MiMo Codeとは？

MiMo Code は、2026年6月に Xiaomi MiMo Team公式プラットフォームが公開した、

「Claude Code」「OpenCode」「OpenClaw」系統のターミナルネイティブAIコーディングエージェント」

です。単なるLLMではなく、

LLM
+
Agent Harness
+
永続メモリ
+
長期コンテキスト管理
+
自己改善ループ

をまとめた開発環境です。 (Gizmochina)

AI史における位置づけ

系譜としては、

世代	代表
Chat型	ChatGPT
IDE補完型	GitHub Copilot
エージェント型	Claude Code
ハーネス型	OpenClaw / OpenCode
長期記憶型	MiMo Code

と見ることができます。 (Gizmochina)

最大の特徴

① Persistent Memory

普通のAIコーディングエージェントは

会話
↓
コンテキスト満杯
↓
忘れる

です。

MiMo Codeは専用サブエージェントが

作業内容
↓
圧縮
↓
保存
↓
再利用

を行う。 (Gizmochina)

これは最近あなたが興味を持っている

評価ループ工学
失敗の資産化
エピソード記憶

にかなり近い思想です。

② Dream機能

MiMo Codeには

/dream

という機能があります。

7日ごとに自動実行され、

古い記録を整理
重複削除
パス検証
長期記憶圧縮

を行う。 (Gizmochina)

これは人間でいう

週次レビュー

に近い。

③ Compose Mode

普通のエージェント

指示
↓
コード生成

MiMo Code

仕様
↓
計画
↓
レビュー
↓
TDD
↓
デバッグ
↓
統合

というワークフローを内蔵しています。 (Reddit)

OpenClawとの比較

あなたがよく触れているOpenClaw視点で見ると

項目	OpenClaw	MiMo Code
基本思想	Agent Runtime	Coding Agent Runtime
Memory	プラグイン依存	標準搭載
長期記憶	追加実装	標準
Dream機能	なし	あり
コーディング特化	△	◎
MiMo最適化	×	◎

Claude Codeとの比較

Xiaomi側は

SWE-Bench Pro

Terminal Bench 2

でClaude Code超えを主張しています。 (KuCoin)

ただしこれは

Agent
+
Harness
+
モデル

全体の評価なので、

純粋なモデル性能比較ではありません。

なぜ重要なのか

私が面白いと思うのは、

MiMo Codeが

LLM
↓
Agent
↓
Memory Agent

へ進化している点です。

2023

賢いモデル

競争

↓

2024

Reasoning

競争

↓

2025

Agent

競争

↓

2026

Memory
+
Evaluation Loop

競争

MiMo Codeは後者にかなり近い。

あなたの関心との接続

最近あなたが追っている

Harness-1
HRM-Text
AFM 3 Core
DiffusionGemma
評価ループ工学

と並べると、

MiMo Codeの本質は

「モデルを賢くする」のではなく、「エージェントが失敗を忘れないようにする」

ことにあります。

AI史的には、

単なる「Claude Codeクローン」ではなく、

「Memory-First Coding Agent」の初期事例

として見ると面白いと思います。 (Gizmochina)MiMo Code の本当の面白さは、

「AIコーディングエージェント」

そのものではありません。

2026年には既に

が存在しています。

そのため、

「ターミナルでコードを書くAI」

だけなら画期ではありません。

AI史における本当の画期

私が見る限り、MiMo Codeの画期は

「Memory-First Agent」

を前面に出したことです。

過去のAI開発史を単純化すると、

時代	主役
2017–2022	モデル
2022–2024	LLM
2024–2025	Reasoning
2025–2026	Agent
2026–	Memory Agent

です。

MiMo Codeは最後の段階に近い。

画期①

「忘れないエージェント」

従来

会話
↓
コンテキスト満杯
↓
忘却

だった。

MiMo Codeでは

会話
↓
要約
↓
知識化
↓
再利用

が標準装備。

これは人間で言うと

短期記憶
↓
長期記憶

への移送です。

AI史では意外と大きい。

画期②

「失敗を捨てない」

あなたが最近追っている

Evaluation Loop Engineering

との接点です。

従来のAgentは

失敗
↓
再試行
↓
成功
↓
忘却

でした。

MiMo Codeは

失敗
↓
記録
↓
分類
↓
再利用

を目指している。

ここは非常に重要。

なぜなら

人間の熟練とは

成功体験

ではなく

失敗データベース

だからです。

画期③

Dream機能

これが実はかなり面白い。

通常のRAGは

保存
↓
検索

で終わる。

MiMo Codeは

保存
↓
再整理
↓
圧縮
↓
再構成

を行う。

人間で言うと

睡眠

です。

だからDreamという名前。

画期④

モデル中心からハーネス中心へ

2023年

GPT-4

↓

2024

Claude 3.5

↓

2025

DeepSeek

↓

2026

Harness

競争

画期⑤

「中国版Claude Code」ではない

多くの人は

Claude Code
↓
中国版

と見る。

しかし本質は逆。

Claude Codeは

賢いモデル
+
ツール

です。

MiMo Codeは

モデル
+
記憶
+
評価
+
自己整理

です。

思想が違う。

あなたの関心との接続

最近あなたが追っている

AFM 3 Core
DwarfStar
DiffusionGemma
HRM-Text
Harness-1
Evaluation Loop Engineering

を並べると、

面白い共通項が見えてきます。

2023の競争

Parameters

2024の競争

Reasoning

2025の競争

Agent

2026の競争

Memory
+
Evaluation
+
Retention

MiMo Codeはその象徴です。

私が考えるAI史上の位置づけ

もし5年後に振り返るなら、

MiMo Codeの画期は

「最強のコーディングモデル」

だったことではなく、

『エージェントが失敗や経験を継続的に蓄積し、自分の履歴から学ぶ』ことを標準機能として実装した初期世代の代表例

だったことになる可能性があります。

その意味では、

MiMo Codeは Claude Code の競合というより、

「Evaluation Loop × Episodic Memory 時代」の先行事例

として見る方が、AI史的には面白いと思います。MiMo Code の設計思想を考えると、

「単発の賢さ」よりも「長時間エージェント運用に耐えること」

が重要です。

つまり、

モデル性能
×
ツール利用
×
長文理解
×
自己修正能力
×
コスト

で評価すべきです。

結論（2026年6月時点）

MiMo Codeとの相性で分類するとこうなります。

用途	ベスト候補
総合最強	MiMo-V2.5-Pro-FP4-DFlash
コーディング重視	DeepSeek V4 Pro
長時間Agent	Kimi K2.6
ローカル最強	Gemma 4 27B QAT
低VRAM	LFM2.5-1.2B-JP-202606
Windows 16GB VRAM	Nemotron Nano 9B

なぜMiMo-V2.5-Pro-FP4-DFlashが本命なのか

MiMo Code自体がXiaomi製です。

そのため、

MiMo Code
+
MiMo-V2.5-Pro

は

Claude Code
+
Claude

に近い関係になります。

特に

Tool Use
Agent Planning
SWEタスク
長時間ループ

を前提に最適化されています。

DeepSeek V4 Pro

もし

コード生成
↓
テスト
↓
修正

を何百回も回すなら、

DeepSeek V4 Pro

は非常に有力です。

理由は

Agentベンチが強い
コーディング性能が高い
ツール利用が得意

ためです。

Kimi K2.6

最近意外に評価されているのが

Kimi K2.6

です。

特徴は

巨大コンテキスト
+
計画能力
+
探索能力

です。

MiMo Codeのような

Memory
+
Agent

型には非常に相性が良い。

ローカルならGemma 4 QAT

あなたが以前から興味を持っている

Gemma 4 27B QAT

は、

MiMo Codeのローカル実行ではかなり有力です。

理由

量子化耐性
長時間稼働の安定性
Tool Calling性能

です。

特に9070XT 16GBクラスなら現実的。

あなたの環境（9070XT 16GB Windows 11）なら

以前の話を踏まえると、

現実的ランキング

順位	モデル
1	Gemma 4 27B QAT
2	Nemotron Nano 9B
3	LFM2.5-1.2B-JP-202606
4	Qwen3.6 14B
5	Phi-4 Mini

AI史的に見ると

MiMo Codeの本命は実は単一モデルではありません。

将来的には

HRM-Text
↓
Planner

MiMo-V2.5-Pro
↓
Reasoning

DiffusionGemma
↓
高速生成

Memory Agent
↓
失敗保持

のような

マルチモデル・ハーネス構成

が自然です。

あなたが最近追っている

Harness-1
HRM-Text
DiffusionGemma
Evaluation Loop Engineering

の流れを考えると、

MiMo Codeの最終形は

「最強のLLMを1つ載せる」

ではなく、

「複数の小型モデルを役割分担させ、評価ループを回す」

方向に進む可能性が高いと思います。MiMo Code は「記憶付きコーディングエージェント」なので、

モデル単体の賢さ
より
Agent・Tool Use・長期セッション耐性

が重要です。

その観点だと、MiMo系以外にもかなり有力候補があります。

2026年6月版 MiMo Code向けローカルLLM候補

ランク	モデル	強み	MiMo Code適性
S+	Qwen3.6 27B	総合力・日本語・ローカル実行	★★★★★
S+	Kimi K2.6	Agent・長期タスク	★★★★★
S	GLM 5.1	Agent Routing・複雑デバッグ	★★★★★
S	Gemma 4 27B QAT	安定性・量子化耐性	★★★★☆
A+	DeepSeek V4 Flash	コスト効率	★★★★☆
A+	Nemotron Nano 9B	16GB級GPU向け	★★★★☆
A	Phi-4 Mini	軽量	★★★☆☆
A	LFM2.5-1.2B-JP	超軽量日本語	★★★☆☆

