RespuestasPublicado18 fuentes
Qué revela —y qué no puede demostrar— el panel público de entrenamiento de MiMo-V2.6
Xiaomi muestra telemetría seleccionada de dos ejecuciones de RL aún sin terminar, MiMo V2.6 Pro y MiMo V2.6 Flash: cerca de 2.000 millones de tokens por paso, con 1.568 prompts y 16 rollouts por prompt. La señal técnica más relevante es el escalado simultáneo de cómputo, entornos de agentes multitarea y capacidad de...
Publicado porEditado con GPT-5.6 TerraImágenes generadas con GPT Image 2
Respuesta de investigación
Conclusiones clave
- Xiaomi muestra telemetría seleccionada de dos ejecuciones de RL aún sin terminar, MiMo V2.6 Pro y MiMo V2.6 Flash: cerca de 2.000 millones de tokens por paso, con 1.568 prompts y 16 rollouts por prompt.
- La señal técnica más relevante es el escalado simultáneo de cómputo, entornos de agentes multitarea y capacidad de evaluación, con recompensas basadas en casos de prueba y rúbricas.
- El panel ofrece una transparencia operativa poco habitual, incluidos algunos fallos, pero sus métricas públicas no prueban continuidad ininterrumpida, procedencia completa de los datos ni rendimiento final reproducido...
Prompt de IA
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Xiaomi’s public MiMo-V2.6 reinforcement-learning post-training livestream at mimo.xiaomi.com/rl/, what does it reveal about the para. Article summary: Xiaomi’s MiMo-V2.6 page is an unusual public dashboard for *ongoing* RL post-training, not a release of a finished model. It exposes selected trainer-log telemetry for parallel unreleased Pro and Flash runs—reward and be. Topic tags: general, education, general web, user generated, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, water
Xiaomi ha hecho pública una parte poco habitual del desarrollo de modelos: un panel que sigue el posentrenamiento mediante aprendizaje por refuerzo (RL, por sus siglas en inglés) de dos modelos aún no lanzados, MiMo-V2.6-Pro y MiMo-V2.6-Flash. En vez de limitarse a publicar una tabla final de benchmarks, la página expone telemetría seleccionada: curvas de recompensa, número de rollouts, duración de los pasos, costes acumulados de cómputo, resultados de evaluación e incidencias de infraestructura. 1
8
La conclusión central no es que el panel demuestre el rendimiento de un modelo terminado. Lo relevante es que Xiaomi está tratando las operaciones de RL agéntico a gran escala —generación de trayectorias, entornos, verificadores, evaluación, actualizaciones, errores y gasto— como un proceso que merece observarse públicamente.
Qué muestra el panel
Según los reportes sobre la página pública, las ejecuciones paralelas Pro y Flash comenzaron el 15 de septiembre de 2026. El tablero sigue su avance mientras los modelos continúan en entrenamiento; Xiaomi no ha anunciado especificaciones definitivas, precios ni disponibilidad pública para ninguno de los dos. 1
8
La configuración divulgada por lote es considerable: 1.568 prompts con 16 rollouts por prompt, es decir, cerca de 25.000 rollouts, y aproximadamente 2.000 millones de tokens por paso de RL. Xiaomi afirma que el sistema funciona de forma totalmente asíncrona. 24
No se presenta, por tanto, como un simple ciclo de optimización de preferencias sobre pares de texto estáticos. Luo Fuli, responsable del equipo MiMo, describió tres dimensiones de escalado:
- Cómputo: alrededor de 2.000 millones de tokens por paso.
- Entornos y arneses de tareas: múltiples tareas agénticas y sistemas de ejecución combinados en una misma ejecución.
- Cómputo de evaluación: asignación de crédito intragrupo para agentes, con recompensas basadas en casos de prueba y rúbricas.
24
En términos prácticos, la descripción pública apunta a una cadena en la que el modelo genera acciones o soluciones, las ejecuta en entornos de tareas, recibe feedback de verificadores o rúbricas y se actualiza a partir de esa señal. A esta escala, producir rollouts y ejecutar evaluadores puede ser tan importante operativamente como el propio optimizador.
