Magazine LLM Opensource · 28 October 2026

Xiaomi MiMo-V2.6-Pro et Flash : que reste-t-il vraiment du « roi des poids ouverts » ?

Le 22 septembre 2026, une dépêche au conditionnel a proclamé Xiaomi champion des modèles à poids ouverts, « meilleur que DeepSeek » selon VentureBeat. Six mois après un MiMo-V2-Pro à plus de mille milliards de paramètres, la firme de Pékin récidive avec une double sortie Pro/Flash. Mais derrière le titre ronflant, que reste-t-il de vérifiable ? Beaucoup moins qu’on ne le croit — et c’est précisément ce qui rend ce cas passionnant. Un mois plus tard, alors que la vague open-weight a continué de déferler (Mistral Large 4, Muse Spark Open, Mercury 3), la question mérite d’être reposée avec le recul : Xiaomi a-t-il livré les artefacts promis, ou l’annonce est-elle restée un effet de manche ?

Un « roi des poids ouverts » sorti de nulle part : ce que Xiaomi a vraiment annoncé

Commençons par la matière brute, celle qu’on peut citer sans rougir. Le 22 septembre 2026, un article signé VentureBeat porte un titre qui a fait le tour des fils d’actualité : « Better than DeepSeek » : Xiaomi’s MiMo-V2.6-Pro debuts as the top open weights model in the world alongside cheaper V2.6-Flash. La formule est brutale, binaire, taillée pour le clic. Elle place d’emblée Xiaomi au sommet d’une catégorie — les modèles à poids ouverts — où l’on trouve déjà DeepSeek, Qwen, GLM, Kimi et une constellation de laboratoires chinois.

Le problème, c’est que cette revendication arrive par une porte dérobée. La source initiale relayée par les agrégateurs, creati.ai, titre au conditionnel — « défierait DeepSeek » —, ne fournit ni chiffre, ni architecture, ni protocole d’évaluation. Le « reportedly » n’est pas un détail rhétorique : c’est l’aveu que personne, à ce stade, n’a pu recouper l’affirmation. Un second marqueur mérite l’attention : unite.ai évoque un modèle Xiaomi « en tête des classements open-weight avec un score de 46 ». Quarante-six sur quoi ? Sur quelle échelle ? Sur quel benchmark ? L’information, telle qu’elle nous parvient, est un chiffre orphelin.

Ajoutons une confusion de nommage qui complique tout. En mars 2026, Xiaomi avait dévoilé MiMo-V2-Pro — un LLM phare de plus de 1 000 milliards de paramètres, avec une fenêtre de contexte d’un million de jetons, documenté par plusieurs tiers indépendants dont Gizmochina et VentureBeat. En septembre, on parle de MiMo-V2.6-Pro et de MiMo-V2.6-Flash. S’agit-il d’une nouvelle génération, d’une révision mineure, d’une simple erreur de dénomination journalistique ? Les sources ne tranchent pas. C’est exactement le genre d’ambiguïté qui, dans l’écosystème open-weight, sépare une vraie sortie d’un effet d’annonce.

Un point nouveau, un mois après l’annonce, mérite d’être versé au dossier : Xiaomi exploite désormais une plateforme officielle dédiée, mimo.xiaomi.com et mimo.mi.com, qui présente une « matrice produit MiMo » et une « série phare entièrement mise à niveau ». C’est un signal d’existence produit — l’entreprise a bien une gamme, une documentation d’accès et une plateforme API (platform.xiaomimimo.com). Mais attention : une page marketing qui liste des modèles n’est pas un rapport technique. Elle confirme que MiMo-V2.6 existe comme produit ; elle ne documente toujours ni l’architecture, ni les benchmarks, ni les conditions d’ouverture réelles des poids. La distinction est essentielle et court tout au long de cet article.

Notre méthode pour la suite est simple : confronter la rhétorique marketing aux preuves disponibles, et dire clairement quand les preuves manquent. Ce ne sera pas un exercice de démolition — Xiaomi est un acteur sérieux — mais un exercice de calibrage.

De MiMo-7B à MiMo-V2.6 : la trajectoire d’un constructeur de smartphones vers la frontière ouverte

Pour comprendre pourquoi une marque connue pour ses téléphones et ses trottinettes se retrouve à disputer le trône des modèles ouverts, il faut regarder la trajectoire. Elle est réelle, même si elle reste mal documentée dans les sources à notre disposition.

