MiMo-V2.6 promete “todas as modalidades”: o que isso muda na prática?

Fala aí, beleza? A Xiaomi soltou a série MiMo-V2.6 com os pesos abertos e uma frase de efeito no anúncio: "todas as modalidades"

E é exatamente esse tipo de frase que merece uma lida com calma antes de virar expectativa 🙂

O lançamento foi em 22/09/2026, com dois modelos open source: o MiMo-V2.6-Pro e o MiMo-V2.6-Flash

A promessa é grande, o pacote publicado é grande, mas "multimodal" é uma palavra que significa coisas MUITO diferentes dependendo de quem fala

Bora destrinchar o que tá realmente na mesa

O que a Xiaomi anunciou no MiMo-V2.6

Os fatos primeiro, o marketing depois

A Xiaomi abriu os pesos do Pro e do Flash no Hugging Face, nos repositórios XiaomiMiMo/MiMo-V2.6-Pro-RL e XiaomiMiMo/MiMo-V2.6-Flash-RL, sob licença MIT

Licença MIT em modelo desse porte não é pouca coisa, é o tipo de detalhe que muda o que tu pode fazer com ele

Além dos dois modelos principais, vieram junto:

• o MiMo-V2.6-Distill-Qwen-9B
• o relatório técnico
• mais de 7 mil ambientes de tarefas de RL
• um framework de RL ponta a ponta

Isso é bem mais do que "joguei o peso no Hugging Face e boa sorte"

E a parte que é alegação do fornecedor:

O post oficial de anúncio posiciona a série como "Frontier intelligence, all the modalities, built in public"

E afirma que o Pro fica em pé de igualdade com o Claude Opus 5 e o GPT-5.6 Sol na maioria dos benchmarks de agente

Se liga: isso é declaração da própria Xiaomi, não medição independente

Não é motivo pra descartar, é motivo pra tratar como ponto de partida e não como conclusão

Entrada multimodal, saída em texto: o que isso muda nas suas tarefas

Aqui tá o coração do post

Segundo as fichas do Artificial Analysis e do OpenRouter, o MiMo-V2.6-Pro aceita texto, imagem, fala e vídeo como entrada

E devolve texto como saída

Só texto

Então o padrão mental correto é esse: qualquer mídia entra, texto estruturado sai

Por que isso importa mais do que parece?

Porque hoje a maioria dos fluxos que lida com mídia é uma gambiarra de pipeline

Áudio de reunião? Passa num serviço de transcrição, pega o texto, joga no modelo

Print de erro? Passa num OCR, pega o texto, joga no modelo

Vídeo? Extrai frames, transcreve o áudio, junta tudo na mão e reza

Cada etapa dessas é um lugar onde a informação se perde e onde tu tem código pra manter

Quando o próprio modelo lê a mídia, esse encanamento some

E o que NÃO muda:

Entrada multimodal não transforma o modelo num gerador de mídia

Ele não te devolve uma imagem, não te devolve um áudio

Inclusive, na linha MiMo a síntese de fala fica em outro produto: a família MiMo-V2.5-TTS, com vozes prontas, controle de ritmo e emoção, design e clonagem de voz

Produto distinto da série V2.6, beleza? Não confunda os dois

O contexto que segura a brincadeira:

Mídia come contexto. Muito contexto

Os dois modelos têm janela de 1.048.576 tokens (1 milhão), e o Pro suporta até 131.072 tokens de saída

É isso que torna viável mandar material longo junto com mídia sem ficar picotando input em pedacinho

Onde um modelo de entrada multimodal realmente ajuda

Casos concretos, todos com a mesma regra: a saída é texto

1. Reunião gravada virando documento

Manda o áudio (ou o vídeo) e pede o resumo em tópicos, as decisões e os próximos passos

A entrada é mídia, o retorno é texto estruturado que tu joga direto num card, num ticket ou num markdown

2. Screenshot e diagrama no fluxo de dev

Print do erro, print da tela quebrada, diagrama de arquitetura rabiscado

Entra como imagem, volta como análise em texto

Muito mais rápido que descrever na unha o que tá aparecendo na tela

3. Revisão de gravação de tela

Aquele vídeo de 8 minutos do QA reproduzindo o bug

Entra como vídeo, volta como descrição dos passos em texto

4. Material longo dentro da janela de 1M

Documentação extensa, transcrição gigante, base de contexto inteira

A janela de 1.048.576 tokens é o que permite jogar o pacotão sem fatiar

Repara no padrão: em TODOS os casos o ganho é eliminar etapa de conversão, não gerar mídia nova

Pro, Flash e UltraSpeed: números lado a lado

São três opções servidas no OpenRouter, com perfis bem diferentes

Os dois principais são Mixture-of-Experts esparsos

Se tu nunca mexeu com MoE, a analogia de aproximação é simples: o modelo tem um monte de "especialistas" lá dentro, mas só aciona uma fração deles por token

No Pro são 1,02 trilhão de parâmetros totais com cerca de 42 bilhões ativos por token

No Flash, 309 bilhões totais e 15 bilhões ativos

E o UltraSpeed?

