MiMo-V2.6-Pro วางน้ำหนักแบบเปิดบนเส้น Pareto ในราคา $0.13 ต่องาน

Xiaomi MiMo-V2.6-Pro เปิดตัวบน Hugging Face เมื่อวันที่ 21 กันยายน 2026 และตัวเลขที่ไปไกลที่สุดนับตั้งแต่นั้นมาคือ 46 — คะแนนของมันบน Artificial Analysis Intelligence Index v4.3.2 ซึ่งเป็นคะแนนสูงสุดที่โมเดลแบบเปิดน้ำหนักใด ๆ เคยบันทึกได้บนดัชนีผสมนี้ ตัวเลขที่ตัดสินว่าคุณจะรันมันได้จริงหรือไม่นั้นเล็กกว่า Artificial Analysis วัดต้นทุนการประมวลผลที่ $0.1332 ต้องาน Intelligence Index ขณะประเมิน MiMo-V2.6-Pro บนฮาร์เนสของตัวเอง และตัวเลขนั้นจัดวางโมเดลนี้อยู่บนเส้น Pareto ของแผนภูมิ Intelligence-versus-Cost-per-Task ของเว็บไซต์ เหนือพื้นการปัดเศษขึ้นไป มันเป็นโมเดลแบบเปิดน้ำหนักเพียงตัวเดียวบนเส้นนั้น

นั่นเป็นข้อกล่าวอ้างที่แคบกว่าและมีประโยชน์มากกว่า "โมเดลแบบเปิดน้ำหนักชั้นนำ" ซึ่งเป็นกรอบที่การรายงานข่าวเปิดตัวส่วนใหญ่ใช้กัน การเป็นอันดับหนึ่งในมิติความฉลาดบอกคุณถึงเพดาน การอยู่บนเส้นโค้งต้นทุนบอกคุณว่ามีสิ่งอื่นใดในตลาดที่ดีกว่าอย่างแท้จริงในราคานั้นหรือไม่ สำหรับ Xiaomi MiMo-V2.6-Pro ณ เวลาที่เขียนนี้ ไม่มีสิ่งใดเป็นเช่นนั้น

เส้นพาเรโตวัดอะไรกันแน่

แผนภูมิแสดงโมเดลทุกตัวที่ Artificial Analysis ได้ประเมินบนสองแกน: แกนหนึ่งคือ Intelligence Index อีกแกนคือต้นทุนค่าใช้จ่ายเฉลี่ยถ่วงน้ำหนักเป็นดอลลาร์ในการสร้างงานหนึ่งรายการในดัชนี โมเดลที่อยู่บนเส้นพาเรโตไม่สามารถถูกเอาชนะได้ในทั้งสองแกนโดยโมเดลอื่นเพียงตัวเดียว — คุณไม่สามารถหาสิ่งที่ฉลาดกว่าในราคาที่ถูกกว่าได้ จุดที่อยู่ต่ำกว่าและทางซ้ายของเส้นจะถูกครอบงำและหลุดออกจากเส้น

เราได้คำนวณแนวพรมแดนใหม่จากข้อมูลที่ฝังอยู่ในแผนภูมิ แทนที่จะอ่านเส้นด้วยตาเปล่า โดยเริ่มจากโมเดล 326 รายการที่มีทั้งคะแนนดัชนีและต้นทุนต่องานที่วัดได้ แนวพรมแดนปัจจุบันมีความยาว 14 จุด:

