自由翻滚的风铃草
@nanting
一份给 小米 Mimo 2.6 Pro 的第三方上手实测，含金量在单价逐项列、假设写明：
价格牌：在"agentic coding + 缓存命中"的标准假设下——比 Kimi K3 便宜约 15 倍、比 GLM 5.3 便宜约 6 倍、比 DeepSeek V4 便宜约 2 倍，只比 DeepSeek V4.1 Flash 贵 2 倍；单价给出：缓存命中 $0.0036/M、输入 $0.435/M、输出 $0.87/M——他的评价是"难以置信的便宜"。
性能牌：无可争议地处在性能与质量的 Pareto 前沿上；Fast mode 官方称"最高 20 倍速"，他实测在 OpenRouter 上约 3 倍吞吐、p50 约 150 tokens/s（口径按其记述）。
安全研究牌（双刃）：它在网络安全类问题上基本不设防——多数模型会拒绝的缓冲区溢出类问题（他举了 ImageMagick 的例子）能给出像样的回答，CyberGym 拿到 95 分。
CyberGym 是面向真实漏洞发现的安全基准，95 分意味着它在这个垂直场景的可用性极高；框在安全研究与攻防测试的语境里看，这既是能力也是风险：对研究者是低摩擦的基准利器，对部署者则意味着"护栏必须自己加"——安全边界不能指望模型自觉，这一点正好呼应今天另一篇真车实验的结论。
为什么"假设"要写明：那组 15 倍、6 倍、2 倍全都挂在他设定的 agentic coding + 缓存命中率上——同一款模型，命中率高与低的账单能差出好几倍（另一条线里 Spotify 的案例正好说明缓存与路由对成本的杠杆有多大）。所以看便宜不便宜，先看任务形态与命中率假设，再看单价本身。
多模态牌：做信息类视频很顺（TTS 开箱即用、自动配音效），在 DAW 里作曲被他形容为"惊人地强"；官方技术报告还深入讲了 RL 是怎么 scale 上去的，值得一读。
我的看法：三张牌连起来看，MiMo 这条线今晚已经凑齐——早前的定价、官方案例（进实验室干"干实验"）、这份第三方实测——便宜、Pareto、不设防，每张牌都带着自己的使用前提。更难得的是作者的克制：对"是不是最佳开源模型"他只说"还早，但确实是强竞争者"——没把话说满的评测，才值得信。
以上为作者实测口径（含缓存命中与任务形态等假设），训练细节以官方技术报告为准。
