MiMo V2.6 Pro è ora su Felo OpenAPI: il miglior modello open-weights di Xiaomi
MiMo V2.6 Pro di Xiaomi, il modello open-weights al vertice dell'indice Artificial Analysis, è disponibile su Felo OpenAPI a $0,43/$0,87 per milione di token.
Xiaomi ha rilasciato MiMo V2.6 Pro il 22 settembre, posizionandolo in cima alla classifica open-weights: 46 sull'Artificial Analysis Intelligence Index, davanti a Kimi K3 e Qwen3.8 Max. Xiaomi ha fornito i pesi, il report tecnico e il codice di training insieme al modello.
Da oggi, mimo-v2.6-pro è attivo su Felo OpenAPI. Si usa la stessa chiave già impiegata per Claude, GPT e Grok. Stesso URL base. Basta cambiare una riga nella configurazione.
Il valore di questo rilascio si vede nel prezzo accanto al benchmark. Ragionamento quasi frontier a $0,43 per milione di token input e $0,87 per milione di token output cambia ciò che un ciclo agente può permettersi.
Cosa ha effettivamente consegnato Xiaomi
L'annuncio risulta insolito per una presentazione di punta, e permette un riassunto diretto.
MiMo V2.6 Pro rappresenta il modello di punta da trilioni di parametri di Xiaomi, il più forte open-weights attualmente disponibile. Xiaomi lo afferma chiaramente, poi aggiunge il contrappunto: rimane un divario rispetto ai modelli closed più potenti, Claude Fable 5.1 e GPT-6 Astra. Su molti benchmark agent, Xiaomi dichiara parità con Claude Opus 5 e GPT-5.6 Sol.
Questa è la classifica del produttore. Considerala come qualsiasi tabella di lancio, una dichiarazione e non un risultato. Ma due aspetti di questo rilascio si possono verificare, cosa rara per i benchmark.
I pesi sono pubblici. MiMo V2.6 Pro e Flash sono stati rilasciati con pesi open, report tecnico e codice di reinforcement learning. Si può ospitare autonomamente, fare fine-tuning o verificare.
Anche il training è stato pubblico. Xiaomi ha condotto la fase RL in diretta per circa sei giorni. Pro e Flash hanno completato 30 step di training ciascuno, raccogliendo quasi 750.000 traiettorie; il run Pro solo ha raggiunto circa $2,62 milioni. Su DeepSWE v1.1, benchmark di ingegneria software long-horizon fuori campione, il modello Pro è passato da 48,8 a 65,7.
Insieme ai pesi, Xiaomi ha open-sourcizzato oltre 7.000 ambienti di task reinforcement learning che coprono ingegneria software, riproduzione di vulnerabilità, lavoro knowledge-intensive e web design — il materiale di training, non solo il risultato.
La scheda tecnica
| Specifica | MiMo V2.6 Pro |
|---|---|
| Model ID | mimo-v2.6-pro |
| Produttore | Xiaomi |
| Scala | Flagship da trilioni di parametri |
| Finestra di contesto | 1.000.000 token |
| Output massimo | 128.000 token |
| Input | Testo, immagine, video, audio |
| Output | Testo |
| Capacità | Ragionamento, tool calling, output strutturato, streaming |
| Intelligence Index | 46 (Xiaomi riporta 46,32) |
Due righe meritano attenzione.
L’input è omni-modale. Testo, immagini, video e audio entrano nello stesso prompt. La maggior parte dei modelli a questo prezzo legge testo e forse uno screenshot. Inserire una registrazione schermo, una sequenza di frame o una traccia audio senza trascrizione rappresenta un task diverso, e qui si è concentrato il training.
La finestra di contesto è di un milione di token. Il training ha usato direttamente il contesto da 1M token, senza aggiungerlo dopo, e Xiaomi ha posizionato il modello per lavoro multimodale, multi-agente e multi-harness. Domande sull’intero codebase, set di documenti annuali e thread agent lunghi trovano spazio senza compressione.
Xiaomi ha anche mostrato il modello su lavori verificabili. Ha prodotto una formalizzazione completa in Lean 4 del teorema principale di Period Three Implies Chaos, oltre 6.000 righe di codice la cui prova viene verificata dal kernel Lean senza placeholder non provati. Separatamente, ha collaborato con i ricercatori di materiali Xiaomi per progettare candidati framework metallo-organici per catturare inquinanti PFAS. I benchmark si possono manipolare. Una prova che compila no.
Cosa aggiunge Felo OpenAPI
Chiamare un modello è semplice. Il motivo per usare MiMo V2.6 Pro su Felo OpenAPI invece di un altro provider è che il modello si inserisce in uno stack già connesso.