• Qwen3.5 2B (แบบไม่ใช้การให้เหตุผล) — ดัชนี 6.2, ค่าใช้จ่ายต่องานปัดเศษเป็น $0.000, น้ำหนักเปิด
• Devstral 2 — ดัชนี 8.6, ค่าใช้จ่ายต่องานปัดเศษเป็น $0.000, น้ำหนักเปิด
• North Mini Code — ดัชนี 9.9, ค่าใช้จ่ายต่องานปัดเศษเป็น $0.000, น้ำหนักเปิด
• Claude Sonnet 4.6 (แบบไม่ใช้การให้เหตุผล, ความพยายามสูง) — ดัชนี 24.7, ค่าใช้จ่ายต่องานปัดเศษเป็น $0.000, ปิด
• Grok Build 0.1 0616 — ดัชนี 27.2, ค่าใช้จ่ายต่องาน $0.006, ปิด
• GPT-5.6 Luna (สูง) — ดัชนี 32.1, ค่าใช้จ่ายต่องาน $0.044, ปิด
• GPT-5.6 Luna (xhigh) — ดัชนี 34.6, ค่าใช้จ่ายต่องาน $0.085, ปิด
• Xiaomi MiMo-V2.6-Pro — ดัชนี 46.3, ค่าใช้จ่ายต่องาน $0.133, น้ำหนักเปิดภายใต้สัญญาอนุญาต MIT
• GPT-6 Astra (ปานกลาง) — ดัชนี 49.6, ค่าใช้จ่ายต่องาน $1.541, ปิด
• GPT-6 Astra (สูง) — ดัชนี 50.9, ค่าใช้จ่ายต่องาน $1.725, ปิด
• GPT-6 Astra (xhigh) — ดัชนี 52.4, ค่าใช้จ่ายต่องาน $2.309, ปิด
• GPT-6 Astra (สูงสุด) — ดัชนี 52.7, ค่าใช้จ่ายต่องาน $3.258, ปิด
• Claude Fable 5.1 (xhigh, ตัวสำรองเริ่มต้น) — ดัชนี 53.2, ค่าใช้จ่ายต่องาน $5.978, ปิด
• Claude Fable 5.1 (สูงสุด, ตัวสำรองเริ่มต้น) — ดัชนี 53.4, ค่าใช้จ่ายต่องาน $7.630, ปิด

มีสามเรื่องที่ตามออกมาจากรายการนั้น จุดที่ถูกที่สุดสี่จุดคือโมเดลที่มีต้นทุนซึ่งวัดได้ปัดเป็นศูนย์ที่ทศนิยมสี่ตำแหน่ง ดังนั้นส่วนที่น่าสนใจของเส้นโค้งจึงเริ่มที่ Grok Build 0.1 0616. Xiaomi MiMo-V2.6-Pro เป็นจุดหักโค้งที่แท้จริงในเส้นนั้น ไม่ใช่ผลจากการปัดเศษ: จุดถัดไปที่สูงขึ้นมีต้นทุนต่องานสูงกว่า 11.6 เท่า เพื่อแลกกับคะแนนดัชนีที่เพิ่มขึ้น 3.3 คะแนน และจากจุดแนวหน้าสิบจุดที่มีต้นทุนไม่เป็นศูนย์ มีเพียงหนึ่งเดียวเท่านั้นที่เป็นแบบน้ำหนักเปิด — ซึ่งเป็นข้อเท็จจริงที่กรอบการเรียก “โมเดลน้ำหนักเปิดระดับท็อป” กลบเอาไว้ โมเดลน้ำหนักเปิดที่ใกล้ที่สุดบนแกนความฉลาด GLM-5.3 (max) ที่ 44.8 ไม่ได้อยู่ใกล้เส้นนั้นเลย: มันมีต้นทุน $2.006 ต่องานดัชนี คิดเป็นสิบห้าเท่าของตัวเลขของ MiMo-V2.6-Pro. Kimi K3 (max) อยู่ที่ 43.6 และ $2.000 ต่องาน

รายการราคาไม่ขยับ แต่บิลขยับ

เซียวหมี่ไม่ได้ขึ้นราคาสำหรับรุ่นนี้ MiMo-V2.6-Pro ตั้งราคาที่ $0.435 ต่อล้านโทเค็นอินพุต และ $0.87 ต่อล้านเอาต์พุต โดยราคาอินพุตแบบแคชฮิตอยู่ที่ $0.0036 — ลดลง 99.17% — ซึ่งเป็นอัตราเดียวกับที่เรือธงรุ่นก่อนใช้ เมื่อผสมในสัดส่วน 7:2:1 ของแคชฮิต/อินพุต/เอาต์พุต จะคิดเป็น $0.1765 ต่อล้านโทเค็น

และถึงกระนั้น ค่าใช้จ่ายในการรัน Intelligence Index กับ MiMo-V2.6-Pro ก็อยู่ที่ $206.66 หรือ $0.1332 ต่องาน ขณะที่ดัชนีเดียวกันกับ MiMo-V2.5-Pro มีค่าใช้จ่าย $0.054 ต่องาน Artificial Analysis บันทึกโทเคนเอาต์พุต 140 ล้านโทเคนสำหรับโมเดลใหม่ เทียบกับ 110 ล้านโทเคนสำหรับโมเดลเก่า บนชุดทดสอบเดียวกัน ตารางอัตราค่าบริการไม่เปลี่ยนแปลง โมเดลเพียงแค่เขียนมากขึ้นเพื่อตอบคำถามเดิม นั่นคือข้อแม้อย่างตรงไปตรงมาต่อตำแหน่งพาเรโต — Xiaomi MiMo-V2.6-Pro ได้ที่ของตนบนแกนต้นทุนแม้ว่าจะเขียนเยอะขึ้น ไม่ใช่เพราะมันถูกลง

