小米 MiMo-V2.6 公开实时训练面板:两版本已烧超 116 万美元 RL 成本
APPSO · wechat · 2026-09-17
小米 MiMo 负责人罗福莉在 X 公布 MiMo-V2.6 的实时强化学习训练页面,罕见让外界看到 RL 训练黑盒。Pro 与 Flash 两版本累计训练成本超 116 万美元,平均每小时约 3.09 万美元;Pro 累计消耗 25.1B tokens,Flash 达 40.5B。
本轮 RL 在三个方向扩展规模:单 step 约 2B tokens、1568 prompts×16 rollouts 的 fully async 训练;multi-task agentic RL 混合视觉、代码、通用与聊天等多类任务环境;引入 agentic in-group credit assignment,结合 test-case 与 rubric-based rewards 提供更细粒度的奖励归因。
从面板看,平均奖励曲线持续上升(Pro 0.55→0.582,Flash 0.52→0.570),DeepSWE v1.1 得分 Pro 63.72、Flash 60.77,平均上下文长度已接近 10 万 tokens。罗福莉提出的问题是「强化学习还能扩展到什么程度」,训练仍在进行,未来几周将公开更多技术细节。
所属事件:小米直播 MiMo-V2.6 强化学习训练，36小时烧超108万美元(14 条相关)→
「编程与Agent」频道最新
- Google 开源内部「大象-金鱼」工作流:规划与审查分离防 AI 敷衍 — gaganghotra_ · 2026-11-02
- InfoQ 发文：Agentic AI 架构中记忆、知识与上下文的系统化方法 — AdiPolak · 2026-11-02
- Harness Pro 用 ESP32-P4 做出 AI 编码 Agent 桌面监控屏 — dee_hw · 2026-11-02
- RL 训练 LFM2.5-24B 适配器：精度持平下工具调用省 20% — yb2698 · 2026-11-02
- Agent 生产环境排障之痛：错误在第5步、根因在第3步 — Ok-Machine7983 · 2026-11-02
- RAGFlow 1.0 预览：从 RAG 引擎转向 agent 原生数据库 — newpeak · 2026-11-02