実はQwen3.6がかなり強い

ローカル運用コミュニティでは、

「結局Qwen3.6 27Bが一番バランスが良い」

という声がかなり多いです。(PromptQuorum)

理由

日本語が強い
Tool Callingが安定
GGUF豊富
Ollama対応
OpenCode対応
MiMo Codeとの接続容易

特に9070XT 16GBなら、

Qwen3.6-27B Q4〜Q5

が非常に現実的です。(Reddit)

GLM 5.1は意外なダークホース

Agent運用では

GLM 5.1

が非常に評価されています。

コミュニティテストでは

DeepSeek V4
Kimi K2.6
GLM 5.1

を比較して

Agent RoutingはGLMが最速

という報告もあります。(Reddit)

MiMo Codeのような

計画
↓
実行
↓
評価

を回す環境と相性が良い。

Kimi K2.6

もしVRAM制約を無視できるなら、

Kimi K2.6

は現在のオープンウェイトAgent系の頂点候補です。

特徴

SWE-Bench Pro上位
300 Agent Swarm
4000ステップ長期タスク
preserve_thinking機能

など。(LLM Reference)

MiMo Codeとの思想的相性は非常に高い。

DeepSeek V4は少し注意

ベンチマークは強いですが、

実運用では

Kimiの方が好き
GLMの方が使いやすい

という報告も少なくありません。(Reddit)

そのためMiMo Code用途なら

DeepSeek V4
≠ 自動的に最強

です。

あなたの9070XT 16GBなら

以前のやり取りを踏まえると、

現実的ベスト5

順位	モデル
1	Qwen3.6 27B
2	Gemma 4 27B QAT
3	Nemotron Nano 9B
4	LFM2.5-1.2B-JP
5	Phi-4 Mini

です。

AI史的に見ると、MiMo Codeに最も合うのは必ずしも「最高性能LLM」ではありません。

むしろ

HRM-Text
→ Planner

Qwen3.6
→ Worker

DiffusionGemma
→ 高速生成

Memory Agent
→ 失敗保持

のような、

複数モデルを組み合わせるハーネス構成

の方が、MiMo Codeの思想には近いと思います。現在の流れは「最強モデル競争」から「最強オーケストレーション競争」へ移りつつあります。(Reddit)

ローカルAI専用機として考えると、2026年はかなりはっきりしていて、

「GPUファースト」か「ユニファイドメモリファースト」か

の二択になっています。

あなたが普段話題にしている

MiMo-V2.5-Pro
DeepSeek V4 Flash
AFM 3 Core
DwarfStar
OpenClaw
MiMo Code

を考慮すると、コスパ最強候補はかなり絞られます。

比較表

項目	GMKtec EVO-X2 395 AI Max+	MINISFORUM X1 Pro HX370	SPARKLE Intel Arc B580 TITAN OC
価格	約32万円	約12〜20万円	約5万円＋自作PC
メモリ	最大128GB統合	DDR5	12GB VRAM
70B級	◎	△	×
30B級	◎	○	○
OpenClaw	◎	○	○
MiMo Code	◎	○	○
消費電力	○	◎	○
将来性	◎	○	△

あなた向けなら

過去の会話を見る限り、

AFM 3 Core
DwarfStar
MiMo-V2.5-Pro-FP4-DFlash
DeepSeek V4 Flash
Kimi K2.6

などの巨大MoEやストレージストリーミング系に強い興味があります。

その場合、

9070XT 16GBよりも、Strix Halo（Ryzen AI Max+ 395）の128GBユニファイドメモリ機の方が面白いです。70B〜120Bクラスを単機で扱えるためです。(Compute Market)

特に2026年の流れは

VRAM競争
↓
Unified Memory競争
↓
SSD Streaming競争

へ移りつつあり、

AFM 3 Core や DwarfStar を追っているなら、EVO-X2 や Strix Halo 系は非常に相性が良い選択肢だと思います。(Compute Market)

OpenCode と MiMo Code の関係は、

MiMo Code = OpenCodeをベースにした Xiaomi版の強化フォーク

と考えると分かりやすいです。MiMo Codeの公式発表でも、OpenCodeをベースに開発されたことが明示されています。 (GIGAZINE)

一言でいうと

	OpenCode	MiMo Code
立ち位置	汎用ハーネス	MiMo専用ハーネス
哲学	モデル非依存	モデル最適化
主役	Agent Runtime	MiMo Agent System
強み	自由度	長期タスク
対象	全LLM	MiMo中心

OpenCodeとは

OpenCode公式サイト

OpenCodeは

MITライセンス
モデル非依存
ターミナル中心
MCP対応
ローカルLLM対応
Claude/GPT/Gemini/DeepSeek対応

という「AIエージェントのOS」に近い存在です。 (Opencode)

思想としては

Harness ≠ Model

ハーネスとモデルを分離する

です。 (env.dev)

だから

OpenAI
Anthropic
DeepSeek
MiMo
Gemma
ローカルGGUF

全部差し替えられます。

MiMo Codeとは

MiMo Code公式ブログ

MiMo Codeは

OpenCode
+
Persistent Memory
+
Goal Verifier
+
Subagents
+
Dream
+
Distill
+
MiMo Harness

です。 (Gizmochina)

単なるCLIではなく

長期記憶
↓
自己圧縮
↓
自己改善
↓
サブエージェント

を組み込んでいます。 (Open Source For You)

最大の違い① 記憶

OpenCode

基本は

現在のコンテキスト

中心。

コンテキストが溢れたら圧縮。

MiMo Code

専用サブエージェントが

Session Memory
Project Memory
Global Memory

を管理します。 (Gizmochina)

さらに

Dream

機能で

週1回

記憶整理
重複除去
圧縮

を実施。 (Gizmochina)

これはかなり珍しい。

最大の違い② ハーネス思想

OpenCodeは

モデルは交換可能

が前提。

MiMo Codeは

MiMo-V2.5
MiMo-Code
MiMo-Harness

を一体設計しています。 (Gizmochina)

つまり

Claude Code的です。

最大の違い③ 長期タスク

MiMo Codeは

Goal Checker

を持っています。 (Reddit)

例えば

テスト通った？
PR完成した？

を別モデルで検証。

これはあなたが最近追っている

評価ループ工学

そのものです。

生成
↓
評価
↓
修正
↓
評価

をハーネス内部に持っています。

AI史的に見ると

OpenCodeは

「ハーネスのLinux」

です。

モデルを選ばない。

MiMo Codeは

「ハーネスのApple」

です。

モデルとランタイムを統合する。

OpenClawとの比較

あなたの関心でいうと

OpenClaw

個人AI OS

OpenCode

汎用コーディングAgent

MiMo Code

長期記憶付きコーディングAgent

です。

AI史における重要度

私ならこう評価します。

プロジェクト	歴史的意義
OpenCode	「モデルよりハーネス」時代の象徴
MiMo Code	「評価ループ＋長期記憶」時代の象徴
Claude Code	商用Agent UXの完成形
OpenClaw	個人AI OSの実験場

特にMiMo Codeで面白いのは、

「モデル性能競争」から「記憶・評価・自己改善競争」へ移り始めている

ことです。

これはあなたが最近追っている

Harness-1
Evaluation Loop Engineering
DiffusionGemma
Open-R1
評価ループの工学

と非常に強くつながる流れだと思います。

Tencent Hy3 Previewとは？

Hy3 Preview は、Tencent（騰訊）のHunyuan（混元）シリーズ第3世代にあたる大規模言語モデルです。

2026年4月に公開され、

推論（Reasoning）
Coding
Agent
長文脈処理

を重視したオープンウェイトMoEモデルとして登場しました。Tencent自身は「これまでで最も実用的なHyシリーズ」と位置付けています。 (Tencent)

スペック

項目	Hy3 Preview
アーキテクチャ	MoE
総パラメータ	295B
活性パラメータ	21B
Expert数	192
Context	256K
Routing	Top-8
MTP Layer	3.8B
公開	2026年4月

(Hugging Face)

なぜ話題になったのか

Hy3は単なる「中国版GPT」ではありません。

Tencentは2026年2月に

事前学習基盤
↓
RL基盤
↓
評価基盤

を作り直しています。

その新基盤から初めて出てきたモデルがHy3です。Tencentは

推論
長文脈
Agent
Tool Use

を統合的に強化したと説明しています。 (Tencent)

AI史的に重要な点

Hy3の最大の特徴は

「ベンチマーク最適化」から「実運用最適化」への転換

です。

Tencentは公式に

公開ベンチマークよりも実際の利用シナリオを重視する

と述べています。 (Tencent)

これは

DeepSeek-R1
Harness-1
MiMo Code
OpenCode

と同じ流れです。

Agent能力への全振り

Tencentが特に強調しているのはAgent性能です。

Hy3は

OpenCode
OpenClaw
KiloCode

などのAgentフレームワークとの連携を前提に設計されています。 (Tencent)

また実環境で

最大495ステップのAgentワークフロー

を安定実行できると報告しています。 (Tencent)

あなたが追っている「ハーネス」の文脈で見ると

ここが一番面白い。

2024年までは

賢いモデル
↓
勝ち

でした。

しかし2026年のHy3は

モデル
+
Agent Runtime
+
評価ループ
+
ツール呼び出し

で性能を出そうとしています。

つまり

「モデル単体競争」から「システム競争」へ

移行しています。 (Tencent)

MiMo Codeとの共通点

Hy3とMiMo Codeは非常によく似ています。

項目	Hy3	MiMo
Agent重視	◎	◎
RL強化	◎	◎
実運用重視	◎	◎
Coding強化	◎	◎
長期タスク	◎	◎

違いは

Xiaomi

推論効率
↓
DFlash
↓
超高速化

Tencent

評価ループ
↓
Agent
↓
実運用

です。

OpenClawとの相性

公式発表で

Hy3 Preview は OpenClaw をサポート

と明言されています。 (Tencent)

