Informe Técnico de MiMo-V2-Flash

MiMo-V2-Flash Technical Report

January 6, 2026

Autores: 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

Resumen

Presentamos MiMo-V2-Flash, un modelo Mixture-of-Experts (MoE) con 309B de parámetros totales y 15B de parámetros activos, diseñado para ofrecer capacidades de razonamiento y agentivas rápidas y sólidas. MiMo-V2-Flash adopta una arquitectura de atención híbrida que intercala Atención de Ventana Deslizante (SWA) con atención global, utilizando una ventana deslizante de 128 tokens bajo una proporción híbrida de 5:1. El modelo fue pre-entrenado en 27 billones de tokens con Predicción Multi-Token (MTP), empleando una longitud de contexto nativa de 32k y posteriormente extendida a 256k. Para escalar eficientemente el cómputo post-entrenamiento, MiMo-V2-Flash introduce un nuevo paradigma de Destilación On-Policy Multi-Maestro (MOPD). En este marco, maestros especializados en dominios (por ejemplo, entrenados mediante aprendizaje por refuerzo a gran escala) proporcionan una recompensa densa y a nivel de token, permitiendo que el modelo estudiante domine a la perfección la experiencia del maestro. MiMo-V2-Flash rivaliza con modelos de código abierto de primer nivel como DeepSeek-V3.2 y Kimi-K2, a pesar de utilizar solo 1/2 y 1/3 de sus parámetros totales, respectivamente. Durante la inferencia, al reutilizar MTP como un modelo de borrador para decodificación especulativa, MiMo-V2-Flash logra una longitud de aceptación de hasta 3.6 y una aceleración de decodificación de 2.6x con tres capas MTP. Liberamos tanto los pesos del modelo como los pesos de las tres capas MTP para fomentar la investigación abierta y la colaboración comunitaria.

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.