把现在的 AI 摊开看：体验、坏处，以及 MiMo-V2.6 series 为什么值得单独聊 · 咪沫

本文数据截至 2026-11-07，引用的是厂商公开发布页与公开榜单，链接放在文末。跑分只作参考，真实体感才是重点。

2026 年用 AI 的体验，和两年前完全不是一回事。那时候我们惊叹「它居然能写代码」，现在困扰变成了另一批问题：为什么同一段提示词昨天还好好的今天就变了？为什么给它 100 万 token 的上下文，它却漏看了第 30 页的那行配置？为什么榜单上高高在上的模型，接进自己的流程里反而不如一个便宜的？

这篇不打算排「谁最强」。先把当下主流 AI 分成几类，说清楚它们真正好用的地方和普遍让人难受的地方，最后单独聊聊 Xiaomi MiMo-V2.6 series——不是因为它分数最高，而是因为它对上面这些坏处，给出了一套不太一样的答案。

一、现在的 AI，大致分成这几种活法

按「你怎么用它」来分，比按公司分更有用：

类型	代表	最舒服的场景	最容易被骂的地方
闭源通用旗舰	GPT-6 Astra / GPT-5.6、Claude Fable 5.1 / Opus 5	复杂推理、长文档、高价值一次性任务	贵、国内访问门槛、行为会随版本漂移
长上下文 / 多模态派	Gemini 3.x、Kimi K3	整库代码、长视频、成堆合同一起丢进去	塞得进去 ≠ 用得对，中文细节常出偏差
国产开源可部署	DeepSeek V4.x、Qwen 3.8 Max、GLM-5.3、Llama	私有化、二次开发、成本敏感的高频调用	极限推理与多模态精细度仍需补
轻量高频助手	豆包、各类端侧小模型	日常问答、口语化文案、响应要快	严谨场景幻觉偏高，复杂工程能力弱
Agent / 工具型	Computer Use、各类编程 Agent	让模型自己拆任务、调工具、跑完再交付	长链路极易在某一环断掉，且难以复现

一个很实际的结论：不存在万能模型，存在的是「任务 × 预算 × 可容忍错误率」的组合。所以成熟团队的用法往往不是「选一个」，而是分层——便宜模型跑量，贵模型兜底，中间加一层自己的回归集。

二、体验：确实回不去了

先把好话说完整。今天的大模型在几件事上已经稳定到可以当基础设施用：

把模糊意图变成可运行的东西。一句需求能出完整前端页面、PPT、脚本、SQL、测试用例，这在三年前还要来回十几轮。
当「第二个读者」。审代码、查逻辑漏洞、把长文档压成提纲、指出你自己没发现的边界条件，价值比「替你写」更高。
跨模态理解终于能用了。截图报错、录屏操作、一段音频转写再总结，不需要先把世界翻译成文字。
Agent 开始承担长程任务。给目标和工具链，它能自己构建、测试、修正、交付，而不只是回答一轮。
成本下降速度超过能力提升速度。同样智能水平，今天的单位价格比一年前低了一个量级，这让「高频调用」第一次成为可算的账。

三、坏处：这些坑，换哪家都还在

1. 幻觉不是「偶尔说错」，是「错得很自信」

最危险的不是不知道，而是用完全一致的语言风格编出引用、API 字段名、法条编号。它能把不存在的函数名写得像刚查过文档。所以凡是会进数据库、进合同、进生产配置的输出，都必须有程序侧校验和人工终审，别指望「让它再检查一遍」——同一模型自检通常检不出自己的错。

2. 长上下文 ≠ 长记忆

100 万 token 窗口解决的是「装得下」，不是「找得准」。信息放在上下文中段时，被忽略的概率明显上升；文档之间互相矛盾时，模型常常不做判断而是把两种说法揉在一起。工程上还是得靠检索、分块、重排、引用编号，把「该看哪几段」先替它决定好。

3. 榜单和体感之间隔着一条河

这是 2026 年最容易被误导的一点：不同评测的口径、提示词、harness、采样次数都不同，同一模型在两份「横评」里可能一个第一、一个中游；网上流传的「幻觉率 1%」「6%」「86%」往往来自完全不同的测试集，根本不能横向比较。厂商发布页上的柱状图更是挑自己领先的榜画。

能信的只有你自己的回归集：30～50 条真实输入、期望输出、字段级准确率，每次换模型/换版本跑一遍。

4. 成本、延迟与锁定

推理账单里藏着三个变量：输入长度、输出长度、缓存命中率。长 system prompt 不缓存，等于每次重复付费；Agent 一轮跑十几步，token 会 quietly 翻几十倍。再加上模型版本迭代快，接口没变但行为变了，今天调好的提示词下个月可能就退化——这类静默漂移比宕机更难排查。