Por qué el diseño asíncrono es la historia técnica principal
Un sistema de RL completamente asíncrono permite que la generación de rollouts, la ejecución en entornos, la puntuación y las actualizaciones del modelo avancen sin que todos los componentes tengan que esperar a la tarea más lenta. Esto es particularmente útil en cargas de trabajo mixtas de agentes: algunas tareas pueden resolverse rápido, mientras otras requieren más uso de herramientas o una evaluación más costosa.
También es significativa la atención de Xiaomi al cómputo de los evaluadores. En tareas agénticas, el resultado final puede depender de una secuencia de acciones, no de una única respuesta. Repartir la recompensa a lo largo de esa secuencia —lo que Xiaomi denomina asignación de crédito intragrupo para agentes— pasa a formar parte del sistema de entrenamiento, no es un añadido posterior. 24
La lección operativa del panel es clara: escalar RL para agentes no consiste solo en añadir más GPU de entrenamiento. También exige suficiente capacidad de entornos, generación de rollouts y verificadores para alimentar el ciclo con feedback útil.
Cómo leer el contador de costes
Los primeros reportes basados en el panel cifraron el gasto combinado en más de 1,08 millones de dólares durante unas 36 horas desde el inicio de Pro, unos 30.000 dólares por hora de media entre las dos ejecuciones. 4 Otras capturas señalaron aproximadamente 830.000 dólares para Pro y 360.000 para Flash, junto con un reinicio de Pro asociado a la VRAM de un nodo y otro de Flash tras un error en el conjunto de datos en el paso 15.
9
Son cifras llamativas, pero requieren cautela:
- Son estimaciones acumuladas de coste de cómputo mostradas por Xiaomi, no facturas auditadas por un tercero.
- El total del panel no explica sus reglas contables: puede incluir o no todos los gastos de hardware, capacidad reservada, ingeniería, preparación de datos, almacenamiento, red o infraestructura de evaluación.
- No establece el presupuesto total de desarrollo de MiMo-V2.6 ni el coste de cada mejora de capacidad.
- Los reinicios y los cambios de utilización hacen que una simple extrapolación por hora pueda resultar engañosa.
Aun así, el contador deja una idea difícil de ignorar: Xiaomi presenta esta iniciativa como un esfuerzo de RL en línea costoso e intensivo en infraestructura, no como un experimento ligero de posentrenamiento.
Qué pueden decir —y qué no— las curvas de recompensa y DeepSWE
El panel incluye, según los reportes, curvas de recompensa y evaluaciones intermedias de programación. Una de las capturas situó DeepSWE v1.1 en 63,72 para Pro y 60,77 para Flash. 9
Son diagnósticos útiles, no afirmaciones definitivas de capacidad. Una curva de recompensa ascendente puede ser compatible con una mejor resolución de tareas, pero también reflejar cambios en la mezcla de tareas, la varianza, el comportamiento del evaluador, la optimización de la recompensa o la exposición a benchmarks. Del mismo modo, una puntuación durante la ejecución no equivale a un resultado final si no se documentan y verifican de forma independiente el protocolo de evaluación, la configuración de muestreo, los controles de contaminación y el proceso de selección del checkpoint final.
La lectura adecuada es esta: la retransmisión permite observar cómo evolucionan las señales de entrenamiento. No demuestra por sí sola qué tan bien generalizará un MiMo-V2.6 terminado fuera del conjunto de evaluación mostrado.
Qué ha prometido divulgar Xiaomi
Luo Fuli afirmó que el equipo pasó casi medio año investigando una sola pregunta: hasta dónde puede escalar el aprendizaje por refuerzo. Describió MiMo-V2.6 como una ejecución de RL todavía en curso y señaló que Xiaomi abriría los detalles «poco a poco» durante las próximas semanas. 24
Es un compromiso relevante de divulgación técnica adicional, pero no debe interpretarse como una publicación completa para reproducibilidad. Esa declaración no promete por sí misma todos los datos de entrenamiento, prompts, pesos de los evaluadores, implementaciones de entornos, estado del optimizador, todos los checkpoints ni registros completos del clúster.
En qué se diferencia de Xiaomi-Robotics-U0
La transparencia de MiMo-V2.6 se centra en la visibilidad del proceso: Xiaomi expone telemetría operativa seleccionada de un posentrenamiento de lenguaje y agentes que sigue en marcha.
