Xiaomis MiMo V2.6 Pro führt das Open Weight Ranking an

Reinforcement Learning als zentraler Entwicklungsfaktor

Xiaomi beschreibt das nachgelagerte Reinforcement Learning als einen wesentlichen Grund für die Leistungssteigerungen gegenüber MiMo-V2.5-Pro. Das Unternehmen trainierte die Modelle wiederholt mit komplexen Aufgaben aus den Bereichen Programmierung, agentische Prozessausführung und Cybersicherheit.

Nach Xiaomis Darstellung durchliefen Pro und Flash jeweils 30 Reinforcement-Learning-Schritte mit insgesamt rund 750.000 Aufgabenläufen. Ein Teil dieser Aufgaben soll längere, mehrstufige Abläufe abgebildet haben. Dabei geht es nicht nur um die Erzeugung einer einzelnen Antwort, sondern um die Planung und Ausführung mehrerer Handlungsschritte, beispielsweise das Aufrufen von Werkzeugen, das Prüfen von Zwischenergebnissen und die Korrektur eines eingeschlagenen Lösungswegs.

Diese Ausrichtung ist für Unternehmen relevant, weil viele produktive KI-Anwendungen über einfache Frage-Antwort-Szenarien hinausgehen. Typische Anwendungsfälle umfassen das Auswerten von Informationen aus mehreren Systemen, das Erstellen und Überprüfen von Code, die Bearbeitung von Tickets oder die Vorbereitung von Rechercheergebnissen. Die Leistungsfähigkeit eines Modells hängt in solchen Prozessen nicht nur von seiner sprachlichen Qualität ab, sondern auch von seiner Fähigkeit, Zustände zu verwalten, Werkzeuge korrekt zu verwenden und Fehler zu erkennen.

Gleichzeitig müssen die Angaben zum Training differenziert betrachtet werden. Die veröffentlichten Trainingsläufe und Benchmarks stammen teilweise vom Anbieter selbst. Solche Ergebnisse sind für die Einordnung wichtig, aber nicht mit einer vollständig unabhängigen Validierung gleichzusetzen. Für sicherheitskritische oder geschäftskritische Aufgaben sind eigene Tests mit realistischen Fehlerszenarien erforderlich.

Offene Gewichte und technische Nachvollziehbarkeit

Xiaomi stellt die Gewichte von MiMo-V2.6-Pro und MiMo-V2.6-Flash unter einer MIT-Lizenz auf Hugging Face bereit. Zusätzlich veröffentlicht das Unternehmen nach eigenen Angaben den Reinforcement-Learning-Code und die verwendeten Trainingsumgebungen. Damit erhalten Forschungsteams und Unternehmen grundsätzlich die Möglichkeit, das Modell außerhalb der offiziellen API zu untersuchen und zu betreiben.

Der Begriff Open Weight sollte dabei präzise verwendet werden. Offene Gewichte ermöglichen den Zugriff auf die trainierten Modellparameter. Sie bedeuten nicht automatisch, dass sämtliche Trainingsdaten, Bewertungsprozesse, Infrastrukturkomponenten oder Sicherheitsmechanismen vollständig offengelegt sind. Für eine reproduzierbare Bewertung ist deshalb zu prüfen, welche Bestandteile tatsächlich verfügbar sind und unter welchen Bedingungen sie genutzt werden dürfen.

Die MIT-Lizenz kann eine breite kommerzielle Nutzung erleichtern. Dennoch sollten Sie vor der Integration die konkreten Lizenztexte, ergänzende Hinweise des Anbieters sowie mögliche Pflichten bei Weitergabe und Veränderung prüfen. Zusätzlich gelten unabhängig von der Modelllizenz weitere rechtliche Anforderungen, etwa zum Datenschutz, zum Urheberrecht, zur Informationssicherheit und zur Dokumentation automatisierter Entscheidungen.

