打开网易新闻 查看精彩图片

作者 | 汤安迪

编辑 | 周欢

小米集团 MiMo 大模型负责人罗福莉表示：

近半年沉默。我们用这段时间研究一个问题：强化学习（RL）能扩展到多远。

打开网易新闻 查看精彩图片
打开网易新闻 查看精彩图片

MiMo-V2.6 目前正处于其 RL 运行的中途。我们扩展了三件事：计算资源（每步约 20 亿 token，1568 个提示 × 16 次 rollout，完全异步）、环境和测试框架（多任务代理式 RL，在一次运行中混合多个测试框架），以及评估计算（代理式组内信用分配，带有测试用例和基于量规的奖励）。我们将在未来几周逐步开源细节。

注意它实际上是在进行 Agentic RL, 因为我们能看到衡量训练效果的测试集是DeepSWE, 不过从训练时间和得分来看, 还处于训练早期阶段.。

目前mimo-v2.6-pro 的 DeepSWE得分是62, 而现在的头部模型比如DeepSeek-v4.1-flash 是 74.2. 所以训练处于相对早期。

按照H100来估算, 单卡吞吐在100-150tps 左右的话, 那么大概就需要4000-5000张H100。注意这还只是训练pro用来解码的。还有flash模型的, 算下来大概是2000-2500 张H100。

这就是小米的烧钱速度。

•END•

欢迎点击奇偶工作室，看最新视频~

Question. Write.Narrate. Believe. Become a story.易简传媒的愿景是提问和传播商业故事，让读者更开阔，更聪明。有 2500 万微信粉丝关注我们的账号，欢迎大家关注：