Xiaomi MiMo、Agent Arenaの結果でV2.6 Proがオープンモデル上位5位に

Xiaomi MiMoは、8,100件を超える実際のエージェントセッションを経て、Agent ArenaでV2.6 Proがオープンモデル5位に入った。Arenaの10月1日の発表によれば、これはMiMo-V2.5-Proから9順位上昇した結果だ。この結果は、ベンダーが示す別のベンチマークよりも意味を持つが、最終的な評価ではない。

Arenaは、MiMo-V2.6-Proの純改善スコアを3.17%と報告した。また、MiMo-V2.6-Flashはオープンモデル9位に入った。この見出しの結果は、エージェントワークロードをめぐって競合するDeepSeek、AlibabaのQwen、Z.aiのGLMファミリー、その他のオープンな代替モデルに直接的な圧力をかける。

重要な逆転は、Xiaomi自身のモデルラインの中にある。MiMo-V2.5-Proは、純改善スコアがマイナス7.23%で、オープンモデル13位だったとされる。V2.6 Proはプラス圏に移行しながら9順位上昇した。このリリースは、単なる通常のモデル置き換えというより、Xiaomiのエージェント戦略を立て直す動きに見える。

ただし、初期サンプルは、すでに定着している複数モデルのサンプル数よりはるかに小さい。不確実性区間は広く、順位は変動しうるうえ、公開されたバグ報告には集計スコアでは隠れる失敗も記されている。Xiaomiが得たのは進展の証拠であり、信頼できる導入の証明ではない。

Xiaomi MiMo、Agent Arenaの結果で世代間の大きな逆転を示す

中心となる結果は5位そのものではなく、MiMo-V2.5-Pro以降にXiaomiが縮めたとみられる差にある。

Arenaの10月の発表では、MiMo-V2.6-ProとMiMo-V2.6-Flashがエージェントリーダーボードに加わったとされた。同投稿では、オープンモデル部門でProを5位、Flashを9位とした。これらはオープンモデルの部分集合における順位であり、プロプライエタリモデルとオープンモデルを含む全体での順位ではない。

MiMo-V2.6-Proは、8,158セッションから3.17%の純改善推定値を得た。この推定値には、プラスマイナス1.64ポイントの不確実性区間が付されている。MiMo-V2.6-Flashは13,035セッションから0.57%と推定され、不確実性区間はプラスマイナス1.44ポイントだった。

純改善は、完了したタスクの割合ではない。Arenaの統計的ベースラインに対して、あるモデルを選択することがエージェントの成果をどう変えるかを推定する。Arenaはコンポーネントをランダム化し、複数コンポーネントから成るエージェントシステム内でその効果を分析している。

この区別は重要だ。モデルは多くのタスクを完了しながら、控えめな純スコアを受け取ることがある。また、基礎となるすべてのシグナルで勝たなくても、別のモデルより上位に入る場合がある。この数値は、他のコンポーネントを考慮したうえで、オーケストレータモデルの寄与を切り分けようとするものだ。

Proの結果は、Flashより強いように見える。Proの推定改善値は、示された区間を考慮してもゼロを上回る。Flashの区間はゼロをまたいでおり、観測された優位性が持続するかについては不確実性が大きい。

ArenaがMiMo-V2.5-Proと比較して示した結果は、世代交代の変化を大きく見せる。旧モデルはマイナス7.23%と推定され、オープンモデル13位だった。したがってProは、中心推定値で10.4ポイント改善し、順位でも9つ上げたことになる。

この比較には注意が必要だ。両モデルが必ずしも同一のタスク、ユーザー、ハーネスのバージョン、競合環境にさらされたとは限らない。ライブリーダーボードは、新しいセッションの到着や新モデルの追加により変化する。この差は方向性を示す証拠であり、固定された2つのシステムを用いた統制済みの直接対決実験ではない。

ライブのエージェントリーダーボードは、さらに文脈を補う。確認済みの成功、称賛と苦情、指示追従性、コマンド復旧、ツールのハルシネーションにまたがる結果を報告している。また、順位だけを示すのではなく、セッション総数と不確実性の範囲も公開している。

MiMo-V2.6-Proで最も注目すべき副次的な結果は、確認済み成功率の推定値が7.35%であることだ。Arenaの発表では、このスコアはオープンモデルで2位とされた。より広いライブボードでは、複数のプロプライエタリシステムがさらに上位を占めており、オープン部門の外にも競争がどれほど残っているかを示している。

