اگر برای درک تصویر، ویدیو و صدا از چند مدل جداگانه استفاده می‌کنید، شیاومی همین‌اکنون یک نقطه‌عطف قیمتی ایجاد کرد. MiMo-V2.6-Flash (MiMo-V2.6-Flash) ورودی‌های چندوجهی (Multimodal) را به نرخِ متنِ ساده می‌پذیرد و نیازی به بازنویسی کد ندارد. توسعه‌دهندگانی که همچنان روی V2.5-Pro تنها‌متن مانده‌اند، با تغییر تنها آدرس پایه (Base URL) و نام مدل می‌توانند مهاجرت کنند.
این مدل ۳۰۹ میلیارد پارامتر (Parameter) کل دارد، اما در هر پاس پیش‌رو (Forward Pass) تنها ۱۵ میلیارد پارامتر فعال می‌شود — تأخیر پایین و قابلیت‌های گسترده در یک بسته.
زمینه انتشار
شیاومی این مدل ۳۰۹ میلیارد پارامتری را در ۲۲ سپتامبر ۲۰۲۶ (September 22, 2026) به‌صورت بازمتن (Open-source) منتشر کرد. هم‌زمان، API نسخه V2.5 در ۲۱ اکتبر (October 21) منسوخ (Retire) شد. انتشار در لحظه‌ای رخ داد که تیم‌ها به دنبال ادغام خطوط لوله (Pipeline) بینایی، گفتار و متن در یک مدل واحد هستند.
مشخصات فنی MiMo-V2.6-Flash به‌صورت زیر است:
- پارامترهای کل: ۳۰۹ میلیارد (از ۱.۰۲ تریلیون در V2.5-Pro کاهش یافته)
- پارامترهای فعال: ۱۵ میلیارد (از ۴۲ میلیارد)
- ورودی‌ها: متن، تصویر، ویدیو، صدا
- خروجی: تنها متن
- قیمت: حدود ۱ یوان برای میلیون توکن ورودی و ۲ یوان برای میلیون توکن خروجی، با تخفیف تا ۹۹٪ برای کش متنی (Context Cache)
- پروتکل API: هم OpenAI و هم Anthropic پشتیبانی می‌شود؛ SDK جدیدی لازم نیست
جزئیات فرمت درخواست
به نقل از مستندات شیاومی، ارسال تصویر از فرمت استاندارد پیام‌های OpenAI با بخش image_url پیروی می‌کند. ویدیو و صدا هم‌چنین به‌عنوان بخش‌های محتوا (Content Parts) اضافه می‌شوند؛ برای صدا، بخش input_audio داده‌های base64 و فیلد فرمت (مانند wav) را می‌پذیرد. مدل در یک فراخوانی تحلیل، کد یا برنامه نوشته برمی‌گرداند — بدون نیاز به دوختن مدل‌های جداگانه بینایی و زبان.
همان‌طور که در تحلیل قبلی ما درباره‌ی مدل‌های چندوجهی بازمتن اشاره کردیم، حذف لایه ارکستراسیون کلیدِ کاهش هزینه است. این مدل لایه‌ای را که قبلاً توسعه‌دهندگان را مجبور می‌کرد عکس‌ها را از طریق یک انکودر بینایی (Vision Encoder) بفرستند و سپس متن را به LLM بدهند، از بین می‌برد. یک مدل اکنون کل پشته را مدیریت می‌کند. مقابله‌ی این سود، خروجی متنی است؛ تیم‌هایی که نیاز به تولید تصویر یا گفتار دارند باید MiMo را با یک مدل تولید جداگانه جفت کنند.
برای کاربران وزن‌های باز (Open Weights)، نسبت قیمت به قابلیت تیترِ خبر است. درک چندوجهی به‌صورت موثری رایگان در مقایسه با سطح قبلیِ تنها‌متن ارائه شده. مدل‌های بسته همچنان در بنچمارک‌های هوش خام پیشروند، اما برای بارهای تولیدی حساس به هزینه که امروز درک بینایی و شنوایی می‌خواهند، این خانواده انتخاب عملی است.
گام بعدی شما
- کلاینت OpenAI موجود خود را به
https://api.crazyrouter.com/v1با مدلmimo-v2.6-flashهدایت کنید و یک وظیفه عکس-به‌کد را تست کنید. - اگر سقف بالاتر از مدل بازمتن نیاز دارید، انتشار V2.6-Pro را رصد کنید.
- برای تأخیر فوق‌العاده پایین، حالت ۲۰× UltraSpeed را در نقشه داشته باشید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های جدید شیاومی مراجعه کنید.
گفتگو