小米开源大模型把闭源旗舰逼到墙角:Agent 榜单登顶的含金量,和榜单之外的真相
小米开源大模型把闭源旗舰逼到墙角:Agent 榜单登顶的含金量,和榜单之外的真相
最近科技圈最热闹的一件事,不是哪款手机发布,也不是谁家汽车降价,而是一张榜单。
一张来自独立评测机构 Artificial Analysis 的智能指数排行里,小米开源的 MiMo-V2.6-Pro 拿到了 46 分,压过 Kimi K3、Qwen3.8 Max、GLM5.3 Max 这些国产同行的名字,坐上了“开源第一”的位置。更有意思的是,在几个专门考“AI 会不会干活”的 Agent 基准上,它的分数已经贴到了 Claude Opus 5、GPT-5.6 这种闭源旗舰的身后,个别项目甚至反超。
开源模型追平闭源旗舰,这话过去几年被喊过太多次,多数时候是“某一项超了,总体还差一截”。这次到底是不是真的?含金量有多少?我们把榜单翻开,一项一项看。
一、先搞明白:这个“1 万亿参数”到底是啥概念
MiMo-V2.6-Pro-RL 是 MiMo-V2.6 系列的旗舰版本。官方给出的参数是总参数 1.02 万亿、每次推理实际激活 42 亿……不,是 420 亿。
这是什么意思?你可以把它想成一家超大型图书馆:书架上有 1 万亿本书,但每次你问一个问题,管理员只调出其中 420 亿本相关的给你看。
所以它虽然“体型巨大”,真正干活时并不需要把整个图书馆搬出来。这也是它能把价格压到每百万 token 输入 3 元、输出 6 元的底气。
除了能读文字,它还能看图、看视频、听音频,上下文窗口拉到 100 万 token。翻译成人话:你可以把一整个中型项目的代码、几十份合同、一部长视频,一次性丢给它,它不用你分段喂。
二、登顶的那几个 Agent 基准,究竟在考什么
Agent 这个词听着玄,其实就是“能自己拆任务、自己动手干完的数字员工”。所以 Agent 基准考的从来不是“会不会聊天”,而是能不能把一件事从头做到尾。
这次 MiMo-V2.6-Pro 咬得最紧的,是三个方向。
第一个是自动化办公。
在 AutomationBench 这个模拟真实办公流程的测试里,MiMo-V2.6-Pro 拿到 53.1 分。对比一下:Claude Opus 5 是 50.3,GPT-5.6 Sol 是 45.8,Claude Fable 5 是 46.2。
这项它是实打实的第一,而且不是靠小数点后两位赢的。
在 JobBench(模拟真实岗位工作任务)上,它拿 62.0,也把 GPT-5.6 的 45.4 和 Fable 5 的 57.4 甩在身后。
第二个是终端和长任务。
Terminal Bench 2.1 这项,它 89.9 分,Claude Opus 5 是 89.1,GPT-5.6 是 88.8。分差很小,但意义不小——这类测试考的是“在一个黑框框里连续敲几十条命令,中间不能走错路”,是最考验耐力和稳定性的活。
更夸张的是进步幅度。上一代 MiMo-V2.5 Pro 在这项上只有 65.2 分,这一代直接干到 89.9。相当于从“勉强及格”跳到“班级前列”,只隔了一个版本。
第三个是网络安全。
CyberGym 上,MiMo-V2.6-Pro 拿 94.0,轻量版 Flash 甚至更高,95.1。而上一代只有 40.0。这个跨越幅度,基本等于从“看得懂题”变成“能上手实操”。
三、跟 K3、跟闭源旗舰比,到底谁赢谁输
这里必须说句公道话:它不是全面赢,而是“赢在了几个关键赛点”。
先看赢的地方:
- 自动化办公(AutomationBench):53.1,全场第一
- 真实岗位任务(JobBench):62.0,仅次于 Opus 5 的 65.7
- 终端长任务(Terminal Bench 2.1):89.9,微弱领先两位闭源旗舰
- 综合工作价值(GDPval-AA 2.1):1673 分,超过 GPT-5.6 的 1588 和 Fable 5 的 1595,只差 Opus 5 的 1708 一点点
- 视觉编程(MiMo VisualCoding):72.3,反超 Opus 5 的 70.0
再看差得明显的地方,这才是真话:
- 高难度终端操作(Terminal Bench 4.0):34.9,Opus 5 是 49.0,Fable 5 是 42.4
- 漏洞利用实战(ExploitBench):47.9,而 GPT-5.6 是 78.5
- 大型程序改造(ProgramBench):26.5,Opus 5 是 37.0
所以准确的结论是:在“日常办公、流程自动化、长任务执行”这条线上,它已经摸到了闭源旗舰的后背;在“极限工程、深度攻防”这种硬骨头上,还差着一代。