La lignée MiMo existe. Elle remonte à MiMo-7B (2024), s’est étoffée avec MiMo-VL (vision-langage) et MiMo-V2, avant le coup d’éclat de mars 2026 : MiMo-V2-Pro, plus de 1 000 milliards de paramètres, contexte d’un million de jetons. VentureBeat, à l’époque, n’y était pas allé de main morte : le modèle atteindrait des performances « proches de GPT-5.2 et Claude Opus 4.6 à une fraction du coût ». Une affirmation éditoriale, non benchmarkée dans l’extrait, mais qui dit quelque chose du positionnement : Xiaomi ne joue pas la carte du petit modèle efficace, il vise la frontière.

Puis vient le signal le plus tangible de 2026 : le 18 septembre 2026, TechNode rapporte que Xiaomi a diffusé en direct des runs d’apprentissage par renforcement (RL) de MiMo-V2.6. Un livestream de RL, c’est un geste de communication inhabituel — on montre les courbes d’entraînement en temps réel, comme pour dire « regardez, ça travaille vraiment ». C’est aussi, potentiellement, une opération de transparence cosmétique : un livestream ne remplace pas un rapport technique.

Ici, l’honnêteté impose de signaler les zones d’ombre. Les équipes impliquées (la fameuse « MiMo Team »), les recrutements supposés depuis DeepSeek ou ByteDance, les investissements GPU et le budget annoncés : rien de tout cela n’apparaît dans les sources fournies. On ne peut donc pas raconter l’histoire interne de cette division IA sans inventer, ce que nous nous interdisons.

Ce qu’on peut situer, en revanche, c’est le contexte concurrentiel chinois — et il s’est singulièrement densifié en octobre 2026. Xiaomi n’arrive pas sur un terrain vide : Alibaba avec Qwen (Qwen3.8-Max dévoilé le 3 août 2026), Huawei avec Pangu, ByteDance avec Doubao, Zhipu avec GLM, Moonshot avec Kimi, Tencent avec sa famille Hy4 — l’écosystème open-weight chinois est devenu une arène à plusieurs dizaines de prétendants. Que Xiaomi, constructeur d’électronique grand public, vienne y jouer les premiers rôles est en soi un fait notable : cela signifie que la frontière de l’IA ouverte n’est plus réservée aux labos pure-players.

Et le terrain s’est encore élargi hors de Chine. Le 7 octobre 2026, Mistral a dévoilé Large 4, surnommé « Le Chonk » — un modèle à environ 1 000 milliards de paramètres dont 49 milliards activés par réponse, présenté comme « le meilleur modèle à poids ouverts hors de Chine » et orienté agents, cybersécurité et finance. Le 15-16 octobre 2026, Meta a publié Muse Spark Open, un MoE de 816 milliards de paramètres totaux et 42 milliards actifs, avec un contexte d’un million de jetons, présenté comme le modèle à poids ouverts américain le plus capable à ce jour. Autrement dit : au moment où Xiaomi revendique le trône, la concurrence a produit, en quelques semaines, des artefacts documentés — poids, model cards, guides de déploiement. Le contraste avec le silence technique entourant MiMo-V2.6-Pro n’en est que plus criant.

Ce qu’on sait vraiment de l’architecture : un trou de spécifications

C’est ici que l’article doit être franc, presque brutal : sur l’architecture de MiMo-V2.6-Pro, nous ne savons rien de vérifiable.

Reprenons la liste de ce qu’un décryptage technique sérieux devrait couvrir, et constatons les absences :

• Paramètres total et actifs : inconnus pour V2.6-Pro. Le seul chiffre disponible — « plus de 1 000 milliards » — concerne V2-Pro de mars 2026, pas la version de septembre.
• MoE ou dense ? Inconnu. Si MoE, nombre d’experts et stratégie de routage : inconnus. C’est d’autant plus dommageable que 2026 est devenue l’année du MoE par défaut : une analyse de topai-tools.org du 28 octobre 2026 rappelle que la sélection sparse de paramètres actifs, le gating top-k et l’équilibrage de charge des experts sont désormais les leviers centraux de l’efficacité GPU en entreprise. Sans ces données, impossible de situer MiMo-V2.6-Pro dans cette grille.
• Contexte maximal (128K ? 256K ? 1M ?) : inconnu pour V2.6-Pro. Le million de jetons est documenté pour V2-Pro.
• Tokenizer, vocabulaire, type d’attention (MLA, GQA, MHA) : inconnus.
• Pré-entraînement (tokens vus, part de code, de multilingue, de math) : inconnu.
• Post-entraînement (RLHF, RLVR, distillation) : inconnu, hormis l’existence du livestream RL du 18 septembre.

