小米 MiMo-V2.6-Flash 开源：309B 参数只激活 15B，1M 上下文还带多模态

开源大模型的竞争，早就不是“谁参数更大”了，而是“谁能用更少的激活参数做出更强的能力”。小米新开源的 MiMo-V2.6-Flash，把这句话讲得很清楚：总参数 309B，却只激活 15B；支持 1M token 上下文，原生处理文本、图像、视频和音频。

一分钟速览

• MiMo-V2.6-Flash 是小米 MiMo-V2.6 系列中的效率均衡版本。
• 基于稀疏混合专家（MoE）架构，总参数 309B、激活参数 15B。
• 支持 1M token 上下文。
• 原生处理文本、图像、视频和音频，属于多模态基座模型。
• 面向“规模化强化学习驱动自我改进”，一次混合 RL 完成多目标优化。

MoE 为什么是当下的主流选择

稀疏混合专家的核心思想是“用得起的大”。总参数做到几百 B，意味着模型有能力容纳海量知识；而每次推理只激活其中很小一部分（这里是 15B），意味着成本可控、速度能接受。对开源社区来说，这是一种“既有上限、又能落地”的折中。

1M 的上下文窗口则意味着它能一次处理超长文档、长视频转写、大规模代码库。过去需要切片拼接的任务，现在有机会一次吃下。

多模态与自我改进

原生多模态比“外挂式”拼接更有优势：模型在训练阶段就见过文本、图像、视频、音频，理解更连贯。而“规模化的强化学习驱动自我改进”则透露出另一个方向——不靠人写更多数据，而让模型在 RL 中自己变强。一次混合 RL 同时优化多个目标，是效率与效果兼顾的尝试。

趋势洞察：开源模型的“效率军备”

从密集模型到 MoE，从单一文本到原生多模态，开源模型的竞争焦点已经转向“单位算力产出”。谁能用更少的激活参数、更低的价格，做出接近闭源旗舰的效果，谁就能赢得开发者和企业。

小米以硬件公司身份进入开源大模型战场，也说明模型的“通用基础设施”属性越来越强——未来它可能内嵌进每一台设备，而不只是一个云端服务。

更值得关注的是“效率均衡”这个定位。它没有一味堆参数，而是在能力与成本之间划了一条线，瞄准的是高频调用、对价格敏感的场景。对希望在本地或私有环境跑模型的企业来说，这种“够用且便宜”的版本，往往比旗舰更有吸引力。开源的意义也在这里——它把选择权交还给了使用者。