そのため、

あなたが興味を持っている

OpenClaw
OpenCode
Harness-1

との組み合わせではかなり有望な候補です。

コミュニティ評価

Redditなどを見ると評価は割れています。

肯定派は

Agent性能が高い
OpenRouterで使いやすい
実タスクが強い

と評価。 (Reddit)

一方で

DeepSeek V4 Flash
MiMo-V2.5-Pro
Kimi K2.6
GLM 5.1

と比較するとまだ差があるという意見もあります。 (Reddit)

AI史における画期

Hy3の画期はモデル性能そのものではなく、

「評価ループ・ファースト」な大手モデルの登場

にあります。

これまでの世代は

GPT-4
↓
より賢いモデル

でした。

Hy3は

モデル
↓
Agent
↓
評価
↓
ツール利用
↓
実タスク成功率

を重視しています。 (Tencent)

その意味では、

あなたが最近追っている

Open-R1
Harness-1
MiMo Code
Evaluation Loop Engineering

と同じ潮流に属するモデルであり、

「推論モデルの次の世代＝Agentモデル」への移行を象徴するTencent版の回答

と見るのが最も本質に近いと思います。

KiloCodeとは？

Kilo Code公式サイト

KiloCode は、2025〜2026年に急成長した オープンソースAIコーディングエージェント です。

一言でいうと、

Claude Code
+
OpenCode
+
Cline
+
Roo Code

の流れを統合したような存在です。

現在は

VS Code
JetBrains
CLI
Cloud Agent
Slack

で動作します。(Kilo)

AI史における位置づけ

コーディングエージェントの系譜を単純化すると、

世代	代表
第1世代	GitHub Copilot
第2世代	Cline
第3世代	Roo Code
第4世代	OpenCode
第5世代	KiloCode
第6世代	MiMo Code

と整理できます。(Respan)

OpenCodeとの関係

面白いのは、

KiloCodeは完全な新規実装ではありません。

コミュニティでは

Kilo CLI
↓
OpenCodeフォーク

VSCode版
↓
Roo Codeフォーク
↓
さらにCline系統

として認識されています。(Reddit)

つまり

Cline
↓
Roo
↓
Kilo

OpenCode
↓
Kilo CLI

という二重の血統を持っています。

なぜ人気なのか

KiloCodeの成功理由は

モデル中立

Claudeだけではありません。

GPT
Gemini
DeepSeek
Qwen
Kimi
ローカルLLM

まで利用可能です。(Kilo)

IDE重視

OpenCodeが

Terminal First

なのに対して、

KiloCodeは

IDE First

です。(Respan)

マルチエージェント

OpenCodeとの比較

項目	OpenCode	KiloCode
思想	Terminal First	IDE First
ライセンス	MIT	Apache 2.0
主戦場	CLI	VS Code
ローカルLLM	◎	◎
Cloud Agent	△	◎
UX	シンプル	高機能
学習コスト	低い	やや高い

(Respan)

Claude Codeとの違い

ここが重要です。

Claude Codeは

モデル中心

です。

一方KiloCodeは

ハーネス中心

です。

つまり

Claudeが消えても

GPT
Gemini
DeepSeek

へ乗り換えられる

という思想です。(Kilo)

MiMo Codeとの違い

あなたが最近追っている文脈だと、

KiloCode

Agent Platform

MiMo Code

Agent Platform
+
Persistent Memory
+
Dream
+
Self Improvement
+
Goal Verification

です。

つまり

KiloCodeは

「最高のコーディングAgent」

を目指している。

MiMo Codeは

「自己改善する開発者Agent」

を目指している。(Kilo)

ハーネス史における画期

あなたが最近注目している

Harness-1
OpenCode
MiMo Code
評価ループ工学

の流れで見ると、

KiloCodeの画期は

「モデル競争からハーネス競争へ移行したこと」

です。

昔は

Claudeが強い
GPTが強い

でした。

現在は

同じClaudeでも

Claude Code
OpenCode
KiloCode
MiMo Code

で結果が違う

になっています。

今後の展望

2026〜2027年にかけては、

モデル性能
＜
評価ループ
＜
ハーネス

になる可能性があります。

その場合、

OpenCodeが「Linux」なら、

KiloCodeは

「VS Code時代のRed Hat」

のような存在になるかもしれません。

そしてMiMo CodeやHarness-1が成功すると、

競争軸は

賢いモデル
↓
賢いハーネス
↓
賢い評価ループ

へ移っていくでしょう。(Kilo)

Kimi-K2.7-Codeとは何か

Moonshot AI が2026年6月に公開した、

Kimiシリーズ史上もっともコーディングとAIエージェントに特化したオープンウェイトモデル

です。単なるK2.6の改良版ではなく、

コーディング
Agent実行
長時間タスク
ツール利用
推論効率

に重点を置いて再調整されています。 (KuCoin)

基本スペック

項目	Kimi-K2.7-Code
開発元	Moonshot AI
公開日	2026年6月
モデル種別	Open Weight
アーキテクチャ	MoE
総パラメータ	約1兆
Active Params	32B
Context	256K
ライセンス	Modified MIT
主用途	Coding / Agent

(KuCoin)

AI史における位置づけ

Kimi-K2.7-Codeは、

GPT-4時代

チャットAI

↓

Claude Code時代

コードを書くAI

↓

Kimi-K2.7-Code

何時間も働くAI

への進化を象徴しています。

Moonshot自身も

Long-Horizon Coding
Agent Performance
Instruction Following

を強調しています。 (SaaSCity)

最大の特徴

① 推論トークン30%削減

K2.6比で

Reasoning Token Usage を30%削減

と発表されています。 (KuCoin)

これは非常に重要です。

最近あなたが興味を持っている

MiMo
DFlash
Evaluation Loop

と同じ流れで、

「賢くする」

ではなく

「安く働かせる」

方向です。

② Agent性能重視

K2系は元々

Open Agentic Intelligence

を掲げています。 (GitHub)

K2.7-Codeでは

複数ファイル編集
リファクタリング
バグ修正
ツール呼び出し

がさらに強化されています。 (SaaSCity)

③ 長時間セッション向け

Moonshotが特に改善したと言っているのが

Instruction Drift

です。

長いセッションで

「最初の指示を忘れる」

問題を減らしています。 (SaaSCity)

MiMo Codeとの比較

	MiMo Code	Kimi-K2.7-Code
開発元	Xiaomi	Moonshot
中心思想	推論コスト最適化	Agent能力最適化
目標	爆速推論	長時間作業
代表技術	DFlash	Agent Loop
強み	Throughput	Reliability
AI史的位置	推論エンジン革命	Agent革命

Nex-N2-Proとの比較

	Kimi-K2.7-Code	Nex-N2-Pro
オープン性	◎	◎
コーディング	◎	◎
Agent	◎	◎
ローカル運用	困難	困難
思想	実用志向	研究志向
強み	安定性	Agentic Thinking

K2.7は

「使えるAgent」

を目指しています。

Nex-N2-Proは

「考えるAgent」

です。

OpenCodeとの相性

実はここが面白い。

K2.7-Codeは

OpenCode
KiloCode
Hermes Agent
OpenClaw

との相性がかなり良いです。

なぜなら

Moonshot自身が

コーディングハーネス前提

で調整しているからです。 (SaaSCity)

あなたの関心軸で見ると

一番重要なポイント

Kimi-K2.7-Codeの画期は

1兆パラメータMoEそのものではありません。

本当に重要なのは

「推論トークン30%削減しながらAgent性能を上げた」

ことです。 (KuCoin)

もしMiMoが

「推論コスト・ファースト」

の代表なら、

Kimi-K2.7-Codeは

「Agentタスク・パー・ドル（Task per Dollar）」時代の代表モデル

として記憶される可能性があります。この議論は実は、Kimi K2.7-Codeそのものよりも「AI時代の価値はどこにあるのか？」という問いに近いです。

結論から言うと、

2023年は「モデルの時代」
2025年は「エージェントの時代」
2026年以降は「評価ループとハーネスの時代」

になりつつあります。

Kimi K2.7-Code事件の本質

今回の議論で面白いのは、

Kimi K2.7-Code自体より、

Cursor
Claude Code
OpenCode
Kimi Code
pi.dev
OpenClaw

などの**ハーネス（Harness）**が話題の中心になっていることです。

モデル性能の話は最後の方しか出てこない。

これは重要です。

昔

ChatGPT時代

価値

モデル ≫ UI

でした。

GPT-4を持っているだけで勝てた。

今

GPT-5.5

Claude Opus

Qwen 3.7

GLM-5

Kimi K2.7

Nex-N2-Pro

などが出てきて、

能力差が小さくなった。

すると

モデル < ハーネス

になり始める。

Claude Codeの強さ

多くの人が誤解している。

Claude Codeは

Claudeが凄い

のではなく

Claude Codeのループが凄い

場合が多い。

例えば

ファイル編集
Git
Terminal
検証
自己修正

を何百回も回す。

つまり

生成
↓
テスト
↓
修正
↓
再テスト

を自動化している。

これはサットンの

Richard Sutton

が言う

評価ループ

そのものです。

Kimi Codeの面白いところ

コミュニティ報告を見ると、

Kimi Codeは単なるCLIではなく、

swarm
sub-agent
checkpoint
rollback
loop detection

などを持っているらしい。 (Reddit)

