RéponsesPublié18 sources
MiMo-V2.6 : Xiaomi diffuse son entraînement IA en direct, mais cela ne prouve pas tout
Xiaomi diffuse des indicateurs choisis de deux entraînements RL encore inachevés, MiMo V2.6 Pro et MiMo V2.6 Flash : environ 2 milliards de tokens par étape, avec 1 568 prompts et 16 rollouts chacun. Le signal technique majeur est l’effort de mise à l’échelle simultané du calcul de modèle, des environnements d’agent...
Publié parModifié avec GPT-5.6 TerraImages générées avec GPT Image 2
Réponse de recherche
Points clés à retenir
- Xiaomi diffuse des indicateurs choisis de deux entraînements RL encore inachevés, MiMo V2.6 Pro et MiMo V2.6 Flash : environ 2 milliards de tokens par étape, avec 1 568 prompts et 16 rollouts chacun.
- Le signal technique majeur est l’effort de mise à l’échelle simultané du calcul de modèle, des environnements d’agents multitâches et du calcul de correction et d’évaluation.
- Le tableau de bord rend les progrès et certains échecs plus visibles, mais ne prouve ni la continuité intégrale du direct, ni la provenance des données, ni les performances finales des modèles.
Prompt 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 a rendu public un aspect rarement visible du développement d’un modèle : le suivi de son post-entraînement par apprentissage par renforcement, ou RL (reinforcement learning). Le tableau de bord concerne deux modèles non publiés, MiMo-V2.6-Pro et MiMo-V2.6-Flash. Il affiche notamment des courbes de récompense, le nombre de rollouts, le temps par étape, des estimations de coût de calcul, des évaluations intermédiaires et certains incidents d’infrastructure. 1
8
L’information essentielle n’est donc pas que Xiaomi aurait déjà démontré les performances finales d’un modèle. C’est plutôt que le groupe traite les opérations de RL à grande échelle — génération de trajectoires, exécution dans des environnements, vérification, notation, mises à jour, pannes et dépenses — comme un processus qu’il vaut la peine d’observer publiquement.
Ce que le tableau de bord rend visible
Selon les informations publiées, les entraînements parallèles Pro et Flash ont démarré le 15 septembre 2026. Les modèles sont toujours en cours d’entraînement : Xiaomi n’a annoncé ni leurs spécifications définitives, ni leur prix, ni leur disponibilité publique. 1
8
La configuration dévoilée est conséquente : 1 568 prompts et 16 rollouts par prompt, soit environ 25 000 rollouts, pour près de 2 milliards de tokens par étape de RL. Xiaomi indique que le système fonctionne de manière entièrement asynchrone. 24
Il ne s’agit donc pas, du moins dans la description publique, d’une simple boucle d’optimisation de préférences sur des paires de textes statiques. Luo Fuli, responsable de l’équipe MiMo, décrit trois axes de mise à l’échelle :
- Le calcul : environ 2 milliards de tokens par étape.
- Les environnements et harnais de test : plusieurs tâches d’agents, réparties entre plusieurs dispositifs d’exécution au sein d’un même entraînement.
- Le calcul des correcteurs : une attribution du crédit au sein du groupe d’agents, avec des récompenses fondées sur des cas de test et des grilles d’évaluation.
24
Concrètement, cette architecture suggère un pipeline où le modèle produit des actions ou des solutions, les exécute dans des environnements de tâche, obtient un retour venant de vérificateurs ou de grilles de notation, puis est mis à jour à partir de ce signal. À cette échelle, produire les rollouts et faire tourner les évaluateurs peut devenir aussi déterminant que l’optimiseur lui-même.
Pourquoi l’asynchrone est le point technique central
Un système de RL entièrement asynchrone permet à la génération de rollouts, à l’exécution dans les environnements, à la notation et aux mises à jour du modèle de progresser sans que tous les composants attendent la tâche la plus lente. C’est particulièrement utile pour des charges d’agents hétérogènes : certaines tâches se terminent vite, d’autres nécessitent davantage d’utilisation d’outils ou une correction plus coûteuse.