5. Agent 的脆弱是结构性的

工具链路越长，任意一环出错的概率越接近 1。常见故障包括：参数格式反复出错、同一个工具重复调用、把工具返回的内容当成新指令执行（提示注入）、权限从模型输出里取而不是从登录态注入。有意思的是，连前沿模型也躲不开——小米官方在 V2.6 发布后就专门写过一篇《MiMo-V2.6 工具调用重复问题复盘》，把 reward 只关注正确率导致的「奖励盲区」公开摊开讲，后来用 -MOPD 检查点修掉。这种坦白反而比「我们又刷新了 SOTA」更值得看。

6. 隐私、可达性与责任归属

国内团队用海外闭源模型，绕不开数据出境、访问稳定性和合规审查；用开源自建，又要自己扛 GPU、运维和安全。而无论哪种，输出错了造成损失，责任都不在模型——可复核性（能不能追溯它依据了哪段资料、哪次调用）才是企业真正卡住的地方。

7. 能力同质化

各家旗舰的差距在缩小，功能清单越来越像：都能看图、都能调工具、都有长上下文、都能写代码。当能力可以被快速复制，真正的分水岭就变成了训练投入、工程细节、开源程度和单位智能的价格——而不是发布会上那一页跑分。

四、MiMo-V2.6 series：把算力花在哪，决定了它长成什么样

前面这些坏处，绝大多数是行业共性问题，指望某个模型「一次解决」不现实。但 2026-09-22 发布并开源的 Xiaomi MiMo-V2.6 series，确实在几个关键处做了和主流不太一样的选择，值得单独拿出来讲。

它是什么

系列包含三款，全部原生支持文本 / 图像 / 视频 / 音频输入，上下文 1M tokens：

型号	定位	规模	适合
MiMo-V2.6-Pro	旗舰推理	1.02T 总参数 / 42B 激活	复杂项目、长程任务、科研、网络安全
MiMo-V2.6-Flash	高效均衡	约 309B 总参数 / 15B 激活	高频调用、规模化任务、成本敏感
MiMo-V2.6-Pro-UltraSpeed	极低延迟	与 Pro 同等质量	官方称最高 20 倍输出速度，强实时交互

延续 V2.5 的 API 定价不变：Flash 输入 ¥1 / 输出 ¥2（每百万 token），Pro ¥3 / ¥6，并提供 99% 缓存折扣。按官方与北京市科委公开信息，同等智能水平下价格约为海外模型的 1/20 至 1/60，在「智能—成本」帕累托前沿上处于靠前位置。

顺手算一笔账，感受一下分层调用的意义：

# 每天 1000 次请求，单次输入 4k token、输出 1k token（未计缓存折扣）
req_per_day = 1000
tin  = req_per_day * 4000 / 1_000_000   # 4 百万输入 token
tout = req_per_day * 1000 / 1_000_000   # 1 百万输出 token
print('Flash/天: ¥', tin * 1 + tout * 2)   # 4*1 + 1*2 = ¥6
print('Pro  /天: ¥', tin * 3 + tout * 6)   # 4*3 + 1*6 = ¥18
# 结论：把 80% 高频任务放 Flash，只在兜底时升 Pro，账单差距是结构性的

选择一：把钱投进可验证任务里的 RL，而不是再堆一轮参数

官方把它称为探索 RSI（递归自我改进） 路径的关键一步：基座沿用 V2.5，没有换底座，提升主要来自规模化强化学习。公开的训练细节很具体：

不到 6 天的 Live RL 训练，Flash 约 85 万美元、Pro 约 262 万美元，各完成 30 步、累计约 75 万条轨迹；
全异步架构，单次更新 1,568 个样本，支持 1M 上下文训练，单步 3.5～3.7B token；
同一批次里混合 Code / General / Visual / Cyber 多任务与多个 harness，让不同能力相互带动；
样本外长程软件工程基准 DeepSWE v1.1：Flash 从 48.8 → 65.7（约 +17），Pro 从 58.4 → 72.6（约 +14），说明涨的不是背题分数；
训练中冻结 MoE Router 抑制专家负载漂移，并建了覆盖奖励设计、对抗评测、异常检测、验证器交叉校验的 Reward Hacking 防线；
用 Group 内相对比较提供更细的奖励信号，引导模型用更短路径、更少 token 完成任务——这一条直接对着「Agent 跑着跑着账单失控」的痛点。

这里最值得注意的不是数字，而是方向：当大家都在比谁的榜单柱子高时，它把公开材料写成了「我们怎么让模型在真实环境里试错、怎么防止它钻奖励空子」。这类工程细节，恰恰是前面第三节里那些坏处的正面回应。

选择二：开源开到底，而不是只放权重

V2.6 同时开放了：

MiMo-V2.6-Pro / Flash 模型权重与技术报告，以及 MiMo-V2.6-Distill-Qwen-9B 小模型；
7k+ 高质量 RL 任务环境，覆盖软件工程、漏洞复现、知识型工作、网页设计开发；
端到端 RL 训练框架（基于 verl、uni-agent、mini-swe-agent），覆盖环境交互、轨迹采集、奖励评估、策略优化；
mini-harnesses：把系统提示、工具、上下文管理解耦，支持 Multi-Harness Training。

