I Ran MiMo V2.6 Locally for 24 Hours... #1 Local AI is SCARY GOOD 🤯

MiMo V2.6 Flash版性能与体积优势

本视频重点展示了小米MiMo V2.6模型在本地运行时的惊人表现，特别是其Flash版本。尽管Pro版在DSW基准测试中得分72分，但Flash版以67.9分的优异成绩紧随其后。这一成绩极具说服力，因为对比对象GLM模型虽然得分66.9分略低，但其体积高达1.5 TB。相比之下，当前运行的MiMo V2.6 Flash版本仅占用178 GB空间。这意味着该模型在体积仅为GLM十分之一的情况下，实现了相当甚至更优的基准测试分数。这种极致的效率比让创作者感到兴奋，证明了其在本地部署场景下的巨大潜力。

"This version that we're running right here is only... It's only 178 GB. So, that is a tenth of the size of GLM yet getting similar benchmark scores"

强化学习带来的显著性能飞跃

小米团队对强化学习（Reinforcement Learning）在模型训练中的应用表现出极大的热情。视频中展示了一个实时仪表盘，直观呈现了模型在训练过程中的得分提升轨迹。这种可视化的进步证实了该技术在优化模型能力方面的有效性。回顾历史版本，MiMo V2.5 Pro在相同测试中仅获得19分。从V2.5到V2.6，模型在基准测试分数上实现了数量级的提升。虽然创作者强调最终判断标准是实际生成质量而非单纯跑分，但这一巨大的分数跨度无疑为模型的底层能力提供了强有力的数据支撑。创作者表示，尽管测试过程耗时超过24小时且涉及复杂的实施工作，但实际体验已经证实了模型的优秀表现。

"their previous version the V2.5 Pro edition that only got 19... They've managed to like how many X improve their scores"

Blender自动化代理与简易3D建模应用开发

视频中最具创意的演示之一是让MiMo V2.6作为自动化代理（Agent）直接操作Blender进行3D建模。模型成功生成了包含躯干和苏珊娜（Suzanne）猴子头部的场景，并构建了简易的泰迪熊模型。鉴于Blender本身操作复杂，创作者进一步要求模型生成一个“简易版Blender”应用。该应用在思考模式下消耗了18,000个令牌，但在调试状态下以超过30 tokens/秒的速度快速生成。生成的简易应用支持城堡、仙人掌、直升机和外星人的预制资产添加，并具备缩放和旋转功能。更令人惊喜的是，模型还实现了动画播放功能，使角色能够执行挥手和旋转动作。这一演示展示了大语言模型在构建复杂交互式3D工具方面的强大潜力，甚至可能衍生出面向儿童的简易建模软件。

"I asked it to make Blender and it made Blender... I was like, can you make an easy version of Blender?"

3D太阳系与图像推理的即时响应能力

在代码修改测试中，模型基于Quen版本的3D太阳系添加了飞船功能。值得注意的是，该过程禁用了思考模式（Thinking disabled），仅消耗了 28,000 tokens 便生成了可交互场景。用户通过激光射击测试发现，模型允许摧毁太阳、木星和金星等天体，但在尝试爆炸地球时触发了AI安全机制。尽管其他行星被摧毁，地球却未被破坏，这种差异化的响应展示了模型在娱乐性与安全性之间的平衡逻辑。

"I remember the last model we checked out. It refused to blow up the Earth, but it blew up the other planet... So, that's very, very interesting."

随后进行的图像推理测试中，模型对一只打哈欠的橘猫图片进行了描述。在禁用思考模式下，仅用 113 tokens 就准确识别出“橘色猫、 stark背景、正在打哈欠”等细节。进一步要求生成该猫的渲染图时，虽然色彩表现稍逊且胡须位置略有偏差（如从眼睛长出），但整体结构完整，优于此前DeepSeek的生成效果。

小米仿生人模型生成与解剖结构测试

视频中展示了基于 180 GB 显存运行的本地 AI 模型生成的仿生人形象。虽然生成结果被形容为“外星人类”，但整体质量被认为非常惊艳，甚至优于部分真人效果。创作者进一步测试了该模型生成 3D 人体解剖结构的能力，结果显示出明显的肌肉和器官细节。然而，生成过程中出现了严重的逻辑错误：心脏被放置在右侧而非左侧，且面部朝向与骨骼走向不一致，导致整体结构扭曲。尽管存在这些解剖学谬误，但模型能够生成包含心脏、右肺等器官的复杂结构，并支持自动旋转查看。创作者指出，通过优化提示词（Prompt），该模型在 180 GB 配置下仍有巨大的提升潜力，目前的表现已是一个良好的起步项目。

"It's not a human, but it's definitely an alien human."