Flashはライブリーダーボードで、確認済み成功率5.44%の推定値を記録している。見出しのスコアは複数の行動シグナルを組み合わせるため、全体の純改善はより小さい。最終承認を得ることが多いモデルでも、指示追従の弱さ、ツールエラー、その他のトレースレベルの挙動によって後退することがある。

この2つのXiaomiモデルは、したがって異なる物語を示している。Proは能力面でのより大きな修正に見える。Flashは効率重視の選択肢に見えるが、全体順位は統計的にまだ定まりきっていない。

どちらの結果も、オープンモデルの勝者を宣言する根拠にはならない。むしろXiaomiを、実際のエージェントテストに向けたより信頼できる候補群へと押し上げる結果だ。

Agent Arenaが静的ベンチマークより重視される理由

Agent Arenaが重要なのは、小さな推論ミスが高コストな一連の行動につながりうる、長時間のツール利用セッション内でモデルを測定するためだ。

静的ベンチマークは通常、固定された問題を提示し、最終回答を採点する。エージェントは、何を調べるか、どのツールを呼び出すか、エラーをどう解釈するか、いつ停止するかを判断しなければならない。ユーザーが方針を変えた場合にも対応する必要がある。

Arenaの評価方法論は、エージェントを複数のコンポーネントからなるシステムとして扱う。そこには、主要なオーケストレータモデル、ツール、サブエージェント、周辺ハーネスの他の部分が含まれる。Arenaはコンポーネントの選択をランダム化し、因果分析を通じて各コンポーネントの効果を推定している。

Arenaはこのプロセスを因果トレーシングと呼ぶ。このアプローチは、システムの残りの部分からモデルの寄与を分離することを目指す。印象的なエージェントのデモは、隠れた足場組みに大きく依存している場合があるため、この目標は重要だ。

このベンチマークは、固定された実験室タスクセットではなく、ライブの利用状況からデータを得ている。Arenaによれば、ユーザーはエージェントにコード作成、プロジェクトのデバッグ、ウェブ調査、ファイル分析、文書作成を依頼している。こうしたワークロードには、静的テストで取り除かれがちな曖昧さや変化する要件が含まれる。

7日間の方法論サンプルの1つで、Arenaは128,244セッションにわたる160,480件のタスクを観測した。コード作成はタスクの17.5%を占め、調査と検索は10.8%だった。計画とブレインストーミングは、さらに10.6%を占めた。

これらのセッションの4分の3超では、少なくとも1つのツールが使用された。Arenaはさらに、セッションあたり平均でおよそ16.5回の構造化ツール呼び出しを報告している。長い連続処理では、1つの誤りが以後のすべてのステップを汚染する可能性が高まる。

この環境は、Xiaomiの結果に実用的な意味を与える。MiMo-V2.6-Proは、答えを知っているかどうかだけで評価されたわけではない。判断、修正、ツール利用、ユーザーの受容を必要とするワークフローの中で評価された。

確認済み成功は、とりわけ直感的に理解しやすい。Arenaは、エージェントがタスクを完了したかをユーザーに尋ね、その明示的な回答を成果として用いる。シグナルの定義では、タスクレベルのフィードバックがモデルレベルのスコアになる仕組みを説明している。

ただし、明示的な確認にも限界がある。ユーザーによって忍耐力、専門性、タスクの難度、期待は異なる。細部をすべて確認せずに成果物を承認する人もいるかもしれない。一方で、提示方法が不適切に感じられるという理由で、技術的には正しい結果を却下する人もいる。

称賛と苦情は、別の行動面からの見方を加える。指示追従性は、修正後にモデルが効果的に応答するかを測る。コマンド復旧は、ツール操作が失敗した後に何が起きるかを調べる。ツールのハルシネーションは、利用できない機能を呼び出そうとする試みを追跡する。

これらの指標を合わせると、洗練された言語表現以上のものが評価される。最初の計画が現実にぶつかった後も、モデルが有用であり続けるかを試す。それこそが、プロダクション環境のエージェントで決定的になることが多い問題だ。

この方法論は、変動する評価対象も生み出す。Arenaのモデルプール、ハーネス、ユーザー集団、タスク分布は変化していく。モデルは重みを更新しなくても、評価環境の変化によって順位を上げたり下げたりすることがある。

