/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
12 млрд
Размер весов
164 ГБ
Лицензия
MIT
Архитектура
mimo_v2_flash · dense
Базовая модель
MiMo-V2.6-Flash-RL
Библиотека
mlx
Опубликована
21 сен 2026

MiMo-V2.6-Flash-RL-MLX-4bit-MTP

Генерация текстаТекст → текст14 профессий

Vontra/MiMo-V2.6-Flash-RL-MLX-4bit-MTP — конверсия модели XiaomiMiMo/MiMo-V2.6-Flash-RL для MLX, опубликованная Vontra и предназначенная прежде всего для запуска на компьютерах Apple Silicon.

3 185скачиваний за 30 дней11лайковвеса обновлены21 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это генеративная текстовая модель, ориентированная на создание связного текста, объяснений и программного кода. В README приведены успешные проверки арифметики, фактических объяснений и Python-кода, однако подробные оценки качества и сценарии применения следует уточнять в карточке исходной модели.

Исходная MiMo-V2.6-Flash-RL описывается как разреженная MoE-модель с 309 млрд параметров, из которых 15 млрд активны на токен, 48 трансформерными слоями, 256 маршрутизируемыми экспертами и восемью активными экспертами на токен. Исходный релиз поддерживает контекст до одного миллиона токенов и омнимодальные входы; заявлены текст, изображения и аудио. Эта версия использует 4-битную аффинную квантизацию плотных проекций с размером группы 64, тогда как эксперты MoE сохраняют формат MXFP4 с размером группы 32. Средний размер — 4,257 бита на вес, текстовая модель занимает около 154 GiB, а весь репозиторий — около 160 GiB. Поддерживаемые языки, указанные в карточке, — английский и китайский.

В комплект входят MTP-предиктор, DFlash-драфтер, vision encoder, audio encoder и audio tokenizer, но текущие oMLX и MLX text generation автоматически используют только текстовый путь: MTP, DFlash, зрительные и аудиофункции пока требуют MiMo-совместимых интеграций и не заявлены как работающие в стандартном режиме. На Mac Studio с M3 Ultra, 256 ГБ памяти измерены скорости 59,4 токена в секунду при декодировании и 477,1–562,8 токена в секунду при обработке промпта; рекомендована конфигурация с 256 ГБ unified memory. Модель распространяется по лицензии MIT. Это community-конверсия, поэтому её ограничения включают высокие требования к памяти и неполную поддержку вспомогательных мультимодальных компонентов в текущем MLX-стеке.

Для каких профессий подходит14

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

What is in this release

This is the text backbone of MiMo-V2.6-Flash-RL converted for MLX. The dense projections use 4-bit affine quantization with group size 64, while the model's native MXFP4 MoE experts remain in their original group-size-32 format. The resulting main model averages 4.257 bits per weight.

The checkpoint includes its native three-layer MTP payload in mtp/model_mtp.safetensors, converted to 4-bit affine weights. It also carries the upstream five-layer DFlash drafter, vision encoder, audio encoder, and audio tokenizer so those assets do not need a second download.

Native componentPathFormat
MTP predictormtp/model_mtp.safetensorsMLX 4-bit affine
DFlash drafterdflash/model.safetensorsUpstream BF16
Vision encoderomnimodal/vision_encoder.safetensorsUpstream BF16
Audio encoderomnimodal/audio_encoder.safetensorsUpstream BF16
Audio tokenizeraudio_tokenizer/model.safetensorsUpstream weights

Current oMLX and MLX text generation run the target model correctly but do not automatically execute MiMo's MTP, DFlash, vision, or audio paths. The speed figures below are serial text decode measurements. The auxiliary tensors and configs are packaged for MiMo-aware runtimes and ongoing MLX integration, not advertised as working oMLX controls.

Measured on Apple Silicon

Tested on a 256 GB M3 Ultra Mac Studio with oMLX 0.7.0.dev2, MLX 0.32.2, and mlx-lm 0.31.3.

TestResult
Sustained generation, 128-token decode59.4 tok/s average
Prompt processing, 512 tokens477.1 tok/s
Prompt processing, 2,048 tokens562.8 tok/s
Peak unified memory, short context164.3 GB
Peak unified memory, 2,048-token prompt166.8 GB
Quantized text model size on diskabout 154 GiB
Complete repository sizeabout 160 GiB

The model produced correct arithmetic, a clear factual explanation, and coherent Python in repeated smoke tests. A 256 GB Mac is recommended so there is room for the model, KV cache, and the rest of the system.

Run with mlx-lm

pip install -U "mlx-lm>=0.31.3"

python -m mlx_lm generate \
  --model Vontra/MiMo-V2.6-Flash-RL-MLX-4bit-MTP \
  --prompt "Write a Python function that checks whether an integer is prime." \
  --max-tokens 256 \
  --temp 0.6

The upstream tokenizer chat template is included. In oMLX, download or select Vontra/MiMo-V2.6-Flash-RL-MLX-4bit-MTP as an MLX model.

Quantization notes

MiMo-V2.6 stores fused attention tensors in checkpoint tensor-parallel order and pads the FP8 scale grid separately for each shard. This conversion reconstructs those shards before quantization. Skipping that step produces a model that loads but returns broken output.

The quantized MTP payload lives in its own mtp/ directory with a manifest describing its tensors. It is not a standalone drafter for mlx_lm.generate --draft-model today. The upstream DFlash payload retains its trained mask embedding and corrected JSON config; an MLX smoke test matched serial greedy output, but it did not beat serial decode in the current experimental runtime.

The vision and audio tensors are kept outside the root text-model index so mlx_lm and oMLX continue to load the tested text checkpoint unchanged. omnimodal/manifest.json records every auxiliary path and its upstream source.

About MiMo-V2.6-Flash-RL

Xiaomi describes MiMo-V2.6-Flash-RL as a sparse 309B-parameter MoE with 15B active parameters, 48 transformer layers, 256 routed experts, and eight active experts per token. The full upstream release supports a one-million-token context and omnimodal inputs. See the original model card for architecture details, evaluations, deployment recipes, intended use, and limitations.

License and credit

The upstream model is released under the MIT license. All model architecture, training, tokenizer work, and original branding belong to the Xiaomi MiMo team. This repository contains a community MLX conversion and measured Apple Silicon results.

@misc{mimo2026v26flash,
  title={MiMo-V2.6-Flash-RL},
  author={{Xiaomi MiMo Team}},
  year={2026},
  howpublished={\url{https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Flash-RL}},
}

Follow Vontra for new Apple Silicon releases and fixes.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon, на GPU NVIDIA они не запускаются.

Класс архитектуры
MiMoV2FlashForCausalLM
Ревизия весов
183cc1c

0 моделей