OrcaCyber MiMo V2.6 Flash: Cùng giá với bản anh em, tốt hơn bảy điểm trên CyberGym và kém hơn mười lăm điểm ở Exploit Reproduction

OrcaCyber MiMo V2.6 Flash Abliterated đã ra mắt hôm nay trên cùng bảng giá với OrcaCyber Flash 1.0 — $0.80 đầu vào và $1.60 đầu ra mỗi triệu token, $0.15 cho mỗi lần đọc cache, ngữ cảnh một triệu token, hành vi từ chối đã bị loại bỏ. Cùng giá, cùng cửa sổ ngữ cảnh, cùng không có sự rào đón. Điều phân biệt chúng là mỗi bản mạnh ở đâu, và theo đo lường của chính chúng tôi, hai cấu hình gần như là hình ảnh phản chiếu của nhau: bản dựng mới dẫn trước CyberGym bảy điểm và kém bản anh em mười lăm điểm về tái tạo khai thác. Bất kỳ ai đang cân nhắc một mô hình tham gia trực tiếp vào công việc bảo mật tấn công cũng nên lưu tâm đến bức tranh hồ sơ rộng hơn, đó chính là thứ mà the OrcaRouter AI Incident Archive tồn tại để thu thập. Bài viết này trình bày những gì đã ra mắt, các con số ra sao, và mỗi bản thực sự phù hợp với những khối lượng công việc nào.

Những gì thực sự đã được phát hành

MiMo V2.6 Flash là checkpoint hiệu quả của Xiaomi từ bản phát hành MiMo-V2.6 tháng 9 năm 2026: một mô hình mixture-of-experts thưa với tổng cộng 309 tỷ tham số và 15 tỷ tham số hoạt động trên mỗi token, được cấp phép MIT, với ngữ cảnh một triệu token. Bản dựng OrcaCyber chính là checkpoint đó với hành vi từ chối đã được loại bỏ khỏi trọng số — abliteration, không phải tinh chỉnh: không có kho dữ liệu huấn luyện lại, không có kiến trúc mới, chỉ là các hướng mà mô hình từ chối bị trừ khỏi những ma trận mang chúng. Đây là cái tên thứ ba trong dòng OrcaCyber, sau Nano và Zero, và là bản được xây dựng để tối ưu thông lượng.

Bề mặt đầu vào rộng hơn so với phiên bản cùng dòng của nó. MiMo V2.6 Flash chấp nhận văn bản, hình ảnh, âm thanh và video và trả về văn bản, vì vậy bản ghi màn hình của một phiên console, một cuộc gọi được ghi lại, một sơ đồ mạng hoặc ảnh chụp trạng thái lỗi đều có thể được suy luận trong cùng một yêu cầu với mã nguồn và một nhật ký dài. Đầu ra được giới hạn ở 131.072 token mỗi phản hồi. Cả chế độ suy nghĩ và không suy nghĩ đều khả dụng với mức nỗ lực suy luận có thể chọn, cùng với tính năng gọi hàm gốc và đầu ra JSON có cấu trúc, và mô hình có thể được truy cập qua Chat Completions, OpenAI Responses và Anthropic Messages.

Giá cả giống hệt nhau, nên giá cả không quyết định được gì.

Cả hai mô hình đều có giá 0,80 USD cho đầu vào và 1,60 USD cho đầu ra trên mỗi triệu token, với lượt đọc bộ nhớ đệm ở mức 0,15 USD — cùng một bảng giá, chính xác đến từng xu, và không có khoản phụ phí nào từ phía chúng tôi. Điều đó khiến đây trở thành một lựa chọn rất rõ ràng. Không có mô hình rẻ hơn nào để bạn tự thuyết phục mình chọn, cũng không có hạng cao cấp nào cần biện minh. Câu hỏi duy nhất là tập hợp các dòng nào phù hợp với công việc trước mắt bạn.

Truy cập là thứ còn lại mà cả hai cùng chia sẻ, và nó không mở cho bất kỳ người gọi nào: cả hai tuyến đều nằm sau một engagement, một passkey và các điều khoản, đúng hình thức phù hợp cho một mô hình có mục đích là công việc tấn công được cấp phép. Giá và năng lực là công khai; khả năng gọi một trong hai thì không.