Aucune source officielle Xiaomi — blog technique, model card, dépôt Hugging Face, papier arXiv — n’apparaît dans les extraits à notre disposition. La plateforme mimo.xiaomi.com confirme l’existence commerciale du modèle, mais ne fournit pas, dans ce que nous pouvons consulter, les spécifications d’architecture attendues. C’est un point capital : dans l’écosystème open-weight, la publication d’un rapport technique est le minimum vital pour qu’une communauté puisse évaluer, reproduire, déployer. Son absence, à ce stade, empêche de qualifier le degré réel d’ouverture du modèle.

Pour mesurer l’écart de transparence, mettons en regard des architectures documentées de concurrents — en précisant bien qu’il s’agit d’autres modèles, et que ces chiffres ne doivent en aucun cas être attribués à Xiaomi :

Le contraste est net : pour Muse Spark Open, on connaît les paramètres actifs et le contexte ; pour Mistral Large 4, le ratio d’activation ; pour Kimi K2.6, le nombre d’experts et de couches ; pour DeepSeek, les paramètres actifs ; pour MiniMax, le contexte et le format de quantization. Pour MiMo-V2.6-Pro, une ligne de vide. Ce n’est pas une condamnation — cela peut simplement refléter un décalage entre l’annonce et la publication des artefacts — mais c’est un fait qu’aucun article sérieux ne devrait masquer.

Pro et Flash : la double sortie comme arme de conquête du marché

La stratégie de segmentation, elle, est lisible et cohérente. Xiaomi ne sort pas un modèle, il sort une gamme : un Pro taillé pour la frontière (raisonnement complexe, code, agents), et un Flash positionné sur le coût et le volume. C’est exactement le playbook qu’ont adopté DeepSeek (V4 / V4 Flash), Z.ai (GLM-5.3 et ses déclinaisons), ou Moonshot. La logique économique est simple : le Pro sert de vitrine technologique et de produit d’appel pour les équipes qui veulent le meilleur score ; le Flash sert à capter le trafic de production, là où le prix par million de jetons décide de tout.

Pour situer les ordres de grandeur, rappelons les grilles connues de la concurrence — sans les attribuer à Xiaomi, dont aucun tarif n’est documenté dans nos sources. Kimi K2.6 se situe autour de 0,60 $ / 2,50 $ par million de jetons (entrée/sortie), selon une source unique. DeepSeek a bâti sa réputation sur un rapport qualité-prix agressif. GLM-5.3, de son côté, a été lancé « au prix de la version précédente », une manière de ne pas perdre ses utilisateurs au moment de monter en gamme. Et l’actualité la plus récente montre que la pression sur les prix ne faiblit pas : Inception a lancé Mercury 3 le 19 octobre 2026, un modèle à diffusion affiché à 0,10 $ par million de jetons d’entrée — un plancher qui redessine les attentes du marché, même s’il s’agit d’une architecture fondamentalement différente (diffusion plutôt qu’autorégressif).

Que signifie « Flash » techniquement ? Sans fiche officielle, on reste dans le registre des hypothèses raisonnables : un Flash est typiquement obtenu par une combinaison de distillation depuis le modèle Pro, de réduction du nombre de paramètres actifs, et de quantization poussée (FP8, voire plus bas). Chacun de ces leviers a un coût en qualité — surtout sur les tâches de raisonnement long et d’agentique, où les petits modèles décrochent vite. Mais affirmer lequel Xiaomi a choisi serait de la spéculation. Ce qu’on peut dire, c’est que la double sortie Pro/Flash est devenue la norme du marché : un laboratoire qui ne la propose pas se prive d’une large part du marché de la production.

Benchmarks : le match Xiaomi–DeepSeek a-t-il vraiment eu lieu ?

