AnswersPublished18 sources
Mitä Xiaomin julkinen MiMo-V2.6-RL-kojelauta oikeasti kertoo?
Xiaomi näyttää julkisesti valittuja mittareita kahdesta keskeneräisestä MiMo V2.6 RL ajosta: Prosta ja Flashista. Teknisesti olennaista on koko järjestelmän skaalaus: laskennan ohella mukana ovat useat agenttitehtävien ympäristöt sekä paljon laskentaa vaativa arviointi, jossa palkkiot perustuvat testitapauksiin ja a...
JulkaisijaMuokattu mallilla GPT-5.6 TerraKuvat luotu mallilla GPT Image 2
Research answer
Key takeaways
- Xiaomi näyttää julkisesti valittuja mittareita kahdesta keskeneräisestä MiMo V2.6 RL ajosta: Prosta ja Flashista.
- Teknisesti olennaista on koko järjestelmän skaalaus: laskennan ohella mukana ovat useat agenttitehtävien ympäristöt sekä paljon laskentaa vaativa arviointi, jossa palkkiot perustuvat testitapauksiin ja arviointikritee...
- Kojelauta lisää läpinäkyvyyttä myös näyttämällä joitakin virheitä ja kustannuksia.
AI Prompt
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
Xiaomin MiMo-tiimi on avannut harvinaisen ikkunan mallikehitykseen: julkinen kojelauta seuraa kahden vielä julkaisemattoman mallin, MiMo-V2.6-Pron ja MiMo-V2.6-Flashin, vahvistusoppimiseen (RL) perustuvaa jälkikoulutusta. Valmiin vertailutaulukon sijaan sivulla näytetään valikoituja koulutusmittareita, kuten palkkiokäyriä, rolloutien määriä, vaiheiden kestoja, juoksevia laskentakustannuksia, arviointituloksia ja infrastruktuuritapahtumia. 1
8
Oleellisin havainto ei ole se, että kojelauta todistaisi mallien lopullisen tason. Se kertoo pikemminkin, että Xiaomi pitää suurten agenttipohjaisten RL-ajojen operointia — rollouteja, ympäristöjä, todentamista, arviointia, päivityksiä, häiriöitä ja kustannuksia — julkisesti seurattavana asiana.
Mitä kojelaudalla näkyy
Julkisuudessa olleiden tietojen mukaan Pro- ja Flash-ajot alkoivat 15. syyskuuta 2026. Kojelauta seuraa niiden etenemistä kesken koulutuksen, eikä Xiaomi ole ilmoittanut kummankaan mallin lopullisia teknisiä tietoja, hinnoittelua tai julkaisua yleiseen käyttöön. 1
8
Xiaomin ilmoittama eräkoko on suuri: 1 568 kehotetta ja 16 rolloutia kutakin kehotetta kohti, eli noin 25 000 rolloutia. Yhdessä RL-vaiheessa käsitellään noin 2 miljardia tokenia. Järjestelmän kerrotaan toimivan täysin asynkronisesti. 24
Kyse ei siis näyttäisi olevan vain staattisiin tekstipareihin perustuvasta optimointisilmukasta. MiMo-tiimin vetäjä Luo Fuli kuvasi kolmea skaalattua osa-aluetta:
- Laskenta: noin 2 miljardia tokenia vaihetta kohti.
- Ympäristöt ja suorituskehykset: samassa ajossa sekoitetaan useita agenttitehtäviä ja niiden suoritusympäristöjä.
- Arvioinnin laskenta: agenttipohjainen ryhmänsisäinen ansionjako, jossa palkkiot johdetaan testitapauksista ja arviointikriteereistä.
24
Käytännössä malli voi tuottaa ratkaisuja tai toimintoja, suorittaa niitä tehtäväympäristöissä, saada palautetta todentajilta tai arviointikriteereistä ja päivittyä tämän palautteen perusteella. Tällaisessa mittakaavassa rolloutien luonti ja arviointien suorittaminen voivat olla yhtä tärkeitä kuin itse optimointi.
Asynkronisuus on teknisesti kiinnostavin osa
Täysin asynkronisessa RL-järjestelmässä rolloutien luonti, ympäristöjen suoritus, pisteytys ja mallipäivitykset voivat edetä rinnakkain. Kaikkien osien ei tarvitse odottaa hitainta tehtävää. Tämä on erityisen tärkeää agenttityössä, jossa osa tehtävistä valmistuu nopeasti ja osa vaatii pidempää työkalujen käyttöä tai kalliimpaa arviointia.