Hai đế khác nhau dưới những tấm thẻ giống hệt nhau

Các thẻ khớp nhau vì giá không phụ thuộc vào base, và các base không cùng hình dạng. MiMo V2.6 Flash là một mô hình thưa 309 tỷ tham số với 15 tỷ tham số hoạt động mỗi token; checkpoint DeepSeek đằng sau Flash 1.0 có 552 tỷ tham số với 16 tỷ tham số hoạt động. Cả hai đều được cấp phép MIT, cả hai đều được chỉnh sửa ở mức trọng số thay vì huấn luyện lại, và cả hai đều có hành vi từ chối bị loại bỏ.

Quy luật trong các con số phù hợp với sự khác biệt đó mà không chứng minh điều đó: mô hình cơ sở nhỏ hơn khởi đầu nhanh hơn và giới hạn đầu ra thấp hơn, trong khi mô hình lớn hơn làm tốt hơn ở các hàng đòi hỏi phải mang một chuỗi khai thác dài đến một kết quả hoạt động được. Số lượng tham số của một mô hình là yếu tố dự báo kém cho bất kỳ benchmark đơn lẻ nào, vì vậy hãy coi đây là bối cảnh để đọc các hàng chứ không phải là lời giải thích cho chúng.

Nơi gói mới chiếm ưu thế

• CyberGym — 95,1% cho MiMo V2.6 Flash so với 88,1% của Flash 1.0, dẫn trước bảy điểm trên bảng suy luận an ninh mạng.

• Token đầu tiên trung vị — 928 ms so với 1.970 ms trên lưu lượng playground của chúng tôi, khởi động nhanh hơn khoảng gấp đôi, với tốc độ đầu ra 765,9 token mỗi giây so với 171,1.

• Các loại đầu vào — âm thanh và video bên cạnh văn bản và hình ảnh, những thứ mà phiên bản anh em hoàn toàn không chấp nhận.

Con số tốc độ cần một lưu ý trước khi được dùng để ra quyết định: nó đến từ một ngày gọi playground với tổng cộng khoảng 17.500 token, trong khi số liệu của mô hình anh em đến từ cửa sổ bảy ngày với 17,5 tỷ. Một ngày trên tuyến mới đo hàng đợi trống nhiều hơn là đo một mô hình. Hãy coi hướng đi — bản dựng này là bản nhanh hơn — là đáng tin cậy, và bội số chính xác là tạm thời cho đến khi cửa sổ được lấp đầy.

Nơi nó nhượng bộ

• SEC-Bench Pro — 47,5% so với 62,8%, mức chênh lệch 15,3 điểm và là khoảng cách lớn nhất giữa hai mô hình trên bất kỳ dòng nào chúng tôi công bố.

• DeepSWE v1.1 — 67,9% so với 74,2%, kém 6,3 điểm.

• Terminal-Bench 2.1 — 87,6% so với 90,6%, kém 3,0 điểm.

• Đầu ra tối đa — 131.072 token so với 393.216, một phần ba dung lượng cho một tạo tác dài duy nhất, chẳng hạn như báo cáo kiểm toán đầy đủ hoặc chuỗi khai thác có chú thích.

• Các hàng chưa được công bố — ExploitGym (15.3%) và GPQA Diamond (90.9%) chỉ tồn tại cho Flash 1.0; bản dựng mới chưa có số liệu tương đương.

Hình dạng của danh sách đó chính là lập luận. CyberGym thưởng cho việc lập luận về bề mặt tấn công; SEC-Bench Pro thưởng cho việc tái tạo một lỗ hổng đã biết từ đầu đến cuối, và đó là chỗ mô hình mới yếu hơn một cách đáng kể. Nếu công việc là phân loại, đánh giá, kỹ thuật phát hiện hoặc giải thích ý nghĩa của một bản ghi log, thì tầng nhanh là công cụ tốt hơn. Nếu công việc là biến một CVE thành một bằng chứng khái niệm hoạt động được, thì lợi thế mười lăm điểm của mô hình anh em chính là con số đáng quan tâm, và không mức độ trễ nào bù đắp được cho một bản tái tạo không thành công.