C’est la question centrale, et la réponse est inconfortable : non, aucun match chiffré Xiaomi–DeepSeek n’apparaît dans les sources disponibles.

Le titre de VentureBeat — « better than DeepSeek » — est une affirmation, pas un résultat. Aucun score n’est fourni pour MiMo-V2.6-Pro sur les benchmarks de référence : ni MMLU-Pro, ni GPQA, ni AIME 2025, ni LiveCodeBench, ni SWE-bench Verified, ni Arena-Hard, ni BFCL. Aucun protocole d’évaluation n’est précisé (few-shot ? chaîne de pensée ? maj@k ? température ?). Le score « 46 » évoqué par unite.ai flotte sans référentiel.

Le seul comparatif chiffré disponible dans notre matière concerne Kimi K2.6, et il est hors périmètre Xiaomi : Moonshot aurait été le premier modèle open-weight à surpasser un modèle américain de pointe sur SWE-Bench Pro, avec 58,6 % contre 57,7 % pour GPT-5.4 et 53,4 % pour Claude Opus 4.6. Ces chiffres proviennent d’une source unique non recoupée — ce qui illustre précisément le problème : dans cet écosystème, même les résultats spectaculaires circulent souvent sans validation indépendante.

Les pièges classiques sont bien connus et méritent d’être rappelés, car ils s’appliquent à toute revendication de supériorité :

1. Contamination des jeux de test. Les benchmarks publics fuient dans les corpus d’entraînement. Un score élevé peut refléter une mémorisation, pas une capacité. C’est d’autant plus vrai que plusieurs modèles atteignent désormais des scores parfaits (100 %) sur AIME 2025, ce qui sature le benchmark et le rend inopérant pour discriminer les modèles de frontière.
2. Protocoles non reproductibles. Un score sans harness publié n’est pas un score, c’est une déclaration. Le cas de DeepSeek V4 Flash, évalué sur des tests internes avec un harness non publié, montre que même les labos réputés laissent planer le doute.
3. Benchmarks auto-déclarés. Sans évaluation tierce (LMArena, Artificial Analysis, Open LLM Leaderboard), un chiffre reste une promesse. Et les classements agrégés eux-mêmes sont fragiles : comme le montre notre enquête sur NEEDLE, le benchmark qui se réécrit toutes les heures, les jeux figés finissent par être mémorisés, et les classements statiques mentent par construction.
4. Le piège du benchmark unique. Un score élevé sur une tâche ne prédit rien sur les autres. Les modèles de frontière 2026 divergent fortement selon les axes (code, agentique, multilingue, raisonnement long), et un classement « global » masque ces écarts.

C’est pourquoi la revendication « meilleur que DeepSeek » de VentureBeat doit être lue pour ce qu’elle est : un titre éditorial, pas un résultat mesuré. Tant que Xiaomi ne publie pas de harness reproductible et de scores sur des benchmarks reconnus, la comparaison reste une hypothèse de communication.

L’écosystème autour du modèle : ce que Xiaomi doit encore prouver

Un modèle open-weight ne vit pas seul. Il vit dans un écosystème d’outils, de serveurs d’inférence, de frameworks de fine-tuning et de plateformes d’évaluation. C’est là que se joue la vraie adoption — et c’est là que le cas Xiaomi est le plus révélateur.

Côté serving, 2026 a été une année de maturation infrastructurelle. Le 20 octobre 2026, la communauté llm-d a annoncé llm-d 1.0, une pile d’inférence distribuée native Kubernetes, présentée à la PyTorch Conference North America et documentée par IBM Research. Le même jour, Google a ouvert le code de TorchTPU et livré des versions TPU de vLLM et SGLang — un changement de contrat d’infrastructure qui permet de porter des pipelines PyTorch natifs sur ASIC sans réécriture. Pour un modèle comme MiMo-V2.6-Pro, cela signifie que la question n’est plus « peut-on le servir ? » mais « est-il supporté par les moteurs standards ? ». Or, sur ce point, nos sources sont muettes : aucune mention d’un support vLLM, SGLang ou llm-d pour MiMo-V2.6 n’apparaît. Un modèle absent des moteurs d’inférence de référence reste, de facto, difficile à déployer en production.

