MiMo-V2.6-Flash: texto, imagen, audio y herramientas en dos máquinas
Un modelo multimodal con audio, un millón de contexto configurado y decodificación especulativa EAGLE. Validado en pruebas; aún no es nuestro modelo principal.
Configuración
MiMo-V2.6-Flash repartido entre las dos GX10 con SGLang, expertos en MXFP4, caché en FP8 y decodificación especulativa EAGLE. Acepta texto, imagen y audio, y usa herramientas.
Resultado
| prueba | resultado |
|---|---|
| generación, una petición (salida estructurada) | 34,0 tok/s |
| generación, una petición (código / prosa) | 32,7 / 27,7 tok/s |
| 8 peticiones a la vez | 226,1 tok/s en total |
| banco de 84 escenarios con herramientas | 82/100 |
| problemas de matemáticas (GSM8K, 50) | 49/50 |
| seguir instrucciones (IFEval, control) | 90,0 % / 94,4 % |
Estado
Lo tenemos en pruebas. Funciona y rinde bien con varias peticiones, pero en trabajo agéntico GLM-5.3 sigue sacando más nota (EXP-0101).
Qué significa para ti
Si necesitas un modelo local que entienda audio además de texto e imagen, es de las opciones más completas que hemos probado en este hardware.
Medido en nuestras máquinas. Dos ASUS Ascent GX10 (NVIDIA GB10, 128 GB de memoria unificada). En tu equipo las cifras serán otras: lo que se traslada es el método y la lección.