小米发布MiMo-V2.6：350万美元打造的全模态开源模型

小米入局前沿大模型竞赛

小米正式发布了新一代多模态大模型 MiMo-V2.6，官方口号颇为直白——"前沿智能、全模态、公开构建"（Frontier intelligence, all the modalities, built in public）。这句话包含三个关键承诺：对标前沿性能、覆盖全部模态，以及以透明公开的方式推进研发。

对于以硬件和智能生态著称的小米而言，这一动作意味着它正试图在被 OpenAI、Google、Meta 以及国内头部厂商占据的大模型赛道上占据一席之地。与许多闭门研发的实验室不同，MiMo-V2.6 强调"built in public"，即研发过程与评测数据向外界开放，这种姿态在当前竞争激烈的模型发布节奏中显得较为少见。

350万美元的训练成本引发关注

此次发布中最抓眼球的数据，是官方披露的总训练成本仅为 350 万美元。在动辄数千万甚至上亿美元训练开销的前沿模型语境下，这一数字显得相当激进。

如果该成本属实，它传递出的信号是：借助更高效的训练方法、更优的数据组织以及更成熟的基础设施，前沿级别的模型能力正在变得越来越"平价"。这也与近年来业内不断讨论的"训练效率革命"趋势相吻合——模型能力的提升未必需要成本的等比例增长。

需要提醒的是，训练成本的口径往往存在差异，是否包含前期实验、数据构建、人力投入等，都会显著影响最终数字。因此这 350 万美元更适合作为一个参考锚点，而非直接与其他厂商的公开成本做简单对比。

作为参照，OpenAI 的 GPT-4 据估算训练成本超过 1 亿美元，Meta 的 Llama 3 系列也耗费了数千万美元级别的算力。近年来推动训练成本下降的关键因素包括：混合精度训练与量化技术的成熟、更高效的 Transformer 变体架构（如 MoE 混合专家模型）、以及以 DeepSeek^广告 为代表的国内团队所展示的激进数据配比和课程学习策略。2025 年初 DeepSeek-R1 以极低成本达到前沿性能，已经将"低成本高效模型"的讨论推向主流。小米此次披露的 350 万美元数字，正是在这一背景下获得关注的——它暗示前沿模型的训练门槛正在从顶级实验室向更多参与者扩散。

实时"刷榜"仪表盘

MiMo-V2.6 的另一个特色是配套了一个实时评测仪表盘（原文戏称为 live benchmaxxing dashboard）。用户可以直接查看模型在各类基准测试上的表现。

"benchmaxxing"这个词本身带有一定调侃意味，指的是围绕基准分数进行的极致优化。将评测结果实时公开，一方面体现了小米对模型性能的自信，另一方面也呼应了"built in public"的理念——把通常藏在论文附录里的数字直接摆到台面上。

不过，业内对基准测试的态度日趋审慎。高榜单分数与真实使用体验之间常常存在落差，实时仪表盘固然增加了透明度，但最终能否转化为可靠的实际能力，仍需开发者和用户在真实场景中检验。

大模型评测基准（benchmark）是衡量模型能力的标准化测试集，常见的包括：MMLU（涵盖 57 个学科的多选题，测试知识广度）、HumanEval（代码生成能力）、MATH（数学推理）、以及 MT-Bench、LMSYS Arena 等对话质量评估。然而"刷榜"（benchmark gaming）现象普遍存在——模型在训练或微调阶段可能接触过测试集相关数据，导致分数虚高但泛化能力不足。正因如此，社区越来越重视"污染检测"（contamination detection）和基于真实用户投票的评测方式。小米选择实时公开仪表盘，短期内能建立透明形象，但也会吸引社区对数据污染和评测口径的更严格审查。

全模态定位的意义

"all the modalities"意味着 MiMo-V2.6 并不局限于文本，而是覆盖图像、语音等多种模态。对小米这样拥有手机、IoT 设备、汽车等庞大终端生态的公司来说，全模态能力具有天然的落地场景。

多模态模型可以更自然地融入智能助手、车载交互、智能家居等产品之中。换言之，小米做大模型的逻辑与纯粹的模型实验室不同——它更可能将 MiMo 系列作为其硬件生态的底层智能引擎，从而形成软硬件协同的差异化优势。

多模态大模型（Multimodal LLM）是指能够同时处理文本、图像、音频乃至视频等多种输入输出形式的模型，与只处理文本的纯语言模型相对。其技术核心通常是将不同模态的编码器（如视觉编码器 CLIP、语音编码器 Whisper 等）与大型语言模型的解码器对齐，使模型能够在统一的表示空间中理解和生成跨模态内容。代表性产品包括 GPT-4o（OpenAI）、Gemini（Google）和 Claude 3（Anthropic）。对硬件厂商而言，多模态能力尤其重要：手机摄像头输入、语音助手交互、车载视觉感知均依赖模型对图像和音频的理解，纯文本模型无法覆盖这些核心场景。

值得持续观察的一步棋

目前公开信息主要来自 Reddit 上的发布讨论以及官方页面（mimo.xiaomi.com/mimo-v2-6），关于模型的完整技术细节、开放权重情况、实际评测对比等仍有待官方进一步披露。

从战略角度看，小米以低成本、全模态、公开透明为标签切入前沿模型竞争，是一步值得关注的棋。若其宣称的成本效率与性能表现能够经受住社区验证，MiMo-V2.6 或将成为"高性价比前沿模型"讨论中的一个重要案例。感兴趣的开发者不妨访问官方页面获取一手信息，并结合实际任务对其能力进行评估。