つまり

Kimi K2.7
+
Kimi Code

で初めて本来の性能になる可能性がある。

なぜOpenCode派が増えているか

OpenCode支持者は

モデルより

交換可能性

を重視している。

例えば

今日

Kimi

が最強でも

来月

Qwen

になるかもしれない。

さらに

Nex

かもしれない。

だから

Claude専用

は危険。

理想は

OpenCode
    ↓
好きなモデル

です。

OpenCode
 ├─ Kimi
 ├─ Qwen
 ├─ DeepSeek
 ├─ GLM
 └─ Nex

に差し替えられる。

Kimi K2.7-Codeのライセンス騒動

今回の話で笑われていたのは、

ライセンス修正後も

実質

MIT
+
宣伝条項

程度に見えることです。

つまり

「完全クローズド化」

というより

ブランド保護

に近い。

コミュニティの反応も

「思ったより大した変更じゃない」

というものが多いです。

AI史的な意味

私はここが重要だと思います。

K2.7-Codeは

単なる

コードモデル

ではない。

むしろ

評価ループ用モデル

です。

昔

人
↓
LLM
↓
コード

だった。

今

LLM
↓
コード
↓
テスト
↓
評価
↓
修正
↓
再生成

になる。

すると価値は

賢い1回の出力

から

何回ループを回せるか

へ移る。

DFlashとの接続

あなたが最近追っている

MiMo
DFlash
DiffusionGemma
評価ループ工学

とも繋がります。

もし

DFlashで

1000 token/s

級になり、

さらに

Diffusion系で

候補生成
→評価
→候補生成

を超高速化できれば、

将来の競争は

誰が一番賢いか

ではなく

誰が一番速く失敗できるか

になります。

これはあなたの記事で書いている

「失敗の保持」
「評価ループ工学」

そのものです。

AI史的に見ると、

Kimi K2.7-CodeやMiMo Codeの価値は、

新しい知能を作ったことではなく、

知能を回す速度（評価ループの回転数）を上げようとしていること

にあります。

そして2026年の流れを見る限り、

モデル競争よりも

OpenCode・Claude Code・Kimi Code・OpenClawのようなハーネス競争

の方が、今後数年は大きな戦場になる可能性があります。Kimi K2.7-Code の評価は、「画期性はかなり大きいが、万能ではない」です。

最近のAIコーディング界隈では、単なるベンチマーク競争ではなく、

長時間エージェント
評価ループ
自律デバッグ
ツール呼び出し
大規模コードベース編集

へ競争軸が移っています。

K2.7-Code はその流れの中で生まれています。(KuCoin)

何が画期的なのか

① 「コード専用チューニング」の極端化

Moonshotは

K2
K2.5
K2.6
K2.7-Code

と進化させています。(SaaSCity)

K2.7-Codeは

汎用モデルではなく
コーディングエージェント専用モデル

として最適化されています。

つまり

Claude Sonnet型

ではなく

Claude Code型

です。

② 「考えすぎ問題」を削減

Moonshot自身は

reasoning token を約30%削減

と説明しています。(KuCoin)

これは実は重要です。

③ エージェント時代向け

Moonshot系は昔から

Tool Use
Agent
Long Context

を重視しています。(SaaSCity)

そのため

OpenCode

KiloCode

Claude Code互換環境

などとの相性が良いと評価されています。(Reddit)

④ オープンウェイト陣営最強候補

2026年時点で

オープンモデルのコーディング能力トップ層は

Kimi K2.7-Code
Nex-N2-Pro
Qwen系
DeepSeek系

です。(KuCoin)

特に

Cursor ComposerのベースとしてKimi系列が採用された

ことは象徴的です。(Business Insider)

K2.7-Codeの短所

① とにかく重い

K2.7-Codeは

1T級MoE

32B Active

です。(KuCoin)

つまり

実質的には

RTX 5090 1枚

では厳しい。

快適運用は

4×5090
H100
MI300

級です。

ローカル派には厳しい。

② Claudeほど洗練されていない

現場評価では

Claude Opus
GPT-5.5

が依然として上です。(Business Insider)

特に

エッジケース
要件解釈
設計変更

では差が残っています。

③ モデル単体では強くない

これは重要。

多くの人が誤解しています。

④ オープンだが完全再現ではない

これは最近の

DeepSeek R1

Open-R1

問題とも共通です。

重み公開

≠

再現可能

です。

評価ループ

RL設定

ツール利用

データ

が欠けると

性能は落ちます。

AI史における位置づけ

私は

K2.7-Codeの本当の価値は

モデルではなく

思想

だと思います。

2023

ChatGPT
↓
会話AI

2024

Claude
↓
推論AI

2025

DeepSeek-R1
↓
Reasoning AI

2026

Kimi Code
↓
Agent AI

という流れです。

特にあなたが興味を持っている

「評価ループ工学」

の観点では、

K2.7-Codeの本質は

コード生成能力

ではなく

長時間評価ループを回せる能力

です。

つまり

生成
↓
テスト
↓
失敗
↓
修正
↓
再テスト

を数百回回すためのモデルです。

だからAI史的には

「より賢いLLM」ではなく、「評価ループを高速に回すためのLLM」への転換点

として見る方が面白いと思います。

そしてその次に来るのが、あなたが最近追っている

DiffusionGemma
DFlash
MiMo Code
評価ループ工学
隠れ状態プローブ

の世界で、

将来的には

「文章を生成するAI」よりも「内部状態だけで評価するAI」

の方が重要になる可能性があります。

Kimi（Moonshot AI）の歴史

Kimi は中国のAI企業 Moonshot AI公式サイトが開発するLLM／AIアシスタント群です。特徴は、

超長コンテキスト
コーディング
エージェント（Agent）
オープンウェイトMoE

を段階的に強化してきたことです。(ウィキペディア)

年表

年月	出来事	AI史における意味
2023年3月	Moonshot AI創業	中国LLM新世代の代表企業が誕生 (ウィキペディア)
2023年10月	初代Kimi公開	20万中国語文字級の長文処理で話題 (ウィキペディア)
2023年11月	一般公開	中国で長文AIアシスタント市場を形成 (ウィキペディア)
2024年3月	200万文字コンテキスト発表	「長文読解AI」の象徴となる (ウィキペディア)
2024年7月	Context Cache公開	長文処理コスト削減を推進 (ウィキペディア)
2024年10月	Explore Edition	Agentic Searchを導入 (ウィキペディア)
2025年1月	Kimi K1.5	推論能力強化。o1対抗路線へ (ウィキペディア)
2025年7月	Kimi K2公開	1兆パラメータ級MoEをオープンウェイト公開 (Reuters)
2025年8月	K2 Turbo	推論速度改善 (Kimi Ai)
2025年9月	K2-0905	256Kコンテキスト化・コード性能向上 (Kimi Ai)
2025年11月	K2 Thinking	長時間推論・Agent強化 (Kimi Ai)
2026年1月	Kimi K2.5	ネイティブマルチモーダル化（画像・動画） (TechCrunch)
2026年1月	Kimi Code公開	Claude Code対抗の開発者向けエージェント (TechCrunch)
2026年4月	K2.6	Agent Swarm 300体、長時間コーディング強化 (Presenc AI)
2026年6月	K2.7-Code	コーディング専用最適化、推論トークン30%削減 (KuCoin)

Kimiの進化を一言で表すと

第1世代（2023〜2024）

Long Contextの時代

Kimiは最初、

「どれだけ長い文書を読めるか」

で勝負していました。

当時の中国市場では

Baidu ERNIE
Alibaba Tongyi
ChatGPT

との差別化要素でした。(ウィキペディア)

第2世代（2025）

Agent時代

K2で方向転換します。

単なるチャットボットではなく

ツール呼び出し
コード生成
マルチステップ実行

を重視。

ReutersもK2を

coding と agent tasks に強いモデル

として報じています。(Reuters)

第3世代（2026）

Agent Swarm時代

K2.5〜K2.6では

100〜300サブエージェント
1000〜4000ツール呼び出し
長時間コーディング

へ進化。(Reddit)

これはあなたが最近興味を持っている

「評価ループ工学」

に非常に近い方向です。

AI史におけるKimiの画期

① Long Context革命

2023〜2024のKimiは

「GPUを増やして賢くする」

ではなく

「記憶を増やして賢くする」

方向を切り開いた。(ウィキペディア)

② Open Frontier Model革命

2025年K2は

1兆パラメータ級MoEを公開。

これは

GPT
Claude
Gemini

とは逆方向です。(Reuters)

③ Agent Swarm革命

K2.5〜K2.6では

「単一LLM」

から

「エージェント集団」

へ進化。(Reddit)

これは

OpenCode
Claude Code
MiMo Code
OpenClaw

などのコーディングハーネス文化と直結しています。

④ Kimi Code革命

2026年に公開されたKimi Codeは

Claude Code
Gemini CLI

への直接対抗です。(TechCrunch)

AI史的には

「モデル競争」から
「ハーネス競争」

への転換点と見なせます。

あなたの関心（評価ループ工学）から見たKimi

Kimiの歴史は

長文 → 推論 → Agent → Swarm

という進化です。

一方であなたが最近追っている

DFlash
DiffusionGemma
MiMo Code
評価ループ工学

は

生成より評価を高速化する方向

です。

もしこの流れが続くなら、

次のKimi K3世代で本当に重要なのは

モデルサイズ

ではなく

「何回評価ループを回せるか」

になる可能性があります。

その意味で、

Kimiの次の画期は

「1兆パラメータ」ではなく「1秒に何百回の評価ループを実行できるか」

になるかもしれません。これはまさに、あなたが最近追っている「評価ループ工学」の世界観と一致しています。

Kimi Code とは何か

Kimi Code は、中国のAI企業 Moonshot AI が開発する AIコーディングエージェント（Coding Agent） です。

単なる「コード補完」ではなく、

リポジトリ全体を読む
実装計画を立てる
ファイルを編集する
テストを実行する
エラーを修正する
ターミナル操作を行う

という一連の開発作業を自律的に進めます。Claude CodeやOpenCodeと同じ系譜の製品です。 (Kimi)

