小米 MiMo-V2.6 发布：310B 模型在千余 TPU 上跑通全参数 RL

小米发布 MiMo v2.6，@tokenbender 随即发长线程深度解读，认为该版本的主角是强化学习，而非其他花哨组件。论文核心思路是显式扩展三个变量：batch size 与吞吐、环境多样性、grader 算力。作者指出，官方对大 batch 的论证主要停留在吞吐量与 GPU 扩展便利性的角度。

已确认

• MiMo v2.6 论文主张从吞吐量和 GPU 扩展便利性角度选用大 batch，显式扩展 RL 三要素：batch size 与吞吐、环境多样性、grader 算力。
• 4.2.5 节采用多种 harness 训练的做法；tokenbender 认为这值得肯定，因为开源用户各有偏好，常会自建适合自身任务的 harness。
• 环境合成遵循数据合成的通用好原则：清晰的 spec、从丰富的真实世界场景池采样、精选优质种子任务并做接地（grounding）。作者评价"没有花活但这些原则不可妥协"。
• 论文讨论了 CodeMidas 的源码驱动合成方法。

尚未确认

• 长程（long horizon）任务部分似乎主要靠 agent 驱动合成完成，tokenbender 对其效果存疑，表示有兴趣跟进验证。

为什么重要

• tokenbender 指出 MiMo 的任务不是从零造，而是从多样化来源接地构建，纯 self-play 不可替代；任务性质贴近日常工作流，作者因此对 MiMo v2.6 替代 Sol 用于日常工作抱有期待。

2026-09-22 ~ 2026-09-23 · 10 条相关

事件全程(共 3 集)→

• 第 1 集:小米 MiMo RL 训练细节引热议：30 步大幅提升(2026-09-22,15 条)
• 第 2 集:小米 MiMo-V2.6 发布：310B 模型在千余 TPU 上跑通全参数 RL(2026-09-22,10 条)
• 第 3 集:小米MoE强化学习稳定性论文：GRPO改造详解(2026-09-22,2 条)

• peano_ai 在 1000+ TPU 上对 310B 模型跑通全参数 RL 训练 — simonguozirui · 2026-09-22
• 小米 MiMo 用 JAX+TPU 跑通 310B 全参数 RL,扩容只改配置 — AccBalanced · 2026-09-22
• 【源头】小米 MiMo v2.6 发布:RL 三要素扩规模成最大亮点 — tokenbender · 2026-09-22
• 线程整合帖:MiMo v2.6 环境扩展原则与 agent 驱动合成 — tokenbender · 2026-09-22
• CodeMidas 源码驱动合成与 agent 长程任务合成的看点 — tokenbender · 2026-09-22
• 【源头】MiMo v2.6 环境合成:真实场景打底、多种 harness 并训 — tokenbender · 2026-09-22
• 开发者拆解论文：多 harness 训练与环境合成的核心原则 — tokenbender · 2026-09-22
• 罗福莉复盘小米 MiMo-V2.6：单步生成 2.5 万条 Agent 轨迹 — bookwormengr · 2026-09-22
• 小米 MiMo-V2.6 单步 RL 处理 27-37 亿 token,剑指模型自我提升 — Dr_Singularity · 2026-09-23

另有 1 条近重复转述:tokenbender