L’accent mis par Xiaomi sur le calcul des correcteurs est également significatif. Dans une tâche agentique, le résultat dépend souvent d’une séquence d’actions, et non d’une seule réponse. Répartir la récompense entre ces actions — ce que Xiaomi appelle l’« attribution du crédit au sein du groupe d’agents » — devient une composante du système d’entraînement. 24
Le tableau de bord livre ainsi un enseignement opérationnel : mettre à l’échelle le RL pour des agents ne consiste pas seulement à ajouter des GPU d’entraînement. Il faut aussi disposer de suffisamment de capacité pour les environnements, les rollouts et les vérificateurs afin d’alimenter la boucle d’apprentissage avec des retours utiles.
Comment lire le compteur de coûts
Des premiers comptes rendus fondés sur le tableau de bord évoquaient plus de 1,08 million de dollars de dépenses cumulées environ 36 heures après le début de Pro, soit en moyenne près de 30 000 dollars par heure pour les deux entraînements. 4 D’autres instantanés faisaient état d’environ 830 000 dollars pour Pro et 360 000 dollars pour Flash, avec un redémarrage de Pro lié à la VRAM d’un nœud et un redémarrage de Flash après une erreur de jeu de données à l’étape 15.
9
Ces chiffres impressionnent, mais doivent être interprétés avec prudence :
- ce sont des estimations affichées par Xiaomi, et non des factures vérifiées par un tiers ;
- le tableau ne détaille pas ses règles comptables : il peut inclure ou exclure le matériel, la capacité réservée, l’ingénierie, la préparation des données, le stockage, le réseau ou l’infrastructure d’évaluation ;
- il ne permet pas d’établir le budget total de développement de MiMo-V2.6, ni le coût d’un gain de capacité donné ;
- les redémarrages et les variations d’utilisation rendent toute extrapolation horaire incertaine.
Une conclusion reste toutefois difficile à éviter : Xiaomi présente cette opération comme un effort de RL en ligne coûteux et intensif en infrastructure, pas comme une expérience légère de post-entraînement.
Courbes de récompense et scores DeepSWE : ce qu’ils disent, et ce qu’ils ne disent pas
Le tableau de bord comprendrait des courbes de récompense et des évaluations de programmation réalisées pendant l’entraînement. Dans un instantané rapporté, DeepSWE v1.1 atteignait 63,72 pour Pro et 60,77 pour Flash. 9
Ce sont des indicateurs utiles, pas des affirmations définitives sur les capacités des modèles. Une courbe de récompense en hausse peut correspondre à une meilleure résolution des tâches, mais aussi refléter une modification du mélange de tâches, de la variance, du comportement des correcteurs, de l’optimisation de la récompense ou de l’exposition au benchmark. De même, un score de benchmark en cours d’entraînement ne devient un résultat final qu’avec un protocole d’évaluation documenté, des réglages d’échantillonnage connus, des contrôles de contamination et une procédure claire de sélection du checkpoint final.
La lecture raisonnable est donc la suivante : le direct permet de voir évoluer des signaux d’entraînement. Il ne permet pas, à lui seul, de savoir à quel point un MiMo-V2.6 final généralisera en dehors du cadre d’évaluation affiché.
Ce que Xiaomi promet de dévoiler
Luo Fuli explique que son équipe a consacré près de six mois à une question : jusqu’où peut-on mettre à l’échelle l’apprentissage par renforcement ? Elle précise que MiMo-V2.6 se trouve encore au milieu de son entraînement RL et que Xiaomi ouvrira progressivement les détails techniques dans les semaines à venir. 24
Cet engagement de divulgation technique est notable, mais il ne doit pas être assimilé à une publication complète et reproductible. La déclaration ne promet pas explicitement l’ensemble des données d’entraînement, des prompts, des pondérations des correcteurs, des implémentations d’environnements, des états d’optimiseur, de tous les checkpoints ou des journaux complets du cluster.
En quoi cela diffère de Xiaomi-Robotics-U0
La transparence de MiMo-V2.6 concerne avant tout la visibilité du processus : Xiaomi expose une sélection de télémétrie opérationnelle pendant un post-entraînement consacré au langage et aux agents.