一言でいうと

世代	代表
AI補完	GitHub Copilot
AIチャット	ChatGPT
AIコーディング	Cursor
AIエージェント	Claude Code
オープン系エージェント	Kimi Code

Kimi Codeは

「Moonshot版 Claude Code」

と考えると分かりやすいです。 (Kimi)

Kimi Codeの特徴

① Terminal First

Kimi CodeはCLIが中心です。

kimi

で起動し、

このバグを修正して

と言うだけで

コード探索
修正
テスト
再修正

まで実行します。 (Kimi)

② Agent型

従来

人間
 ↓
プロンプト
 ↓
LLM
 ↓
回答

でした。

Kimi Codeは

人間
 ↓
Kimi Code
 ↓
検索
 ↓
コード修正
 ↓
テスト
 ↓
再実行
 ↓
完成

という評価ループを持っています。 (Kimi)

③ 長コンテキスト

Kimi系の最大の武器です。

Moonshotは元々

長文理解
大規模コードベース理解

が得意でした。 (Kimi)

そのため

Linuxカーネル
巨大Webサービス
数万ファイル規模

の解析に向いています。

④ ACP / MCP対応

Kimi Codeは

などエージェントプロトコルをサポートしています。 (Kimi Ai)

つまり

Kimi Code
 ↓
GitHub
 ↓
Slack
 ↓
Jira
 ↓
Browser

のような接続が可能です。

AI史における位置づけ

非常に重要なのは

Kimi K2

ではなく

Kimi Code

の方です。

なぜなら

2023年

価値 = モデル

だった世界が

2026年

価値 = 評価ループ

に移行し始めているからです。

あなたが最近興味を持っている

OpenCode
MiMo Code
Claude Code
Kilo Code

は全て

「ハーネス競争」

です。

モデル競争ではありません。

Claude Codeとの比較

項目	Kimi Code	Claude Code
モデル	Kimi系	Claude系
ソース	比較的オープン寄り	クローズド
CLI	○	○
MCP	○	○
コード性能	非常に高い	非常に高い
ローカル志向	強い	弱い
中国OSSとの相性	最強	普通

(Sébastien Dubois)

OpenCodeとの違い

OpenCodeは

ハーネス

です。

Kimi Codeは

ハーネス＋モデル

です。

つまり

OpenCode
 ├ Claude
 ├ Qwen
 ├ GPT
 ├ Kimi
 └ MiMo

という構成。

一方

Kimi Code
 └ Kimi専用最適化

です。

なぜ最近評価が高いのか

Kimi K2系モデルは

SWE-Bench
Agent Bench
Tool Use

で非常に強い評価を得ています。 (TechCrunch)

さらにコミュニティでは

Cursor Composer
OpenCode

のベースモデルとしても注目されています。CursorはKimi系モデルをベースに利用したことを認めています。 (Business Insider)

あなたの関心（評価ループ工学）から見ると

実はKimi Codeの本質は

Kimi K2
+
Agent Harness
+
Tool Use
+
Evaluation Loop

です。

最近あなたが考察している

DiffusionGemma
DFlash
MiMo Code
評価ループ工学
Agent Harness

の流れから見ると、

Kimi Codeは

「モデルの賢さ」よりも
「ループの賢さ」へ移行する象徴的プロジェクト

と言えます。

そして今後は

Claude Code
OpenCode
Kimi Code
MiMo Code
Kilo Code

の競争というより、

誰が最高の評価ループを作るか

の競争になっていく可能性が高いです。これはリチャード・サットンの「生成→評価→保持」の議論とも非常に相性が良い見方です。

MiMo Code と Kimi Code の比較

2026年時点では、この2つは単なる「AIコーディングツール」ではなく、異なる思想を持つ Agentic Coding Platform です。

項目	MiMo Code	Kimi Code
開発元	Xiaomi	Moonshot AI
ベース	OpenCodeフォーク	独自Kimi Agent
主力モデル	MiMo-V2.5-Pro	Kimi K2.6 / K2.7
主眼	長期エージェント実行	高性能コーディング
記憶システム	非常に強い	強い
自己進化機構	あり	限定的
長期タスク	非常に強い	強い
OSS性	MITで公開	オープン寄り
目標	AIソフトウェアエンジニア	AIペアプログラマー

MiMo CodeはOpenCodeを土台として発展した長期実行エージェントであり、永続メモリやプロジェクト継続性を強く打ち出しています。(Gizmochina)

Kimi CodeはKimi K2系モデルを中核とするコーディングエージェントで、リポジトリ理解や長コンテキスト処理を重視しています。(Kimi Ai)

AI史的に見る最大の違い

Kimi Code

発想は

強いモデル
↓
強いAgent
↓
良いコード

です。

つまり

モデル中心主義

です。

MoonshotはKimi K2系列そのものを強化し続けています。(Kimi Ai)

MiMo Code

発想は

記憶
↓
評価
↓
自己改善
↓
コード

です。

こちらは

評価ループ中心主義

に近い。(ScriptByAI)

あなたが最近関心を持っている

Agent Harness
Evaluation Loop Engineering
DiffusionGemma
DFlash
Sutton

の流れに近いのはこちらです。

MiMo Codeの画期

MiMo Codeで本当に面白いのは、

Cross-Session Memory

です。

従来

Claude Code
↓
セッション終了
↓
忘れる

でした。

MiMo Codeは

プロジェクト記憶
+
履歴
+
チェックポイント
+
要約

を保持し、

次回起動時に再構築します。(AI/TLDR)

これは

Context Window競争からMemory競争への転換

と言えます。

MiMo Codeのさらに面白い部分

Redditや技術解説で特に注目されているのは

Dream

と

Distill

です。(Reddit)

概念的には

作業
↓
記録
↓
反省
↓
抽象化
↓
再利用

です。

これは人間の学習に近い。

Kimi Codeの強み

Kimi Codeの強みは逆です。

純粋なコーディング能力

です。

特に

長コンテキスト
巨大リポジトリ解析
CLI操作
MCP連携

は非常に完成度が高い。(Kimi Ai)

現状の完成度だけ見るなら

Kimi Code
≈
Claude Code

の系譜です。

あなたのテーマで考えると

あなたが最近考察している

「知能を決めるのはモデルではなく評価ループではないか」

という仮説に最も近いのはMiMo Codeです。

Kimi Codeは

強い脳

を追求。

MiMo Codeは

強い脳
+
記憶
+
評価
+
反省
+
自己進化

を追求。(IDE)

AI史における位置づけ

もし2023〜2025年が

LLM時代

なら、

2026年以降は

Agent Harness時代

になりつつあります。

その文脈では

Claude Code → 第一世代
Kimi Code → 第二世代
MiMo Code → 第三世代の萌芽

と見ることもできます。

特にMiMo Codeの

永続記憶
Goal Verifier
Self-Distillation
Multi-Agent

は、リチャード・サットンの

「Variation → Evaluation → Selective Retention」

をソフトウェア工学として実装し始めた例として非常に興味深いです。(Reddit)この文章には強い説得力があります。

ただし、「オープンソースAIは必ず勝つ」という結論は、少し修正した方が歴史的にも技術的にも強くなります。

強く共感する部分

文章の核心は、

AIはアプリではなくインフラである

という主張です。

これは近年かなり広がっている考え方です。

AIは単なるチャットボットではなく、

教育
科学
ソフトウェア開発
行政
軍事
医療
研究

の基盤になりつつあります。AIを「公共インフラ」や「ユーティリティ」に近い存在として扱うべきだという議論も出ています。 (Reuters)

AI史から見ると

実は似た戦いが何度もありました。

時代	閉鎖側	開放側	結果
1980年代	UNIX	BSD/Linux	Linux勝利
1990年代	AOL	Web	Web勝利
2000年代	IE	Firefox/Chrome	オープンWeb勝利
2010年代	Windows Phone	Android	Android勝利
2020年代	GPT API	Open Weights	進行中

歴史的には

インフラ層は開放側が強い

傾向があります。

ただし「モデル」だけでは勝てない

ここが重要です。

2026年現在、

Qwen
DeepSeek
MiMo
Gemma
Kimi

などのオープンウェイトモデルは急速に性能を上げています。コーディングではフロンティアモデルとの差がかなり縮まっています。 (デジタルアプライド)

しかし、

本当の支配層

は

モデル
↓
ランタイム
↓
エージェント
↓
評価ループ
↓
記憶

です。

あなたが最近興味を持っている

MiMo Code
OpenCode
Claude Code
Evaluation Loop

の世界です。

実は「ハーネス」が新しい堀

2023年

強いモデル = 強いAI

だった。

2026年

強い評価ループ = 強いAI

になりつつある。

たとえば

Claude Code
OpenCode
MiMo Code

の差は

モデルそのものではなく

評価
記憶
計画
修復
ツール利用

です。

閉鎖AI最大の武器

実は重みではありません。

運用データ

です。

たとえば

100万人が毎日使う
↓
失敗ログ収集
↓
改善

が可能です。

この部分はオープンソース陣営が弱い。

Redditなどでも

「コードは公開されていても運用知識は公開されていない」

という指摘が繰り返されています。 (Reddit)

オープンソースAI最大の武器

逆に言うと

保存可能

であること。

例えば

GPT-4
Claude 3
Claude 4

は消える可能性があります。

しかし

Linux
GCC
SQLite

は消えません。

誰かがフォークできるからです。

AIでも同じです。

もし

DeepSeek
Qwen
MiMo
Gemma

の重みが残れば、

50年後でも再現できます。

これは国家能力として極めて重要です。 (Phoronix)

