AnswersPublished18 sources
מה אפשר ללמוד — ומה אי אפשר להוכיח — מהשידור החי של אימון MiMo-V2.6
שיאומי מציגה לציבור טלמטריה נבחרת משני אימוני RL שטרם הסתיימו, MiMo V2.6 Pro ו MiMo V2.6 Flash: כ 2 מיליארד טוקנים לכל צעד, על בסיס 1,568 פרומפטים ו 16 רולאאוטים לכל פרומפט. המסר הטכני העיקרי הוא שהחברה מגדילה לא רק את כוח החישוב, אלא גם את סביבות המשימות לסוכנים ואת החישוב הנדרש לבודקים ולמנגנוני התגמול.
פורסם על ידינערך באמצעות GPT-5.6 Terraהתמונות נוצרו באמצעות GPT Image 2
Research answer
Key takeaways
- שיאומי מציגה לציבור טלמטריה נבחרת משני אימוני RL שטרם הסתיימו, MiMo V2.6 Pro ו MiMo V2.6 Flash: כ 2 מיליארד טוקנים לכל צעד, על בסיס 1,568 פרומפטים ו 16 רולאאוטים לכל פרומפט.
- המסר הטכני העיקרי הוא שהחברה מגדילה לא רק את כוח החישוב, אלא גם את סביבות המשימות לסוכנים ואת החישוב הנדרש לבודקים ולמנגנוני התגמול.
- הלוח מספק הצצה נדירה להתקדמות תפעולית ולתקלות, אך עקומות וציוני ביניים אינם יכולים להוכיח רציפות מלאה של שידור חי, מקור נתונים נקי או יכולת סופית שאומתה באופן עצמאי.
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
צוות MiMo של שיאומי פתח לציבור חלון נדיר אל תוך פיתוח מודל: לוח בקרה לאימון שלאחר האימון באמצעות למידת חיזוק (RL) עבור שני מודלים שטרם הושקו, MiMo-V2.6-Pro ו-MiMo-V2.6-Flash. במקום לפרסם רק טבלת ביצועים סופית, העמוד מציג טלמטריה נבחרת — עקומות תגמול, מספר רולאאוטים, זמני צעדים, עלות חישוב מצטברת, תוצאות הערכה ואירועי תשתית. 1
8
הנקודה החשובה אינה שלוח הבקרה מוכיח תוצאה סופית של המודלים. הוא מראה ששיאומי מתייחסת לתפעול של RL בקנה מידה גדול עבור סוכנים — יצירת רולאאוטים, הרצת סביבות, אימות, ניקוד, עדכונים, תקלות והוצאה כספית — כאל תהליך שכדאי לחשוף לציבור.
מה מוצג בלוח הבקרה
לפי דיווחים על העמוד הציבורי, ריצות ה-Pro וה-Flash המקבילות החלו ב-15 בספטמבר 2026. הלוח עוקב אחר ההתקדמות בזמן שהמודלים עדיין מתאמנים; שיאומי לא הכריזה על מפרט סופי, מחיר או זמינות ציבורית של אף אחד מהם. 1
8
תצורת האצווה שנחשפה גדולה: 1,568 פרומפטים עם 16 רולאאוטים לכל פרומפט — כ-25 אלף רולאאוטים — וכ-2 מיליארד טוקנים לכל צעד RL. לדברי שיאומי, המערכת פועלת באופן אסינכרוני מלא. 24
לואו פולי, שמובילה את צוות MiMo, תיארה שלושה ממדי הגדלה:
- חישוב: כ-2 מיליארד טוקנים לכל צעד.
- סביבות ותשתיות משימה: ערבוב של משימות סוכנים ומנגנוני הרצה רבים באותה ריצה.
- חישוב לבודקים: הקצאת קרדיט בתוך קבוצת סוכנים, שבה התגמול מבוסס על מקרי מבחן ועל כללי הערכה.
24
במונחים מעשיים, התיאור מרמז על צינור עבודה שבו המודל מייצר פעולות או פתרונות, מריץ אותם בסביבות משימה, מקבל משוב ממאמתים או מכללי הערכה, ומתעדכן על בסיס המשוב. בהיקף כזה, יצירת הרולאאוטים והפעלת מערך הבדיקות עשויות להיות חשובות תפעולית לא פחות מהאופטימייזר עצמו.
מדוע האסינכרוניות היא הסיפור הטכני המרכזי
מערכת RL אסינכרונית מאפשרת ליצירת רולאאוטים, להרצת סביבות, לניקוד ולעדכון המודל להתקדם במקביל, בלי שכל הרכיבים ימתינו למשימה האיטית ביותר. זה חשוב במיוחד בעומסי עבודה מעורבים של סוכנים: חלק מהמשימות מסתיימות במהירות, ואחרות דורשות שימוש ארוך בכלים או בדיקה יקרה יותר.