至于 Kimi K3,在 Artificial Analysis 的综合智能指数上,MiMo-V2.6-Pro 的 46 分确实完成了超越。但要说“碾压”就过了——榜单分数受评测版本、推理模式、token 消耗影响很大,同台竞技时互有胜负才是常态。
四、真正有意思的,是它怎么练出来的
比分数更值得聊的,是训练方式。
官方披露,这次强化学习训练用了不到 6 天,大约 30 步,75 万条轨迹,花费约 347 万美元。而且小米把整个 RL 训练过程做了直播——这在行业里是头一回。
更关键的是一处“评分机制的升级”。
以前的强化学习有个死结:模型做完一道题,系统只判“对”或“错”。可一旦做对了,这道题就失去价值了——因为无法区分“勉强及格”和“漂亮满分”。
MiMo 的做法是,让一个“AI 裁判”在同一批答案里做比较:谁的思路更短、谁用的步骤更少、谁的结果更干净,就给谁更高的奖励。
打个比方:以前老师只打勾打叉,现在老师开始排名次、写评语,学生自然知道该往哪个方向使劲。 这套机制让模型在同样的正确率下,学会用更少的 token、更短的路径把事办完。
还有一个思路挺反直觉的——他们把写代码、通用助手、视觉理解、网络安全这四类任务,混在同一锅里去练,而不是分开各练各的。官方管这叫“You Only RL Once”。
好处是能力之间会互相迁移:在代码任务里学到的“先验证再动手”,能带到办公自动化里去;在网络安全里学到的“逐步试探”,也能反哺终端操作。
五、榜单之外:真实体验是另一回事
这里必须泼一盆冷水。
榜单再好看,落地到具体任务上,落差可能很大。有长期跟踪小米模型的博主做过一整天的实测,结论相当不客气:
- 让它在 30 分钟里做一个超级玛丽小游戏,结果地图、角色、玩法几乎全崩,“看了参考代码,做出 10 到 20 分的水平”
- 让它画一幅赛博朋克版的清明上河图,空间感和配色勉强及格,细节几乎为零
- 做 3D 台球游戏,整体建模和 UI 还行,但球袋建模拉胯,还多出两根莫名其妙的绿杆子
- 最能体现能力的一个“车库场景”项目,它跑了 90 分钟,能主动读参考图、能自己截图检查、能发现“三蹦子建模有问题”“钢铁侠背对镜头”这些问题——但发现之后,改不动。
那句评价很精准:“知错,而无力改错。”
这恰恰说明了一件事:Agent 基准测的是“单个环节的成功率”,而真实项目要的是“几十个环节串起来还不能崩”。前者能靠强化学习刷上去,后者得靠长程一致性和自我纠错能力,这块目前所有开源模型都还在爬坡。
所以看到“比肩闭源旗舰”这种说法,你可以理解成:在某些标准化考卷上,它确实考到了那个分数;但真到了泥地里干活,它还嫩。
六、普通人怎么用?门槛高不高?
先说结论:别想着在自己电脑上跑。
1 万亿参数的模型,本地部署要一整个机柜的显卡,跟普通用户没关系。但它给了三条更现实的路:
第一,网页直接用。 小米的 AI Studio 和桌面客户端都能免费用,适合想先试试水的人。
第二,API 调用。 这才是重点。Pro 版输入 3 元、输出 6 元(每百万 token),缓存命中只有 0.025 元;Flash 版更便宜,输入 1 元、输出 2 元。做个对比:同样一次 1000 万输入 + 200 万输出的任务,Pro 大约 42 元,Flash 只要 14 元。
这个价位是什么水平?国内外同档位模型里,基本属于“敢放开用”的区间。
第三,接进你现有的工具。 它兼容主流的 OpenAI 接口格式,能塞进各种 AI 编程插件、编辑器、自动化工作流里。网上已经有一堆“十分钟接入”的教程。
那它适合谁?
- 自媒体和办公族:批量处理文档、整理资料、生成表格,Flash 版足够,成本几乎可以忽略
- 独立开发者和小团队:拿它当“廉价劳动力”,跑测试、写样板代码、做数据清洗
- 安全从业者:CyberGym 94 分这个成绩,在开源模型里是断层领先的,值得试一试
- 科技发烧友:想体验“AI 自己开电脑干活”的感觉,这是目前门槛最低的国产选项之一
七、写在最后
MiMo-V2.6 这次真正让人记住的,可能不是那几个分数,而是它把训练过程公开直播这件事。
过去大模型公司发模型,像变魔术:幕布一拉,东西出来了,你只能看结果。这次小米把“怎么练”摊在台面上——六天、347 万美元、75 万条轨迹、强化学习怎么给奖励。这种透明,比任何榜单都更有说服力。
当然,它离“闭源旗舰”还有距离,尤其在硬核工程和深度攻防上。但从 65 分到 89 分、从 40 分到 94 分,这种一个版本跨一个台阶的速度,才是最让人警觉的地方。
当开源模型的追赶速度变成“按版本计”而不是“按年计”,闭源厂商的护城河,还能守多久?
如果你手上正好有个“又重复又费时间”的活儿,你更愿意交给便宜大碗的开源模型,还是多花点钱买那份稳妥?评论区聊聊。