Una chiave, tre protocolli. Felo OpenAPI espone il modello su ogni superficie compatibile:
| Superficie | Endpoint | Utilizzo |
|---|---|---|
| Chat Completions | https://openapi.felo.ai/api/v1/chat/completions | App e agent OpenAI-compatibili |
| Responses | https://openapi.felo.ai/api/v1/responses | Richieste agent e workflow |
| Messages | https://openapi.felo.ai/api/v1/messages | Client Anthropic-compatibili |
Punta un SDK OpenAI esistente a https://openapi.felo.ai/api/v1, o un client stile Claude a https://openapi.felo.ai/api, e imposta il model ID. Nessun account separato, nessuna seconda relazione di fatturazione, nessun SDK specifico da imparare.
Si integra negli agent già attivi. Felo OpenAPI elenca MiMo V2.6 Pro come utilizzabile con Claude Code e Codex, come le route Claude e GPT. Se hai un agent su Felo oggi, aggiungere questo modello richiede solo una modifica di configurazione.
Il modello non è solo. Qui si distingue una gateway da una piattaforma. Search, web fetch, X search, sottotitoli YouTube, generazione PPT, mindmap, memoria LiveDocs e workflow SuperAgent si trovano dietro la stessa chiave. Un modello con contesto da un milione di token e input omni-modale serve solo se può accedere a informazioni fresche e produrre output. Su Felo può.
La generazione precedente, mimo-v2.5-pro, è già sulla piattaforma. V2.6 è l’upgrade, e passare dall’uno all’altro richiede solo una modifica.
Come appare il flusso completo
Un brief competitivo rappresenta un buon caso di test, perché richiede tutte le capacità insieme. Su Felo OpenAPI, una chiave copre l’intero ciclo:
- Web Fetch recupera tre pagine prezzi dei competitor come Markdown.
- Search completa ciò che le pagine non dicono — finanziamenti, personale, lanci recenti.
- MiMo V2.6 Pro legge tutto in un unico contesto da 1M token, insieme a uno screenshot di ogni tabella prezzi, e ragiona su testo e immagine insieme invece che su una trascrizione OCR.
- PPT API trasforma la conclusione in una presentazione.
L’alternativa sono quattro vendor, quattro chiavi, quattro fatture e uno strato di glue da mantenere. Quel glue è il costo che questo stack elimina, e spesso il motivo per cui una demo agent non diventa mai prodotto.
Quick Start
Tre step dal nulla alla risposta.
1. Ottieni una API key dal tuo account Felo API Platform ed esportala.
export FELO_API_KEY="YOUR_API_KEY"
2. Fai la prima richiesta. Il model ID è mimo-v2.6-pro.
curl https://openapi.felo.ai/api/v1/chat/completions \
-H "Authorization: Bearer $FELO_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "mimo-v2.6-pro",
"messages": [
{"role": "user", "content": "Summarize the tradeoffs between sparse and dense attention."}
]
}'
Oppure tramite OpenAI SDK, cambiando solo l’URL base:
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["FELO_API_KEY"],
base_url="https://openapi.felo.ai/api/v1",
)
completion = client.chat.completions.create(
model="mimo-v2.6-pro",
messages=[{"role": "user", "content": "Explain the tradeoffs between sparse and dense attention."}],
max_tokens=1024,
)
print(completion.choices[0].message.content)
3. Attiva lo streaming aggiungendo stream: true.
curl -N https://openapi.felo.ai/api/v1/chat/completions \
-H "Authorization: Bearer $FELO_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "mimo-v2.6-pro",
"stream": true,
"messages": [{"role": "user", "content": "Hello"}]
}'
Nota pratica per lavori multi-turn: questo è un modello di ragionamento. Se il protocollo o la route espone controlli di ragionamento, conserva i metadata di ragionamento restituiti e passali avanti quando continui la conversazione. Perderli a metà thread è il modo più comune per far sembrare un modello di ragionamento peggiore di quanto sia.
Il calcolo dei costi
Qui MiMo V2.6 Pro si guadagna il posto. Tariffe Felo OpenAPI pubblicate, per milione di token:
| Modello | Input / M | Output / M |
|---|---|---|
| GPT-6 Astra | $10.00 | $50.00 |
| Claude Opus 5.5 | $4.00 | $20.00 |
| GPT-6 Sol | $2.00 | $10.00 |
| MiMo V2.6 Pro | $0,43 | $0,87 |
| DeepSeek V4.1 Flash | $0,15 | $0,60 |
| GLM 5.3 Flash | $0,15 | $0,50 |
Queste sono le tariffe pubblicate di Felo OpenAPI sull’intero catalogo, che rende il confronto equo: stessa piattaforma, stessa chiave, stessa fattura. Per MiMo V2.6 Pro, il prezzo corrisponde al listino Xiaomi, $0,435 input e $0,87 output. La route passa il modello al prezzo di listino, senza markup.