גם הדגש של שיאומי על כוח החישוב לבודקים משמעותי. במשימות סוכן, התוצאה הסופית עשויה להיות תלויה ברצף פעולות ולא בתשובה יחידה. הקצאת התגמול לאורך הרצף הזה — מה ששיאומי מכנה הקצאת קרדיט בתוך קבוצת סוכנים — הופכת לחלק ממערכת האימון עצמה. 24
מכאן הלקח התפעולי: הגדלת RL עבור סוכנים אינה רק הוספת מעבדי GPU לאימון. היא דורשת גם קיבולת מספקת של סביבות, רולאאוטים ומאמתים כדי להזין את לולאת האימון במשוב שימושי.
איך לקרוא את מונה העלויות
דיווחים מוקדמים שהתבססו על לוח הבקרה הציבו את ההוצאה המשולבת על יותר מ-1.08 מיליון דולר בכ-36 שעות מתחילת ריצת ה-Pro — ממוצע של כ-30 אלף דולר לשעה בשתי הריצות יחד. 4 צילומי מצב אחרים דיווחו על כ-830 אלף דולר ל-Pro וכ-360 אלף דולר ל-Flash, לצד הפעלה מחדש של Pro בעקבות בעיית VRAM בצומת, והפעלה מחדש של Flash לאחר שגיאת מערך נתונים בצעד 15.
9
המספרים בולטים, אבל יש לפרש אותם בזהירות:
- אלה הערכות עלות חישוב מצטברות שמוצגות על ידי שיאומי, ולא חשבוניות שעברו ביקורת בלתי תלויה.
- סכום בלוח בקרה אינו חושף את שיטת החשבונאות: ייתכן שהוא כולל, או לא כולל, את כל עלויות החומרה, קיבולת שמורה, הנדסה, הכנת נתונים, אחסון, רשת ותשתית הערכה.
- הוא אינו מוכיח מה היה תקציב הפיתוח הכולל של MiMo-V2.6, או כמה עלתה כל יחידת שיפור ביכולת.
- הפעלות מחדש ושינויים בניצולת גורמים לכך שהשלכה פשוטה של עלות לשעה עלולה להטעות.
ובכל זאת, נקודה אחת ברורה: שיאומי מציגה את המאמץ כריצת RL מקוונת, יקרה וכבדה מבחינת תשתית — לא כניסוי קל משקל של אימון שלאחר האימון.
מה עקומות תגמול וציוני DeepSWE כן — ולא — אומרים
לפי הדיווחים, לוח הבקרה כולל עקומות תגמול והערכות קוד במהלך האימון. באחד מצילומי המצב דווח על ציון DeepSWE v1.1 של 63.72 ל-Pro ושל 60.77 ל-Flash. 9
אלה כלי אבחון שימושיים, לא טענות סופיות על יכולת. עקומת תגמול עולה יכולה להעיד על שיפור בהשלמת משימות, אך היא עשויה לשקף גם שינוי בתמהיל המשימות, שונות סטטיסטית, התנהגות של הבודק, אופטימיזציה לתגמול או חשיפה למבחנים. באופן דומה, ציון ביניים במבחן אינו תוצאה סופית של מודל בלי תיעוד של פרוטוקול ההערכה, הגדרות הדגימה, בקרות לזיהום נתונים ותהליך בחירת נקודת הביקורת הסופית — ובדיקה בלתי תלויה שלהם.
הקריאה הנכונה היא שהשידור מאפשר לצפות באותות אימון בזמן התפתחותם. הוא לא מראה, בפני עצמו, עד כמה מודל MiMo-V2.6 מוגמר יכליל מעבר לסביבת ההערכה המוצגת.
מה שיאומי הבטיחה לחשוף
לואו פולי אמרה שהצוות הקדיש כמעט חצי שנה לשאלה אחת: עד כמה אפשר להרחיב למידת חיזוק. היא הדגישה ש-MiMo-V2.6 עדיין נמצא באמצע ריצת ה-RL, ושיאומי תפרסם בקוד פתוח פרטים "בהדרגה" בשבועות הקרובים. 24
זו התחייבות משמעותית לחשיפה טכנית נוספת, אך אין לקרוא בה הבטחה לחבילת שחזור מלאה. ההצהרה לבדה אינה מבטיחה את כל נתוני האימון, הפרומפטים, משקלי הבודקים, מימושי הסביבות, מצב האופטימייזר, כל נקודות הביקורת או יומני האשכול המלאים.
במה זה שונה מ-Xiaomi-Robotics-U0
השקיפות של MiMo-V2.6 עוסקת בנראות התהליך: שיאומי חושפת טלמטריה תפעולית נבחרת של ריצת אימון שלאחר האימון עבור שפה וסוכנים.
Xiaomi-Robotics-U0 היה פרויקט מסוג אחר וצורה אחרת של פתיחות. מודל הרובוטיקה מתואר כמודל עולם אוטורגרסיבי בן 38 מיליארד פרמטרים לאינטליגנציה גופנית, המאחד משימות כמו יצירת טקסט לתמונה, עריכת תמונות, יצירת סצנות גופניות, העברה גופנית ויצירת וידאו גופני. 25
34 המאגר הציבורי של שיאומי מתאר חומרי מודל ומסגרת עבודה ששוחררו עבור הפרויקט.