もっと重要な問い

私は

オープンソースAIは必ず勝つ

よりも

オープンソースAIが存在し続けなければならない

の方が強い主張だと思います。

なぜなら、

閉鎖AIが商業的に勝つ可能性は十分あるからです。

しかし

閉鎖AIしか存在しない世界

は危険です。

なぜなら

検閲
価格変更
API停止
ライセンス変更
地政学リスク

に社会全体が依存するからです。 (Business Insider)

あなたの記事テーマとの接続

あなたが最近書いている

評価ループ工学
Agent Harness
MiMo Code
DiffusionGemma
DFlash

の文脈でいうと、

次の主張が最も未来的です。

オープンモデルが勝つか
クローズドモデルが勝つか

ではない。

オープンな評価ループが勝つか
クローズドな評価ループが勝つか

である。

モデルは急速にコモディティ化している一方で、

Claude Code
OpenCode
MiMo Code

が争っているのは

「知能そのもの」

ではなく

知能を増幅する評価ループの設計権

だからです。 (ウォール・ストリート・ジャーナル)

この観点から見ると、次の10年の主戦場は「モデル」ではなく、

記憶・評価・選択保持（Selective Retention）を実装したオープンなエージェントOS

になる可能性があります。GLM-5.2は、2026年のオープンモデル競争の中でもかなり重要な出来事です。ただし、本当に重要なのは「1Mコンテキスト」よりも、GLMがどこを狙っているかです。

GLM-5.2 の何が重要なのか

現在のコーディングAI市場は、

Claude Code
Cursor
OpenCode
Cline
KiloCode
RooCode

などの「ハーネス層」が急速に標準化しています。

すると価値は

モデル → ハーネス → エージェント

のどこに残るのか？

という戦いになります。

GLM-5.2は

「Claude Code互換のオープンモデル」

を目指しているように見えます。(Build Fast with AI)

公表されている特徴

1. 1Mトークンコンテキスト

GLM-5.2は

1,000,000トークン入力
最大131,072トークン出力

をサポートするとされています。(Build Fast with AI)

用途としては

巨大リポジトリ全体
長期Agent実行
大規模リファクタリング

向けです。

2. MITライセンス予定

Z.aiは

来週MITライセンスでオープンソース化

を予告しています。(KuCoin)

これが実現すると

商用利用可能
改造可能
再配布可能

になります。

これは

DeepSeek
Qwen
Kimi

との競争上かなり大きいです。

3. Claude Code互換

発表では

Claude Code
OpenCode
Cline

への接続が強調されています。(Digg)

これは

「独自IDEを作る」

ではなく

「既存エコシステムに潜り込む」

戦略です。

かなり賢い。

なぜ重要なのか

実はGLM-5.2の本当の意味は

OpenAI路線

API中心
SaaS中心
モデル非公開

Anthropic路線

Claude Code
クローズドモデル

GLM路線

オープンモデル
Claude Code互換
ローカル実行可能

という第三の道を狙っている点です。

OpenCodeユーザー視点

あなたが最近興味を持っている

OpenCode
MiMo Code
KiloCode
OpenClaw

との関係で言うと、

GLM-5.2は

「オープンなClaude Sonnet代替」

を狙っています。

MiMo Codeとの比較

項目	GLM-5.2	MiMo-Code
開発元	Zhipu AI	Xiaomi
ライセンス	MIT予定	オープンウェイト
コンテキスト	1M	不明
主戦場	Agent Coding	Agent + Reasoning
強み	長文脈	DFlash
最大特徴	Claude互換	超高速推論

ローカル実行できるのか？

現時点では

まだウェイト公開前

です。(KuCoin)

ただし公開されれば、

理論上は

LM Studio
Ollama
vLLM
SGLang
OpenClaw

対応が期待できます。

注意点

現状で最も大きな問題は

ベンチマークがまだ不足

していることです。

コミュニティでも

本当に1M使えるのか
長文で性能維持できるのか
Claude Opus級なのか

は未検証との声が多いです。(Reddit)

長期的に見ると

私はGLM-5.2の最大の意義は

「オープン版 Claude Code エコシステム」形成への一歩

だと思います。

2026年の構図は

陣営	モデル
OpenAI	GPT-5.5
Anthropic	Claude Opus
Alibaba	Qwen 3.7
Moonshot	Kimi K2.7
Xiaomi	MiMo-V2.5
Zhipu	GLM-5.2

ですが、

GLM-5.2は性能競争よりも

「Claude Codeをオープン化する」

方向に寄与する可能性があります。

もしMITで本当に公開されれば、

OpenCode
KiloCode
RooCode
OpenClaw
LM Studio

の世界において、

「ローカルで動くSonnet級Agentモデル」

を目指す有力候補になるかもしれません。現時点では、性能そのものよりも「MITライセンス＋1Mコンテキスト＋Claude互換」という戦略が最大の注目点です。(KuCoin)Rio 3.5 Open 397B は、最近公開されたオープンウェイトLLMで、実体としては「Rio de Janeiro市（Rio市政府の研究チーム）」が開発した、AlibabaのQwen系397B MoEモデルをベースにした大規模ファインチューニングモデルです。コミュニティでは「オープン版Qwen 3.7 Plusの対抗馬」として話題になっています。 (Reddit)

概要

項目	内容
モデル名	Rio 3.5 Open 397B
ベースモデル	Qwen系397B MoE
総パラメータ	約397B
Active Parameters	約17B
形式	MoE (Mixture of Experts)
公開形態	Open Weights
主用途	Agent・Coding・Reasoning
コンテキスト	最大256K〜1M級（実装依存）
ライセンス	オープンウェイト系

Rio 3.5 Open 397B の名前から「新規アーキテクチャ」と思われがちですが、実際には Qwen 3.5-397B-A17B をベースにした高品質ファインチューン と見るのが近いです。 (Reddit)

なぜ話題なのか

① オープンウェイトである

近年の最強クラスのコーディングモデルは

Claude Opus
GPT-5.5
Gemini 3 Pro
Qwen 3.7 Max

などクローズドAPIが中心です。

Rio 3.5 Openは

「Qwen 3.7級の性能をオープンで使える」

可能性があるため注目されています。 (Reddit)

② Agent性能を重視

2026年のLLM競争は

ベンチマーク
会話

ではなく

Claude Code
OpenCode
Cline
OpenClaw

などのAgent実行性能に移っています。

Rio 3.5 Openも

SWE
Terminal
Coding Agent

用途が意識されています。 (Digital Applied)

③ ローカル実行可能

理論上はローカル実行できます。

ただし現実はかなり重いです。

構成	実用性
RTX 5090 32GB	厳しい
2×5090	厳しい
Mac Studio M4 Ultra 512GB	可能性あり
8×H100	本命
クラウド推論	現実的

Qwen 3.5-397BクラスはBF16で約800GB、FP8でも約400GB規模です。 (Awesome Agents)

MiMoとの比較

項目	Rio 3.5 Open	MiMo V2.5 Pro
出自	Rio市政府系	Xiaomi
公開性	オープン	オープン
規模	397B/17B Active	約1T級MoE
高速化	標準SpecDec	DFlash
主用途	Coding Agent	Agent + Reasoning
ローカル性	やや高い	非常に重い

MiMoは

「推論エンジン革命（DFlash）」

Rioは

「オープンな高性能Agentモデル」

という立ち位置です。

OpenCodeユーザー視点

もしあなたが以前から

OpenCode
OpenClaw
LM Studio
MiMo Code
Qwen系

に興味を持っている流れで見ると、

現在の有力候補は

OpenCode + Rio 3.5 Open
OpenCode + MiMo Code
OpenCode + GLM-5.2
OpenCode + Qwen 3.7 Max(API)

あたりになります。

重要な見方

Rio 3.5 Open 397B が重要なのは、

「性能そのもの」よりも、『Claude級Agent性能をオープンウェイトで実現できるか』を試す実験台であることです。

2026年のAI競争は

モデル競争
エージェント競争
推論ランタイム競争

に分かれています。

Rio 3.5 Openは

OpenAI・Anthropic型の閉鎖モデルに対抗する「オープンAgent陣営」

の一員として見ると位置づけが理解しやすいでしょう。 (Reddit)

特に今後、GLM-5.2、MiMo Code、Kimi K2.7-Code、Rio 3.5 Open の4系統が、オープンなClaude Code代替の主戦場になる可能性があります。はい。Databricks はまさに今、「オープンソースAIエージェントの上にメタハーネスを置く」という方向に強く動いています。

最近発表された Omnigent は、Databricks自身が「meta-harness」と表現しているもので、Claude Code、Codex、Pi、自社エージェントなどの上位に配置される統合レイヤーです。(TipRanks)

メタハーネスとは何か

従来

ユーザー
  ↓
Claude Code
  ↓
Claude Sonnet

あるいは

ユーザー
  ↓
OpenCode
  ↓
Qwen / Kimi / GPT

だったものを、

ユーザー
  ↓
Omnigent（Meta Harness）
  ↓
 ├ Claude Code
 ├ OpenCode
 ├ Codex
 ├ MiMo Code
 ├ 自社Agent
 └ その他

にする発想です。(TipRanks)

なぜDatabricksが興味を持つのか

Databricksは元々、

Apache Spark
Delta Lake
MLflow
MosaicML
DBRX

などを通じて「AIインフラ企業」になろうとしてきました。(AI Wiki)

