Xiaomi выпустила малую модель для агентов, дообученную на данных MiMo-V2.6

Xiaomi открыла по лицензии MIT модель Qwen3.5-9B, дообученную на данных своих моделей MiMo-V2.6. Это заготовка для тех, кто исследует обучение агентов.

21 сентября Xiaomi выложила на Hugging Face модель MiMo-V2.6-Distill-Qwen-9B. Это открытая Qwen3.5-9B от Alibaba, которую команда MiMo дообучила на данных, сгенерированных моделями MiMo-V2.6.

Почему это важно: Xiaomi выпускает её не как готовый продукт, а как отправную точку для открытых исследований. Разработчики предлагают дальше учить на ней агентов методом обучения с подкреплением¹.

Детали: Модель небольшая и рассчитана на агентную работу:

В ней 9 млрд параметров, она принимает текст и картинки, а отвечает текстом.
Распространяется по лицензии MIT, как и более крупные модели семейства MiMo-V2.6.
Умеет рассуждать перед ответом, но этот режим нужно явно включать в запросе.
Для запуска разработчики советуют свежую сборку SGLang² с поддержкой Qwen3.5.

Как это работает: Модели MiMo-V2.6 сгенерировали обучающие примеры, а Qwen3.5-9B училась на них отвечать так же, как они, — отсюда Distill в названии. В наборе 77,4 млрд токенов, но ошибку считали только на 27,2 млрд, остальное модель читала как контекст задачи.

Токены поделены между четырьмя направлениями:

На программирование пришлось 29,9% набора.
Агентные задачи общего назначения заняли 28,5%.
Визуальное программирование, где модель работает с изображениями, заняло 27,4%.
На кибербезопасность отвели 14,2%.

В цифрах: По техническому отчёту Xiaomi, после дообучения модель обходит исходную Qwen3.5-9B в агентных тестах:

В SWE-bench Pro, где нужно исправлять ошибки в настоящих репозиториях, она набрала 44,6 балла против 32.
В Terminal-Bench³ 2.1 с задачами в командной строке результат вырос с 27 до 37,1.
В Toolathlon-Verified, тесте на работу с внешними программами и сервисами, он вырос с 25,9 до 35,2.

Но: На SWE-bench Verified⁴ прирост составил чуть больше балла: 61,1 против 60. Самые крупные скачки Xiaomi показывает на своих внутренних наборах: в её тесте по кибербезопасности результат вырос с 5,7 до 31,3.

Подробнее: В тот же день Xiaomi открыла MiMo-V2.6-Flash на 309 млрд параметров и выпустила MiMo-V2.6-Pro-RL на 1 трлн.