Côté fine-tuning, l’écosystème s’est également structuré. Notre comparatif des frameworks 2026 (Axolotl, Unsloth, TorchTune, TRL, Llama Factory) montre que fine-tuner est devenu une étape standard, avec des écarts de performance mesurables (3,2 heures contre 5,8 sur un même run selon le framework). Là encore, la question pour Xiaomi est simple : existe-t-il des recettes de fine-tuning publiées, des configs LoRA/QLoRA validées, des kernels compatibles ? Sans model card détaillée, la réponse est non documentée.

Côté évaluation, la leçon de 2026 est que les benchmarks agrégés vous mentiront. Notre enquête sur le MoE open-weight le martèle : « Évaluation : pourquoi les benchmarks agrégés vous mentiront ». Un modèle qui revendique le sommet sans publier de résultats par axe (code, agentique, multilingue, raisonnement) laisse l’utilisateur sans boussole.

Côté sécurité, enfin, l’actualité a rappelé que les modèles agentiques posent des questions spécifiques. La prépublication REDAgentBench (août 2026) a mesuré un taux de réussite d’attaque autonome de 65,69 % entre modèles, et montré qu’un simple rappel de politique pouvait faire chuter les scores de 70 points sans réentraînement. Pour un modèle positionné sur l’agentique comme MiMo-V2.6-Pro, l’absence de données de sécurité publiées est un angle mort.

Le tableau d’ensemble est donc celui d’un modèle annoncé comme produit, mais pas encore comme artefact technique complet. Xiaomi a la plateforme, la gamme, le livestream RL. Il lui manque la couche qui compte pour les développeurs : les poids documentés, les specs, les benchmarks reproductibles, le support des moteurs.

Ce que le cas Xiaomi dit de l’état de l’open-weight en 2026

Au-delà du cas particulier, l’épisode MiMo-V2.6-Pro est un révélateur de la maturité — et des tensions — de l’écosystème open-weight à l’automne 2026.

Première observation : la course à la taille sature. En quelques semaines, on a vu Mistral Large 4 (~1 000 Md), Muse Spark Open (816 Md), et la rumeur d’un MiMo-V2.6-Pro à plus de 1 000 Md. Mais comme le note the-agent-report.com dans son analyse du 16 octobre 2026 — « 816B, 560B, 120B en un jour : la vague open-weight se heurte désormais à un mur de mémoire » —, la contrainte n’est plus la capacité d’entraîner, c’est la capacité de servir. Un modèle de 1 000 milliards de paramètres en BF16 ne tient pas sur un nœud standard ; il faut du MoE sparse, de la quantization agressive (NVFP4, FP8) et une infrastructure distribuée. La vraie question n’est plus « qui a le plus gros modèle ? » mais « qui a le modèle le plus déployable ? ».

Deuxième observation : la transparence est devenue un critère de différenciation. Meta a publié une model card détaillée pour Muse Spark Open, avec les specs MoE et les guides de déploiement. Mistral a communiqué le ratio d’activation de Large 4. Aleph Alpha a publié Kolibri-1 le 3 octobre 2026 avec une licence Apache 2.0, un dépôt Hugging Face (Aleph-Alpha/Kolibri-1-BF16), des formats BF16 et FP8, et des scores détaillés (BFCL v4 à 61,4 %, Tau2-Bench Telecom à 94,7 %). Dans ce paysage, l’absence de documentation technique de MiMo-V2.6-Pro n’est pas neutre : elle place Xiaomi en dehors du contrat de confiance que l’écosystème open-weight a collectivement établi.

Troisième observation : la géographie de l’open-weight se recompose. Longtemps dominé par les labos chinois (DeepSeek, Qwen, GLM, Kimi), le peloton de tête s’est rééquilibré à l’automne 2026 avec les sorties américaines (Muse Spark Open) et européennes (Mistral Large 4, Kolibri-1). La revendication de Xiaomi — « meilleur que DeepSeek » — intervient dans un moment où la suprématie chinoise n’est plus acquise. C’est peut-être là le vrai sens de l’annonce : moins un résultat technique qu’un positionnement dans une compétition devenue mondiale.

Quatrième observation : le rythme des sorties s’accélère au point de brouiller les repères. Mercury 3 le 19 octobre, llm-d 1.0 et TorchTPU le 20 octobre, Mistral Large 4 début octobre, Muse Spark Open mi-octobre : en quelques semaines, l’écosystème a produit plus d’artefacts documentés que Xiaomi n’en a fourni pour son modèle phare. Cette asymétrie est le vrai enseignement du dossier.