Ein Eigenbetrieb kann die Kontrolle über Datenflüsse erhöhen. Er bringt jedoch neue Verantwortlichkeiten mit sich. Dazu gehören die Absicherung der Modellserver, die Verwaltung von Zugriffen, das Einspielen von Aktualisierungen, die Erkennung missbräuchlicher Nutzung und die Überwachung von Ausgaben. Ein offenes Modell ist daher nicht automatisch ein vollständig kontrolliertes Modell.

MiMo-V2.6-Flash: kleiner und günstiger

Neben dem Pro-Modell umfasst die neue Reihe MiMo-V2.6-Flash. Diese Variante verfügt über rund 309 Milliarden Gesamtparameter, von denen pro Token etwa 15 Milliarden aktiviert werden. Xiaomi positioniert Flash als kleinere und kostengünstigere Alternative.

Die API-Preise liegen bei 0,14 US-Dollar je Million Eingabe-Token und 0,28 US-Dollar je Million Ausgabe-Token ohne Cache-Treffer. Für gecachte Eingaben werden 0,0028 US-Dollar je Million Token genannt. Nach Angaben von Xiaomi erreicht Flash in mehreren agentischen Benchmarks Werte, die nahe am Pro-Modell liegen. Eine unabhängige Auswertung durch Artificial Analysis lag zum genannten Veröffentlichungszeitpunkt jedoch noch nicht vor.

Für standardisierte, häufig wiederkehrende Aufgaben kann Flash eine wirtschaftliche Option sein. Dazu zählen beispielsweise Klassifikation, Extraktion strukturierter Informationen, einfache Zusammenfassungen oder die Vorverarbeitung von Dokumenten. Ob die kleinere Variante auch bei anspruchsvollen mehrstufigen Abläufen ausreichend zuverlässig arbeitet, muss im Einzelfall geprüft werden.

Ein mögliches Einsatzmuster ist ein gestuftes Modellrouting. Ein günstigeres Modell übernimmt Routineaufgaben, während MiMo-V2.6-Pro nur bei komplexen, unklaren oder besonders wichtigen Fällen eingesetzt wird. Ein solches Verfahren kann Kosten senken, erhöht aber den technischen Aufwand. Erforderlich sind Regeln für die Auswahl des Modells, einheitliche Schnittstellen und Messgrößen für die Qualität.

Das Distill-Modell für Forschung und kleinere Systeme

Mit MiMo-V2.6-Distill-Qwen-9B stellt Xiaomi außerdem ein deutlich kleineres Forschungsmodell bereit. Es basiert auf Qwen3.5-9B und soll Untersuchungen dazu ermöglichen, wie agentische Fähigkeiten auf kompaktere Modelle übertragen und anschließend durch Reinforcement Learning weiterentwickelt werden können.

Kleinere Modelle sind für Unternehmen interessant, die KI direkt auf eigenen Servern, in abgeschotteten Netzwerken oder auf Geräten mit begrenzten Ressourcen einsetzen möchten. Sie können geringere Anforderungen an Speicher und Rechenleistung stellen und lassen sich unter Umständen leichter in bestehende Systeme integrieren.

Die geringere Größe geht jedoch typischerweise mit Einschränkungen bei komplexen Schlussfolgerungen, seltenem Fachwissen und langen Handlungsketten einher. Ein Distill-Modell sollte daher nicht allein anhand der Leistungswerte des Ausgangsmodells bewertet werden. Entscheidend ist die Qualität im konkreten Zielprozess.

Einordnung der Kontroverse um Trainingsdaten

Parallel zur Veröffentlichung der MiMo-V2.6-Reihe wurden Vorwürfe bekannt, wonach Xiaomi bei der Entwicklung seiner Modelle unerlaubt Ausgaben des Sprachmodells Claude genutzt haben könnte. Die entsprechenden Anschuldigungen wurden in Medienberichten unter Berufung auf Aussagen von Anthropic aufgegriffen. Eine abschließende, unabhängig bestätigte Bewertung der Vorwürfe liegt auf Grundlage der vorliegenden Informationen nicht vor.

