文章摘要
九月底凌晨，Grok 4.7与小米MiMo V2.6两款重量级AI大模型几乎同期发布。作者围绕大模型性能、价格、速度的“不可能三角”测试后发现，Grok 4.7提升有限，表现未达预期；小米MiMo V2.6性能优异、定价极低、响应速度快，兼顾三项要求，且全面开源开放，是综合表现更优的选择。

九月底的一个凌晨，AI大模型领域迎来了一场罕见的正面交锋——两款重量级模型几乎同时发布。一边是推迟两周才露面的Grok 4.7，另一边则是沉寂五个月后终于登场的MiMo v2.6系列。

作为长期使用大模型的开发者，我始终认为行业存在一个难以兼顾的不可能三角：性能、价格与速度。这三者仿佛天然对立，想要高性能就难免成本高昂，追求低价又往往要牺牲响应速度，过去很少有模型能同时满足这三点需求。

此前GPT-6 Astra的强悍能力让我印象深刻，它能高效重构基建、完成复杂任务，但极高的使用成本和较慢的响应速度也让我不敢放开使用，每天的额度消耗都让人小心翼翼。而Grok 4.6曾经是我心中最接近这个三角的模型，虽然编码能力不算顶尖，但速度和价格都足够友好，我也一直将其作为日常常用的工具。正因如此，我对Grok 4.7抱有很高的期待，希望它能进一步优化这个平衡。

然而实际测试下来，Grok 4.7的表现却让我有些失望。这款基于2.1T全新预训练的模型，相比前代1.5T的Grok 4.6参数规模有所提升，但依然没有解决上下文长度的问题，仅支持500K上下文，并未达到1M的预期。官方称其加入了航天领域多年积累的工程数据进行训练，但实际效果只能说中规中矩。

在权威的Terminal-Bench 4.0编码评测集上，它的得分和DeepSeek V4.1 Flash持平，甚至没能超过GLM 5.3 Flash，更不用说GPT-6和Fable 5.1这类顶尖模型。在科研推理能力评测CritPt上，相比Grok 4.6也几乎没有进步。整体的AA指数停留在46分，和GPT-5.6 Sol相当，这一分数更多是依靠法律等知识类任务拉起来的，编码和智能体相关的表现其实并不亮眼。

更让人意外的是前端生成表现，甚至不如前代的Grok 4.6，在建筑前端设计和性能测试中，不仅设计密度不足，还存在严重的卡顿问题，流畅度远不如GLM 5.3 Flash。而且它的定价依然和Grok 4.6一致，百万输入Token收费2美元，输出Token收费6美元，这样的进步幅度显然没能达到我的预期。

原本我以为Grok 4.7会是当天的主角，直到它发布三个半小时后，MiMo v2.6系列正式登场，瞬间让这场交锋的天平发生了倾斜。

MiMo V2.6系列的惊喜表现

这次MiMo推出了三个版本：MiMo-V2.6-Pro、MiMo-V2.6-Flash，还有号称全球最快的20倍速版本MiMo-V2.6-Pro-UltraSpeed。而这款我原本没抱太多期待的模型，却给了我最大的惊喜。

首先看跑分，AA指数刚刚更新的MiMo-V2.6得分同样是46分，和Grok 4.7完全打平，位列开源模型第一、国产模型第一。从V2.5的26分提升到如今的46分，这一进步幅度相当可观。

在Terminal-Bench 4.0编码评测中，MiMo V2.6 Pro在开源模型中仅次于GLM-5.3和Qwen 3.8 Max，位列第三；而在科研推理能力的CritPt评测上，它的得分仅次于GPT和Claude，成为表现最好的模型之一，在其他各项任务中也基本处于第一梯队。

价格方面更是让人眼前一亮：MiMo V2.6 Pro的缓存输入价格仅为每百万Token 0.025元，Flash版本更是低至0.02元，直接对标DeepSeek V4.1 Flash，而且没有优惠期或闲时价格限制，就是实打实的低价。如果使用非实时的批量推理模式，价格还能再打五折。相比其他主流大模型，这个定价堪称价格屠夫，甚至让DeepSeek都显得不够有竞争力。

除了出色的性能和低廉的价格，MiMo的响应速度同样惊人，输出速度达到了130 Token/s，流畅度拉满。

我用第三方AI测试集的2000道评测题进行了内部测试，MiMo V2.6 Flash的品味分排名第一，速度和价格和DeepSeek V4.1 Flash持平，这让我直接决定将相关的主要判断API全面切换到MiMo V2.6 Flash上。现在它已经成为我日常工作流中的重要一环，无论是小型BUG修复还是常规功能优化，都能高效完成，甚至还能主动关联历史问题，提供举一反三的解决方案。

在露天足球场设计和花朵动效网页这类前端任务中，它的表现也相当不错，精细度和流畅度接近Opus 4.8到Opus 5的水平。

值得一提的是，MiMo V2.6并没有盲目堆高参数规模，而是沿用了V2.5的基座，通过后训练实现了性能的大幅提升。其中MiMo-V2.6-Pro总参数1.02T，激活参数42B；Flash版本参数更小，总参数309B，激活参数15B，两者都支持1M上下文和原生全模态，文字、图片、视频、音频都能直接输入处理。

开发团队这次还公开直播了强化学习的训练过程，用户可以实时查看训练步数、花费成本、数据量以及训练Pass Rate等指标。整个强化学习过程花费约347万美元，耗时不到6天，从训练曲线来看，数据集的质量相当高。

团队还发布了完整的技术报告，里面包含了大量的技术细节，非常值得AI从业者学习，链接如下：MiMo V2.6技术报告

此外，MiMo的桌面客户端也结束内测正式上线，支持自定义模型配置，还预设了多款国产模型，方便用户直接使用，客户端下载链接：MiMo桌面客户端

这次MiMo V2.6最让人惊喜的是全面开源，在模型上线当天就开放了所有权重，用户可以在Hugging Face上直接下载MiMo-V2.6-Pro和Flash的模型文件。不仅如此，团队还推出了专门的小模型MiMo-V2.6-Distill-Qwen-9B，基于Qwen3.5-9B打造，让没有大量算力的社区开发者也能复现这套Agentic RL训练方案。

同时他们还开放了7000多个高质量的RL任务环境、mini-harnesses工具以及完整的技术报告，这种开放的姿态在当前的大模型领域实属难得。

总的来说，MiMo V2.6系列真正做到了性能、价格与速度的平衡，完美解决了我心中的大模型不可能三角。而Grok 4.7的表现则相对平淡，没能延续前代的优势。如果你无法使用海外模型，MiMo V2.6 Pro绝对是国内目前综合表现最出色的选择之一。而这种开放的技术分享和低价的使用策略，也让我们看到了大模型普惠化的可能。

以上内容不代表本平台立场，仅供读者参考