OrcaCyber MiMo V2.6 Flash: та же цена, что у собрата, на семь пунктов лучше в CyberGym и на пятнадцать хуже в Exploit Reproduction

OrcaCyber MiMo V2.6 Flash Abliterated запущен сегодня по той же тарифной сетке, что и OrcaCyber Flash 1.0 — $0.80 за вход и $1.60 за выход за миллион токенов, $0.15 за чтение из кэша, контекст в миллион токенов, отказное поведение удалено. Та же цена, то же контекстное окно, то же отсутствие уклончивости. Что их разделяет — это то, в чём каждый силён, и по нашим собственным измерениям эти два профиля почти зеркальны: новая сборка опережает CyberGym на семь пунктов и отстаёт от своей сестринской модели на пятнадцать пунктов по воспроизведению эксплойтов. Всем, кто рассматривает модель, которая напрямую работает в сфере наступательной безопасности, стоит также держать в поле зрения более широкий массив данных, и именно для этого OrcaRouter AI Incident Archive и существует — чтобы собирать. В этом посте рассказывается, что именно выпущено, каковы цифры и для каких рабочих нагрузок каждая сборка действительно оправдывает своё существование.

Что на самом деле было выпущено

MiMo V2.6 Flash — это чекпойнт эффективности Xiaomi из её релиза MiMo-V2.6 в сентябре 2026 года: разреженная модель mixture-of-experts с 309 млрд параметров всего и 15 млрд активных на токен, под лицензией MIT, с контекстом в миллион токенов. Сборка OrcaCyber — это тот же чекпойнт, у которого поведение отказа удалено из весов — abliteration, а не дообучение: без корпуса для переобучения, без новой архитектуры, просто направления, вдоль которых модель отказывается, вычтены из матриц, которые их несут. Это третье название в линейке OrcaCyber после Nano и Zero, и именно оно создано для высокой пропускной способности.

Диапазон входных данных шире, чем у его собрата. MiMo V2.6 Flash принимает текст, изображения, аудио и видео и возвращает текст, поэтому запись экрана сеанса консоли, записанный звонок, схему сети или скриншот состояния ошибки можно анализировать в одном запросе вместе с исходным кодом и длинным журналом. Объём выходных данных ограничен 131 072 токенами на ответ. Доступны режимы с рассуждением и без рассуждения с выбираемой интенсивностью рассуждений, а также нативный вызов функций и структурированный вывод JSON; модель доступна через Chat Completions, OpenAI Responses и Anthropic Messages.

Цена одинакова, поэтому цена ничего не решает.

Обе модели стоят $0.80 за вход и $1.60 за выход за миллион токенов, а чтение из кеша — $0.15: та же карточка, до цента, и без наценки с нашей стороны. Это делает выбор необычно простым. Нет более дешёвой модели, в которую можно себя уговорить, и нет премиального уровня, который нужно оправдывать. Единственный вопрос — какой набор строк соответствует работе, которая перед вами.

Доступ — ещё одна общая черта этих двух, и он не открыт любому желающему: оба маршрута защищены договорённостью, ключом доступа и условиями, что является правильной формой для модели, чья цель — санкционированная наступательная работа. Цена и возможности публичны; возможность обратиться к любому из них — нет.

Два разных основания под одинаковыми карточками

Карточки совпадают, потому что цена не зависит от базы, а базы имеют неодинаковую форму. MiMo V2.6 Flash — это разреженная модель с 309 млрд параметров и 15 млрд активных на токен; контрольная точка DeepSeek, лежащая в основе Flash 1.0, содержит 552 млрд параметров при 16 млрд активных. Обе распространяются по лицензии MIT, обе были отредактированы на уровне весов, а не переобучены, и обе поставляются с удалённым поведением отказа.

Закономерность в числах согласуется с этим различием, но не доказывает его: меньшая база стартует быстрее и имеет более низкий потолок вывода, тогда как большая лучше справляется со строками, где требуется провести длинную цепочку эксплуатации до рабочего результата. Число параметров модели плохо предсказывает любой отдельный бенчмарк, поэтому воспринимайте это как контекст для чтения строк, а не как их объяснение.

Где выигрывает новый уровень

• CyberGym — 95,1% у MiMo V2.6 Flash против 88,1% у Flash 1.0: преимущество в семь пунктов в рейтинге киберрассуждений.

• Медианное время до первого токена — 928 мс против 1 970 мс на нашем трафике playground, примерно вдвое быстрее по началу работы, при скорости вывода 765,9 токена в секунду против 171,1.

• Типы входных данных — аудио и видео вдобавок к тексту и изображениям, которые родственная модель вовсе не принимает.

Показатель скорости заслуживает оговорки, прежде чем его использовать для принятия решения: он получен из одного дня вызовов в playground, в общей сложности несущих около 17 500 токенов, тогда как показатели родственной модели получены из семидневного окна с 17,5 млрд токенов. Один день на новом маршруте говорит скорее о пустой очереди, чем о модели. Считайте направление — эта сборка быстрее — надёжным, а точную кратность — предварительной, пока окно не заполнится.

