Was Xiaomis MiMo-V2.6-RL-Livestream wirklich verrät

Xiaomis MiMo-Team macht einen sonst meist verborgenen Teil der Modellentwicklung öffentlich: ein Dashboard für das Reinforcement-Learning-Nachtraining zweier noch unveröffentlichter Modelle, MiMo-V2.6-Pro und MiMo-V2.6-Flash. Statt erst am Ende eine Benchmark-Tabelle zu veröffentlichen, zeigt die Seite ausgewählte Trainingsdaten wie Reward-Kurven, Rollout-Zahlen, Zeiten pro Schritt, laufende Rechenkosten, Evaluationen und Infrastrukturereignisse. 18

Die wichtigste Erkenntnis lautet nicht, dass das Dashboard ein finales Modellresultat belegt. Xiaomi behandelt den Betrieb von Agenten-RL im großen Maßstab – also Rollouts, Umgebungen, Verifikation, Bewertung, Updates, Ausfälle und Kosten – als öffentlich beobachtbaren Prozess.

Was auf dem Dashboard zu sehen ist

Berichten zufolge starteten die parallelen Pro- und Flash-Läufe am 15. September 2026. Die sichtbaren Werte verfolgen ihren Fortschritt, während beide Modelle weiter trainiert werden; endgültige Spezifikationen, Preise oder eine öffentliche Verfügbarkeit hat Xiaomi bislang nicht angekündigt. 18

Die offengelegte Batch-Konfiguration ist groß: 1.568 Prompts mit jeweils 16 Rollouts – also etwa 25.000 Rollouts – sowie rund 2 Milliarden Tokens pro RL-Schritt. Xiaomi beschreibt das System als vollständig asynchron. 24

Damit geht es offenbar nicht um eine einfache Präferenzoptimierung mit statischen Textpaaren. Luo Fuli, Leiterin des MiMo-Teams, nennt drei Dimensionen der Skalierung:

• Rechenleistung: rund 2 Milliarden Tokens pro Schritt.
• Umgebungen und Harnesses: mehrere agentische Aufgaben und Testumgebungen werden innerhalb eines Laufs gemischt.
• Rechenaufwand für die Bewertung: agentische gruppeninterne Zuordnung von Belohnungen, gestützt auf Testfälle und Rubriken. 24

Praktisch bedeutet das: Die Modelle erzeugen Handlungen oder Lösungen, führen sie in Aufgabenumgebungen aus, erhalten Rückmeldungen von Prüfern oder anhand von Bewertungsrastern und werden mit diesem Feedback weitertrainiert. In dieser Größenordnung können Rollout-Erzeugung und Ausführung der Evaluierungen operativ ebenso wichtig sein wie der Optimierer selbst.

Warum die asynchrone Architektur die eigentliche technische Geschichte ist

Ein vollständig asynchrones RL-System erlaubt es, Rollouts, Umgebungs-Ausführung, Bewertung und Modell-Updates parallel weiterlaufen zu lassen. Nicht jede Komponente muss auf die langsamste Aufgabe warten. Das ist besonders für gemischte Agenten-Workloads relevant: Manche Aufgaben sind schnell abgeschlossen, andere benötigen längere Tool-Nutzung oder eine aufwendigere Bewertung.

Auch Xiaomis Betonung der Bewertungs-Rechenleistung ist aufschlussreich. Bei agentischen Aufgaben kann das Ergebnis von einer Folge mehrerer Schritte abhängen, nicht von einer einzelnen Antwort. Die Zuordnung der Belohnung zu diesen Schritten – von Xiaomi als agentic in-group credit assignment bezeichnet – wird damit zum Bestandteil des Trainingssystems. 24

Das Dashboard vermittelt daher vor allem eine operative Lektion: Agenten-RL zu skalieren heißt nicht einfach, zusätzliche Trainings-GPUs bereitzustellen. Es braucht auch genügend Kapazität für Umgebungen, Rollouts und Prüfsysteme, damit die Trainingsschleife kontinuierlich brauchbares Feedback erhält.