"The heart bomb. It's in the wrong side... So, that's definitely the spine."

第一人称射击与 GTA Web版代码生成能力

在测试游戏开发能力时，模型首先生成了一个 30,000 tokens 的第一人称僵尸射击游戏。该版本包含枪械、闪光弹效果（表现为方形）以及简单的敌人刷新机制，虽简陋但逻辑完整。随后，创作者让模型生成 45,000 tokens 的《侠盗猎车手》（GTA）Web 版。令人印象深刻的是，该代码在 首次生成时即无运行时错误。生成的游戏包含乐高风格角色、城市道路和迷你地图，但存在控制方向反转（按下为下）等交互问题。创作者指出自己运行的是 Q9 量化版本，文件大小为 174 GB，适合拥有 256 GB 以下显存的系统。尽管车辆模型出现旋转异常（疑似量化伪影），且警车警报机制存在，但整体生成效率极高。

"What's amazing is it produced the code first time. No runtime errors."

"This version is only 174 GB... If you got a 256 or less system, if you want a better quantization."

Python 3D游戏生成耗时与 Red Dead Redemption 测试

为了对比性能，创作者让模型使用 Python（结合 Pygame、PyOpenGL 和 NumPy）生成类似的 3D GTA 游戏。该任务消耗了 44,000 tokens，在调试模式下耗时约 1300 秒（略超20分钟）。生成的 Python 版本包含城市公园、摩天大楼和道路，但控制手感较差且车辆无法在道路上正常行驶。最后测试了 54,000 tokens 的《荒野大镖客》（Red Dead Redemption）风格游戏。该生成过程分为两步以突破 50,000 tokens 限制，并特意排除了金字塔元素以避免训练数据偏差。生成的西部小镇包含酒馆和教堂，角色 Jack Marlo 有开场过场动画且姿态模仿了 DeepSeek。虽然骑马时角色模型消失（被马匹遮挡）且射击功能缺失，但整体视觉风格和 UI 设计获得了认可。

温度参数与生成稳定性的平衡

在本地运行 MiMo V2.6 进行代码生成时，温度（Temperature）设置对输出稳定性至关重要。作者发现默认参数下模型容易陷入“响应循环”，因此将温度微调至 0.5 以打破死锁。然而，较高的温度在语法敏感场景下可能导致模型选取错误 Token，进而引发运行时错误（Runtime Error）。为解决这一问题，作者在第二次生成时将温度重置为 0，最终在消耗 38,000 Token 后成功生成了无循环、可运行的代码。这一过程展示了本地大模型在调试过程中对超参数的高度敏感性。

互动游戏生成与性能对比

模型成功生成了多个可交互的 Web 应用，包括游乐园模拟、卡丁车竞速和摩托车赛。在游乐园演示中，虽然部分交互（如乘坐设施）因缺少票务逻辑而无法完全实现，但角色控制、射击及爆炸特效均正常运作。作者指出，尽管 MiMo V2.6 的思考 Token 数（约 36,000）远低于 GLM-5.3，但其推理速度显著更快。在相同硬件环境下，GLM 的生成速率仅为 10-15 Token/秒，而 MiMo V2.6 在未启用 NTP（Next Token Prediction）加速的情况下仍超过 30 Token/秒。这种速度优势使得本地实时交互成为可能，尽管部分游戏逻辑（如车辆朝向）存在类似早期 LLM 生成的基础 Bug。

