Xiaomi MiMo-V2.6-Pro : le constructeur de téléphones qui fait le meilleur modèle open source du moment

Xiaomi a sorti MiMo-V2.6-Pro le 22 septembre 2026. C'est le modèle open weights le mieux classé au monde sur l'Artificial Analysis Intelligence Index, avec un score de 46. Il devance DeepSeek V4.1 Flash (39), DeepSeek V4.1 Pro (36), Grok 4.6 (44) et Gemini 3.8 Flash (41). Il est ex aequo avec Grok 4.7, sorti le même jour.

Xiaomi, l'entreprise que tu connais pour ses téléphones et ses voitures électriques, est maintenant le lab qui produit le meilleur modèle open source disponible. Pas DeepSeek, pas Qwen. Xiaomi.

Ce que MiMo-V2.6-Pro fait

C'est un modèle mixture-of-experts de 1,02 trillion de paramètres, avec 42 milliards de paramètres actifs par token. Context window d'un million de tokens. Multimodal en entrée : texte, image, audio, vidéo. Licence MIT, poids disponibles sur Hugging Face.

Trois versions sortent ensemble :

• MiMo-V2.6-Pro : le flagship, score de 46 sur l'AA Index. Prix API : 0,435 dollar par million de tokens en input, 0,87 dollar en output.
• MiMo-V2.6-Flash : plus petit et moins cher (0,14/0,28 dollar), même context window d'un million. Deuxième modèle frontier le moins cher au monde sur API.
• MiMo-V2.6-Pro-UltraSpeed : version à vitesse de génération jusqu'à 20 fois supérieure au Pro normal.

Sur DeepSWE v1.1, le benchmark d'ingénierie logicielle long-horizon, le Pro atteint 72,6 points et le Flash 65,7. Pour comparer, GPT-6 Astra est à 74,1 et Claude Fable 5.1 à 55,8 sur Terminal-Bench 4.0. Les benchmarks ne sont pas identiques, mais l'ordre de grandeur place Xiaomi dans la même cour que les modèles closed source, pas dans la catégorie "correct pour de l'open".

Le coût par tâche sur l'AA Index est de 0,13 dollar. Claude Opus 5 à effort maximum coûte 5,86 dollars par tâche sur le même index. Tu paies 45 fois plus pour 5 points de plus.

Pourquoi Xiaomi, et pas un lab IA

Xiaomi a commencé à étendre sa famille MiMo en 2025. La version V2.5, sortie en avril 2026, avait déjà posé l'architecture : MoE sparse, million de tokens de contexte, licence permissive, prix bas pour les workloads agentiques. En juin, Xiaomi a sorti MiMo Code, un harness de code open source qui battait Claude Code sur les tâches de plus de 200 étapes. Et HarnessX, un framework qui réécrit son propre scaffolding en cours de tâche, avec un gain moyen de 14,5 points sur 15 combinaisons modèle-benchmark.

V2.6 rassemble ces fils. Le modèle a été entraîné avec une stratégie que Xiaomi appelle "You Only RL Once" : au lieu de faire du reinforcement learning séparé pour le code, la vision, le computer use et la cybersécurité, tout passe dans un seul grand run. 30 steps, environ 750 000 trajectories, en moins de 6 jours.

Le coût de ce RL : 2,62 millions de dollars pour le Pro, 850 000 dollars pour le Flash. Pas gratuit, mais un ordre de magnitude sous ce que les labs fermés dépensent pour un cycle de training. Et Xiaomi a open-sourcé le code RL, l'environnement d'entraînement et le technical report.

Un exemple chez Maisons&Mobilia

Antoine, lead developer chez Maisons&Mobilia (M&M, enseigne de meubles fictive), veut tester des modèles open source pour remplacer son abonnement Claude sur les tâches de code routine. Son équipe de 6 devs utilise Claude Code au quotidien, et la facture API mensuelle grimpe.

Antoine télécharge MiMo-V2.6-Pro sur Hugging Face. Il le fait tourner sur des instances GPU louées chez un provider européen. Pas de données qui sortent de l'UE, pas de dépendance à une API américaine ou chinoise. Le modèle est sous licence MIT, donc il peut le fine-tuner sur le code de M&M sans contrainte.