Myös Xiaomin painotus arvioinnin laskentaan on merkittävä. Agenttitehtävässä lopputulos voi syntyä toimintaketjusta, ei yhdestä vastauksesta. Silloin palkkion kohdistaminen ketjun eri vaiheille — Xiaomin sanoin agenttipohjainen ryhmänsisäinen ansionjako — on osa itse koulutusjärjestelmää. 24
Kojelaudan käytännön opetus onkin, ettei agentti-RL:n skaalaaminen tarkoita vain koulutus-GPU:iden lisäämistä. Lisäksi tarvitaan riittävästi ympäristö-, rollout- ja todentajakapasiteettia, jotta koulutussilmukka saa hyödyllistä palautetta.
Miten kustannuslaskuria pitää lukea
Varhaisten kojelautahavaintojen perusteella Pro- ja Flash-ajojen yhteenlaskettu kulutus ylitti 1,08 miljoonaa dollaria noin 36 tunnissa Pro-ajon käynnistymisestä. Se vastaa keskimäärin noin 30 000 dollaria tunnissa kahden ajon yli. 4 Muissa tilannekuvissa Prolle ilmoitettiin noin 830 000 dollaria ja Flashille noin 360 000 dollaria. Samoissa tiedoissa kerrottiin Pro-ajon uudelleenkäynnistyksestä solmun VRAM-muistiongelman vuoksi sekä Flash-ajon uudelleenkäynnistyksestä 15. vaiheen jälkeen aineistovirheen takia.
9
Luvut ovat näyttäviä, mutta niitä on tulkittava varovasti:
- Ne ovat Xiaomin näyttämiä juoksevia arvioita laskentakustannuksista, eivät riippumattomasti tarkastettuja laskuja.
- Kojelaudan kokonaisluku ei kerro kustannuslaskennan sääntöjä: se voi sisältää tai olla sisältämättä laitteistoa, varattua kapasiteettia, suunnittelutyötä, datan valmistelua, tallennusta, verkkoa tai arviointi-infrastruktuuria.
- Se ei paljasta MiMo-V2.6:n koko kehitysbudjettia eikä hintaa yhtä kyvykkyysparannusta kohti.
- Uudelleenkäynnistykset ja vaihteleva käyttöaste tekevät suorasta tuntikulujen ekstrapoloinnista epävarmaa.
Yksi asia kuitenkin korostuu: Xiaomi esittää tämän kalliina, infrastruktuurivaltaisena verkossa tapahtuvana RL-hankkeena, ei kevyenä jälkikoulutuskokeena.
Mitä palkkiokäyrät ja DeepSWE-tulokset kertovat — ja eivät kerro
Kojelauta sisältää raporttien mukaan palkkiokäyriä ja kesken koulutuksen tehtäviä ohjelmointiarviointeja. Yhdessä tilannekuvassa DeepSWE v1.1 -tulos oli Prolle 63,72 ja Flashille 60,77. 9
Nämä ovat hyödyllisiä diagnostiikkamittareita, eivät lopullisia kyvykkyysväitteitä. Nouseva palkkiokäyrä voi olla sopusoinnussa paremman tehtäväsuorituksen kanssa, mutta siihen voivat vaikuttaa myös tehtäväjakauman muutokset, vaihtelu, arvioijan toiminta, palkkion optimointi tai vertailutehtävien altistuminen. Samoin kesken ajon raportoitu vertailutulos ei ole lopullinen malliarvio, ellei arviointiprotokollaa, näytteenottoasetuksia, kontaminaatiokontrolleja ja lopullisen tarkistuspisteen valintaa dokumentoida ja tarkisteta riippumattomasti.
Oikea tulkinta on: lähetys antaa seurata koulutussignaalien kehitystä. Se ei yksin osoita, miten valmis MiMo-V2.6-malli yleistyy kojelaudalla näkyvän arviointiasetelman ulkopuolelle.
Mitä Xiaomi on luvannut julkaista
Luo Fuli kertoi tiimin käyttäneen lähes puoli vuotta yhden kysymyksen tutkimiseen: kuinka pitkälle vahvistusoppimista voidaan skaalata. Hänen mukaansa MiMo-V2.6 on yhä RL-ajonsa keskivaiheilla, ja Xiaomi aikoo avata yksityiskohtia lähiviikkoina vähitellen. 24
Lupaus lisäteknisestä tiedosta on merkittävä, mutta sitä ei pidä tulkita täydelliseksi toistettavuusjulkaisuksi. Lausunto ei itsessään lupaa kaikkia koulutusdatoja, kehotteita, arvioijien painoja, ympäristöjen toteutuksia, optimointitiloja, kaikkia tarkistuspisteitä tai täydellisiä klusterilokeja.
Miten tämä eroaa Xiaomi-Robotics-U0:sta
MiMo-V2.6:n läpinäkyvyys koskee prosessin näkyvyyttä: Xiaomi näyttää valittua operatiivista telemetriaa käynnissä olevasta kieli- ja agenttimallin jälkikoulutuksesta.
