Qué revela —y qué no— el panel de entrenamiento de MiMo-V2.6

El interés del panel público de Xiaomi no estaba solo en ver subir una puntuación. Permitió observar, mientras se ejecutaban, dos procesos de posentrenamiento mediante aprendizaje por refuerzo: los de MiMo-V2.6 Pro y Flash. Es una ventana a los datos que Xiaomi decidió mostrar sobre esas ejecuciones, no al preentrenamiento ni a todos los trabajos de su infraestructura.118

Pasos de entrenamiento, intentos y costes: cómo leer el panel

Las vistas de Pro y Flash mostraban pasos de entrenamiento completados, generaciones de intentos en curso —rollouts—, tokens procesados, curvas de recompensa, tasas de éxito en tareas, duración de los pasos, gasto acumulado y evaluaciones intermedias de programación. Los contadores de entrenamiento y de rollouts no tenían por qué coincidir: los intentos se generaban de forma asíncrona respecto a las actualizaciones del modelo.11822

También aparecieron señales operativas. Diversos informes describieron reinicios, errores de memoria de GPU e incidencias con conjuntos de datos. Las definiciones de las métricas permiten distinguir los intentos fallidos por la tarea de los perdidos por problemas de infraestructura. Eso aporta contexto, pero no prueba que se publicara cada incidente.1823

Una captura temprana situaba ambos modelos en el paso 10 de entrenamiento y señalaba el paso 16 de generación de intentos. Indicaba unos 2.200 millones de tokens por paso para Pro y 2.600 millones para Flash, con gastos acumulados cercanos a 741.000 y 322.000 dólares. Eran cifras de aquel momento: no el coste final ni una tarifa diaria estable.25

Qué ocurría en cada actualización

Cada actualización partía de 1.568 instrucciones, con 16 intentos por cada una: 25.088 trayectorias posibles. La generación asíncrona permitía solapar los intentos y la ejecución de tareas con su evaluación y las actualizaciones del modelo. En una misma ejecución se combinaban tareas de programación, agentes de propósito general, trabajo visual y ciberseguridad mediante distintos entornos de ejecución, o harnesses, en lugar de entrenar exclusivamente con una clase de tarea.41019

La calificación tampoco se reducía a «supera la prueba» o «no la supera». El método descrito por Xiaomi combinaba resultados de pruebas ejecutables, rúbricas específicas y comparaciones entre intentos de una misma tarea para distinguir la calidad de soluciones que sí funcionaban. Evaluar esos intentos consumía recursos: un análisis del informe técnico cifra esa parte en torno al 12,7 % del coste de aprendizaje por refuerzo de Pro.4447

La descripción inicial de «unos 2.000 millones de tokens por paso» expresaba una escala aproximada, no un cupo fijo. Los recuentos por paso comunicados posteriormente fueron mayores.41920

Recompensas y DeepSWE: qué miden realmente

La recompensa de entrenamiento resume las trayectorias utilizadas en una actualización; no es una prueba independiente de capacidad. Según la definición del panel, dynsam/avg@n calcula, para cada instrucción muestreada, la proporción de intentos exitosos y después promedia esas proporciones. La variante _no_infra excluye los intentos fallidos por causas de infraestructura. Compararlas ayuda a no atribuir al modelo un fallo del sistema, aunque ninguna mide su rendimiento en todas las tareas posibles.18

La captura temprana registraba en DeepSWE v1.1 62,24 para Pro y 60,77 para Flash. Eran evaluaciones intermedias. Xiaomi comunicó después resultados finales cercanos a 72,6 y 65,7, respectivamente. Esas cifras corresponden al marco de evaluación utilizado por Xiaomi: no deben presentarse como resultados de una clasificación pública reproducidos de forma independiente.251745

El balance final y los límites de la transparencia

Xiaomi afirma que cada modelo completó 30 pasos en menos de seis días, con un coste aproximado de 2,62 millones de dólares para Pro y 850.000 dólares para Flash: unos 3,47 millones entre ambos por las ejecuciones de aprendizaje por refuerzo comunicadas. La referencia a unas 750.000 trayectorias se entiende mejor por modelo: 25.088 trayectorias posibles por paso multiplicadas por 30 dan 752.640 para cada ejecución. Esos gastos no incluyen el preentrenamiento ni todo el resto del desarrollo.244445

Lo distintivo fue publicar datos de entrenamiento y funcionamiento a lo largo del tiempo, en vez de mostrar únicamente los modelos terminados. Xiaomi anunció después los pesos de Pro y Flash, un modelo destilado de 9B, un informe técnico, más de 7.000 entornos de tareas para aprendizaje por refuerzo, un marco integral para ese entrenamiento y mini-harnesses combinables.115

Pero el panel no permite verificar de forma independiente que la publicación fuese continua y sin filtros, ni conocer toda la actividad simultánea de la infraestructura. Tampoco cabe deducir de la existencia del modelo destilado de 9B que hubiera tráfico de destilación no mostrado detrás de las ejecuciones de Pro y Flash, o que su coste estuviera incluido en las cifras publicadas.18152