今天凌晨（9月22日），大模型圈又是一场连夜蹲守：小米 MiMo 团队发布并开源了 MiMo-V2.6 系列，几小时后马斯克的 Grok 4.7 也同日交卷——更戏剧的是，两个分属开源和闭源阵营的模型，在 Artificial Analysis 综合智能指数上拿到了相同的 46 分，单任务成本却差了近 29 倍。微博36氪
如果你是天天把模型接进 Agent、写代码、跑工作流的重度用户，这一波真正的纠结点不是"小米牛不牛"，而是三个非常具体的问题：46 分到底是什么口径？便宜是不是真的便宜？社区实测为什么吵成一团？这篇文章把三本账一次对完。
第一本账：46 分是"开源第一"，不是"闭源平替"
先说清楚这 46 分是哪来的。小米引用的是 Artificial Analysis 综合智能指数 v4.3.2，MiMo-V2.6-Pro 拿到 46.32 分，超过 Kimi K3、Qwen3.8 Max 和 GLM-5.3，登顶开源权重模型榜，也是国产模型第一；相比前代 MiMo-V2.5-Pro 的 26 分，一轮训练直接提了 20 分。放在全榜看，它是第六名，前面还有 53 分档的 Claude Fable 5.1 和 GPT-6 Astra。微博36氪哔哩哔哩
注意三个容易误读的地方：
同分的 Grok 4.7 是"xhigh"档。综合指数 46 分是总分口径，分项上各家有强有弱，"跑分和马斯克一样"是热搜句式，不是能力画等号。微博
分项不是全面领先。小米自己公布的数据里就有输的项：ProgramBench 上 Pro 拿 26.5 分，低于 Claude Opus 5 的 37 分；TerminalBench 4.0 拿 34.9 分，低于 Claude Opus 5 的 49 分；Toolathlon-Verified、GDPval-AA 2.1 也不是最高。赢面集中在 DeepSWE v1.1（71.9 分，上一代只有 19 分）、TerminalBench 2.1（89.9 分）、OSWorld-Verified（82 分）和 AutomationBench v1.0.6（53.1 分，高于官方对比表里的 Claude Opus 5、GPT-5.6 Sol 和 Claude Fable 5）。36氪
"全模态"指输入侧。两款模型原生支持文本、图像、视频、音频输入，统一编码成同一序列处理，最长 100 万 token 上下文——是"看得多"，不是"什么都会"。36氪
一句话总结第一本账：长程软件工程和 Agent 任务是真的强，部分编程细分项还差闭源旗舰一截，“开源第一"这个标签本身没水分，但别脑补成"闭源可以退订了”。
第二本账：便宜的秘密不是单价，是"话少 + 快"
成本这本账最有意思，因为它反直觉。
先看单价：MiMo-V2.6 的 API 定价和 V2.5 系列一致，输入约 0.43 美元/百万 token。 说实话，单看输入单价它并不算最便宜的，甚至比一些国产模型贵。微博36氪
但 AA 的成本口径算的是"干完一件事花多少钱"：MiMo-V2.6-Pro 每项智能指数任务成本 0.13 美元，整场评估跑下来 206.66 美元；Grok 4.7（xhigh）每项任务 3.74 美元，整场 4967.35 美元，差了近 29 倍。 按 AA 数据，Claude 单任务成本 7.63 美元，MiMo 是它的约 1/57。36氪哔哩哔哩
输入单价更贵、总账反而最省，原因主要两个：一是 Grok 4.7 在评估中生成了 2.4 亿个 token（中位数是 9400 万），"话多"直接烧钱；二是 MiMo 的速度，AA 测得约 125 token/秒，约为 Claude 的两倍。36氪
另外还有个为高实时场景准备的 MiMo-V2.6-Pro-UltraSpeed，官方称输出速度最高是标准 Pro 的 20 倍，B站 UP 主实测 token 速度大概在 300~400 t/s。 对需要模型"多跑几轮"的自动化客服、批量代码审查这类高频场景，这个成本结构是实打实的降价。36氪哔哩哔哩
所以挑模型时别只看单价牌，看"干完一件事的总账"——这是这次发布最值得带走的一个挑模型方法。