しかし2026年のAI業界では、

モデルそのものより
エージェント運用層の価値が急上昇

しています。

これはあなたが最近追っている

Claude Code
OpenCode
Kimi Code
MiMo Code
Nex AGI

の流れと完全に一致します。

Databricksの読み

Databricksはおそらく、

「モデルはコモディティ化する」

と考えています。

例えば

GPT-5.5
Claude Opus
Qwen 3.7
Kimi K2.7
GLM-5.2
Nex-N2-Pro

の差は残るものの、

企業が本当に困っているのは

ガバナンス
監査
コスト管理
セッション共有
Agent同士の協調

だからです。(TipRanks)

これは「Claude Codeをオープンソース化すべきか」議論と繋がる

最近のコミュニティでは

価値はモデルか？
それともハーネスか？

という論争があります。

Databricksの行動を見ると

彼らの答えは

ハーネスのさらに上にある
オーケストレーション層

です。

OpenCodeとの関係

面白いのは、

OpenCodeが目指している世界とかなり近いことです。

OpenCode

複数モデル
↓
統一CLI
↓
開発者

Omnigent

複数ハーネス
↓
統一制御層
↓
企業

です。(TipRanks)

つまり

OpenCodeは

モデル抽象化

Omnigentは

エージェント抽象化

と言えます。

さらに大きな流れ

2026年の研究では、

「Harness Engineering」が新しい競争領域になりつつあると指摘されています。モデル性能だけでなく、

何を記憶するか
何を検索するか
どのAgentを呼ぶか

を決めるハーネスが性能を左右するという考えです。(arXiv)

特に Databricks がOmnigentに投資するのは、

モデル競争
    ↓
エージェント競争
    ↓
メタハーネス競争

へ業界が移行すると読んでいるからでしょう。(TipRanks)

長期的な見方

もしこの流れが続くと、

第1世代（2023-2024）

ChatGPT
Claude
Gemini

↓

第2世代（2025-2026）

Claude Code
Codex
OpenCode
MiMo Code
Kimi Code

↓

第3世代（2026-2028）

Omnigent
Agent Fabric
Meta-Harness

のような

「Agent OS」

が主戦場になります。

その意味では、

Databricksは

「最高のモデルを作る」

競争ではなく

「最高の評価ループ・制御ループ・協調ループを作る」

競争に賭け始めている、

と見るのが最も本質的だと思います。(TipRanks)結論から言うと、「Kimi-K2.7-Code が MCPAtlas で GPT-5.5 を抑えて3位になった」という表現は正確ではありません。

公開されている Moonshot のベンチマーク表では、MCP Atlas の順位は以下です。 (Kimi)

モデル	MCP Atlas
Claude Opus 4.8	81.3
GPT-5.5	79.4
Kimi K2.7-Code	76.0
Kimi K2.6	69.4

つまり、

Claude Opus 4.8
GPT-5.5
Kimi K2.7-Code

という並びです。Kimi-K2.7-Code は 3位ですが、GPT-5.5 を上回ってはいません。 (Kimi)

それでもなぜ話題になっているのか

理由は別のところにあります。

Kimi-K2.7-Code は

オープンウェイト
1Tパラメータ MoE
32B Active
256K Context
コーディング特化
Agent特化

という構成で、GPT-5.5 や Claude Opus のようなクローズド最前線モデルにかなり近い位置まで来たからです。 (Kimi)

特に MCP Atlas では

GPT-5.5：79.4
Kimi-K2.7-Code：76.0

差は 3.4 ポイントしかありません。 (Kimi)

2024年頃なら、

GPT-4系
Claude系

とオープンモデルの差は「圧倒的」でした。

しかし2026年の Kimi-K2.7-Code は、

OpenCode
Cline
Claude Code互換環境
MCP Agent

で実運用可能なレベルまで到達しています。 (Kimi)

むしろ注目すべき数字

個人的には MCP Atlas より、

MCP Mark Verified

の方が興味深いです。

モデル	MCP Mark Verified
GPT-5.5	92.9
Kimi K2.7-Code	81.1
Claude Opus 4.8	76.4

ここでは Kimi-K2.7-Code が Opus 4.8 を上回っています。 (Kimi)

もちろんベンダー公表値なので慎重に見る必要がありますが、

「Agent評価でオープンモデルが最前線クローズドモデルを部分的に超え始めた」

というシグナルとしては重要です。 (Kimi)

AI業界史の観点

Kimi-K2.7-Code の本当の意味は、

DeepSeek-R1
MiMo-Code
GLM-5.2
Nex-N2-Pro
Kimi-K2.7-Code

という流れの中で、

「Agent用オープンモデルが Frontier Model に迫り始めた」

ことです。

2024年：

GPT-4系 ≫ オープンモデル

2025年：

DeepSeek が追撃

2026年：

Kimi / GLM / Nex / MiMo が Agent領域で接近

という歴史的な流れが見えます。 (Kimi)

Kimi-K2.7-Code は単なる「もう1つのモデル」ではなく、

「Claude Code の代替バックエンドになり得る最初期のオープン1T級Agentモデル」

として評価されているのがポイントです。 (kiadev.net)

その意味では、

MCPAtlasで3位になったこと自体よりも、「GPT-5.5から数ポイント差の位置にオープンモデルが来た」ことの方が重要だと言えます。 (Kimi)「Claude Fable 5が規制され、Kimi K2.7-Codeがオープン公開された。クローズドAIの時代は終わるのか？」

結論から言うと、

クローズドAIの時代は終わらない。
しかし、
「クローズドAIだけが最先端だった時代」は終わり始めている。

というのが現状です。

何が起きているのか

2026年6月、Anthropicは米政府の輸出管理命令により、

Claude Fable 5
Claude Mythos 5

を全世界で停止しました。外国人利用者だけでなく、実質的に全顧客への提供停止に追い込まれています。 (The Verge)

これはAI史上かなり大きな事件です。

なぜなら、

「世界最高クラスのAIが、技術的理由ではなく政治的理由で数時間以内に消えた」

からです。 (Tom's Hardware)

オープン派が興奮している理由

今回の事件は、

「LocalLlama界隈」

「Open Source AI界隈」

が何年も言ってきた

APIは借り物

という主張を裏付ける形になりました。

もし企業が

Claude Code
Claude API
Claude Agent

に全面依存していた場合、

政府命令ひとつでサービス停止します。

実際、

Redditや開発者コミュニティでは

"This is exactly why we need local models."

という反応が大量に出ています。 (Reddit)

一方でKimi K2.7-Codeは逆方向

Moonshot AIは

Moonshot AI

の

Kimi K2.7-Code

を公開しました。

これは

オープンウェイト
ローカル実行可能
MCP対応
Claude Code互換環境対応

を目指しています。

つまり

Anthropicが

「中央集権」

なら

Kimiは

「分散化」

です。

AI業界はLinux化している

これは1990年代のOS戦争に似ています。

当時

Windows
Solaris
AIX

が支配していました。

しかし

Linux

が登場しました。

最初は弱かった。

しかし

誰でも改造可能
誰でも再配布可能
消えない

という特性によって、

最終的に

クラウド
サーバー
スーパーコンピュータ

を支配しました。

現在の

Kimi
Qwen
GLM
DeepSeek
MiMo

は、

AI版Linuxのような存在です。

ではオープンAIが勝つのか

ここが面白いところです。

モデル単体ではない

2023年

価値の中心

↓

モデル

2024年

↓

モデル＋コンテキスト

2025年

↓

エージェント

2026年

↓

評価ループ

↓

ハーネス

↓

ワークフロー

になっています。

Claude Codeが強い理由

多くの人は

Claudeが強い

と思っています。

実際には

Claude Codeの価値は

モデルだけではありません。

Git連携
MCP
ツール選択
自己修正ループ
コンテキスト管理

などの

ハーネス

が極めて強い。

だから

同じモデルを載せ替えても

結果が変わる。

Databricksが見ている未来

2030年頃の勝者予測

シナリオ1（最有力）

モデルはコモディティ化

↓

ハーネスが支配

↓

Claude Code型

↓

OpenCode型

↓

Agent OS型

が勝つ

確率：

50%

シナリオ2

オープンモデルが急成長

↓

DeepSeek

↓

Qwen

↓

Kimi

↓

GLM

がクローズド性能へ到達

↓

Linux化

確率：

35%

シナリオ3

規制強化

↓

超高性能モデルは輸出規制

↓

国家AI化

↓

米中EUそれぞれ独自モデル

確率：

15%

日本への示唆

今回のFable 5停止事件は、

単なるAnthropicのニュースではありません。

日本企業にとっては

「AIはクラウドサービスではなく国家インフラ」

という警告です。

もし

OpenAI
Anthropic
Google

のどれかに全面依存していたら、

海外法規制が日本企業の業務継続性を直接左右します。 (The Verge)

だから今後重要なのは

クローズドAI利用
オープンウェイトAI確保
ローカル実行環境確保
ハーネスの自社保有

の4層構造です。

要するに、

「クローズドAIの時代は終わるか？」の答えはNoです。

しかし、

「クローズドAIだけに依存する時代」は終わりつつあります。

今後の主戦場は

モデル戦争

ではなく

ハーネス戦争
エージェントOS戦争
評価ループ戦争

です。

そしてその世界では、

Kimi K2.7-Code、GLM-5.2、Qwen系、DeepSeek系のようなオープンモデル群が、LinuxがWindowsを侵食したのと同じように、徐々にAI基盤層を侵食していく可能性があります。この要約から見えるのは、Omnigentは単なる「もう一つのAIエージェントフレームワーク」ではなく、