สำหรับใครก็ตามที่กำลังจัดทำงบประมาณ สิ่งที่ควรตีความในทางปฏิบัติคือ ราคาต่อโทเคนตอนนี้เป็นตัวพยากรณ์ต้นทุนของงานหนึ่งๆ ได้อย่างอ่อนมาก สองโมเดลที่มีอัตราค่าใช้จ่ายเหมือนกันทุกประการอาจต่างกันได้ถึง 2.5 เท่าในต้นทุนต่อหนึ่งงานที่ทำเสร็จ ส่วนลดจากแคชคือคันโยกที่ขยับได้ไกลที่สุด: ที่ราคา $0.0036 ต่อโทเคนอินพุตที่แคชไว้หนึ่งล้านโทเคน ความแตกต่างระหว่างพรอมป์ที่นำบริบทกลับมาใช้ซ้ำกับพรอมป์ที่ไม่ใช้ซ้ำนั้น มากกว่าความแตกต่างระหว่างโมเดลเกือบคู่ใดๆ ในรายการนี้

สิ่งที่คะแนนนี้ครอบคลุมและไม่ครอบคลุม

ค่า 46 นั้นเป็นการวัดจากบุคคลที่สาม และเรื่องนี้สำคัญเพราะเกือบทุกอย่างอื่นที่เผยแพร่เกี่ยวกับ MiMo-V2.6-Pro ไม่ได้เป็นเช่นนั้น เวอร์ชันของดัชนีก็สำคัญเช่นกัน: v4.3.2 เป็นการรวมผลการประเมินสิบรายการซึ่งครอบคลุมการให้เหตุผล ความรู้ คณิตศาสตร์ และการเขียนโค้ด และคะแนนจะเปรียบเทียบได้กับคะแนนอื่น ๆ บนเวอร์ชันเดียวกันเท่านั้น ตัวเลขจากผู้ขายที่ Xiaomi เผยแพร่พร้อมกับการเปิดตัว — DeepSWE v1.1 ที่ 71.9, AutomationBench v1.0.6 ที่ 53.1, Toolathlon-Verified ที่ 76.9, Terminal Bench 2.1 ที่ 89.9, CyberGym ที่ 94.0 — มาจากฮาร์เนสและตัวให้คะแนนของ Xiaomi เอง และยังไม่มีใครทำซ้ำได้ ตัวเลขเหล่านี้มีประโยชน์ในฐานะหลักฐานเชิงทิศทางว่าตัวแบบถูกปรับแต่งมาเพื่ออะไร แต่ไม่ใช่รายการบนลีดเดอร์บอร์ด

อีกครึ่งหนึ่งของการเปิดตัวคือแพ็กเกจแบบเปิดน้ำหนัก Artificial Analysis ระบุว่าโมเดลนี้มีพารามิเตอร์รวม 1.0T โดยมี 42B ที่แอ็กทีฟ หน้าต่างบริบทขนาด 1M โทเคน รองรับอินพุตข้อความ รูปภาพ เสียง และวิดีโอ พร้อมเอาต์พุตข้อความ และใช้สัญญาอนุญาต MIT โดยมีน้ำหนักอยู่บน Hugging Face ตัวรีโพซิทอรีเองรายงานขนาดโมเดล Safetensors ที่ 524B พารามิเตอร์ — ซึ่งเป็นตัวเลขที่สามที่ไม่ตรงกับทั้งยอดรวม 1.0T และจำนวนแอ็กทีฟ 42B และเป็นตัวเลขที่ Xiaomi ยังไม่ได้ทำให้สอดคล้องกัน หากคุณกำลังวางแผนดีพลอยแบบโฮสต์เอง ความไม่ตรงกันนี้ควรค่าแก่การสะสางก่อนที่คุณจะจัดสรรทรัพยากรใด ๆ เพราะเช็กพอยต์ FP8 ขนาด 524B กับเช็กพอยต์ขนาด 1T เป็นบทสนทนาเรื่องฮาร์ดแวร์ที่ต่างกัน