第三本账：社区实测吵成一团，关键变量是 harness
模型发布不到 24 小时，B站的实测视频已经刷屏，但结论严重分裂，我把分歧点整理成三组：
分歧一：官方桌面端反而拖后腿。 有 UP 主用官方 MiMo Desktop 测鹈鹕骑 SVG，跑了一个半小时，转弯衔接、扶车把这些细节全有问题；听劝换成其他 harness 重测同样的案例，场景细节、材质和动画明显改善——评论区直接刷起"专武不如别人家 harness""自家 harness 投毒"的调侃，官方也回应了 MiMo Desktop 的死循环和性能问题在修。 有人用 Claude Code 接 MiMo-2.6 测同样的鹈鹕题，表现明显更好，"专武拖后腿"直接成了社区热梗。 也就是说，你看到的差评里，有一部分是桌面客户端的锅，不是模型的锅。哔哩哔哩哔哩哔哩哔哩哔哩
分歧二：Flash 可能比 Pro 好用。 同一批实测里，Flash 版的鹈鹕骑车整体优于 Pro（转弯顺滑、知道扶车把），3D 赛车完成度上乘，有 UP 主直接说"怀疑小米发布错模型了"。 Flash 总参数 3090 亿、激活约 150 亿，只有 Pro 的三分之一体量，成本更低——对轻量场景，先试 Flash 再上 Pro 是更划算的路径。哔哩哔哩36氪
分歧三：慢和敏感。 有前端 one-shot 实测里 MiMo Pro 用了 1 小时 12 分，而 DeepSeek 4.1 flash 用 31 分钟、Step5 用 24 分钟就交卷。 还有用户做游戏时频繁撞上内容审核，“敏感肌"问题在国内模型里依然存在。但也有正面案例：有金融投研用户在 Agent 工作流里蹬了一整天，结论是"2.6 相比 2.5 属于质变，复杂任务完成度和准确性好了很多”，配合高缓存命中率，“很耐蹬”。哔哩哔哩哔哩哔哩
347 万美元买来的到底是什么
这次发布真正值得行业记住的，不是参数（Pro 总参数 1.02 万亿、激活约 420 亿），而是小米把一场大规模强化学习训练全程公开直播了：6 天、30 步、两款模型各处理约 75 万条轨迹，账单 347 万美元，训练曲线、任务通过率、基础设施故障谁都能围观。36氪
技术上也没有单点魔法，就是混合任务同训（编程、通用智能体、视觉、网络安全）、组内比较奖励（区分"都做对了但谁路径更短"）、外加冻结 MoE Router 防专家漂移这一整套工程。36氪
罗福莉称之为"探索 RSI（递归自我改进）的一步"——但注意口径：这里的"自我改进"发生在人类设计的训练闭环里，不等于模型能自己启动下一轮训练。36氪
顺带一提，这次同步开源的不只是权重（MIT 许可证），还有 7K+ 任务环境、端到端 RL 框架和轻量化 Agent 框架，甚至有一个从 Qwen 架构蒸馏的 9B 小模型，已经有 UP 主在消费级显卡上本地跑通了。 训练环境能否被独立复现，是接下来最值得盯的验证点。微博36氪哔哩哔哩
谁该现在切，谁该再等等
重 Agent、长程代码任务、预算敏感的开发者：现在就值得切。DeepSWE 71.9 分加单任务 0.13 美元的组合，在开源里目前没有对手，本地部署党直接上 HuggingFace。
轻量场景用户：先试 Flash，够用就别上 Pro，实测里 Flash 的交付感不输甚至更好。
依赖桌面客户端的普通用户：等 MiMo Desktop 修完再说，现在它是最短的板。
闭源旗舰重度依赖者：分项差距（ProgramBench、TerminalBench 4.0）还在，别急着全量迁移，可以先在批量、高频、成本敏感的环节做分流。
所有人：记两个后续信号——Grok 4.8 马斯克预告本周完成预训练（2.5 万亿参数、新 C++ 训练栈），以及小米这套 RL 训练环境会不会被第三方独立复现。 这两个信号任何一个落地，榜单格局都可能重排。36氪
国产开源模型已经占了全球下载量的 41%、OpenRouter 前六全是国产，MiMo-V2.6 又把开源天花板从 26 分顶到 46 分。 但对你自己的工作流来说，46 分只是入场券——真正决定要不要切的，永远是上面这三本账。微博哔哩哔哩
