# MiMo-V2.6-Pro-MOPD получила GGUF: семь шардов и калиброванный Q2_K

Источник: https://modelium.tech/zhurnal/mimo-v2-6-pro-mopd-gguf-q2k-calibrated/

2 октября 2026 года ggml-org разместила GGUF-конверсию MiMo-V2.6-Pro-MOPD — обновлённой Xiaomi модели, нацеленной на снижение повторов вызовов инструментов. Доступны полные наборы из семи шардов MXFP4 и Q2_K, плюс отдельные MTP, DFlash и мультимодальные файлы. В отличие от ранее опубликованного Pro-RL GGUF, Q2_K здесь использует сторонний imatrix. Авторы предлагают llama.cpp, но независимых замеров качества этой конверсии и проверенного минимума RAM/VRAM нет.

## Что изменилось

2 октября 2026 года ggml-org открыла репозиторий **MiMo-V2.6-Pro-MOPD-GGUF**. Это конверсия существующих весов Xiaomi Pro-MOPD для экосистемы llama.cpp, **не новая базовая модель и не повторный выпуск Pro-RL**. Pro-MOPD вышла 27 сентября; её цель, по описанию Xiaomi, — уменьшить повторяющиеся вызовы инструментов в агентских сценариях. Мы уже описывали исходные MOPD-веса и GGUF для Flash-MOPD; новая практическая возможность — готовый пакет GGUF именно для **Pro-MOPD**. Дата создания конверсии подтверждена HF API, закреплённая ревизия — `f50ec3d88ba87a93c0b20efaadb2390a818ba002`. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3)

Файл `.src_sha` в GGUF-репозитории указывает ровно на `adea8e2c5373181e5a973fa1ecb343cb31af214b` — доступную исходную ревизию Xiaomi. Полное дерево закреплённой конверсии содержит **семь шардов MXFP4 и семь шардов Q2_K**; у каждого набора присутствуют номера `00001`–`00007`. Первый файл в каждом наборе существенно меньше остальных: по нему одному нельзя судить о полноте или объёме загрузки. Мы проверили манифест, но не скачивали всю модель и не запускали её. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3)

## Разница между вариантами

По карточке конвертера, MXFP4 сохраняет routed experts в исходной MXFP4-точности. В варианте с названием **Q2_K** expert down-проекции всё ещё остаются MXFP4, а gate/up-проекции переводятся в Q2_K. Авторы сообщают, что для этих Q2_K-тензоров применён **imatrix из отдельного репозитория AesSedai**. Это отличие и от MXFP4-пакета, и от ранее опубликованной Pro-RL-конверсии, где ggml-org прямо указывала отсутствие imatrix. Сам факт калибровки не гарантирует сохранение качества на ваших задачах: сопоставимого независимого теста этих двух MOPD GGUF-пакетов у нас нет. [s2](#src-s2) [s4](#src-s4)

Рядом с основными весами лежат отдельные GGUF для **MTP** (BF16, Q4_0, Q8_0), **DFlash** (BF16, Q8_0) и `mmproj` (BF16, Q8_0) для зрительного и аудиоэнкодеров. Это компоненты разных режимов, а не альтернативы основным семи шардам. Их наличие само по себе не подтверждает работу каждого режима на вашей версии llama.cpp, полном наборе модальностей или конкретном оборудовании. Стабильный релиз llama.cpp **v0.5.0 датирован 23 сентября**, раньше публикации этого GGUF; проверяйте совместимость используемой сборки и конкретного режима перед загрузкой. [s1](#src-s1) [s2](#src-s2) [s5](#src-s5)

## Практическое решение и ограничения

Карточка ggml-org предлагает `llama serve -hf ggml-org/MiMo-V2.6-Pro-MOPD-GGUF`. Это **рецепт автора конверсии, не результат теста Modelium**. Начните с выбора MXFP4 либо Q2_K, сверки всех семи шардов выбранного набора, затем проверяйте базовые текстовые ответы. Для изображения/аудио, MTP и DFlash отдельно выясните требования совместимой сборки и нужного sidecar; не включайте их только по названию файлов. Чтобы оценить заявленное Xiaomi уменьшение повторов tool calls, сравнивайте Pro-RL и Pro-MOPD при одинаковой версии runtime, цепочке инструментов и определении повтора. Авторский график Xiaomi — не независимое подтверждение на вашем агенте. [s2](#src-s2) [s3](#src-s3)

Карточки исходника и конверсии помечены **MIT**, но самостоятельного файла LICENSE в их закреплённых деревьях нет. Доступность весов — это **open weights**; она не доказывает открытости полного процесса обучения. Прежде чем использовать пакет в коммерческом продукте, сверяйте фактические условия весов, конвертера и своего стека. Размеры GGUF-файлов — размеры **на диске**, а не опубликованный минимум RAM или VRAM; аппаратные требования и скорость здесь не измерялись. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3)

Если выбор стоит между версиями, сначала прочитайте [об исходных Pro/Flash-MOPD и Flash GGUF](/zhurnal/mimo-v2-6-mopd-flash-pro-gguf-tool-call-repetition/) и [об предыдущем Pro-RL GGUF](/zhurnal/mimo-v2-6-pro-gguf-mxfp4-q2k-llama-cpp/). Новая конверсия нужна прежде всего тем, кто уже выбрал Pro-MOPD для собственного агентского сценария, но хочет проверить его через GGUF вместо исходных Safetensors-весов.

## Источники

1. [Hugging Face API: ggml-org MiMo-V2.6-Pro-MOPD-GGUF, закреплённая ревизия](https://huggingface.co/api/models/ggml-org/MiMo-V2.6-Pro-MOPD-GGUF/revision/f50ec3d88ba87a93c0b20efaadb2390a818ba002) — получено 2026-10-03
2. [ggml-org: карточка GGUF Pro-MOPD и происхождение исходного SHA](https://huggingface.co/ggml-org/MiMo-V2.6-Pro-MOPD-GGUF/blob/f50ec3d88ba87a93c0b20efaadb2390a818ba002/README.md) — получено 2026-10-03
3. [Xiaomi MiMo: карточка исходной Pro-MOPD](https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-MOPD/blob/adea8e2c5373181e5a973fa1ecb343cb31af214b/README.md) — получено 2026-10-03
4. [ggml-org: карточка предшествующей GGUF-конверсии Pro-RL](https://huggingface.co/ggml-org/MiMo-V2.6-Pro-RL-GGUF/blob/5f387f5260fc110678396a3076a140c469b41eaa/README.md) — получено 2026-10-03
5. [ggml-org/llama.cpp: стабильный релиз v0.5.0](https://github.com/ggml-org/llama.cpp/releases/tag/v0.5.0) — получено 2026-10-03