จุดพรมแดนที่คุณไม่สามารถกำหนดเส้นทางได้ในขณะนี้

ภาพความพร้อมใช้งานเป็นส่วนของรีลีสนี้ที่จำกัดมันมากที่สุด เมื่อ Artificial Analysis ประเมิน Xiaomi MiMo-V2.6-Pro ระบบนับผู้ให้บริการ API เพียงรายเดียวสำหรับโมเดลนี้ รีพอซิทอรี Hugging Face ระบุว่า Xiaomi MiMo-V2.6-Pro ไม่ได้ถูกดีพลอยโดยผู้ให้บริการ inference รายใดเลย เราไม่ได้โฮสต์มันเช่นกัน และเราจะไม่สื่อเป็นอย่างอื่น — เส้นทางสู่โมเดลนี้ในวันนี้คือแพลตฟอร์มของ Xiaomi เองและแค็ตตาล็อกของบุคคลที่สามที่ระบุรายชื่อมันไว้

นั่นเป็นปัญหา failover มากกว่าปัญหาด้านคุณภาพ และเป็นปัญหาจำเพาะที่เราเตอร์มีไว้เพื่อแก้API เดียวสำหรับโมเดลนับร้อย พร้อมการ failover อัตโนมัติระหว่างผู้ให้บริการคือสิ่งที่เปลี่ยน “ผู้ให้บริการรายหนึ่งกำลังมีโมเดลนี้อยู่ในรายการตอนนี้” จากความเสี่ยงเชิงสถาปัตยกรรมให้กลายเป็นรายละเอียดการตั้งค่า นี่ก็เป็นวิธีที่คุณจะทยอยย้ายระบบไปยังโมเดลที่ใหม่ขนาดนี้ได้เช่นกัน: ส่งปริมาณทราฟฟิกส่วนหนึ่งไปยัง Xiaomi MiMo-V2.6-Pro เก็บโมเดลที่พิสูจน์แล้วไว้เป็นตัวสำรองด้านหลัง และให้เราเตอร์เป็นผู้ย้ายคำขอ แทนที่จะเป็นรอบเวร on-call ของคุณ วิธีนั้นใช้ได้กับโมเดลที่เรามีให้บริการ สำหรับโมเดลนี้ จนกว่าจะสามารถ route ได้ คำแนะนำที่ตรงไปตรงมาคืออย่าให้มันอยู่ในเส้นทางวิกฤต

อะไรจะทำให้มันออกจากเส้น

ตำแหน่ง Pareto เป็นเพียงภาพ ณ ช่วงเวลาหนึ่ง ไม่ใช่คุณสมบัติถาวรของโมเดล มีสามปัจจัยที่จะเปลี่ยนแปลงมันได้ การลดราคาจาก Xiaomi จะเลื่อน Xiaomi MiMo-V2.6-Pro ไปทางซ้ายมากขึ้นและทำให้มันเอาชนะได้ยากขึ้น และเนื่องจาก เราส่งผ่านราคาตามที่ผู้ให้บริการระบุ โดยไม่บวกราคาเพิ่มเลย (0% markup) การลดราคาแบบนั้นจึงมีผลในฝั่งของเราทันทีในวันเดียวกับที่มีการประกาศที่ใดก็ตาม โมเดลที่ถูกกว่าซึ่งทำคะแนนได้เกิน 46.3 จะเบียดมันตกไปทั้งหมด GPT-6 Astra (low) อยู่ในระดับ 45.8 แล้วที่ราคา $0.818 ต่องาน แพงกว่าแต่ก็ใกล้เข้ามาอย่างน่ากังวลบนแกนความฉลาด และการทดสอบประสิทธิภาพแบบอิสระของ MiMo-V2.6-Flash — ซึ่งปัจจุบันยังไม่มีหน้า Artificial Analysis เลย — อาจเปิดเผยว่ารุ่นน้องที่ถูกกว่านั้นอยู่ในตำแหน่งที่ดีกว่าบนเส้นโค้งนี้สำหรับงานส่วนใหญ่

ในตอนนี้ คำกล่าวอ้างที่สามารถป้องกันได้คือคำกล่าวอ้างเชิงตัวเลข บนเวอร์ชันดัชนีปัจจุบัน ที่ราคาซึ่งเผยแพร่อยู่ในขณะนี้ ไม่มีโมเดลใดในตลาดที่ทั้งถูกกว่าต่อภารกิจและฉลาดกว่า Xiaomi MiMo-V2.6-Pro ว่าสิ่งนั้นจะอยู่รอดจากการทำซ้ำโดยอิสระครั้งแรกได้หรือไม่ คือคำถามที่ควรจับตามอง