Xiaomi-Robotics-U0 on eri projekti ja erilainen avoimuuden muoto. Robotiikkamalli kuvataan 38 miljardin parametrin autoregressiiviseksi maailmamalliksi ruumiillistuneelle älylle. Se yhdistää muun muassa tekstistä kuvaksi -generoinnin, kuvankäsittelyn, ruumiillistuneiden kohtausten generoinnin, ruumiillistuneen siirron ja robotiikkavideoiden generoinnin. 25
34 Xiaomin julkinen ohjelmistovarasto kuvaa tälle työlle julkaistuja malliaineistoja ja kehysmateriaaleja.
32
Ero voidaan tiivistää näin:
- Robotics-U0: avoimuus painottuu malliartifakteihin, koodiin tai kehyksiin sekä ruumiillistuneen generoinnin kyvykkyyksiin.
- MiMo-V2.6:n RL-lähetys: avoimuus painottuu valittuun, reaaliaikaiseksi kuvattuun koulutustelemetriaan agenttien jälkikoulutuksesta.
Kumpikin voi olla arvokasta, mutta kumpikaan ei automaattisesti tarjoa kaikkea, mitä koko tuloksen toistaminen alusta asti vaatisi.
Julkisen RL-kojelautan rajat
MiMo-lähetys paljastaa enemmän kuin tavallinen lopullinen vertailutulosjulkistus, mutta merkittäviä epävarmuuksia jää.
Reaaliaikaisuutta ei voida varmistaa riippumattomasti
Julkinen kojelauta voi olla lähes reaaliaikainen, vaikka siihen sisältyisi viiveitä, jälkikäteen täydennettyjä arvoja, korjauksia, taukoja, uudelleenkäynnistyksiä tai käsin tehtyjä toimia. Kojelauta on todiste epätavallisesta tiedonannosta, ei kryptografinen todiste keskeytymättömästä jatkuvuudesta.
Lähetys ei todista datan alkuperää
Julkiset kehotteiden, rolloutien, tokenien ja kustannusten määrät eivät osoita, ettei käytössä olisi ollut ilmoittamattomia opettajamallien tuotoksia, suljettua dataa, suodatettua ihmisaineistoa, piilotettua vertailualtistusta tai muita kojelaudan ulkopuolisia syötteitä.
Mittarit ovat ehdollisia
Ilman täysin julkaistua arviointikehystä, lukittuja testijoukkoja, näytteenottoasetuksia, toistettuja satunnaissiemeniä ja riippumatonta toistoa palkkiokäyrät tai väliaikaiset DeepSWE-tulokset eivät ratkaise mallien lopullista yleistä kyvykkyyttä.
Näkymä on valikoiva
Kojelauta voi näyttää etenemistä ja häiriöitä paljastamatta koko tehtäväjakaumaa, palkkioiden painotuksia, arvioijien luotettavuutta, laitteistoluetteloa, kustannusmenetelmää, datan alkuperää tai lopullisen tarkistuspisteen valintaperusteita.
Yhteenveto
Xiaomin MiMo-V2.6-kojelauta on harvinainen julkinen havainnollistamiskokeilu suuren mittakaavan agentti-RL:stä. Julkistettu kokoonpano — noin 2 miljardia tokenia vaihetta kohti, 1 568 kehotetta, 16 asynkronista rolloutia jokaista kehotetta kohti, sekoitettuja ympäristöjä ja laajaa arviointityötä — osoittaa, että Xiaomi käsittelee RL:n skaalaamista yhtä paljon järjestelmä- kuin mallikoulutusongelmana. 24
Raportoidut kustannukset, palkkiokäyrät, vertailutilannekuvat ja näkyvät virheet tekevät prosessista tarkasteltavamman kuin jälkikäteen julkaistu lanseeraustiedote. Ne ovat silti keskeneräisten ajojen valikoitua, Xiaomin itse raportoimaa telemetriaa. Kojelauta on vahva osoitus operatiivisesta läpinäkyvyydestä — ei riippumaton todiste jatkuvasta reaaliaikaisesta koulutuksesta, täydestä koulutusdatan jäljitettävyydestä tai lopullisesta mallilaadusta.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Mitä Xiaomin julkinen MiMo-V2.6-RL-kojelauta oikeasti kertoo?"?
Xiaomi näyttää julkisesti valittuja mittareita kahdesta keskeneräisestä MiMo V2.6 RL ajosta: Prosta ja Flashista.
What are the key points to validate first?
Xiaomi näyttää julkisesti valittuja mittareita kahdesta keskeneräisestä MiMo V2.6 RL ajosta: Prosta ja Flashista. Teknisesti olennaista on koko järjestelmän skaalaus: laskennan ohella mukana ovat useat agenttitehtävien ympäristöt sekä paljon laskentaa vaativa arviointi, jossa palkkiot perustuvat testitapauksiin ja arviointikritee...
What should I do next in practice?
Kojelauta lisää läpinäkyvyyttä myös näyttämällä joitakin virheitä ja kustannuksia.