Sur les tâches de code routine de l'équipe (générer des tests, refactoriser des composants, écrire de la documentation), MiMo-V2.6-Pro fait le travail. Pas aussi bon que Claude Fable 5.1 sur les refactorings longs qui demandent de comprendre tout le contexte projet, mais suffisant pour 70% des tâches quotidiennes. Le coût d'infrastructure GPU pour faire tourner le modèle en local tourne à 200 euros par mois, contre 800 euros d'API Claude.

Ce qu'Antoine doit quand même faire : évaluer le modèle sur ses vrais cas avant de basculer. Les benchmarks tierce partie (Artificial Analysis) sont une indication, pas une garantie. MiMo-V2.6-Pro peut être excellent sur DeepSWE et moyen sur le code métier spécifique de M&M. Antoine lance une eval sur 50 pull requests déjà mergées, compare les sorties de MiMo et de Claude, et regarde le taux d'erreurs.

La limite qui le freine : faire tourner un modèle de 1 trillion de paramètres en local demande de l'infrastructure GPU sérieuse. Si M&M n'a pas de GPU en interne, louer des instances A100 ou H100 coûte plus cher que le modèle lui-même (qui est gratuit). Le calcul n'est avantageux que si le volume d'usage justifie l'infrastructure. Pour 6 devs, ça passe. Pour 1 dev solo, l'API de Xiaomi à 0,87 dollar par million de tokens reste moins chère que de louer du GPU.

Ce que ça change si tu apprends l'IA

1. L'open source n'est plus "presque aussi bon" que le frontier, il est dans la même conversation. MiMo-V2.6-Pro score 46, Claude Fable 5.1 et GPT-6 Astra sont autour de 50. L'écart est de quelques points, pas de dizaines. Comprendre ça, c'est savoir que la question "est-ce que j'ai besoin du modèle fermé le plus cher" se pose maintenant pour chaque use case, pas par défaut.

2. Les constructeurs de téléphones sont devenus des labs IA. Xiaomi, qui fait des Redmi et des voitures électriques, sort le meilleur modèle open weights du moment. Ce n'est pas un accident ni un side project. C'est le résultat d'une stratégie délibérée : MoE sparse, RL à grande échelle, harness agentique, open source. Le paysage des producteurs de modèles s'élargit, et les noms qu'on attendait (DeepSeek, Qwen) ne sont plus les seuls à compter.

3. Le coût est l'avantage net de l'open. À qualité équivalente, MiMo coûte 20 à 60 fois moins cher que les modèles fermés au même niveau. Si tu construis un produit qui fait des milliers d'appels modèle par jour, la différence entre 0,13 dollar et 5,86 dollar par tâche n'est pas un détail. C'est ce qui détermine si ton produit est viable. La compétence pratique : savoir estimer le coût d'inference de ton use case et choisir le modèle le moins cher qui fait le job, pas le plus puissant sur le papier.

Aller plus loin

Pour comprendre comment un agent IA utilise des outils et enchaîne des étapes, notre article sur comment fonctionne un agent IA pose les bases du tool use et de l'orchestration. Pour comprendre la dynamique open source vs fermé sur les benchmarks, notre article sur Union Alpha et Pareto 26.9 couvre le modèle anonyme qui a matché GPT-6 Astra à un quart du prix. Pour comprendre comment évaluer un modèle avant de le déployer, notre article sur Claude Fable 5.1 détaille les benchmarks et les cache reads. Et pour t'entraîner à ces notions en 5 minutes par jour, l'app saisir.ai propose des modules interactifs sur les modèles, les agents et le déploiement, en français, sans coder.

Sources

• Xiaomi, "MiMo-V2.6: Scaling Up Reinforcement Learning for Self-Improvement", 22 septembre 2026
• VentureBeat, "Better than DeepSeek: Xiaomi's MiMo-V2.6-Pro debuts as the top open weights model in the world", 22 septembre 2026
• Artificial Analysis, "MiMo-V2.6-Pro Intelligence Index", septembre 2026
• LLM Stats, "MiMo-V2.6-Pro Benchmarks, Pricing & Context Window", 22 septembre 2026
• RuntimeWire, "Xiaomi open-sources MiMo-V2.6 and the RL machinery behind it", 22 septembre 2026