Verdict : un produit réel, une preuve manquante

Que retenir, en définitive, du « roi des poids ouverts » proclamé par VentureBeat ?

Ce qui est établi : Xiaomi a bien une lignée MiMo, une plateforme officielle, une gamme Pro/Flash, et un effort de communication (livestream RL du 18 septembre) qui témoigne d’une activité d’entraînement réelle. La firme est un acteur sérieux de l’écosystème open-weight chinois, et sa capacité à viser la frontière n’est pas contestable.

Ce qui n’est pas établi : l’architecture de MiMo-V2.6-Pro, ses paramètres, son contexte, ses benchmarks, son prix, son degré d’ouverture réel (poids téléchargeables ? licence ?), et son support par les moteurs d’inférence standards. Sur tous ces points, les sources disponibles sont muettes ou se contredisent.

Ce qu’il faut attendre : la publication d’une model card, d’un dépôt Hugging Face, d’un rapport technique ou de scores reproductibles. Tant que ces artefacts ne sont pas disponibles, la revendication « meilleur que DeepSeek » reste une hypothèse marketing, pas un fait vérifié. Et dans un écosystème où Muse Spark Open, Mistral Large 4 et Kolibri-1 ont publié leurs specs, l’attente n’est pas une exigence déraisonnable : c’est le standard.

La leçon la plus utile de ce dossier n’est pas technique, elle est méthodologique. À l’ère où les annonces de modèles se succèdent à un rythme hebdomadaire, la différence entre un « roi » et un « prétendant » ne tient pas au titre d’un article, mais à la disponibilité des preuves. Xiaomi a peut-être construit un excellent modèle. Il ne l’a pas encore prouvé. Et c’est précisément ce que tout lecteur sérieux devrait retenir.

Sources

• VentureBeat — « Better than DeepSeek » : Xiaomi’s MiMo-V2.6-Pro debuts as the top open weights model in the world alongside cheaper V2.6-Flash (22 septembre 2026)
• creati.ai — Xiaomi’s MiMo-V2.6-Pro reportedly challenges DeepSeek as a leading open-weight model (22 septembre 2026)
• unite.ai — Xiaomi’s new flagship model leads open-weight rankings with a score of 46
• Gizmochina — Xiaomi unveils MiMo-V2-Pro, its flagship LLM with over 1T parameters (19 mars 2026)
• TechNode — Xiaomi diffuse en direct des runs RL de MiMo-V2.6 (18 septembre 2026)
• Xiaomi MiMo — page officielle MiMo-V2.6
• Xiaomi MiMo — plateforme officielle
• Xiaomi MiMo API Open Platform
• topai-tools.org — Deconstructing Mixture-of-Experts (MoE) Routing in Open-Weight Models (28 octobre 2026)
• research.meta.ai — Introducing Muse Spark Open, The Most Capable US Open-Weight Model to Date (15 octobre 2026)
• blockchain.news — Meta unveils Muse Spark Open with 1M context, 42B active (15 octobre 2026)
• Wired — Mistral Says Its New AI Model ‘Le Chonk’ Is the Best Open-Weight Offering Outside of China (6 octobre 2026)
• Korben — Mistral Large 4, le modèle à 1 000 milliards de paramètres surnommé Le Chonk (7 octobre 2026)
• Le Monde Informatique — Mistral dévoile Large 4, un modèle à plus de 1 000 milliards de paramètres (7 octobre 2026)
• unite.ai — llm-d 1.0 Debuts at PyTorch Conference with Production Inference Stack (20 octobre 2026)
• unite.ai — Inception Releases Mercury 3, Its Flagship Diffusion LLM (19 octobre 2026)
• the-agent-report.com — 816B, 560B, 120B en un jour : la vague open-weight se heurte désormais à un mur de mémoire (16 octobre 2026)
• Aleph Alpha — Kolibri-1, dépôt Hugging Face Aleph-Alpha/Kolibri-1-BF16 (3 octobre 2026)
• Keenable AI — NEEDLE, le benchmark qui se réécrit toutes les heures
• [REDAgentBench — prépublication académique sur le red teaming autonome (août 2026)]

Article recherché et rédigé automatiquement · Magazine Electrosens