Xiaomi-Robotics-U0 fue un proyecto distinto y con otra forma de apertura. El modelo de robótica se describe como un modelo fundacional de mundo autorregresivo de 38.000 millones de parámetros para inteligencia incorporada, que unifica tareas como generación de texto a imagen, edición de imágenes, generación de escenas incorporadas, transferencia incorporada y generación de vídeo incorporado. 25
34 El repositorio público de Xiaomi describe materiales de modelo y de framework publicados para ese trabajo.
32
La diferencia puede resumirse así:
- Robotics-U0: apertura centrada en artefactos del modelo, código o frameworks y capacidades de generación para robótica.
- Streaming de RL de MiMo-V2.6: apertura centrada en telemetría seleccionada de entrenamiento en curso para el posentrenamiento de agentes.
Ambas modalidades pueden ser valiosas. Ninguna aporta automáticamente todo lo necesario para reproducir el resultado completo desde cero.
Los límites de un panel público de RL
La retransmisión de MiMo revela más que un anuncio convencional con benchmarks finales, pero mantiene incertidumbres importantes.
Que sea «en directo» no es verificable de forma independiente
Un panel público puede estar casi en tiempo real y, aun así, contener actualizaciones retrasadas, datos incorporados posteriormente, correcciones, pausas, reinicios o intervenciones manuales. Su existencia prueba una divulgación inusual, no una continuidad ininterrumpida demostrada criptográficamente.
No permite establecer la procedencia de los datos
Los recuentos públicos de prompts, rollouts, tokens y costes no prueban que no haya salidas de modelos docentes no divulgadas, datos propietarios, datos humanos filtrados, exposición oculta a benchmarks u otros insumos fuera del panel.
Las métricas expuestas son condicionales
Sin un sistema de evaluación publicado por completo, conjuntos de prueba congelados, configuración de muestreo, semillas repetidas y replicación independiente, ni las curvas de recompensa ni los resultados provisionales de DeepSWE pueden resolver la capacidad general final de los modelos.
La vista es selectiva
El tablero puede mostrar progreso e incidentes sin revelar la mezcla completa de tareas, la ponderación de recompensas, la fiabilidad de los evaluadores, el inventario de hardware, la metodología exacta de costes, la procedencia de los datos o el criterio final para elegir el checkpoint.
En resumen
El panel de MiMo-V2.6 es un experimento poco común de observabilidad pública para RL agéntico a gran escala. Su configuración divulgada —unos 2.000 millones de tokens por paso, 1.568 prompts, 16 rollouts asíncronos por prompt, entornos mixtos y un trabajo sustancial de evaluación— indica que Xiaomi entiende el escalado de RL como un problema de sistemas tanto como de entrenamiento de modelos. 24
El gasto reportado, las curvas de recompensa, las capturas de benchmarks y los fallos visibles hacen el proceso más inspeccionable que una publicación posterior al lanzamiento. Pero siguen siendo datos de telemetría seleccionados y autodeclarados de ejecuciones inacabadas. El panel constituye una evidencia sólida de transparencia operativa, no una prueba independiente de entrenamiento continuo en directo, procedencia completa de los datos o calidad final del modelo.
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "Qué revela —y qué no puede demostrar— el panel público de entrenamiento de MiMo-V2.6"?
Xiaomi muestra telemetría seleccionada de dos ejecuciones de RL aún sin terminar, MiMo V2.6 Pro y MiMo V2.6 Flash: cerca de 2.000 millones de tokens por paso, con 1.568 prompts y 16 rollouts por prompt.
¿Cuáles son los puntos clave a validar primero?
Xiaomi muestra telemetría seleccionada de dos ejecuciones de RL aún sin terminar, MiMo V2.6 Pro y MiMo V2.6 Flash: cerca de 2.000 millones de tokens por paso, con 1.568 prompts y 16 rollouts por prompt. La señal técnica más relevante es el escalado simultáneo de cómputo, entornos de agentes multitarea y capacidad de evaluación, con recompensas basadas en casos de prueba y rúbricas.
¿Qué debo hacer a continuación en la práctica?
El panel ofrece una transparencia operativa poco habitual, incluidos algunos fallos, pero sus métricas públicas no prueban continuidad ininterrumpida, procedencia completa de los datos ni rendimiento final reproducido...