Xiaomi: MiMo-V2.6-Flash

MiMo-V2.6-Flash es un modelo fundacional de código abierto de Xiaomi, listado en api14 bajo el id de modelo xiaomi/mimo-v2.6-flash. Pertenece a la categoría de texto y está construido sobre una arquitectura de Mezcla de Expertos con 309B parámetros totales y 15B activados por token, usando un mecanismo de atención híbrido. Xiaomi lo posiciona como un modelo fundacional en lugar de un sistema específico para tareas concretas, por lo que está pensado para servir como base general para una amplia gama de trabajo lingüístico.

El modelo acepta texto, imagen, vídeo y audio como entrada, y produce texto como salida. Su ventana de contexto es de 1.050.000 tokens, y la longitud máxima de salida es de 131.072 tokens. Esa combinación de un contexto muy grande y entrada multimodal significa que una sola solicitud puede llevar documentos largos junto con imágenes, vídeo o audio, y aún así devolver una respuesta de texto sustancial. Los parámetros de solicitud admitidos incluyen temperature, top_p, top_k, min_p, frequency_penalty, presence_penalty, repetition_penalty, max_tokens, stop, seed, logit_bias, logprobs, top_logprobs, response_format, structured_outputs, tools, tool_choice, reasoning e include_reasoning.

Esas capacidades apuntan a unos cuantos patrones prácticos. El trabajo de contexto largo, como resumir o consultar grandes conjuntos de documentos, bases de código o transcripciones, encaja de forma natural, ya que la ventana es lo bastante grande como para contener material que de otro modo necesitaría fragmentación. Como se pueden proporcionar imágenes, vídeo y audio como entrada, el modelo puede usarse para tareas como describir medios, extraer información de capturas de pantalla o páginas escaneadas, o responder preguntas sobre material grabado, con la respuesta devuelta como texto. El llamamiento a herramientas y las salidas estructuradas lo hacen adecuado para canalizaciones en las que el modelo debe llamar a funciones o emitir JSON que el código posterior pueda analizar, y los parámetros reasoning e include_reasoning ofrecen una forma de solicitar o inspeccionar el razonamiento intermedio cuando eso resulta útil.

Llamarlo a través de api14 funciona igual que con cualquier otro modelo compatible con OpenAI. Envía una solicitud al endpoint de chat completions con el campo model establecido en xiaomi/mimo-v2.6-flash, y pasa los mensajes en el formato habitual de OpenAI, incluyendo partes de contenido multimodal para entrada de imagen, vídeo o audio. Los parámetros enumerados arriba se pueden establecer en el cuerpo de la solicitud; los controles de muestreo como temperature, top_p, top_k y min_p dan forma a la generación, max_tokens limita la salida, y tools, tool_choice, response_format y structured_outputs cubren el llamamiento a funciones y las respuestas estructuradas. El streaming y las bibliotecas cliente estándar de OpenAI deberían funcionar como se espera contra la interfaz compatible.

Una cosa a tener en cuenta es que la salida es solo texto, por lo que el modelo no puede generar imágenes, vídeo o audio como respuesta. Si una tarea requiere producir medios en lugar de describirlos o razonar sobre ellos, se necesitaría un modelo diferente. El contexto grande y el techo de salida de 131.072 tokens también implican que las solicitudes pueden ser pesadas, así que para indicaciones cortas y simples un modelo más pequeño puede ser una elección más proporcionada.