Rapport Technique MiMo-V2-Flash

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

Nous présentons MiMo-V2-Flash, un modèle à mélange d'experts (MoE) totalisant 309 milliards de paramètres avec 15 milliards de paramètres actifs, conçu pour offrir des capacités de raisonnement et agentielles rapides et performantes. MiMo-V2-Flash adopte une architecture d'attention hybride qui alterne l'attention par fenêtre glissante (SWA) avec l'attention globale, utilisant une fenêtre glissante de 128 jetons selon un ratio hybride de 5:1. Le modèle est pré-entraîné sur 27 000 milliards de jetons avec une prédiction multi-jetons (MTP), employant une longueur de contexte native de 32k ultérieurement étendue à 256k. Pour optimiser l'échelle de calcul post-entraînement, MiMo-V2-Flash introduit un nouveau paradigme de distillation sur politique par enseignants multiples (MOPD). Dans ce cadre, des enseignants spécialisés par domaine (par exemple, entraînés par apprentissage par renforcement à grande échelle) fournissent des récompenses denses et au niveau des jetons, permettant au modèle étudiant de maîtriser parfaitement l'expertise des enseignants. MiMo-V2-Flash rivalise avec les meilleurs modèles open-weight tels que DeepSeek-V3.2 et Kimi-K2, bien qu'il n'utilise respectivement que la moitié et le tiers de leurs paramètres totaux. Lors de l'inférence, en réutilisant la MTP comme modèle d'ébauche pour le décodage spéculatif, MiMo-V2-Flash atteint jusqu'à 3,6 jetons acceptés en longueur moyenne et une accélération du décodage de 2,6x avec trois couches MTP. Nous ouvrons en open-source à la fois les poids du modèle et les poids des trois couches MTP pour favoriser la recherche ouverte et la collaboration communautaire.

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.