Wie der Kostenindikator zu lesen ist

Frühe Berichte auf Basis des öffentlichen Dashboards bezifferten die kombinierten Ausgaben etwa 36 Stunden nach Beginn des Pro-Laufs auf mehr als 1,08 Millionen US-Dollar – im Mittel rund 30.000 US-Dollar pro Stunde für beide Läufe. 4 Andere Momentaufnahmen nannten ungefähr 830.000 US-Dollar für Pro und 360.000 US-Dollar für Flash. Außerdem soll Pro nach einem Problem mit dem VRAM eines Nodes neu gestartet worden sein, Flash nach einem Datensatzfehler bei Schritt 15. 9

Die Beträge sind auffällig, müssen aber vorsichtig interpretiert werden:

• Es handelt sich um von Xiaomi angezeigte, laufende Schätzungen der Rechenkosten, nicht um unabhängig geprüfte Rechnungen.
• Aus einem Dashboard-Gesamtwert gehen die Buchungsregeln nicht hervor. Unklar ist etwa, ob sämtliche Kosten für Hardware, reservierte Kapazität, Engineering, Datenaufbereitung, Speicherung, Netzwerke oder Evaluierungsinfrastruktur enthalten sind.
• Die Zahlen belegen weder das gesamte Entwicklungsbudget von MiMo-V2.6 noch die Kosten je tatsächlich erzieltem Fähigkeitsgewinn.
• Neustarts und schwankende Auslastung können eine einfache Fortschreibung auf Stundenbasis verzerren.

Ein Punkt wird dennoch deutlich: Xiaomi stellt den Vorgang als kostenintensives, infrastrukturlastiges Online-RL-Projekt dar – nicht als leichtgewichtiges Nachtrainingsexperiment.

Was Reward-Kurven und DeepSWE-Werte aussagen – und was nicht

Das Dashboard soll Reward-Kurven und Coding-Evaluationen während des Trainings enthalten. In einer berichteten Momentaufnahme lag DeepSWE v1.1 bei 63,72 für Pro und 60,77 für Flash. 9

Das sind nützliche Diagnosedaten, aber keine endgültigen Fähigkeitsnachweise. Eine steigende Reward-Kurve kann auf bessere Aufgabenerfüllung hindeuten. Sie kann aber auch durch Änderungen im Aufgabenmix, Varianz, Verhalten der Prüfer, Optimierung auf die Belohnungsfunktion oder Benchmark-Kontakt beeinflusst sein. Ebenso ist ein Benchmark-Wert während des Laufs kein finales Modellergebnis, solange Evaluationsprotokoll, Sampling-Einstellungen, Kontrollen gegen Kontamination und die Auswahl des finalen Checkpoints nicht dokumentiert und unabhängig geprüft sind.

Die angemessene Lesart lautet: Der Stream zeigt, wie sich Trainingssignale entwickeln. Er belegt nicht, wie gut ein fertig trainiertes MiMo-V2.6-Modell außerhalb der gezeigten Evaluationen generalisieren wird.

Welche weiteren Offenlegungen Xiaomi angekündigt hat

Luo Fuli erklärte, das Team habe fast ein halbes Jahr lang vor allem eine Frage untersucht: Wie weit lässt sich Reinforcement Learning skalieren? MiMo-V2.6 befinde sich noch mitten im RL-Lauf; technische Details wolle Xiaomi in den kommenden Wochen „Stück für Stück“ als Open Source veröffentlichen. 24

Das ist eine relevante Zusage für weitere technische Einblicke, aber noch keine vollständige Reproduzierbarkeitsveröffentlichung. Die Aussage verspricht für sich genommen weder sämtliche Trainingsdaten und Prompts noch Gewichte der Grader, Implementierungen der Umgebungen, Optimizer-Zustände, alle Checkpoints oder komplette Cluster-Logs.

Der Unterschied zu Xiaomi-Robotics-U0

Bei MiMo-V2.6 steht Transparenz über den Prozess im Mittelpunkt. Xiaomi legt ausgewählte Betriebsdaten eines laufenden Sprach- und Agenten-Nachtrainings offen.