32
ההבחנה פשוטה:
- Robotics-U0: פתיחות שמרכזה ארטיפקטים של המודל, קוד או מסגרות עבודה, ויכולות יצירה גופניות.
- זרם ה-RL של MiMo-V2.6: פתיחות שמרכזה טלמטריית אימון חיה ונבחרת של אימון סוכנים לאחר האימון.
שתי הגישות יכולות להיות בעלות ערך. אף אחת מהן אינה מספקת אוטומטית את כל הדרוש כדי לשחזר את התוצאה המלאה מאפס.
מגבלותיו של לוח בקרה ציבורי
זרם MiMo חושף יותר מהכרזה רגילה על מדדי ביצועים סופיים, אך נותרו אי-ודאויות מהותיות.
אי אפשר לאמת באופן עצמאי את היותו "חי"
לוח בקרה ציבורי יכול להתעדכן כמעט בזמן אמת, ובכל זאת לכלול עיכובים, עדכונים בדיעבד, תיקוני נתונים, הפסקות, הפעלות מחדש או התערבויות ידניות. עצם קיומו הוא עדות לשקיפות חריגה, לא הוכחה קריפטוגרפית לרציפות בלתי מופרעת.
הזרם אינו יכול להוכיח את מקור הנתונים
ספירות ציבוריות של פרומפטים, רולאאוטים, טוקנים ועלויות אינן מוכיחות שלא נעשה שימוש בפלטים לא מדווחים של מודלי מורה, בנתונים קנייניים, בנתונים אנושיים מסוננים, בחשיפה סמויה למבחני ביצועים או בקלטים אחרים שלא מופיעים בלוח.
המדדים המוצגים תלויי הקשר
בלי מנגנון הערכה מלא שפורסם, ערכות מבחן קפואות, הגדרות דגימה, זרעים חוזרים ושחזור עצמאי, לא עקומות התגמול ולא תוצאות DeepSWE הזמניות יכולות לקבוע את היכולת הכללית הסופית של המודלים.
התצוגה סלקטיבית
לוח הבקרה יכול להראות התקדמות ותקלות, בלי לחשוף את מלוא תמהיל המשימות, משקלי התגמול, אמינות הבודקים, מלאי החומרה, שיטת חישוב העלויות המדויקת, מקור הנתונים או כללי בחירת נקודת הביקורת הסופית.
השורה התחתונה
לוח הבקרה של MiMo-V2.6 הוא ניסוי נדיר בנראות ציבורית של RL בקנה מידה גדול עבור סוכנים. התצורה שנחשפה — כ-2 מיליארד טוקנים לצעד, 1,568 פרומפטים, 16 רולאאוטים אסינכרוניים לכל פרומפט, סביבות מעורבות ועבודה משמעותית בצד הבודקים — מראה ששיאומי ממסגרת את הגדלת ה-RL כבעיית מערכות לא פחות מאשר כבעיית אימון מודל. 24
ההוצאה המדווחת, עקומות התגמול, צילומי מדדי הביצוע והתקלות הגלויות הופכים את התהליך לניתן לבחינה יותר מהודעת השקה בדיעבד. אבל זו עדיין טלמטריה נבחרת ודיווח עצמי של ריצות שלא הושלמו. לוח הבקרה הוא ראיה חזקה לשקיפות תפעולית — לא הוכחה עצמאית לאימון חי ורציף, למקור נתונים מלא או לאיכות הסופית של המודל.
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 "מה אפשר ללמוד — ומה אי אפשר להוכיח — מהשידור החי של אימון MiMo-V2.6"?
שיאומי מציגה לציבור טלמטריה נבחרת משני אימוני RL שטרם הסתיימו, MiMo V2.6 Pro ו MiMo V2.6 Flash: כ 2 מיליארד טוקנים לכל צעד, על בסיס 1,568 פרומפטים ו 16 רולאאוטים לכל פרומפט.
What are the key points to validate first?
שיאומי מציגה לציבור טלמטריה נבחרת משני אימוני RL שטרם הסתיימו, MiMo V2.6 Pro ו MiMo V2.6 Flash: כ 2 מיליארד טוקנים לכל צעד, על בסיס 1,568 פרומפטים ו 16 רולאאוטים לכל פרומפט. המסר הטכני העיקרי הוא שהחברה מגדילה לא רק את כוח החישוב, אלא גם את סביבות המשימות לסוכנים ואת החישוב הנדרש לבודקים ולמנגנוני התגמול.
What should I do next in practice?
הלוח מספק הצצה נדירה להתקדמות תפעולית ולתקלות, אך עקומות וציוני ביניים אינם יכולים להוכיח רציפות מלאה של שידור חי, מקור נתונים נקי או יכולת סופית שאומתה באופן עצמאי.