MiMo-V2.6-Distill-Qwen-9B
Xiaomi
Son güncelleme: 28 Eylül 2026
🖥️ Bu model bilgisayarında çalışır mı?
Q4 quantization ile en az 6 GB VRAM ya da birleşik bellek ister — 12 GB ve üstünde rahat çalışır.
4-bit quant ~5,5-6 GB, 8-bit ~10 GB, BF16 ~18 GB — parametre sayısından hesap, ölçüm yok.
9B dense (Qwen3.5 mimarisi), 32 katman, 262K context. BF16 yaklaşık 18 GB; 4-bit quant yaklaşık 5,5-6 GB. 8 GB VRAM'li kartta 4-bit ile, 24 GB'lık kartta BF16 ile çalışır (parametre sayısından hesap).
Ekran kartını seç, çalışır mı gör →Bağlam uzunluğu
262K token
API giriş (1M token)
—
API çıkış (1M token)
—
Kullanıcı planı
Ücretsiz (açık kaynak)
Ücretsiz plan mevcut
Türkçe destek
Zayıf
Çok modlu
Evet
Hızı
Hızlı
OpenAI uyumlu
Evet
SWE-Bench
61.1%
Ne İçin Kullanılır?
- ✓Yerelde çalışan kodlama ve ajan asistanı
- ✓Terminal ve araç kullanımı gerektiren otomasyon görevleri
- ✓Ekran görüntüsünden arayüz kodu üretme (görsel kodlama)
- ✓Ajan odaklı RL araştırması için başlangıç checkpoint'i
Güçlü Yönler
- ↑MIT lisanslı açık ağırlık, 9B parametre — tek tüketici kartında çalışır
- ↑SWE-bench Pro 44,6: temel Qwen3.5-9B'ye göre 12,6 puan artış
- ↑262.144 token context window
- ↑Görsel ve video girişi (Qwen3.5 mimarisi)
- ↑Topluluk tarafından hazırlanmış çok sayıda kuantize sürüm mevcut
Dikkat Edilecekler
- ↓RL öncesi SFT checkpoint — Xiaomi araştırma başlangıcı olarak sunuyor
- ↓SWE-bench Verified'da temel modele göre artış küçük (60,0 → 61,1)
- ↓Benchmark skorları Xiaomi'nin kendi ölçümü
- ↓Resmi API ya da barındırılan inference yok
- ↓Türkçe performansı test edilmedi; aile genelinde zayıf
- ↓Knowledge cutoff resmi kaynakta belirtilmedi
MiMo-V2.6-Distill-Qwen-9B, Xiaomi'nin MiMo-V2.6 serisiyle aynı gün, MIT lisansıyla yayınladığı 9 milyar parametrelik ajan modeli. Sıfırdan eğitilmiş bir model değil: Alibaba'nın Qwen3.5-9B'si, MiMo-V2.6'nın ürettiği verilerle supervised fine-tuning'den (SFT) geçirilmiş. Yani büyük MiMo modellerinin kodlama ve ajan becerisi, tek kartta çalışabilecek bir boyuta damıtılmış. Eğitim karışımı 77,4 milyar token: kod, siber güvenlik, genel ajan görevleri ve görsel kodlama neredeyse eşit paylarla. Bu dağılım modelin karakterini de anlatıyor; sohbet asistanından çok araç kullanan, terminalde iş gören, kod düzelten bir model olarak tasarlanmış. Qwen3.5 mimarisini koruduğu için görsel ve video girişini de kabul ediyor, context window 262.144 token. Xiaomi'nin teknik raporuna göre temel Qwen3.5-9B'ye kıyasla her testte önde: SWE-bench Verified'da 60,0'dan 61,1'e, SWE-bench Pro'da 32,0'dan 44,6'ya, Terminal Bench 2.1'de 27,0'dan 37,1'e çıkıyor. SWE-bench Verified'daki fark küçük, asıl sıçrama ajan ve otomasyon testlerinde. Skorların hepsi Xiaomi'nin kendi ölçümü. Bilmen gereken önemli bir nokta var: Xiaomi bu checkpoint'i bitmiş bir ürün olarak değil, ajan odaklı reinforcement learning araştırmaları için başlangıç noktası olarak sunuyor. Şirket, bu modelden RL başlatıldığında SWE-bench Verified'ın 66,2'ye çıktığını gösterdi, ama indirdiğin sürüm RL öncesi SFT hâli. RL ortamları ve eğitim kodu da açık kaynak olarak yayınlandı. Pratik tarafta asıl cazibesi boyutu. BF16 ağırlık yaklaşık 18 GB; 4-bit kuantizasyonla 6 GB civarına iniyor ve topluluğun hazırladığı kuantize sürümlerle LM Studio veya llama.cpp üzerinden 8 GB VRAM'li bir kartta çalıştırabiliyorsun. Pro (1T+) ve Flash (309B) yerelde gerçekçi değilken ailenin evde çalışan tek üyesi bu. Resmi bir API'si yok. Türkçe performansını henüz test etmedik; MiMo ailesinde Türkçe genel olarak zayıf.
En Yakın Alternatif
Gerekli Programlar
Açık ağırlıklı bir modeli kendi bilgisayarında çalıştırmak için bir model yöneticisi gerekir. İkisi de ücretsiz, ikisi de Windows, Mac ve Linux'ta çalışır.
LM Studio — görsel arayüz isteyenler için
Modeli listeden seçip indiriyorsun, terminal yok. Yeni başlayan için en kısa yol.
Ollama — terminalden çalıştıranlar için
Terminalden tek komutla model indirip çalıştırıyorsun, arayüz yok. Bu modelin Ollama kütüphanesinde hazır bir sürümü olup olmadığını ollama.com'da arayarak görebilirsin.
Donanım tarafı
Büyük modeller için ekran kartı yetmiyorsa, iş istasyonu sınıfı donanımın ne verdiğini rehberde ölçtük.
DGX Spark rehberi →