したがって順位は、Arenaのプラットフォーム内における現時点の推定値として読むべきだ。すべてのコーディングアシスタント、リサーチエージェント、エンタープライズワークフローに通用する普遍的な順序ではない。

この留保がXiaomiの結果を重要でなくするわけではない。この結果が包括的な性能主張にならずとも注目に値する理由を説明するものだ。

MiMo-V2.6-Pro、オープンエージェント市場に圧力

XiaomiはMiMoを周辺的なオープンモデルの選択肢から、競合各社が同等の実セッション証拠で応じるべき候補へと変えた。

直接的な圧力は、ツール利用向けに位置付けられた他のオープンモデルにかかる。DeepSeek、Qwen、GLM、MiniMax、Mistralはいずれも、より大きな導入制御を求める開発者をめぐって競争している。各プロジェクトは、速度、メモリ要件、ライセンス、インフラサポートでも競い合う。

MiMo-V2.6-Proのオープンモデル5位は、すべてのプロプライエタリモデルを上回ることを意味しない。Arenaのより広いリーダーボードには、Anthropic、Google、OpenAI、その他のベンダーのクローズドシステムが含まれる。そのうち複数は、はるかに大きなセッションサンプルを蓄積している。

それでも、機密コンテキストをクローズドなエンドポイントに送れないチームにとって、オープンモデル間の比較は重要だ。オープンウェイトは、プライベート環境への導入、特化型推論、モデル挙動のより詳細な検査を支えられる。また、独自の安全制御やドメイン調整の余地も大きくなる。

XiaomiはV2.6の重みをMITライセンスで公開した。公式のモデルドキュメントでは、Proをスパースなmixture-of-expertsモデルとして説明している。このアーキテクチャは、すべてのパラメータを使うのではなく、トークンごとにネットワークの一部だけを活性化する。

Xiaomiによれば、Proは総パラメータ数1.02兆、活性化パラメータ数420億を持つ。Flashは総パラメータ数3,090億で、150億を活性化する。いずれもテキスト、画像、動画、音声をサポートし、公称コンテキスト長は100万トークンだ。

こうした仕様は、Xiaomiの2モデル戦略を説明する助けになる。Proは、このファミリーで利用可能な最も強いエージェント性能を狙う。Flashは、より小さなアクティブフットプリントで能力の多くを維持することを目指す。

Arenaの結果は、この位置付けを部分的に支持している。Proは全体の純改善と確認済み成功でFlashを上回る。Flashはより多くのセッションを蓄積したが、その全体的な効果はなおゼロに近い。

効率は依然として実際の採用を左右する。エージェントは、ファイルを読み、計画を修正し、失敗したコマンドから復旧する過程で、モデルを何十回も呼び出すことがある。呼び出しごとの小さな差でも、長いタスクでは積み重なる可能性がある。

Arenaは、タスクあたりの出力量の中央値とコストを報告しているが、これらの数値は観測されたワークロードに依存する。固定的な製品価格として扱うべきではない。モデルの挙動は、タスクが消費するターン数やトークン数に影響を与えうる。

この行動コストは見落とされがちだ。安価なモデルでも、操作を繰り返したり、過剰な出力を生成したり、追加の修正を必要としたりすれば高コストになりうる。より有能なモデルは、個々の呼び出しでより多くのリソースを消費しても、総作業量を減らせる場合がある。

したがって、競合各社への圧力は単に「3.17%を上回る」ことではない。モデルが完全なタスク全体でどのように振る舞うかを示す必要がある。また、購入者が信頼できる改善と小規模サンプルを区別できるよう、十分なデータを公開する必要もある。

Xiaomiの世代更新による成果は、今後自社が打ち出す主張の基準を引き上げるものだ。同社は複数の社内および公開ベンチマークで、V2.5を大きく上回ったと報告している。Agent Arenaは、この改善がXiaomiのテストスイートを超えて広がっていることを示す外部的な証拠を提供している。

もっとも、Arenaも単一のハーネスと単一のユーザー分布を持つ1つのプラットフォームにすぎない。競合他社は、自社エージェントでは異なるプロンプト、ツール、メモリーシステム、復旧ロジックを用いていると合理的に主張できる。こうした違いは結果を大きく変え得る。

したがって、最も強力な競争上の対応は再現検証になる。独立した評価者は、管理されたツール権限と反復試行のもとで、共有ワークフローを使って同等のモデルを評価すべきだ。企業チームも、代表的な社内タスクをテストする必要がある。

