Der chinesische Technologiekonzern Xiaomi – vielen vor allem als Smartphone-Hersteller bekannt – hat mit der Veröffentlichung seiner neuen KI-Modellreihe MiMo-V2.6 die Open-Source-Szene aufgemischt. Das Flaggschiff-Modell MiMo-V2.6-Pro setzt sich an die Spitze der offenen Modelle und wurde dabei für lediglich rund 3 Millionen US-Dollar trainiert. Besonders bemerkenswert: Xiaomi gehört nicht einmal zum etablierten Kreis der „sechs chinesischen KI-Tiger“ – und überrascht damit die gesamte Branche. Das Modell ist nativ omnimodal, die Trainingsrezepte werden Open Source veröffentlicht, und die Transparenz während des Trainingsprozesses war beispiellos.
Hintergrund: Vom Smartphone-Riesen zum KI-Herausforderer
Xiaomi wird international oft als das „Apple Chinas“ bezeichnet – ein Konzern, der vor allem für preiswerte, aber hochwertige Consumer Electronics steht. In der Welt der generativen KI spielte das Unternehmen bislang keine nennenswerte Rolle. Die großen Namen aus China – DeepSeek, Alibabas Qwen, Baidu, ByteDance und andere – dominierten die Schlagzeilen. Dass ausgerechnet ein Hardware-Hersteller ein Frontier-Modell veröffentlicht, das mit den Besten der offenen Gewichtsklasse mithalten kann, markiert einen Wendepunkt.
Der Schlüssel zu diesem Erfolg hat einen Namen: Fuli Luo, ein ehemaliger Star-Ingenieur von DeepSeek, der mittlerweile für Xiaomi arbeitet. Luo sorgte bereits Tage vor der offiziellen Veröffentlichung für Aufsehen, als er die finalen Reinforcement-Learning-Trainingsläufe live und öffentlich teilte – inklusive interner Metriken. Ein Grad an Transparenz, den man in dieser Branche selten sieht und der die Community begeisterte.
Die Details: Was MiMo-V2.6 kann – und wie es trainiert wurde
Die MiMo-V2.6-Serie umfasst drei Modelle, die unterschiedliche Anforderungen abdecken:
- MiMo-V2.6-Pro: Das leistungsstärkste Modell der Reihe – Xiaomis bisheriges Spitzenmodell und neuer Benchmark-Anführer unter den offenen Modellen.
- MiMo-V2.6-Flash: Optimiert für die beste Balance zwischen Intelligenz, Effizienz und Kosten.
- MiMo-V2.6-Pro-UltraSpeed: Liefert bis zu 20-fache Ausgabegeschwindigkeit bei gleicher Qualität – für Anwendungsfälle, die extreme Generierungsgeschwindigkeit erfordern.
Alle drei Modelle sind nativ omnimodal, können also Text, Bild und weitere Modalitäten verarbeiten, ohne dass separate Module nachgeschaltet werden müssen. Die Modellbezeichnung „1T-A42B“ deutet auf eine Architektur mit rund einer Billion Parametern hin, von denen 42 Milliarden aktiv sind – ein Mixture-of-Experts-Ansatz, der Leistung und Effizienz vereint.
Das Reinforcement Learning wurde laut dem technischen Report entlang dreier Achsen skaliert:
- Größere Batches und höherer Durchsatz: Auf einer vollständig asynchronen Architektur wurden 1.568 Samples pro Update verarbeitet, bei Kontextlängen von bis zu einer Million Token und 3,5 bis 3,7 Milliarden Token pro Trainingsschritt.
- Mehr Tasks und reichere Umgebungen: Ein Multi-Task-Trainingssetup, das Coding, allgemeine Agenten-Aufgaben, visuelle Aufgaben und Cyber-Security-Szenarien umfasst – wobei Fortschritte in einem Bereich die anderen Fähigkeiten verstärken.
- Mehr Grader-Compute: Relative Vergleiche innerhalb jeder Gruppe liefern präzisere und vielfältigere Belohnungssignale für Langzeit-RL-Tasks – das Modell lernt, kürzere Wege mit weniger Token zu finden.