Где он сдаёт позиции

• SEC-Bench Pro — 47,5% против 62,8%, отставание в 15,3 процентного пункта и самый большой разрыв между двумя моделями по любой из публикуемых нами строк.

• DeepSWE v1.1 — 67,9% против 74,2%, отставание на 6,3 пункта.

• Terminal-Bench 2.1 — 87,6% против 90,6%, отставание на 3,0 балла.

• Максимальный объём вывода — 131,072 токена против 393,216, треть доступного объёма для одного длинного артефакта, такого как полный отчёт об аудите или аннотированная цепочка эксплуатации.

• Строки, которые ещё не опубликованы — ExploitGym (15.3%) и GPQA Diamond (90.9%) существуют только для Flash 1.0; у новой сборки пока нет сопоставимого показателя.

Форма этого списка и есть аргумент. CyberGym вознаграждает рассуждение о поверхности атаки; SEC-Bench Pro вознаграждает воспроизведение известной уязвимости от начала до конца, и именно здесь новая модель существенно слабее. Если работа — это триаж, ревью, инженерия обнаружения или объяснение того, что означает лог, быстрый уровень — лучший инструмент. Если работа состоит в превращении CVE в работающий proof of concept, преимущество модели-соседа в пятнадцать пунктов — это та цифра, которая имеет значение, и никакое снижение задержки не компенсирует воспроизведение, которое не срабатывает.

Что представляют собой эти числа, а чем они не являются

Каждый бенчмарк в этом посте — наш. В карточках моделей перечислены CyberGym, SEC-Bench Pro, DeepSWE, Terminal-Bench, ExploitGym и GPQA Diamond с нашим собственным полем source, и ни одна из моделей OrcaCyber не оценивалась независимым оценщиком, таким как Artificial Analysis. Для модели безопасности это важнее, чем для универсальной, потому что сами бенчмарки молодые, и разрыв между «рассуждала об уязвимости» и «воспроизвела уязвимость» — это именно то место, где самостоятельно заявленная строка может польстить модели. Воспринимайте эти цифры как данные поставщика с опубликованной методологией, а не как проверенные результаты, и перепроверьте их на собственном корпусе, прежде чем от них будет зависеть производственный путь.

Как выбрать

• Разработка эксплойтов, создание proof-of-concept, проверка патчей — Flash 1.0. Он лучше на 15,3 балла по строке воспроизведения и на 6,3 балла по DeepSWE, и ни один из этих отрывов не исчезает при повторной попытке.

• Триаж логов и дампов пакетов, масштабное ревью кода на безопасность, инженерия обнаружения, агентные циклы, которым нужен быстрый первый токен — MiMo V2.6 Flash. Лидерство в CyberGym и класс по задержке указывают в одном направлении.

• Длинные результаты за один проход — Flash 1.0, исключительно по потолку вывода: 393 216 токенов против 131 072.

• Записи экрана, аудио из звонков, диаграммы и дашборды — MiMo V2.6 Flash, единственный из двух, который их принимает.

Как только доступ включён, обе модели находятся за одним ключом, поэтому выбор не обязан быть постоянным и не требует второго контракта или изменения кода: маршрутизируйте по типу задачи, а автоматическое переключение при сбое пусть покрывает случай, когда один маршрут деградирует во время выполнения. Правила рабочей нагрузки выше — наши; цифры, на которых они основаны, приведены на страницах моделей.

Что посмотреть

Три вещи изменят эту картину. Первая — независимая оценка: пока кто-то за пределами каталога не прогонит эти веса через публичный испытательный стенд, разрыв в 15 пунктов по эксплойтам остаётся нашим измерением, и ссылаться на него следует именно так. Вторая — окно задержки; неделя реального трафика на новом маршруте либо подтвердит двукратную разницу в скорости, либо сократит её. Третья — сама таблица бенчмарка: модель, выпущенная сегодня с четырьмя опубликованными строками и двумя отсутствующими, — это модель, чей профиль всё ещё прорисовывается. Страница модели — место, которое обновляется первым.

Примечание об источниках: оценки в бенчмарках, цены, контекст и лимиты вывода — это собственные записи каталога OrcaRouter для OrcaCyber MiMo V2.6 Flash Abliterated и OrcaCyber Flash 1.0, считанные 26 октября 2026 года; они заявлены самими разработчиками, а не проверены независимо. Показатели задержки — это трафик нашего плейграунда: один день и примерно 17 500 токенов для новой сборки, семь дней и 17,5 млрд токенов для её собрата, — и это не производственные бенчмарки. Сведения о базовой модели (309 млрд параметров всего, 15 млрд активных, контекст в один миллион токенов, веса под лицензией MIT) взяты из релиза Xiaomi MiMo-V2.6; 552 млрд общих и 16 млрд активных параметров для чекпоинта DeepSeek V4.1 Flash, лежащего в основе Flash 1.0, — это запись Artificial Analysis об этой модели. Рекомендации по рабочим нагрузкам и интерпретация строк бенчмарков — наши.