公开训练的每一秒，都在改写行业默认规则。
半年沉默，只为回答一个问题
2026年4月开源MiMo-v2.5之后，小米MiMo团队从公众视野中消失了将近半年。团队负责人罗福莉在X平台上解释了这段时间的去向——“我们花时间研究一个问题：强化学习究竟能扩展到多远。”
这不是一个产品发布前的常规预热。9月16日，罗福莉发帖打破沉默，宣布MiMo-V2.6正处于大规模强化学习训练的中间阶段，并且，整个训练过程正在被公开直播。实时看板mimo.xiaomi.com/rl/上，训练步数、Token消耗、任务通过率、评测成绩、累计费用，甚至哪个节点的显卡出了故障，全部公开可查。
这在此前的行业里从未出现过。开放权重、开源训练代码和数据已经够激进，但开放训练过程本身——把还没完成的模型摆到公众面前——意味着承认了一件事：小米把RL规模化本身当成了核心研究命题，而不仅是模型性能的手段。
三个维度，把RL推到极限
MiMo-V2.6的RL训练从三个维度同步扩展，每个维度都有具体数字。
计算规模的扩展。 每个训练Step处理约20亿Token，配置为1,568个Prompt、每个Prompt生成16条Rollout。这意味着同一道题让模型尝试16条完全不同的解题和行动路径，一轮训练产生超过2.5万条Rollout。对于Agent任务来说，一条Rollout远不止“一问一答”，可能经历几十轮思考、工具调用、环境反馈和再次行动，单步Token可达数十亿级别。整个系统采用完全异步的执行方式，不同任务同时处于不同阶段，生成、执行、评分和训练组成持续运转的异步流水线。
环境和任务体系的扩展。 代码、通用任务、视觉、Chat等不同类型任务被混合到同一次RL Run中训练，这些任务运行在不同的Harness里。这意味着模型在训练中就能接触到多样化的Agent框架，策略可以迁移到训练中从未见过的Harness上。
评分计算量的扩展。 二进制通过/不通过无法区分同样通过但质量不同的解题路径。团队实现了组内Agentic评分机制：Groupwise Reward Synthesis从对比性Rollout中离线构建任务特定的评分标准，Groupwise Advantage Redistribution在线对通过的轨迹进行排序，将优势向更高质量的解决方案转移。这一机制不仅提升了奖励信号的精度，还引导模型走向更短、Token效率更高的解法。
为了保证大规模训练的稳定性，团队冻结了MoE路由器，并建立了多层防御机制对抗奖励劫持。
成绩单：46分，开放权重第一
MiMo-V2.6系列包含Pro和Flash两个模型，均为原生全模态，支持文本、图像、视频和音频输入，上下文窗口达100万Token。Pro为1.02万亿参数（激活42B），Flash为3,090亿参数（激活15B），均采用稀疏MoE架构。
在Artificial Analysis Intelligence Index v4.3.2上，MiMo-V2.6-Pro取得46分，超过GLM-5.3的45分和Kimi K3的44分，成为该指数上排名最高的开放权重模型，较前代MiMo-V2.5-Pro的26分跃升20分。
在代码Agent评测DeepSWE v1.1上，Pro得分71.9，Flash得分67.9，而MiMo-V2.5-Pro仅为19.0——提升幅度接近53分。Pro在这一基准上与Claude Opus 5（74.0）和GPT-5.6 Sol（73.0）处于同一竞争梯队。在General Agent领域，Pro的AutomationBench得分为53.1，超过Claude Opus 5（50.3）和GPT-5.6 Sol（45.8）。
但MiMo-V2.6-Pro并未在所有维度上领先。在ProgramBench上得分为26.5，低于Claude Opus 5的37.0；Terminal Bench 4.0得分为34.9，Claude Opus 5为49.0。在Artificial Analysis整体指数上，它与顶级闭源模型Claude Fable 5.1和GPT-6 Astra（均为53分）仍有7分差距。
