罗福莉也学雷军玩直播，小米新模型训练首次公开，一小时狂烧20万

  • 行业趋势
  • 3条评论

就在刚才，小米 MiMo 团队对外披露了他们的新动态。

小米 MiMo 团队负责人罗福莉在 X 平台发文称，过去约半年时间里，团队一直聚焦于一个核心议题：强化学习（RL）究竟能拓展到何种程度。

她指出，目前 MiMo-V2.6 正处在 RL 训练阶段，团队正从三个维度扩大规模，即计算资源、训练环境与任务体系，以及奖励评估机制。未来数周，小米 MiMo 团队会逐步公布更多技术详情。

直播链接 https://mimo.xiaomi.com/rl/#overview

与此同时，罗福莉还公开了 MiMo-V2.6 的实时训练界面，让外界首次得以一窥该代模型在强化学习阶段的部分训练状况。

根据罗福莉公开的训练界面，MiMo-V2.6 当前正进行一场大规模 Agent 强化学习实验。界面展示了模型训练进度、Token 消耗、训练成本、样本数量及多项内部指标的变化。

目前训练界面包含两个版本，分别为 MiMo-V2.6-Pro 和 MiMo-V2.6-Flash。

其中，MiMo-V2.6-Pro 当前处于 step 12 阶段，累计训练样本约 301K，训练成本约 806,349 美元，累计消耗 Token 达 25.1B。

MiMo-V2.6-Flash 当前处于 step 17 阶段，累计训练样本约 426K，训练成本约 354,499 美元，累计消耗 Token 达 40.5B。

两个版本当前累计训练成本已超过 116 万美元，平均每小时计算成本约达 3.09 万美元（折合人民币 20.72 万元）。 不过，从训练面板数据看，小米此次公开的重点并非成本，而是展示 RL 训练过程中模型如何借助大规模任务交互持续提升能力。

MiMo-V2.6 正挑战 RL 的规模极限

罗福莉在 X 平台提到，MiMo-V2.6 本轮强化学习训练重点聚焦于扩大三个方向。

第一个方向是计算规模。

她表示，团队将单个训练 step 的规模提升至约 2B tokens，同时采用 1568 个 prompts × 16 rollouts 的训练模式，并使用 fully async，即完全异步训练。

按此配置计算，单个训练 step 理论上会产生约 2.5 万次模型尝试，相当于让 AI 同步探索大量不同的解决路径。

在此训练模式下，模型面对一项任务时，不会仅生成一次答案，而是会同时尝试多种解决方案，再依据奖励反馈判断哪些路径更为有效。

对 Agent 模型而言，大规模探索能力至关重要。以往的大模型更多依赖预训练获取知识，再通过监督微调调整输出方式。

但当 AI 开始承担编程、办公、资料分析等复杂任务后，模型所需的不只是回答问题，还需规划步骤、调用工具、验证结果。

强化学习的价值，在于让模型通过大量尝试和反馈，逐步形成更有效的任务执行策略。

第二个方向是训练环境。罗福莉表示，团队扩大了 environments 和 harnesses，引入 multi-task agentic RL，将多个任务环境混合到一次训练流程中。

从 MiMo-V2.6 实时监控面板显示的数据来看，当前训练任务覆盖视觉、代码、通用任务以及聊天任务。

界面中可见 visual/dataset-jz3d、visual/dataset-gtaV、visual/dataset-vs3e 等视觉数据集，也包含 code/dataset-4qn 等代码任务，以及 general、chat 类数据集。

这意味着 MiMo-V2.6 并非只优化单一能力，而是在尝试让模型同时适应不同类型的 Agent 场景。

第三个方向是增加评判系统的计算投入。

罗福莉提到，团队引入了 agentic in-group credit assignment，并结合 test-case 和 rubric-based rewards。

复杂 Agent 任务通常包含多个执行步骤。

模型可能需要先搜索信息，再制定方案，然后调用工具完成任务。

罗福莉指出，团队采用智能体式的组内贡献归因，并结合测试用例和评分细则提供奖励。面对多种任务和多条执行轨迹，评判系统需提供有区分度的反馈，帮助模型从不同尝试中学习更有效的任务执行策略。

更细致的奖励分配机制，有助于模型学习更有效的执行路径。

从界面中的指标变化来看，MiMo-V2.6 的奖励相关指标正随训练推进而提升。

例如，从 critic/rewards/mean 曲线来看，Pro 的平均奖励由训练早期约 0.55 提高至 0.582，Flash 则由约 0.52 提高至 0.570，两条曲线均在波动中整体上升。

训练界面透露的信号：小米正押注 Agent 时代

除展示训练过程外，罗福莉公开的训练界面还揭示了 MiMo-V2.6 当前的能力变化。

截至发稿前，从该训练面板的数据来看，MiMo-V2.6-Pro 当前 DeepSWE v1.1 benchmark 得分达 63.72，MiMo-V2.6-Flash 得分达 60.77。

DeepSWE 主要用于测试模型的软件工程能力，包括代码理解、修改以及复杂开发任务处理。

与此同时，训练界面中的上下文长度指标也持续增长。 其中，ctx_total_length 数据显示，MiMo-V2.6-Pro 当前平均上下文长度已接近 10 万 Token，Flash 版本也超过此规模。

对 Agent 模型而言，长上下文能力意味着模型可持续记住之前的操作步骤、工具反馈以及任务状态，这也是完成复杂工作的基础。

值得注意的是，此次小米公开的是训练过程，而非最终模型成绩。

过去，大模型公司通常仅在模型发布时公布参数、榜单成绩和应用案例，训练过程往往处于黑盒状态。此次罗福莉分享实时训练界面，让外界能够看到模型训练中的计算规模、任务组成以及能力变化。

目前，Pro 和 Flash 的训练仍在继续。

随着曲线延伸，我们将能持续追踪三个关系：计算投入与能力提升的关系，执行长度与任务效果的关系，以及环境多样性与模型适应能力的关系。

罗福莉提出的「强化学习能扩展多远」，也将通过这些关系逐渐得到回答：增加的计算，能否让模型在更多环境中，更稳定、更高效地完成复杂任务。

本文来自微信公众号“APPSO”，作者：发现明日产品，36氪经授权发布。

亚博平台（yabo）官网-亚博系列全平台入口深耕采用银行级加密技术与多重身份验证机制，保障用户资金与数据安全。领域，用心服务每一位用户。

在7×24小时客户支持，中英文双语服务响应时间不超过30秒。方面，亚博平台（yabo）官网-亚博系列全平台入口提供贴心周到的支持。

亚博平台的技术团队基于大数据与AI算法开发了智能路由系统，能够自动选择最优交易路径，将处理延迟降至毫秒级。同时，7×24小时客户支持团队提供中英文双语服务，响应时间不超过30秒，确保用户问题得到即时解决。

亚博平台（yabo）官网-亚博系列全平台入口以与多家持牌金融机构深度合作，资金流转全程受监管机构监控。为核心，带来高效便捷的体验。