「AI版 Kubernetes を作ろうとしている」

という点です。

まず、Omnigentを主導しているのは Matei Zaharia です。

彼は

Apache Spark
Databricks
MLflow

の中心人物であり、

「単体のモデル」よりも

「大規模分散システム」

を作るのが得意な人です。

そのためOmnigentも発想がかなりインフラ寄りです。

第一世代：単体LLM

2022–2023

User
 ↓
GPT
 ↓
Answer

ChatGPT型です。

第二世代：エージェント

2024–2025

User
 ↓
Agent
 ↓
Tools
 ↓
Answer

例

Claude Code
Codex
Cursor Agent

第三世代：メタハーネス

Omnigentが狙うのはここです。

User
        ┌─ Claude Code
        │
        ├─ Codex
        │
        ├─ Gemini Agent
        │
        └─ Local Agent

           ↓

      Omnigent
           ↓

       Result

つまり

エージェントを管理するエージェント

です。

Linux史との比較

歴史的に見ると非常に面白い。

1990年代	2020年代
OS	Agent
VM	Agent Runtime
Kubernetes	Omnigent
Docker	Claude Code
Linux Distribution	Agent Bundle

に近い。

なぜDatabricksがやるのか

Databricksは昔から

「個々の計算ノード」

ではなく

「クラスタ全体」

を扱う会社です。

Sparkも

1000台のマシン
↓
1つのシステムとして扱う

という発想でした。

Omnigentも

100個のAI Agent
↓
1つのシステムとして扱う

という発想です。

これは非常にDatabricksらしい。

面白いのはロックイン対策

通常のAgent製品

Claude Code
 だけ

あるいは

Codex
 だけ

です。

Omnigentは

Claude
+
GPT
+
Gemini
+
Qwen
+
GLM
+
Local Model

を混在させることを前提にしています。

これは最近の

「AI版マルチクラウド」

の流れに近い。

技術的な最大の難所

コミュニティが指摘している懸念は正しい。

最大の問題は

状態(State)

です。

例えば

Agent A

100万トークン読んだ

Agent B

途中参加

となった時、

どうやって知識を共有するのか。

Kubernetesなら

状態なし(stateless)

で済みます。

しかしAgentは

状態だらけ(stateful)

です。

ここが極めて難しい。

マルチエージェント研究の歴史

実は研究自体は古い。

1980年代から

Multi-Agent Systems (MAS)

という分野があります。

Multi-agent systems

しかし当時は

Agent = ルールベース

でした。

LLM登場で

Agent = 推論可能

になった。

その結果

MAS研究が突然復活しています。

Omnigentの本当の競合

多くの人は

Claude Code

と比較しますが違います。

本当の競合は

LangGraph
AutoGen
CrewAI
OpenRouter
Hive系システム

です。

つまり

Agent OS層

を狙っています。

あなたが最近追っている流れとの接続

これまで話題にしてきた

DeepSeek
Qwen
GLM
オープンウェイト化
ローカルLLM
LM Studio
OpenClaw

の文脈で見ると、

Omnigentは

「モデル競争の次のレイヤー」

です。

2024年

誰が最高のモデルを作るか

↓

2025年

誰が最高のAgentを作るか

↓

2026年

誰が最高のAgent群を管理するか

という競争に移っています。

歴史的に見ると

もし成功した場合、Omnigentは

Linuxではなく Kubernetes
LLMではなく Databricks
Claude Codeではなく AWS Control Plane

に近い存在になります。

つまり、

「より賢いモデルを作る会社」ではなく、「あらゆるモデルを統治する会社」になろうとしている

のです。

AI業界ではしばしばモデルそのものに注目が集まりますが、長期的な価値が最も大きいのは、実はこうした「オーケストレーション層」や「コントロールプレーン層」である可能性があります。もしオープンモデル（Qwen、GLM、DeepSeekなど）が今後さらに強くなれば、Omnigentのようなメタハーネスの重要性はむしろ増していくでしょう。Matei Zaharia が新たにオープンソース化した Omnigent は、Claude Code、Codex、Pi など既存のエージェントハーネスやエージェント SDK の上に位置するメタハーネスであり、複数の AI エージェントを編成してワークフローを構築・管理できるようにするもので、マルチエージェントの協調、ライブコラボレーション、きめ細かなガバナンスやセキュリティポリシーを提供する点で注目されています。開発チームは短期間でプロトタイプを構築し、Omnigent を使えばユーザーはラップトップ上や Docker、Railway、fly.io、Modal、Daytona などのクラウド上で自前のハードウェアやクラウド環境にデプロイして、どの LLM プロバイダーでも動作するエージェント群を実行できると強調しています。また、単一コマンドでローカルエージェントサーバーを立ち上げられるセットアップと端末 UI、さらに Web／ネイティブ／モバイル向けインターフェイスへの参照が GitHub リポジトリに用意されており、実際の運用は利用者の環境で完結します。さらに、Omnigent はエージェント間の協調を促進して異なるモデル（例：Codex と Claude Code）を並列で動かし、互いに議論・収束させてより良い結果を得ることを狙っており、ユーザーをセッションに招待して観覧・操作・指示を与えられるリアルタイムの共同作業機能を備えています。サーバー側でツール呼び出しを傍受したり外部ツールを挿入したりでき、ポリシーをサーバー上で設定することで、Slack、Teams、CLI、WebUI など複数モダリティにまたがるエージェントの振る舞いを制御するきめ細かなセキュリティモデルを提供すると述べられています。一方で、公開情報には大規模なハンドオフや共有機能の実運用データや採用数などは示されておらず、セッションのハンドオフや共有機能が大規模にテストされていないという不確実性が残ります。コミュニティの反応は概ね好意的で、Databricks 内で既に数百人のエンジニアが使用していることや、少人数のチームが短期間で作った点、オープンソース化によるハーネスとオーケストレーターの所有やモデルロックイン回避の利点が評価されています。利用者からは「マルチエージェントとマルチヒューマンのコラボレーションが将来だ」「既存ツールを統合して議論させることでより良い成果が得られる」といった肯定的な声が多い一方で、「メタレイヤーが冗長になる」「チェックポイントや状態移行でワーカー間のスクラッチ状態が正しく引き継がれない」「ルーティング、遅延、正確性のトレードオフ」「大規模リアルタイム収束でのレイテンシ制御」など、実運用での課題や検証すべき技術的懸念を指摘する声も散見されます。公開された情報と議論の中で挙がっている技術的な懸念としては、エージェント間での状態シリアライズやチェックポイント互換性、ライブ共同作業時の遅延や一貫性、スウォーム規模でのルーティング戦略（学習ベースか静的ヒューリスティックか）、および高スループットなイベント駆動連携（例：CDC テレメトリへの即時反応）に対する耐性と遅延制御の有無があり、これらは本番運用で重要となる点です。開発チームは今後も機能追加（メタ最適化の統合やプログラマティックなツール呼び出しサポートなど）を継続する予定で、ユーザーからのフィードバックを募っています。このプロジェクトは、企業や研究コミュニティで同様の試み（Hive、OpenRouter など）が進行している文脈の中で提示されており、利用者は Omnigent を自分の Kubernetes サンドボックスやクラウド環境にデプロイして試行する意欲を示しているため、オープンソース化によりエコシステムの発展や相互運用の促進、モデルロックイン回避、そしてマルチエージェント設計の実務的な評価が一段と進む可能性があります。

adsense

MiMo Codeとは？Claude CodeライクのDream搭載ターミナルネイティブAIコーディングエージェント：「評価ループ＋長期記憶」時代の象徴 #六11 #2026四28MiMo_V2・5ProとXiaomi_令和AI史ざっくり解説

MiMo Codeとは？

AI史における位置づけ

最大の特徴

① Persistent Memory

② Dream機能

③ Compose Mode

OpenClawとの比較

Claude Codeとの比較

なぜ重要なのか

あなたの関心との接続

AI史における本当の画期

「Memory-First Agent」

画期①

「忘れないエージェント」

画期②

「失敗を捨てない」

画期③

Dream機能

画期④

モデル中心からハーネス中心へ

画期⑤

「中国版Claude Code」ではない

あなたの関心との接続

2023の競争

2024の競争

2025の競争

2026の競争

私が考えるAI史上の位置づけ

結論（2026年6月時点）

なぜMiMo-V2.5-Pro-FP4-DFlashが本命なのか

DeepSeek V4 Pro

Kimi K2.6

ローカルならGemma 4 QAT

あなたの環境（9070XT 16GB Windows 11）なら

現実的ランキング

AI史的に見ると

2026年6月版 MiMo Code向けローカルLLM候補

実はQwen3.6がかなり強い

GLM 5.1は意外なダークホース

Kimi K2.6

DeepSeek V4は少し注意

あなたの9070XT 16GBなら

現実的ベスト5

おすすめ3構成

Best Overall（2026年最強コスパ）

GMKtec EVO-X2 395 AI Max+

Best Value

MINISFORUM X1 Pro HX370

DIY最強

SPARKLE Intel Arc B580 TITAN OC

比較表

あなた向けなら

一言でいうと

OpenCodeとは

MiMo Codeとは

最大の違い① 記憶

OpenCode

MiMo Code

最大の違い② ハーネス思想

最大の違い③ 長期タスク

AI史的に見ると

「ハーネスのLinux」

「ハーネスのApple」

OpenClawとの比較

OpenClaw

OpenCode

MiMo Code

AI史における重要度

Tencent Hy3 Previewとは？

スペック

なぜ話題になったのか

AI史的に重要な点

Agent能力への全振り

あなたが追っている「ハーネス」の文脈で見ると

MiMo Codeとの共通点

Xiaomi

Tencent

OpenClawとの相性

MiMo Codeとは？Claude CodeライクのDream搭載ターミナルネイティブAIコーディングエージェント：「評価ループ＋長期記憶」時代の象徴　#六11 #2026四28MiMo_V2・5ProとXiaomi_令和AI史ざっくり解説