一个值得注意的对比是：MiMo-V2.6-Pro的参数总量（1.02T）小于DeepSeek V4 Pro（1.6T），激活参数也更少（42B vs 49B），但指数得分高出10分（46 vs 36）。小米在对比分析中直言：更小的模型得分更高，说明“强化学习的质量已经超越原始规模，成为真正的杠杆”。
账单：6天，347万美元
MiMo-V2.6可能是目前国产开源模型中投入RL算力最多的模型之一。Pro与Flash的训练历时不到6天，Pro完成30步累计约75万条轨迹，成本约262万美元；Flash成本约85万美元。训练期间，两款模型合计每小时花费约3.1万美元，折合人民币超过20万元。
对于OpenAI、Anthropic等闭源实验室的训练成本，外界只能靠估算和泄漏信息拼凑。小米这次把精确账单摊开在所有人面前，在行业里是头一回。
但成本并非没有回报。Pro的训练任务平均通过率相对提升25%，样本外的长程软件工程评测DeepSWE v1.1从48.8提升至65.7。这一提升发生在模型尚未训练完成时——说明RL规模化的边际收益仍在持续释放。
在定价上，MiMo-V2.6系列沿用V2.5系列的API价格：Flash每百万输入Token 1元、输出2元；Pro为3元和6元。同等智能水平下，价格仅为海外模型的1/20至1/60。Artificial Analysis实测MiMo-V2.6-Pro每项Index任务成本为0.13美元，而DeepSeek V4 Pro为0.67美元，Claude Opus 5则远高于此。
全模态能力不止于“理解”
MiMo-V2.6的定位是原生全模态Agent模型。视觉编码器为6.81亿参数的MiMo ViT（28层，其中24层SWA+4层Full），音频编码器由3.08亿参数AudioTokenizer和1.27亿参数音频patch编码器组成。
能力扩展落到了具体场景中。在游戏开发场景，用户输入图片、视频或文字后，模型可将需求拆解为多个任务，由多智能体协作完成3D场景搭建、交互逻辑编写与视觉验证。在具身仿真环境中，MiMo-V2.6可直接以多视角相机画面为输入，通过视觉反馈闭环控制Franka Panda机械臂完成物体抓取、颜色匹配与精准放置。
科研方面，MiMo-V2.6-Pro协助研究人员完成了PFAS吸附用MOF材料的设计方案筛选，并在Lean 4中完成了Li-Yorke经典论文《周期三蕴含混沌》主定理的完整形式化，形成6000余行Lean源码，完整证明通过Lean内核核验——值得注意的是，模型未接受过针对Lean的专项后训练。
开源的不只是权重
小米在这次发布中开源的内容远超权重本身。除了Pro和Flash两个模型的权重和技术报告外，还开放了MiMo-V2.6-Distill-Qwen-9B、7,000+高质量RL任务环境以及端到端RL训练框架。所有模型采用MIT许可证——可商业使用、可微调、可再散布，没有营收门槛，也没有研究条款。
同步上线的还有MiMo Desktop桌面客户端和会员订阅方案，Pro版本提供UltraSpeed超高速模式，最高20倍推理速度。
透明度本身就是一种赌注
直播训练的做法在Hacker News上引发了超过500分的讨论、150多条评论。评论者称赞透明度，同时也在追问基准污染、数据组成、是否从前沿模型蒸馏等问题。
一个更深层的意义在于：当训练过程本身成为公开研究对象时，行业对“模型能力从何而来”的归因方式开始改变。DeepSeek-R1已经证明中国团队能够让全球开发者反过来研究中国提出的训练路线，小米现在把“训练中的模型”摆成公开研究对象，这一变化的意义已经超出了产品竞争本身。
雷军在2026年3月宣布未来三年在AI领域投入超600亿元，今年预计投入160亿元。MiMo-V2.6的6天训练账单是这套投入的一次集中释放——而罗福莉用一句话概括了这条路的性质：“在一个智能容易被复制的时代，我们选择把算力投进真实环境，让模型在反馈中一次次试错、自己学会。这条路更慢，也更少被看见。”
热门跟贴