Die Debatte berührt eine zentrale Frage der modernen Modellpflege: Wie werden Trainings- und Bewertungsdaten gewonnen, dokumentiert und rechtlich abgesichert? Für Unternehmen ist dieser Aspekt relevant, weil mögliche Unklarheiten bei der Herkunft von Trainingsdaten die rechtliche und wirtschaftliche Bewertung eines Modells beeinflussen können.

Vor einer Nutzung sollten Organisationen deshalb prüfen, welche Angaben der Anbieter zu Trainingsdaten, Datenquellen, Lizenzierung und Sicherheitsmaßnahmen veröffentlicht. Ebenso wichtig sind Regelungen für die API-Nutzung: Werden Kundeneingaben zum Training verwendet? In welcher Region werden sie verarbeitet? Welche Speicherfristen gelten? Welche Optionen bestehen für die Löschung und Protokollierung?

Die Verfügbarkeit offener Gewichte beantwortet diese Fragen nicht vollständig. Sie kann den Zugang zur technischen Prüfung erleichtern, ersetzt aber keine Prüfung der Datenherkunft und der organisatorischen Rahmenbedingungen.

Was Unternehmen vor einem Einsatz prüfen sollten

Für B2B-Anwender ist der Spitzenplatz in einem Open-Weight-Ranking ein Anlass für eine strukturierte Evaluierung, nicht für eine automatische Beschaffungsentscheidung. Ein belastbarer Test sollte die technische, wirtschaftliche und regulatorische Ebene verbinden.

• Aufgabenqualität: Testen Sie typische Eingaben aus Ihrem Arbeitsbereich und messen Sie Genauigkeit, Vollständigkeit, Halluzinationsrate und Nachbearbeitungsaufwand.
• Agentenfähigkeit: Prüfen Sie, wie zuverlässig das Modell Werkzeuge aufruft, Zwischenschritte plant, Fehler korrigiert und Aufgaben bei unvollständigen Informationen abbricht.
• Multimodalität: Bewerten Sie Bild-, Audio- und Videoverarbeitung getrennt. Die Unterstützung eines Eingabeformats sagt noch nichts über dessen Qualität in Ihrem Fachgebiet aus.
• Kontextverarbeitung: Untersuchen Sie lange Dokumente auf Informationsverlust, falsche Verknüpfungen und unzureichende Quellenzuordnung.
• Datenschutz: Klären Sie Datenstandorte, Auftragsverarbeitung, Speicherfristen, Trainingsnutzung und Löschprozesse.
• Sicherheit: Testen Sie Prompt-Injection, Datenabfluss, missbräuchliche Tool-Aufrufe und die Verarbeitung vertraulicher Inhalte.
• Betrieb: Ermitteln Sie Latenz, Durchsatz, Verfügbarkeit, Hardwarebedarf und den Aufwand für Updates und Monitoring.
• Lizenzierung: Prüfen Sie die MIT-Lizenz, ergänzende Modellbedingungen und die Auswirkungen einer kommerziellen Weitergabe oder Anpassung.
• Governance: Dokumentieren Sie Zuständigkeiten, Freigabeprozesse, menschliche Kontrollpunkte und Eskalationswege bei fehlerhaften Ausgaben.

Bedeutung für den Markt offener Modelle

MiMo-V2.6-Pro verschärft den Wettbewerb im Bereich der Open-Weight-Modelle. Die Kombination aus hoher Benchmark-Leistung, multimodaler Verarbeitung, langem Kontext und niedrigen API-Kosten erhöht den Druck auf Anbieter, ihre Modelle nicht nur über Spitzenwerte, sondern auch über Effizienz und Zugänglichkeit zu differenzieren.

Für Unternehmen erweitert sich dadurch die Auswahl. Neben proprietären Plattformen können offene Modelle eine größere Rolle bei hybriden Architekturen spielen. Sensible Daten lassen sich dabei gegebenenfalls in einer kontrollierten Umgebung verarbeiten, während standardisierte oder besonders rechenintensive Aufgaben über externe Dienste laufen. Ob diese Aufteilung sinnvoll ist, hängt von Sicherheitsanforderungen, Kosten, vorhandener Infrastruktur und dem jeweiligen Prozess ab.

