meanwhile, as I said earlier, please subscribe to this newsletter which I release for free

[07:03] weekly for hamza.substack.com. And if you want to help out the channel, please become a member. So, I will wait and then show you what it generates because I’m also asking it towards the end to start a local Python server and then confirm it’s running and give me a URL. Okay, so the model has come back, started the Python server, created that file, and this is what it looks like. It has even given me the port. So, you know what? I’m just going to run it as is.

[07:37] I have just clicked on it. Or maybe I just need to copy it because this is a Ubuntu machine. So, I’ll just grab this and run it in front of you. And there you go. So, this is what it looks like. Let me try to minimize this. Okay, so this is a duck board. This is the name of the cafe, by the way. And menu, story, find us. You see, menu works. Story works, and find us also works. So, I’ll just go at the top and we’ll

[08:13] scroll through. The font looks good, sort of a chic style. Uh do you think it’s a modern one? I’m not sure about that. And see what’s pouring, I’ll check it shortly. And then rest of it, there is a menu. This one looks good. This is pretty different. And then it is talking about its story. And this looks good. You see, it says that we got evicted

[08:44] from perfectly good garage and needed somewhere to put 9 kilos of Ethiopian dream bean. Very nice. And this is nice. Quite modern. And then very nice. You see, this is the creativity that if you are coming to this place, if you’re coming through tram 86 to tram stop 20, and then vendor and 130-ish. So, this is quite good. Encouraged biscuits behind the counter. So, creativity is quite good. Don’t

[09:17] doubt about that. This one is also not bad. I’ll just go up and we’ll click on that button which I wanted to earlier. So, this is the board. Very nice. So, not bad at all. Uh but I will also take your advice on it. Let’s do a vision test now. Hello, by the way, it also creates the skills by itself. You see, I didn’t ask it, but it created a skill out of it. Let’s do a very hard vision test. So, and this is right according to their

[09:49] blog post which they claim. I’m testing if the model can comprehend this image and then, more importantly, if it can turn that into a structured game design logic, which is the actual claim. So, this is the image that I already have given to the model and this is a prompt to create me a small interactive 3D game scene concept based on it. And then it needs to describe the environment and that all that stuff. So, let’s see what sort of output it provides because I have given it free hand here.

[10:21] And the model has come back with a really strong result. It identified every object in the image accurately, like balls, mice, post towers, donut bed, and lot of other things. And mapped each one to a concrete interactive mechanic instead of just describing the scene. So, as they claim that it can decompose a request into multiple tasks, that is true. Now, let me see if it can actually generate something out of this concept. So, I’m asking it to build me a simple playable 3D prototype in a single HTML file. Let’s see what it produces.

[10:59] Okay, so the model says that it has completed the goal. Let me open this URL in browser in front of you and we will check it out. There you go. So, okay, now it says there is something. Oh, wow, this is not bad. So, it says that space to bounce. Yes, it is bouncing and this is not bad at all. Wow. This is so good. It is even jumping. And you can see the rest of it is quite

[11:31] good. So, the bounce is working with the space bar, but the problem is that my keyboard keys w a s d are not working. By the way, w is forward, a is left, s is back, d is right. These are the keys, but when I press them, nothing happens. So, if I, for example, press F12 in the developer mode, you see, this is the error I’m getting. So, what I’m going to do, I’m just going to go back down here, and I’ll tell it this. That the game has this bug. This is the

[12:05] error. That fix it. Let’s see if it is able to fix it or not live. Okay, it says that it has fixed it, so let’s me do hard refresh with control F5. And now we have the red ball. I’m going to move with keys. Still not nothing is happening. Bounce is working, and I have hit it. That is good. I’ll just keep moving. Okay, so keys are still not working.

[12:43] Maybe it is my browser issue. I don’t know. Maybe I’ll just press F12 again. And I’ll focus. I don’t see any errors. This is not bad at all. You know what? Let me open it in another browser and try again. Just a sec. And now this is Microsoft Edge. I’m going to press space bar. This is good. No, the keys are not working. I also have checked it in Chrome. But keys don’t work. Bounce work. Other

[13:17] than that, I think it looks okay. Not bad at all. In terms of image understanding and actually producing that simulation or 3D animation. So, that’s it. That is Xiaomi’s Mimo for you. There are two other models. There is also a distillation of coin, which I might cover uh in the next couple of days, so stay tuned. Let me know your thoughts in the comments. Thank you for all the support.