复杂场景生成与耗时效率分析

针对高难度提示词，如程序化行星生成器和 3D 城市模拟，模型展现了强大的综合能力。行星生成任务需处理大气密度、云层及小行星碰撞等复杂物理逻辑，首次生成的着色器错误在 16,000 Token 的修复过程中被解决，总消耗约 53,000 Token。在生成包含医院、图书馆及交通系统的 3D 城市时，模型启用了思考模式并消耗 80,000 Token。作者对比指出，GLM 处理类似请求需耗时超过 2小时（8,000 Token），而 MiMo V2.6 处理 30,000 Token 仅需约 900秒（15分钟）。尽管生成速度大幅提升，但部分交互功能如“角色附身”仍在开发中，且存在车辆行驶方向错误等遗留问题。

MiMo V2.6 在 Canvas 动画与游戏生成中的视觉表现

测试者首先让模型生成了一个包含城市、机场和角色的开放世界游戏场景。尽管角色手臂处于中间状态，呈现出一种迷幻的艺术风格，但整体运行流畅。模型生成的飞机在起飞前会进行横向抖动（shimmy），随后正常升空，这种细节处理展示了较高的动画逻辑性。此外，模型还生成了一个简单的公交等待游戏，用户只需点击即可让角色坐在公交站牌上。在 Canvas 动画测试中，模型消耗了 66,000 tokens 生成了一辆带有风景背景的汽车。虽然车轮悬浮在空中，被戏称为“特斯拉飞行汽车”，且车窗破碎无法进入，但背景绘制精美，避开了许多模型常犯的“金字塔”刻板印象。

"The plane's going sideways. It's doing a sideways shimmy, but it's getting ready to go up in flying."

办公软件复刻：Word、PowerPoint 与 iMovie 的功能深度

在生成 Microsoft Word 界面时，模型消耗了 31,000 tokens。代码中包含了拼写检查功能，例如将 "the" 纠正为 "their" 或把 "receive" 拼写正确，并完整实现了 Home 标签页等界面元素。PowerPoint 生成消耗了 27,000 tokens，支持新建幻灯片、修改文本以及调整透明度。值得注意的是，微软 VS Code 本身使用 Chrome 渲染引擎，因此利用相同技术栈生成 Office 软件在逻辑上是可行的。iMovie 视频时间线编辑器消耗了 25,000 tokens，虽然支持拖拽照片和切换城市模板，但存在导入对话框模拟等 Bug，目前更像是一个具备基本功能的 UI 原型。尽管功能未完全成熟，但模型能构建出如此复杂的交互式界面令人印象深刻。

"I swear I saw it doing like spell check. It's got a spell checker in there."

逻辑推理测试与 Thinking 模式的机制解析

在简单的逻辑测试中，模型正确回答了“8个橙子、4个孩子”的分配问题。在“洗车店距离50米，步行还是开车”的问题中，非思考模式（Non-thinking） 给出了更长的答案并选择步行，而 Thinking 模式 则建议开车。这表明 Thinking 并非总是更优，有时反而因过度思考导致答案冗长或偏离常识。模型还展示了“Answer Now”按钮，允许用户中断思考过程直接获取答案，以及设置 Thinking Limit 来防止模型过度推理。在知识测试中，180GB 的 MiMo V2.6 模型识别出了 Craig David 的歌曲《Rewind》，但也承认不知道“Nazi”一词，显示其知识覆盖存在特定领域的局限性。

WinRT与基础编码测试的局限性

在针对WinRT进行商店管理的特定查询中，模型表现出现明显短板。尽管启用了思考模式并消耗了1,600个令牌，模型依然未能给出正确指令，缺乏对WinRT在商店管理中需指定为durable属性的关键认知。相比之下，模型在处理Swift和C++的基础测试时表现良好，能够准确给出答案。这种在特定领域知识上的缺失表明，即便模型具备强大的通用推理能力，垂直领域的API细节掌握仍存在盲区。

结论

MiMo V2.6 Flash版在本地部署中展现出极高的性价比，以178GB体积实现了接近Pro版的基准得分及30+ tokens/s的生成速度，显著优于GLM等竞品。其核心优势在于代码生成的稳定性与交互能力，能无错误生成复杂Web游戏及办公应用原型。然而短板同样明显：模型在垂直领域API（如WinRT）存在知识盲区，3D生成常出现解剖结构错误及物理逻辑Bug（如车辆悬浮），且对温度参数敏感易陷入循环。该模型适用于拥有256GB以下显存、追求快速原型开发及娱乐性交互的用户，但在高精度科学模拟或严谨垂直领域应用中仍需人工大量修正。