شیائومی هوش مصنوعی متن‌باز MiMo-V2.6-Pro را معرفی کرد؛ رقیب قدرتمند و ارزان مدل‌های بسته

سری متن‌باز MiMo-V2.6 با تکیه بر یادگیری تقویتی مقیاس‌پذیر و درک فضایی، استانداردهای تازه‌ای در مهندسی نرم‌افزار و خلق جهان‌های سه‌بعدی ثبت کرد.

توسعه‌ی سامانه‌های هوش مصنوعی با انتشار خانواده‌ی مدل‌های MiMo-V2.6 گام بلندی به‌سمت خودبهبودگری برداشت. شیائومی می‌گوید تمرکز اصلی در این مرحله، گسترش محاسبات یادگیری تقویتی روی وظایف پیچیده و قابل راستی‌آزمایی بوده تا مرزهای توانمندی مدل‌ها از طریق کاوش و دریافت بازخورد مدام ارتقا یابد.

مجموعه‌ی جدید شامل دو مدل همه‌منظوره‌ی MiMo-V2.6-Pro به‌عنوان قدرتمندترین نمونه و MiMo-V2.6-Flash برای ایجاد تعادل میان هوشمندی، کارایی و هزینه می‌شود.

در کنار این موارد، نسخه‌ی MiMo-V2.6-Pro-UltraSpeed نیز دردسترس قرار گرفته که با حفظ کیفیت خروجی، سرعت تولید پاسخ را تا ۲۰ برابر افزایش می‌دهد. مدل پرچمدار در شاخص Artificial Analysis موفق به کسب امتیاز ۴۶٫۳۲ شده و با پشت سر گذاشتن رقبایی نظیر Kimi K3 و Qwen3.8 Max، جایگاه قدرتمندترین مدل متن‌باز فعلی را تصاحب کرده است؛ دستاوردی که بدون افزایش قیمتِ رابط‌های برنامه‌نویسی نسبت‌به نسل قبل محقق شد.

مهندسی یادگیری تقویتی در ابعاد گسترده

شیائومی می‌گوید فرآیند آموزش این خانواده طی ۶ روز و به‌صورت زنده پخش شد تا جامعه‌ی پژوهشی شاهد تمامی مراحل آزمون باشد. مدل‌های MiMo-V2.6-Flash و MiMo-V2.6-Pro به‌ترتیب با صرف هزینه‌ای معادل ۰٫۸۵ و ۲٫۶۲ میلیون دلار، ۳۰ مرحله‌ی یادگیری تقویتی را روی حدود ۷۵۰ هزار مسیر تصمیم‌گیری سپری کردند.

نرخ موفقیت در وظایف آموزشی بین ۱۲ تا ۲۵ درصد رشد داشت و در بنچمارک دشوار مهندسی نرم‌افزار DeepSWE v1.1 نیز امتیازها جهش چشمگیری پیدا کرد و به‌ترتیب به ۶۵٫۶۸ و ۷۲٫۵۷ رسید.

توسعه‌دهندگان برای مقیاس‌پذیری زیرساخت‌های محاسباتی روی سه محور اصلی تمرکز کردند:

فراتر از برنامه‌نویسی؛ خلق دنیاهای تعاملی

قابلیت‌های کدنویسی هوش مصنوعی جدید شیائومی فراتر از تولید نرم‌افزارهای رایج گسترش یافته و امکان ساخت جهان‌های تعاملی را فراهم کرده است. ترکیب استدلال سه‌بعدی، درک چندوجهی و ایجنت‌های تعامل با کامپیوتر به کاربر اجازه می‌دهد تنها با یک توصیف متنی یا تصویری، محیط‌های قابل اجرا خلق کند.

عامل‌های هماهنگ درون سامانه وظایف را تفکیک کرده، صحنه‌های سه‌بعدی را در نرم‌افزار بلندر شکل می‌دهند و با بررسی مداوم تصاویر رندرشده، منطق بازی یا انیمیشن را می‌سازند. کنترل بازوی رباتیک Franka Panda در محیط‌های شبیه‌سازی فیزیکی نیز نمونه‌ی دیگری از این ادغام است که از طریق بازخورد بصری چندزاویه‌ای، هدایت دقیق اشیاء را ممکن می‌سازد.

طراحی بصری، تولید ویدیو و موسیقی

توانایی‌های بصری از طراحی ساده فراتر رفته و به تولید رابط‌های کاربری چندبخشی در ابزارهایی مانند Figma رسیده است. هماهنگی میان تایپوگرافی، رنگ‌بندی و پویانمایی عناصر باعث شده خروجی‌ها از نظر زیبایی‌شناسی و تجربه‌ی کاربری تراز بالایی داشته باشند.

تولید ویدیوهای معرفی محصول و آموزش‌های علمی از جمله تشریح فرمول فوریه همراه با انیمیشن‌های یکپارچه و خوانش صوتی هماهنگ از طریق MiMo-V2.5-TTS به‌طور کامل خودکارسازی می‌شود. فرآیند آهنگ‌سازی نیز با درک دقیق از ترکیب سازهای ارکسترال و ساخت فایل‌های MIDI کامل، پتانسیل بالایی در همکاری با آهنگسازان نشان داده است.

همکاری علمی در شیمی و ریاضیات پیشرفته

پژوهشگران بدون نیاز به آموزش اختصاصی توانسته‌اند از MiMo-V2.6-Pro به‌عنوان همیار علمی بهره ببرند. در پروژه‌ای با متخصصان مواد شیائومی، مدل توانست با بررسی مقالات و پتنت‌ها، مواد چارچوب فلزی-آلی نوینی را برای جذب ترکیبات شیمیایی پایدار طراحی کند و با شبیه‌سازی رایانه‌ای، قدرت پیوندها را پیش از ورود به آزمایشگاه بسنجد.

شیائومی ادعا می‌کند اثبات رسمی قضایای پیچیده‌ی ریاضی نیز با موفقیت پیاده‌سازی شده است. نسخه‌های متنوع MiMo-V2.6 هم‌اکنون از طریق بسترهای AI Studio، نرم‌افزار MiMo Desktop، پلتفرم‌های ابری و OpenRouter در اختیار کاربران قرار دارند.