É uma variante voltada pra carga sensível a latência, descrita como o desempenho do Pro até 20 vezes mais rápido

O preço reflete isso: 4,35 na entrada e 8,70 na saída por milhão de tokens

Dez vezes o preço do Pro comum

Ou seja: só faz sentido quando latência é requisito de produto, não conforto de dev impaciente haha

Se essa disputa entre modelo aberto chinês e os fechados gringos te interessa, já escrevi sobre o que muda além do preço nessa escolha

O que validar antes de acreditar na promessa

Agora a parte que ninguém coloca no post de anúncio

"Todas as modalidades" é uma afirmação sobre o que ENTRA, não sobre o quanto cada coisa entra bem

Então o checklist é esse:

1. Teste cada modalidade separado, no SEU material

Suportar áudio e ser bom em áudio são coisas diferentes

Mande o seu tipo de arquivo, com o seu sotaque, com o seu ruído de fundo, com o seu tipo de screenshot

Índice agregado não te conta como o modelo se vira com o SEU tipo de mídia, então aqui o teste próprio vale mais que qualquer número de terceiro

2. Meça a verbosidade da saída

A ficha do Artificial Analysis descreve o Pro como rápido porém verboso

Verbosidade custa dinheiro, porque tu paga por token de saída

Um modelo barato que fala demais pode sair mais caro que um modelo caro e objetivo. Faça a conta com o seu prompt real

3. Pese o 46 como UM número, não como O número

O MiMo-V2.6-Pro marca 46 no Artificial Analysis Intelligence Index

É o modelo de pesos abertos com maior pontuação no índice, empatado com o Grok 4.7

Isso é forte, mas índice agregado não diz nada sobre o teu caso de uso específico

4. Trate a paridade com Opus 5 e GPT-5.6 Sol como alegação

A frase é do fornecedor, sobre benchmarks de agente

Quem decide se isso se sustenta no teu fluxo é o teu fluxo

Saber exatamente qual modelo está rodando por trás muda o resultado, é a mesma discussão que rolou sobre o modelo por trás do Claude Cowork

5. Valide se o provedor que tu usa entrega a multimodalidade toda

Esse é o detalhe chato que pega gente desprevenida

A ficha do modelo dizer que aceita áudio e vídeo não garante que TODO provedor terceiro que serve o modelo aceita

Tome cuidado: teste a entrada de áudio e de vídeo no provedor específico antes de desenhar a arquitetura em cima disso

Um ponto a favor da casa:

A Xiaomi reportou o custo do treinamento por reforço

Foram cerca de 750 mil trajetórias em 30 passos de RL, concluídos em menos de seis dias, com custo de US$ 2,62 milhões no Pro e US$ 850 mil no Flash

Publicar isso junto com o relatório técnico e os ambientes de RL é o tipo de transparência que raramente aparece em lançamento fechado

Não prova qualidade, mas ajuda muito quem quer reproduzir ou entender o processo

Vídeo: agentes e repositórios open source na prática

Pra pegar o clima de usar projeto aberto dentro de um agente, esse vídeo do canal mostra o processo de plugar um repo open source num agente e ganhar capacidade nova sem pagar nada por isso

Como colocar a mão nisso

Duas rotas, e as duas são curtas

1. Pelo OpenRouter: os identificadores são xiaomi/mimo-v2.6-pro, xiaomi/mimo-v2.6-flash e xiaomi/mimo-v2.6-pro-ultraspeed

O erro comum deste passo é digitar o ID com underline ou sem o prefixo xiaomi/, aí volta erro de modelo não encontrado

2. Pela plataforma MiMo: a API é compatível com os protocolos da OpenAI e da Anthropic

Na prática, dá pra migrar um projeto existente trocando a base_url e o parâmetro model

# o resto do código continua igual, só muda o endpoint e o nome do modelo
client = OpenAI(
    api_key=SUA_CHAVE,
    base_url=BASE_URL_DA_PLATAFORMA_MIMO,  # consulte a doc oficial
)

O erro comum aqui é trocar a base_url e esquecer de trocar o model, ficando com o nome de um modelo que não existe do outro lado

3. Pra mandar áudio: a documentação de compreensão de áudio da plataforma mostra o envio do arquivo como um item de conteúdo do tipo input_audio dentro do corpo da requisição, usando o SDK compatível com OpenAI

Ou seja: é a mesma estrutura de mensagem que tu já usa, só que com um item de conteúdo a mais

Conclusão

"Todas as modalidades" no MiMo-V2.6 quer dizer entrada multimodal com saída em texto

Texto, imagem, fala e vídeo entram. Texto sai

Isso é ótimo, porque mata um monte de etapa de pipeline que hoje existe só pra converter mídia em texto antes de pensar

Mas não é um modelo que gera mídia, e vender a frase como se fosse é onde o marketing e a realidade se separam

O próximo passo concreto: roda o teu caso real no xiaomi/mimo-v2.6-pro ou no xiaomi/mimo-v2.6-flash pelo OpenRouter, ou aproveita a compatibilidade com os protocolos OpenAI e Anthropic pra apontar o projeto que tu já tem pra plataforma MiMo

E testa cada modalidade separado, com o teu material, antes de assumir qualquer coisa 😀

Até o próximo post!