对国内团队来说，这解决的是「可达性 + 可复核性」两件事：能私有化部署，也能自己拿同一套环境复现结果、查它到底在哪类任务上会崩。官方还公开了用 9B 蒸馏模型做 RL 的对照数据（SWE-bench Verified 61.1 → 66.2、Terminal Bench 2.1 37.1 → 52.8 等），比一句「开源友好」实在得多。

选择三：把「全模态」做成能干活的闭环

发布材料里最有意思的不是看图说话，而是 Vibe World：把自然语言驱动的编程，从「写软件」推到「造可交互的世界」——

输入图片/视频/文字，多 Agent 协作搭 3D 游戏场景、写交互逻辑、按渲染结果自我修正；
在 Blender 里根据描述或参考图建模，产出可用于 3D 打印与动画的资产；
以多视角相机画面为输入，闭环控制 Franka Panda 机械臂完成抓取与放置；
Computer Use Agent 理解图形界面、操作办公与生产力工具，再根据视觉反馈检查结果、排查问题。

科研侧也有硬案例：无专项后训练的情况下，协助完成 PFAS 吸附用 MOF 材料的文献梳理、方案设计与计算筛选「干实验」；以及在 Lean 4 中把 Li–Yorke《周期三蕴含混沌》主定理完整形式化，最终 6000 余行源码通过 Lean 内核核验、无证明占位。设计、视频、音乐创作也有覆盖（Design Arena 上与 Opus 5、GPT-5.6 Sol 相近）。

逐条对照：它回应了哪些坏处，又还剩哪些

前面的坏处	V2.6 给出的做法	仍需自己做的事
榜单与体感脱节	公开训练轨迹、成本、样本外提升与失败复盘	建自己的回归集，别信任何单张柱状图
Agent 长链路脆弱	多任务混合 RL、更短路径奖励、防 Reward Hacking	最大轮数、幂等、权限注入、错误回传
成本与供应商锁定	价格不变、99% 缓存折扣、UltraSpeed、权重开源	分层路由，Flash 跑量 / Pro 兜底
可达性与可复核	全量开源 + 7k 环境 + 训练框架	私有化部署的 GPU 与运维成本
长上下文用不准	1M 上下文 + 全模态原生输入	检索、分块、重排一个都不能省
幻觉与责任归属	可验证任务训练、过程公开	输出校验、引用溯源、人工终审

必须说的短板（不然就成了软文）

与最强闭源仍有差距。Artificial Analysis 智能指数上 Pro 约 46 分，超过 Kimi K3、Qwen3.8 Max、GLM-5.3，是当时排名最高的开源权重模型；但 Claude Fable 5.1、GPT-6 Astra 等闭源旗舰约 53 分。官方自己也这么写，没藏。
上线后确实出过问题。发布初期出现工具调用重复，9 月 27 日追加 -MOPD 检查点修复，官方博客有完整复盘。这既是短板，也是少见的透明。
1T 参数不是给个人电脑准备的。Pro 的开源不等于能本地跑，实际落地仍要集群或用 API；Flash 与 9B 蒸馏版才是个人/小团队更现实的选择。
跑分仍然是跑分。Agent Arena、GDPVal、各类内部 bench 口径各异，选型时把它们当线索，不要当结论。
全模态是输入侧的强项，生成侧（视频、音乐、TTS）在生态里还依赖配套模型与工具链，不是单一模型端到端全包。

怎么选，一句话版

高频、批量、对成本敏感 → Flash，把缓存打开；
复杂长程任务、科研、需要兜底质量 → Pro；
交互产品、要求首字快、实时感强 → Pro-UltraSpeed；
想自己研究 RL / 复现实验 → 从 Distill-Qwen-9B + 7k 环境 + mini-harnesses 起步；
无论选哪个，先准备 30 条自己的题，再谈迁移。

五、写在最后

把 2026 年的 AI 摊开看，好消息是它真的能干活了，坏消息是它仍然需要一套工程系统兜着：检索、校验、回归集、权限、降级、可追溯。模型之间的差异，正在从「谁更聪明」转向「谁更愿意把过程和成本摊开、谁让这套兜底系统更好搭」。

MiMo-V2.6 series 值得单独聊，不是因为它赢了所有榜单，而是因为它把「规模化 RL 怎么训、训崩了怎么修、多少钱、权重和环境全给你」这几件事同时摆到了台面上。在一个智能容易被复制的时代，这种公开跋涉本身，比多两分跑分更有长期价值。

当然，最后还是要回到那句老话：用你自己的任务试一遍。这篇文章里所有数字都来自公开资料，它们只能帮你缩小候选范围，不能替你做决定。

参考链接

发布前自查

关键数字均来自官方发布页 / 官方文档 / 政府转载 / 公开百科
明确标注数据时间（2026-11-07）与来源链接
写清短板与失败复盘，不做无条件吹捧
未引用口径不明的第三方「幻觉率」数字
后续版本更新时重新核对跑分与定价