Ora calcola su un workload agente realistico. Supponiamo che il ciclo legga una porzione repository da 200.000 token, produca 20.000 token di modifiche e venga eseguito 50 volte al giorno:
- 10M token input al giorno, 1M token output al giorno
- Su GPT-6 Astra: $100 + $50 = $150 al giorno
- Su Claude Opus 5.5: $40 + $20 = $60 al giorno
- Su MiMo V2.6 Pro: $4,30 + $0,87 = $5,17 al giorno
Questo risulta circa 29 volte più economico di GPT-6 Astra per lo stesso tipo di lavoro, su un modello che Xiaomi dichiara vicino a Claude Opus 5 e GPT-5.6 Sol nei benchmark agent. La dichiarazione è del vendor; il prezzo è un dato. Se la dichiarazione si rivela anche solo due terzi vera, l’economia degli agent cambia.
L’effetto secondario conta più del risparmio stesso. Quando un ciclo costa $5 al giorno invece di $150, smetti di tagliare il contesto per risparmiare. Smetti di passare a modelli più deboli per i passaggi noiosi. Permetti di eseguire di nuovo con prompt più grandi. La maggior parte dei problemi di qualità agent nasconde problemi di budget.
Dove si adatta e dove no
Usalo quando serve ragionamento multimodale su immagini, video o audio; analisi long-context dove tutto il documento deve restare visibile; task agent che consumano token tutto il giorno; comprensione video; o quando serve un modello open-weights ispezionabile e ospitabile autonomamente.
Non usarlo quando serve il massimo livello di ragionamento e il costo non è un vincolo. Xiaomi lo afferma: Claude Fable 5.1 e GPT-6 Astra rimangono avanti. Se esegui un task critico al giorno, paga per il frontier.
Un’aspettativa da impostare prima di passare un endpoint sensibile alla latenza: Felo classifica la latenza di questa route come deep, cioè ragiona prima di rispondere. È la scelta giusta per analisi e pianificazione agent, e quella sbagliata per autocomplete o chat real-time, dove serve una tier veloce.
Sintesi: questo è il modello da usare quando serve quasi tutta la qualità senza quasi tutto il costo. Il costo è ciò che cresce.
Domande comuni
MiMo V2.6 Pro è uguale a MiMo V2.6 Flash? No. Flash è il fratello più economico e veloce dello stesso rilascio, e non è attualmente su Felo OpenAPI. Pro è la route flagship.
Quale endpoint chiamare?
Se già usi un SDK OpenAI, usa Chat Completions su https://openapi.felo.ai/api/v1/chat/completions. Se sei su un client stile Claude, usa la superficie Anthropic-compatibile su https://openapi.felo.ai/api. L’endpoint Responses si adatta a richieste agent e workflow.
Supporta tool calling e output strutturato? Sì. Felo OpenAPI elenca ragionamento, strumenti, JSON, streaming e vision come capacità supportate per questa route. Le definizioni tool seguono lo schema compatibile, quindi il codice tool-calling esistente funziona.
Si può ancora ospitare autonomamente? Questo è il senso degli open weights. Xiaomi ha pubblicato pesi e report tecnico, quindi una route su Felo oggi non vincola domani.
Come si confronta con i flagship closed? La posizione di Xiaomi è la più equa: davanti a ogni altro modello open-weights, ancora dietro Claude Fable 5.1 e GPT-6 Astra, circa al livello di Claude Opus 5 e GPT-5.6 Sol su molti benchmark agent. La colonna da leggere è l’ultima: capacità per dollaro.
Prova MiMo V2.6 Pro
Ottieni una chiave da Felo API Platform, punta l’URL base a https://openapi.felo.ai/api/v1, imposta il modello su mimo-v2.6-pro ed esegui il workload che hai razionato. La pagina modello contiene la scheda completa, prezzi attuali e sample copy-paste in TypeScript, Python, cURL e Claude Code.
Esplora MiMo V2.6 Pro su Felo OpenAPI →
Questo articolo è disponibile anche in English, 简体中文, 日本語, 한국어, 繁體中文, हिन्दी, Français, العربية, Русский, اردو, Bahasa Indonesia, Deutsch, Tiếng Việt, Türkçe, ไทย, Español, বাংলা and Português.