Die Entwicklung zeigt zudem, dass Fortschritte nicht ausschließlich aus einer immer komplexeren Modellarchitektur resultieren müssen. Xiaomis Angaben legen nahe, dass Datenqualität, Aufgabendesign, Evaluierung und nachgelagertes Training einen erheblichen Beitrag leisten können. Für Unternehmen folgt daraus, dass die Auswahl eines Grundmodells nur ein Teil der Gesamtaufgabe ist. Ebenso wichtig sind hochwertige Unternehmensdaten, klare Prozessdefinitionen und ein kontinuierliches Evaluationssystem.

Fazit

MiMo-V2.6-Pro markiert einen wichtigen Entwicklungsschritt im Segment der offenen KI-Modelle. Mit 46 Punkten im Intelligence Index von Artificial Analysis führt das Modell zum Veröffentlichungszeitpunkt die dortige Open-Weight-Rangliste an. Seine technische Ausstattung, die Unterstützung mehrerer Eingabeformate und die niedrige Preisstruktur machen es für unterschiedliche Unternehmensszenarien prüfenswert.

Die Ranglistenposition sollte jedoch im richtigen Kontext gelesen werden. Benchmarks sind Momentaufnahmen unter definierten Bedingungen und lassen sich nicht ohne Weiteres auf produktive Arbeitsabläufe übertragen. Für eine belastbare Entscheidung müssen Unternehmen Qualität, Kosten, Datenschutz, Lizenzierung, Sicherheitsrisiken und Betriebsaufwand gemeinsam bewerten.

Mit der Pro-, Flash- und Distill-Variante deckt Xiaomi unterschiedliche Anforderungen ab: maximale Modellkapazität, kostengünstigere Verarbeitung und Forschung mit kleineren Systemen. Ob MiMo-V2.6-Pro im konkreten Fall die geeignete Wahl ist, entscheidet sich daher weniger an der allgemeinen Spitzenposition als an der Leistung in den eigenen Daten, Prozessen und Compliance-Rahmenbedingungen.

Bibliografie

1. Artificial Analysis: MiMo-V2.6-Pro – Analyse von Intelligenz, Leistung und Preis. https://artificialanalysis.ai/de/models/mimo-v2-6-pro
2. Xiaomi MiMo: Introducing MiMo-V2.6 series. https://mimo.xiaomi.com/mimo-v2-6
3. Bezmalinović, Tomislav: MiMo-V2.6-Pro: Neues Open-Weight-Modell schlägt offene Konkurrenz. heise online, 22. September 2026. https://www.heise.de/news/MiMo-V2-6-Pro-Neues-Modell-fuehrt-Open-Weight-Ranking-an-11462212.html
4. Franzen, Carl: “Better than DeepSeek”: Xiaomi’s MiMo-V2.6-Pro debuts as the top open weights model. VentureBeat, 21. September 2026. https://venturebeat.com/technology/better-than-deepseek-xiaomis-mimo-v2-6-pro-debuts-as-the-top-open-weights-model-in-the-world-alongside-cheaper-v2-6-flash
5. Schreiner, Maximilian: Offenheit mit Beigeschmack: Xiaomis günstiges KI-Spitzenmodell soll von Claude profitiert haben. The Decoder, 22. September 2026. https://the-decoder.de/xiaomis-mimo-v2-6-wird-staerkstes-offenes-ki-modell-und-bleibt-dabei-guenstig/
6. Raschka, Sebastian: MiMo-V2.6 Pro Architecture and Training Notes, 22. September 2026. https://sebastianraschka.com/blog/2026/mimo-v2-6-pro-architecture-training-notes.html
7. Xiaomi MiMo auf Hugging Face: MiMo-V2.6-Modellsammlung. https://huggingface.co/collections/XiaomiMiMo/mimo-v26
8. Xiaomi MiMo: Technischer Bericht zu MiMo-V2.6-Pro und Reinforcement Learning. https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL/blob/main/MiMo_V2_6_technical_report.pdf