Besonders spannend für die Community: Xiaomi veröffentlicht nicht nur die Modellgewichte, sondern das gesamte Tooling als Open Source. Das umfasst Trainingsrezepte und Umgebungscode für Coding und Software Engineering, Cyber-Vulnerability-Reproduktion (ARVO-Umgebung), allgemeine Wissensarbeit, Web-Entwicklung, Musikgenerierung und zusammensetzbare Mini-Harnesses für Agenten-Konfigurationen. Lediglich die vollständigen Datensätze mit über 7.000 Tasks wurden noch nicht freigegeben.
Einordnung: Was das für den DACH-Raum bedeutet
Für Solopreneure, Entwickler und Marketer im deutschsprachigen Raum ist diese Veröffentlichung aus mehreren Gründen relevant:
Erstens die Kosten: Ein Frontier-Modell für 3 Millionen Dollar zu trainieren – das ist eine Größenordnung, die vor zwei Jahren noch undenkbar war. Zum Vergleich: GPT-4 soll geschätzt über 100 Millionen Dollar gekostet haben. Die Demokratisierung der KI-Entwicklung schreitet damit in atemberaubendem Tempo voran. Selbst mittelständische Unternehmen im DACH-Raum können sich mittlerweile überlegen, eigene Feinabstimmungen auf solchen Modellen vorzunehmen.
Zweitens die Open-Source-Strategie: Dass Xiaomi nicht nur die Gewichte, sondern auch die Trainingsrezepte und Umgebungen veröffentlicht, ist ein Geschenk an die gesamte Entwicklergemeinschaft. Wer bislang mit Metas Llama oder Alibabas Qwen gearbeitet hat, bekommt jetzt eine weitere leistungsfähige Alternative – inklusive der Möglichkeit, die RL-Trainingsmethoden auf eigene Projekte anzuwenden.
Drittens das geopolitische Signal: Nathan Lambert hat in einem Congressional Briefing die Konkurrenz zwischen offenen Modellen, US-amerikanischen Anbietern und chinesischen Labs thematisiert. Für europäische Unternehmen stellt sich zunehmend die Frage: Nutzt man proprietäre US-APIs, offene chinesische Modelle oder investiert in eigene europäische Alternativen? Die Datenschutz- und Souveränitätsdebatte wird durch solche Veröffentlichungen nicht einfacher – aber die technischen Möglichkeiten werden definitiv besser.
Meine persönliche Einschätzung: MiMo-V2.6-Pro zeigt, dass der Wettbewerb bei offenen Modellen intensiver ist als je zuvor. Die These, dass Frontier-Coding-Fähigkeiten seit Opus 4.8 stagnieren, während Open-Source-Modelle aufholen, gewinnt mit dieser Veröffentlichung erheblich an Gewicht.
Was kommt als nächstes
Die fehlenden 7.000+ Task-Datensätze dürften in den kommenden Wochen schrittweise veröffentlicht werden – ein strategischer Schritt, um die Community-Aufmerksamkeit aufrechtzuerhalten. Spannend wird auch, ob Xiaomi mit MiMo-V2.6-Pro-UltraSpeed und seiner 20-fachen Geschwindigkeitssteigerung im Inferenz-Bereich neue Standards setzt, die für Echtzeit-Anwendungen wie Agenten und Sprach-Interfaces relevant werden.
Für die etablierten chinesischen KI-Labs ist Xiaomis Aufstieg ein Weckruf. Wenn ein „Branchenfremder“ mit vergleichsweise bescheidenem Budget solche Ergebnisse erzielen kann, steht die gesamte Hierarchie der KI-Forschung zur Disposition. Und für alle, die im DACH-Raum mit offenen Modellen arbeiten: Es lohnt sich, die veröffentlichten Trainingsrezepte und Umgebungen genau zu studieren. Denn in diesem Material steckt möglicherweise mehr Wert als im Modell selbst.