MiMo-V2-Flash Technischer Bericht

MiMo-V2-Flash Technical Report

January 6, 2026

papers.authors: Bangjun Xiao, Bingquan Xia, Bo Yang, Bofei Gao, Bowen Shen, Chen Zhang, Chenhong He, Chiheng Lou, Fuli Luo, Gang Wang, Gang Xie, Hailin Zhang, Hanglong Lv, Hanyu Li, Heyu Chen, Hongshen Xu, Houbin Zhang, Huaqiu Liu, Jiangshan Duo, Jianyu Wei, Jiebao Xiao, Jinhao Dong, Jun Shi, Junhao Hu, Kainan Bao, Kang Zhou, Lei Li, Liang Zhao, Linghao Zhang, Peidian Li, Qianli Chen, Shaohui Liu, Shihua Yu, Shijie Cao, Shimao Chen, Shouqiu Yu, Shuo Liu, Tianling Zhou, Weijiang Su, Weikun Wang, Wenhan Ma, Xiangwei Deng, Bohan Mao, Bowen Ye, Can Cai, Chenghua Wang, Chengxuan Zhu, Chong Ma, Chun Chen, Chunan Li, Dawei Zhu, Deshan Xiao, Dong Zhang, Duo Zhang, Fangyue Liu, Feiyu Yang, Fengyuan Shi, Guoan Wang, Hao Tian, Hao Wu, Heng Qu, Hongfei Yi, Hongxu An, Hongyi Guan, Xing Zhang, Yifan Song, Yihan Yan, Yihao Zhao, Yingchun Lai, Yizhao Gao, Yu Cheng, Yuanyuan Tian, Yudong Wang, Zhen Tang, Zhengju Tang, Zhengtao Wen, Zhichao Song, Zhixian Zheng, Zihan Jiang, Jian Wen, Jiarui Sun, Jiawei Li, Jinlong Xue, Jun Xia, Kai Fang, Menghang Zhu, Nuo Chen, Qian Tu, Qihao Zhang, Qiying Wang, Rang Li, Rui Ma, Shaolei Zhang, Shengfan Wang, Shicheng Li, Shuhao Gu, Shuhuai Ren, Sirui Deng, Tao Guo, Tianyang Lu, Weiji Zhuang, Weikang Zhang, Weimin Xiong, Wenshan Huang, Wenyu Yang, Xin Zhang, Xing Yong, Xu Wang, Xueyang Xie, Yilin Jiang, Yixin Yang, Yongzhe He, Yu Tu, Yuanliang Dong, Yuchen Liu, Yue Ma, Yue Yu, Yuxing Xiang, Zhaojun Huang, Zhenru Lin, Zhipeng Xu, Zhiyang Chen, Zhonghua Deng, Zihan Zhang, Zihao Yue

cs.AI

papers.abstract

Wir stellen MiMo-V2-Flash vor, ein Mixture-of-Experts (MoE)-Modell mit 309 Mrd. Gesamtparametern und 15 Mrd. aktiven Parametern, das für schnelle, leistungsstarke Reasoning- und Agent-Fähigkeiten konzipiert ist. MiMo-V2-Flash verwendet eine hybride Attention-Architektur, die Sliding Window Attention (SWA) mit globaler Attention in einem Hybridverhältnis von 5:1 verschachtelt, mit einem Sliding Window von 128 Tokens. Das Modell wurde mit Multi-Token Prediction (MTP) auf 27 Billionen Tokens vortrainiert, nutzt eine native Kontextlänge von 32k Tokens und wurde anschließend auf 256k erweitert. Um den Rechenaufwand nach dem Training effizient zu skalieren, führt MiMo-V2-Flash ein neuartiges Multi-Teacher On-Policy Distillation (MOPD)-Paradigma ein. In diesem Framework liefern domainspezialisierte Teacher-Modelle (z.B. trainiert durch Large-Scale Reinforcement Learning) dichte, tokenweise Rewards, die es dem Student-Modell ermöglichen, die Expertise der Teacher perfekt zu meistern. MiMo-V2-Flash kann sich mit Top-Modellen aus der Open-Weight-Kategorie wie DeepSeek-V3.2 und Kimi-K2 messen, obwohl es nur die Hälfte bzw. ein Drittel ihrer Gesamtparameter verwendet. Während der Inferenz erreicht MiMo-V2-Flash durch die Nutzung von MTP als Draft-Modell für spekulatives Decoding eine Akzeptanzlänge von bis zu 3,6 und eine 2,6-fache Decoding-Beschleunigung mit drei MTP-Layern. Wir veröffentlichen sowohl die Modellgewichte als auch die dreischichtigen MTP-Gewichte als Open Source, um offene Forschung und Community-Zusammenarbeit zu fördern.

English

We present MiMo-V2-Flash, a Mixture-of-Experts (MoE) model with 309B total parameters and 15B active parameters, designed for fast, strong reasoning and agentic capabilities. MiMo-V2-Flash adopts a hybrid attention architecture that interleaves Sliding Window Attention (SWA) with global attention, with a 128-token sliding window under a 5:1 hybrid ratio. The model is pre-trained on 27 trillion tokens with Multi-Token Prediction (MTP), employing a native 32k context length and subsequently extended to 256k. To efficiently scale post-training compute, MiMo-V2-Flash introduces a novel Multi-Teacher On-Policy Distillation (MOPD) paradigm. In this framework, domain-specialized teachers (e.g., trained via large-scale reinforcement learning) provide dense and token-level reward, enabling the student model to perfectly master teacher expertise. MiMo-V2-Flash rivals top-tier open-weight models such as DeepSeek-V3.2 and Kimi-K2, despite using only 1/2 and 1/3 of their total parameters, respectively. During inference, by repurposing MTP as a draft model for speculative decoding, MiMo-V2-Flash achieves up to 3.6 acceptance length and 2.6x decoding speedup with three MTP layers. We open-source both the model weights and the three-layer MTP weights to foster open research and community collaboration.