Những con số này thực sự là gì, và chúng không phải là gì

Mọi benchmark trong bài viết này đều là của chúng tôi. Các model card liệt kê CyberGym, SEC-Bench Pro, DeepSWE, Terminal-Bench, ExploitGym và GPQA Diamond với trường nguồn của riêng chúng tôi, và cả hai mô hình OrcaCyber đều chưa được chấm điểm bởi một đơn vị đánh giá độc lập như Artificial Analysis. Điều đó quan trọng hơn đối với một mô hình bảo mật so với một mô hình tổng quát, bởi vì bản thân các benchmark còn non trẻ và khoảng cách giữa “đã lập luận về lỗ hổng” và “đã tái tạo được lỗ hổng” chính là chỗ mà một dòng tự báo cáo có thể tô hồng một mô hình. Hãy đọc các con số như số liệu của nhà cung cấp với phương pháp luận đã công bố, không phải kết quả đã được kiểm toán, và hãy kiểm thử lại trên kho dữ liệu của riêng bạn trước khi một quy trình sản xuất phụ thuộc vào chúng.

Cách chọn

• Phát triển exploit, xây dựng proof-of-concept, kiểm chứng bản vá — Flash 1.0. Nó tốt hơn 15,3 điểm ở dòng tái tạo và tốt hơn 6,3 điểm trên DeepSWE, và cả hai đều không phải là mức chênh lệch sẽ biến mất khi thử lại.

• Phân loại log và bắt gói tin, đánh giá mã nguồn bảo mật với khối lượng lớn, kỹ thuật phát hiện, các vòng lặp agent cần token đầu tiên nhanh — MiMo V2.6 Flash. Vị trí dẫn đầu trên CyberGym và hạng độ trễ đều chỉ về cùng một hướng.

• Sản phẩm bàn giao dài trong một lượt — Flash 1.0, hoàn toàn dựa trên trần đầu ra: 393.216 token so với 131.072.

• Bản ghi màn hình, âm thanh cuộc gọi, sơ đồ và bảng điều khiển — MiMo V2.6 Flash, cái duy nhất trong hai cái chấp nhận chúng.

Khi quyền truy cập đã được bật, cả hai mô hình đều nằm sau một khóa, vì vậy lựa chọn không cần phải cố định và không đòi hỏi hợp đồng thứ hai hay thay đổi mã: định tuyến theo loại tác vụ, và để chuyển đổi dự phòng tự động xử lý trường hợp một tuyến bị suy giảm giữa chừng. Các quy tắc khối lượng công việc ở trên là của chúng tôi; các con số mà chúng dựa vào nằm trên các trang mô hình.

Xem gì

Ba điều sẽ thay đổi bức tranh này. Điều thứ nhất là một điểm số độc lập: cho đến khi ai đó bên ngoài danh mục chạy các trọng số này qua một bộ khung công khai, khoảng cách khai thác mười lăm điểm vẫn là phép đo của chúng ta và nên được trích dẫn như vậy. Điều thứ hai là cửa sổ độ trễ; một tuần lưu lượng thực tế trên tuyến mới sẽ hoặc xác nhận chênh lệch tốc độ gấp đôi hoặc thu hẹp nó lại. Điều thứ ba là chính bảng điểm chuẩn — một mô hình được phát hành hôm nay với bốn hàng được công bố và hai hàng còn thiếu là một mô hình mà hồ sơ vẫn đang được vẽ nên. Trang mô hình là nơi được cập nhật đầu tiên.

Ghi chú về nguồn: điểm benchmark, giá, ngữ cảnh và giới hạn đầu ra là các mục trong danh mục của chính OrcaRouter cho OrcaCyber MiMo V2.6 Flash Abliterated và OrcaCyber Flash 1.0, được đọc vào ngày 26 tháng 10 năm 2026, và là do tự báo cáo chứ không được kiểm toán độc lập; số liệu độ trễ là lưu lượng playground của chúng tôi — một ngày và khoảng 17.500 token cho bản mới, bảy ngày và 17,5 tỷ token cho bản anh em của nó — và không phải là benchmark trong môi trường sản xuất. Chi tiết về mô hình cơ sở (tổng cộng 309 tỷ tham số, 15 tỷ tham số hoạt động, ngữ cảnh một triệu token, trọng số MIT) đến từ bản phát hành MiMo-V2.6 của Xiaomi; tổng 552 tỷ và 16 tỷ tham số hoạt động của checkpoint DeepSeek V4.1 Flash đằng sau Flash 1.0 là ghi nhận của Artificial Analysis về mô hình đó. Các khuyến nghị về khối lượng công việc và cách diễn giải các dòng benchmark là của chúng tôi.