Xiaomi-Robotics-U0 relève d’un autre projet et d’une autre forme d’ouverture. Ce modèle de robotique est présenté comme un modèle de fondation du monde autorégressif de 38 milliards de paramètres, destiné à l’intelligence incarnée. Il rassemble notamment la génération texte-image, l’édition d’images, la génération de scènes incarnées, le transfert incarné et la génération de vidéos incarnées. 25
34 Le dépôt public de Xiaomi décrit des matériaux de modèles et de framework diffusés pour ce travail.
32
La distinction est simple :
- Robotics-U0 : une ouverture centrée sur les artefacts de modèle, le code ou les frameworks, et des capacités de génération incarnée ;
- le direct RL de MiMo-V2.6 : une ouverture centrée sur une partie de la télémétrie d’entraînement, en temps réel, d’un post-entraînement d’agents.
Ces deux approches peuvent être utiles. Aucune ne fournit automatiquement tout ce qui est nécessaire pour reproduire intégralement le résultat final.
Les limites d’un tableau de bord public
Le direct MiMo est plus instructif qu’une annonce de benchmark publiée une fois le travail terminé, mais plusieurs incertitudes majeures demeurent.
Le caractère « en direct » n’est pas vérifiable de manière indépendante
Un tableau de bord public peut être mis à jour presque en temps réel tout en intégrant des retards, des valeurs ajoutées après coup, des corrections, des pauses, des redémarrages ou des interventions manuelles. Son existence atteste d’un niveau inhabituel de divulgation, pas d’une preuve cryptographique de continuité ininterrompue.
La provenance des données reste inconnue
Des comptes publics de prompts, de rollouts, de tokens et de coûts ne démontrent pas l’absence de sorties d’un modèle enseignant non divulguées, de données propriétaires, de données humaines filtrées, d’exposition cachée à des benchmarks ou d’autres entrées hors tableau de bord.
Les métriques exposées dépendent de leur protocole
Sans harnais d’évaluation entièrement publié, jeux de test figés, paramètres d’échantillonnage, répétitions avec différentes graines et réplication indépendante, les courbes de récompense comme les résultats DeepSWE intermédiaires ne suffisent pas à trancher les capacités générales finales des modèles.
La vue reste sélective
Le tableau peut montrer l’avancement et certains incidents sans révéler le mélange complet des tâches, la pondération des récompenses, la fiabilité des correcteurs, l’inventaire matériel, la méthode exacte de calcul des coûts, la provenance des données ou les critères de choix du checkpoint final.
À retenir
Le tableau de bord de MiMo-V2.6 est une expérience rare de transparence opérationnelle autour du RL agentique à grande échelle. Sa configuration annoncée — près de 2 milliards de tokens par étape, 1 568 prompts, 16 rollouts asynchrones par prompt, des environnements mixtes et un important travail côté correction — montre que Xiaomi aborde la mise à l’échelle du RL autant comme un problème de systèmes que comme un problème d’entraînement de modèle. 24
Les dépenses affichées, les courbes de récompense, les instantanés de benchmarks et les pannes visibles rendent le processus plus inspectable qu’un simple communiqué de lancement. Mais il s’agit toujours de télémétrie sélectionnée, auto-déclarée et issue d’entraînements inachevés. Le tableau est un indice solide de transparence opérationnelle, non une preuve indépendante de continuité du direct, de traçabilité complète des données ou de qualité finale du modèle.
Studio Global AI
Continuez vos recherches
Cette page comprend une réponse basée sur la source que vous pouvez continuer dans Studio Global.
Les gens demandent aussi
Quelle est la réponse courte à « MiMo-V2.6 : Xiaomi diffuse son entraînement IA en direct, mais cela ne prouve pas tout » ?
Xiaomi diffuse des indicateurs choisis de deux entraînements RL encore inachevés, MiMo V2.6 Pro et MiMo V2.6 Flash : environ 2 milliards de tokens par étape, avec 1 568 prompts et 16 rollouts chacun.
Quels sont les points clés à valider en premier ?
Xiaomi diffuse des indicateurs choisis de deux entraînements RL encore inachevés, MiMo V2.6 Pro et MiMo V2.6 Flash : environ 2 milliards de tokens par étape, avec 1 568 prompts et 16 rollouts chacun. Le signal technique majeur est l’effort de mise à l’échelle simultané du calcul de modèle, des environnements d’agents multitâches et du calcul de correction et d’évaluation.
Que dois-je faire ensuite en pratique ?
Le tableau de bord rend les progrès et certains échecs plus visibles, mais ne prouve ni la continuité intégrale du direct, ni la provenance des données, ni les performances finales des modèles.