開発者にとって実務的な意味は、比較対象の候補が広がったことにある。MiMo-V2.6-Proは、より広く知られたオープンな代替モデルと並べて評価する価値がある。ただし、自動的に選定すべきモデルになったわけではない。

確認済み成功は最も強い結果であり、最も誤解されやすい

MiMo-V2.6-Proの確認済み成功スコア7.35%は、実質的な進歩を示す根拠を強めるが、全タスクの7.35%をユーザーが承認したことを意味するわけではない。

このスコアは、Arenaの因果的フレームワークに基づき、そのベースラインに対する推定改善幅を表す。生の完了率ではない。この2つを混同すれば、リーダーボードが実証している内容を過大評価することになる。

確認済み成功は、モデルの挙動を明確なユーザー判断に結び付けるため、依然として価値が高い。ユーザーはタスクが完了したかどうかを回答する。このシグナルは、単一の応答を合成評価器が判定する場合よりも、実用的価値に近い。

Proがオープンモデルのサブセットで上位近くに位置したことは、ユーザーが世代更新による改善を認識したことを示唆する。また、V2.6のトレーニングが会話の洗練だけでなく、エージェントの挙動を対象としていたというXiaomiの主張も裏付ける。

Xiaomiによれば、コーディング、汎用エージェント、視覚タスク、サイバーセキュリティにまたがる混合強化学習を採用したという。強化学習は、モデルの行動とその結果から生成される報酬シグナルを通じて挙動を学習させる。Xiaomiはさらに、複数のハーネスのタスクを単一のトレーニングプロセス内で混合したとしている。

この設計は、戦略を異なる環境間で転移させることを狙うものだ。エージェントは、行動前に証拠を確認すること、失敗したコマンドの後に復旧すること、矛盾するフィードバックを受けて計画を修正することを学べるかもしれない。こうした行動は複数のタスクカテゴリに恩恵をもたらし得る。

Arenaの結果から、どのトレーニング上の選択が改善を引き起こしたかは特定できない。アーキテクチャ、トレーニングデータ、強化学習、プロンプティング、サービング構成のすべてが寄与している可能性がある。因果追跡が分離するのは、展開されたモデルの選択であり、Xiaomiの内部開発判断ではない。

不確実性の範囲にも注意が必要だ。Proの総合推定値3.17%には、プラスマイナス1.64ポイントの区間が伴う。確認済み成功の推定値7.35%には、より広いプラスマイナス3.53ポイントの区間がある。

つまり、中心値は精密な定数ではない。追加セッションによって大きく変動し得る。近接する信頼区間が重なる場合、オープンモデル内の順位も変わり得る。

Flashはこの問題をより明確に示している。総合推定値0.57%には、プラスマイナス1.44ポイントの区間が付く。現時点のデータでは、小さな正の効果と効果がない状態を高い確信度で区別できない。

セッション総数も不均衡の要因となる。MiMo-V2.6-Proは8,100件をわずかに超えるセッション数にとどまる一方、一部の定着したエントリーは数万件に達している。旧世代のモデルは、多様なユーザーや困難なエッジケースに遭遇する時間をより多く得ている。

新しいモデルでは選択効果も起こり得る。初期ユーザーは、好奇心が強い、技術的に高度である、あるいはすでにXiaomiに関心を持っているという理由で選ぶかもしれない。Arenaのランダム化は一部の偏りを抑えるはずだが、実運用プラットフォームではユーザー行動の差異をすべて取り除けない。

タスク構成も重要だ。リポジトリ分析に適したモデルは、スプレッドシート、視覚メディア、長文リサーチの比率が高まると異なる性能を示す場合がある。単一の総合順位は、こうした変動を圧縮してしまう。

適切な解釈はより限定的だ。MiMo-V2.6-Proは、数千件の実セッションにわたり、前向きで有望なシグナルを生み出した。確認済み成功の結果は、その改善が自動評価器だけでなくユーザーにも見えていたことを示している。

誤った解釈は、Proがあらゆる場所で決定的に5番目に優れたオープンエージェントモデルだと主張することだ。Arenaは、すべてのハーネス、デプロイ設定、企業要件をテストしているわけではない。