Xiaomi-Robotics-U0 war ein anderes Projekt und eine andere Form von Offenheit. Das Robotikmodell wird als autoregressives World-Foundation-Modell mit 38 Milliarden Parametern für verkörperte Intelligenz beschrieben. Es vereint unter anderem Text-zu-Bild-Generierung, Bildbearbeitung, Generierung verkörperter Szenen, Embodied Transfer und verkörperte Videogenerierung. 2534 Xiaomis öffentliches Repository beschreibt dafür veröffentlichte Modell- und Framework-Materialien. 32

Der Unterschied lässt sich so zusammenfassen:

• Robotics-U0: Offenheit rund um Modellartefakte, Code oder Frameworks sowie Fähigkeiten zur Generierung für verkörperte Systeme.
• MiMo-V2.6-RL-Stream: Offenheit rund um ausgewählte Live-Telemetrie aus dem Agenten-Nachtraining.

Beides kann wertvoll sein. Keine der beiden Formen liefert automatisch alles, was für eine vollständige Reproduktion des Ergebnisses nötig wäre.

Die Grenzen eines öffentlichen RL-Dashboards

Der MiMo-Stream ist aufschlussreicher als eine klassische Benchmark-Mitteilung nach Abschluss des Trainings. Wesentliche Unsicherheiten bleiben dennoch.

„Live“ lässt sich nicht unabhängig verifizieren

Ein öffentliches Dashboard kann nahezu in Echtzeit arbeiten und trotzdem verzögerte Aktualisierungen, nachträglich eingespielte Werte, Korrekturen, Pausen, Neustarts oder manuelle Eingriffe enthalten. Es belegt eine ungewöhnliche Form der Offenlegung, ist aber kein kryptografischer Nachweis eines ununterbrochenen Live-Betriebs.

Die Datenherkunft wird nicht belegt

Öffentliche Angaben zu Prompts, Rollouts, Tokens und Kosten belegen nicht, dass keine nicht offengelegten Ausgaben eines Lehrermodells, proprietären Daten, gefilterten menschlichen Daten, versteckten Benchmark-Kontakte oder sonstige Inputs außerhalb des Dashboards eingesetzt wurden.

Die sichtbaren Kennzahlen gelten nur unter bestimmten Bedingungen

Ohne vollständig veröffentlichte Evaluierungsharnesses, eingefrorene Testsätze, Sampling-Einstellungen, Wiederholungen mit verschiedenen Seeds und unabhängige Replikation können weder Reward-Kurven noch Zwischenwerte bei DeepSWE die finale allgemeine Leistungsfähigkeit bestimmen.

Der Einblick bleibt selektiv

Das Dashboard kann Fortschritte und Vorfälle zeigen, ohne den vollständigen Aufgabenmix, die Gewichtung der Rewards, die Zuverlässigkeit der Grader, den Hardwarebestand, die genaue Kostenmethodik, die Datenherkunft oder die Kriterien für die Auswahl des finalen Checkpoints offenzulegen.

Fazit

Xiaomis MiMo-V2.6-Dashboard ist ein seltenes öffentliches Beobachtungsexperiment für Agenten-RL im großen Maßstab. Die offengelegte Konfiguration – rund 2 Milliarden Tokens pro Schritt, 1.568 Prompts, 16 asynchrone Rollouts je Prompt, gemischte Umgebungen und erheblicher Bewertungsaufwand – zeigt, dass Xiaomi die Skalierung von RL genauso als System- wie als Modelltrainingsproblem versteht. 24

Die gemeldeten Ausgaben, Reward-Kurven, Benchmark-Zwischenstände und sichtbaren Fehler machen den Prozess nachvollziehbarer als eine nachträgliche Produktankündigung. Es bleiben jedoch ausgewählte, selbst berichtete Telemetriedaten aus nicht abgeschlossenen Läufen. Das Dashboard ist ein starkes Indiz für operative Transparenz – aber kein unabhängiger Beweis für durchgängiges Live-Training, vollständige Datenprovenienz oder die Qualität des finalen Modells.