MiMo-V2.6のランキングが示していないこと

このリーダーボードは、あらゆる破局的なエッジケースを明らかにすることはできず、初期の現場報告は、集計された成功指標を対象を絞った信頼性テストと組み合わせる必要がある理由を示している。

高い平均性能と、機微な業務には不適切となるまれな障害は共存し得る。エージェントのワークフローでは、モデルがファイルを変更し、外部サービスを呼び出し、コマンドを実行できるため、このリスクは増幅される。封じ込められていないループが1つあるだけで、コンテキストウィンドウ全体を消費する可能性がある。

9月22日、Xiaomiの公開リポジトリには、両方のV2.6モデルでツール呼び出しが繰り返されるとの報告が掲載された。投稿されたtool-call issueでは、ある世代が出力上限に近づくまで類似した呼び出しを繰り返したとされている。

この報告は、同一環境におけるその挙動をMiMo-V2.5-Proと比較した。報告者によれば、旧モデルはドキュメント監査を完了した一方、V2.6はツール呼び出しの洪水に陥った。この問題は、統制された独立研究ではなく、あくまで現場報告のままである。

それでも、検証に値する具体的な障害モードを示している。通常のタスクでは有能に見えるエージェントでも、長時間のリポジトリレビュー中に不安定になる場合がある。集計型リーダーボードは不調なセッションを記録するかもしれないが、その運用上の深刻さを明らかにしない可能性がある。

別の報告では、マルチモーダルな会話履歴に関する問題が指摘された。あるユーザーは、1つの会話に複数の画像が表示された後、V2.6が時折、以前の画像を説明したと述べた。報告者は複数のサービング経路でこの挙動を再現した。

これらの報告はArenaの調査結果を無効にするものではない。扱っている問いが異なる。Arenaは多様なセッションにまたがる平均的な行動効果を推定する一方、再現可能なバグは限定的な境界条件を1つテストする。

どちらの証拠形態も必要だ。平均性能は購入者が候補リストを作る際に役立つ。障害分析は、特定のツールや権限をモデルに与えられるかを判断する助けとなる。

長大なコンテキストには特に厳しい検証が必要だ。Xiaomiは両モデルで100万トークンのウィンドウを掲げている。大きなウィンドウにより、エージェントは広範なリポジトリ、ツールトレース、文書を保持できる。一方で、モデルが管理すべき古い情報や矛盾する情報の量も増える。

コンテキスト容量はコンテキスト信頼性と同義ではない。モデルは技術的には長いプロンプトを受け付けられても、最新の指示を見失うことがある。また、誤った画像を取り出したり、以前の計画を繰り返したり、更新済みのファイルを見落としたりする可能性もある。

マルチモーダルエージェントは、さらに別のリスク層をもたらす。テキスト、スクリーンショット、動画フレーム、音声、ツール出力がすべて同じ軌跡に入る可能性がある。モデルは、どの証拠が最新で、どれが以前のステップに属するのかを特定しなければならない。

企業の購入者はこれらの条件を直接テストすべきだ。有用な評価には、繰り返されるツールエラー、ユーザーの修正、変化するファイル、複数画像、中断されたタスク、権限境界を含めるべきである。さらに、要求された作業を完了した後にモデルが停止するかも追跡すべきだ。

チームはモデルの障害とハーネスの障害を分けて考える必要がある。再試行ロジックは、1回の誤った呼び出しをループに変え得る。不十分な状態管理は、古い観測を現在のものに見せてしまう可能性がある。過度に広い権限は、無害な計画ミスを望ましくない操作へと変え得る。

Arenaの因果的アプローチは、コンポーネントの効果を統計的に分離しようとする。それでも本番チームにはトレースレベルの検査が必要だ。エンジニアは、選択したモデルが自社固有のオーケストレーションコードとどのように相互作用するかを理解しなければならない。

セキュリティに敏感なワークロードには追加の制御が必要である。集計スコアが改善したからといって、モデルに無制限のターミナルまたはネットワークアクセスを与えるべきではない。サンドボックス、承認ゲート、監査ログ、アクション制限は依然として不可欠だ。

したがって、Xiaomi MiMoのAgent Arenaでの結果は、盲目的な信頼ではなく実験を支持する。これらのモデルは、現実的なワークロードのもとでより詳細なテストを受けるに値する。ただし、封じ込めの必要性をなくしたわけではない。

Xiaomiの改善が維持されるかを決める3つのシグナル

次の判断は、サンプルの拡大、ハーネスをまたぐ再現検証、そして観測可能な信頼性障害に対するXiaomiの対応にかかっている。

第1のシグナルは、MiMo-V2.6-Proの正の推定値が、はるかに大きなArenaサンプルでも維持されるかどうかだ。セッションが増えれば不確実性区間は狭まり、より幅広いタスク分布にモデルがさらされるはずだ。

3.17%付近の安定した中心推定値は、実際の世代的改善を示す根拠を強める。推定値の低下や順位の大きな変動は、初期のユーザーやタスクがモデルに有利だったことを示唆する。

Flashは現在の区間がゼロをまたいでいるため、さらに注意深い監視が必要だ。オープンモデル内での9位という順位は初期的な位置づけとして有用だが、統計的な差はなお弱い。サンプルが増えれば、Flashが一貫して価値を上乗せするのかが明らかになるはずだ。

第2のシグナルは、他のエージェントハーネスにおける独立した性能だ。Arenaは自らのプラットフォーム内でオーケストレーターを評価する。開発者には、異なるメモリー設計を持つコーディングツール、リサーチワークフロー、マルチモーダルアシスタント、企業システムからの証拠が必要である。

再現検証は、混合トレーニングが環境間で転移するというXiaomiの主張を裏付けることになる。ハーネス間で大きな変動があれば、V2.6がプロンプティングやオーケストレーションの詳細により強く依存していることを示すだろう。

比較では、孤立した回答ではなく完全なタスクを用いるべきだ。評価者は、完了、修正、失敗したコマンド、繰り返し操作、総出力、人間のレビュー時間を記録する必要がある。これらの指標は、単一の正確性スコアが見落とすコストを明らかにする。

第3のシグナルは、Xiaomiが報告されたツールおよびコンテキストの障害を解決するかどうかだ。公開の課題追跡により、開発者は報告が修正、再現テスト、サービングに関するガイダンスにつながるかを確認できる。

プロンプトによる回避策は、限定的な安心材料にとどまる。プロバイダーをまたいで再発を防ぐモデルまたはランタイムの変更なら、より強い証拠となる。沈黙は、広範なツール権限を検討するチームの信頼を弱めるだろう。

これらのシグナルは、別のベンダーベンチマークの発表より重要である。Xiaomiはすでに、コードエージェント、自動化、ターミナル利用、サイバーセキュリティ、視覚タスクにわたる強力な社内結果を報告している。残る問いは、それらのテストスイート外での一貫性に関するものだ。

同じ基準はすべての競合に適用されるべきだ。プロプライエタリモデルは、重みやトレーニングについて開示する情報が少ない場合が多い。オープンモデルはより多くのインフラ選択を公開しているが、その公開性が信頼できる挙動を保証するわけではない。

ナレッジワーカーにとって、その帰結は実践的である。より優れたオープンなオーケストレーターは、ローカル文書、リポジトリ、会議、社内リサーチを分析するプライベートシステムを支援できる。また、単一のホステッドプロバイダーへの依存を減らすこともできる。

モデルはそのワークフローの一部にすぎない。チームには依然として、信頼できる収集、検索、来歴管理、人間によるレビューが必要だ。検索可能なAI knowledge baseは証拠を整理できるが、不安定なエージェントを安全にすることはできない。

開発者は、オープンウェイト、マルチモーダル入力、長大なコンテキストが自らの要件に合致する場合、MiMo-V2.6-Proをテストすべきだ。少なくとも1つの定着したオープンモデルと、自らのトレースを使って比較する必要がある。

MiMo-V2.6-Flashは、アクティブ計算量の低さが重要な場合に評価する価値がある。ただし、チームは個々の応答速度ではなく、タスク全体の挙動を測定すべきだ。反復や修正にかかるコストは、見かけ上の効率性の優位を打ち消す可能性がある。

Xiaomi MiMo Agent Arenaの結果は、Xiaomiのベンチマーク上の主張を実際のユーザー活動と結び付けたことで、議論を変えた。V2.6 Proは現在、本格的なオープンエージェントの有力候補に見える。Flashは依然として興味深いが、評価が固まりきっていない代替案だ。

今後1〜3か月で、こうした位置付けが維持されるかが明らかになるはずだ。セッション数、不確実性区間、課題の解決状況を注視し、次の問いを投げかけてほしい。MiMoは介入をより少なくして、あなたの実際の作業を完了できるだろうか？