JawabanDipublikasikan18 sumber
Dashboard RL MiMo-V2.6 Xiaomi: Apa yang Terlihat, dan Apa yang Belum Terbukti
Xiaomi membuka dashboard publik untuk dua proses RL MiMo V2.6 yang belum selesai, Pro dan Flash, dengan konfigurasi sekitar 2 miliar token per langkah dari 1.568 prompt × 16 rollout. Sinyal teknis utamanya adalah upaya memperbesar bukan hanya komputasi model, melainkan juga lingkungan agent multi tugas dan komputasi...
Diterbitkan olehDiedit dengan GPT-5.6 TerraGambar dibuat dengan GPT Image 2
Jawaban penelitian
Poin-poin penting
- Xiaomi membuka dashboard publik untuk dua proses RL MiMo V2.6 yang belum selesai, Pro dan Flash, dengan konfigurasi sekitar 2 miliar token per langkah dari 1.568 prompt × 16 rollout.
- Sinyal teknis utamanya adalah upaya memperbesar bukan hanya komputasi model, melainkan juga lingkungan agent multi tugas dan komputasi penilai yang memberi reward berbasis tes serta rubrik.
- Kurva, biaya, dan catatan kegagalan membuat prosesnya lebih terbuka dari biasanya, tetapi telemetry publik tidak membuktikan kesinambungan siaran langsung, asal usul data yang bersih, atau kemampuan final model.
AI Perintah
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 membuat bagian yang tidak lazim dari pengembangan model AI bisa dilihat publik: dashboard untuk tahap post-training reinforcement learning (RL) pada dua model yang belum dirilis, MiMo-V2.6-Pro dan MiMo-V2.6-Flash. Alih-alih hanya mempublikasikan tabel benchmark setelah model selesai, halaman itu menampilkan sebagian telemetry pelatihan, termasuk kurva reward, jumlah rollout, waktu per langkah, estimasi biaya komputasi berjalan, hasil evaluasi, dan insiden infrastruktur. 1
8
Intinya bukan bahwa dashboard tersebut membuktikan hasil akhir MiMo-V2.6. Yang lebih penting, Xiaomi memperlakukan operasi RL agentik berskala besar—mulai dari rollout, lingkungan tugas, verifikasi, penilaian, pembaruan model, kegagalan, hingga pengeluaran—sebagai proses yang layak diamati publik.
Apa yang ditampilkan dashboard
Laporan mengenai halaman publik tersebut menyebut run Pro dan Flash berjalan paralel dan dimulai pada 15 September 2026. Dashboard memantau kemajuan ketika keduanya masih dalam pelatihan; Xiaomi belum mengumumkan spesifikasi final, harga, maupun ketersediaan publik untuk salah satu model. 1
8
Konfigurasi batch yang diungkap cukup besar: 1.568 prompt dengan 16 rollout per prompt, atau sekitar 25.000 rollout, serta kurang lebih 2 miliar token untuk setiap langkah RL. Xiaomi menyatakan sistemnya berjalan sepenuhnya secara asinkron. 24
Ini bukan sekadar loop optimasi preferensi atas pasangan teks statis. Luo Fuli, pemimpin tim MiMo, menjelaskan tiga dimensi yang diperbesar oleh timnya:
- Komputasi: sekitar 2 miliar token per langkah.
- Lingkungan dan harness: beragam tugas agentik serta task harness digabung dalam satu run.
- Komputasi penilai: agentic in-group credit assignment, dengan reward yang ditentukan oleh kasus uji dan rubrik.
24
Secara praktis, gambaran ini mengarah pada pipeline tempat model menghasilkan tindakan atau solusi, menjalankannya di lingkungan tugas, menerima umpan balik dari verifier atau rubrik, lalu diperbarui berdasarkan umpan balik tersebut. Dalam skala seperti ini, pembuatan rollout dan eksekusi evaluator dapat sama pentingnya dengan proses optimisasi model itu sendiri.
Mengapa sistem asinkron menjadi cerita teknis utamanya
Sistem RL yang sepenuhnya asinkron memungkinkan pembuatan rollout, eksekusi lingkungan, penilaian, dan pembaruan model berjalan tanpa semua komponen harus menunggu tugas yang paling lambat. Desain ini sangat relevan untuk beban kerja agent campuran: sebagian tugas bisa cepat selesai, sementara yang lain membutuhkan penggunaan alat lebih panjang atau penilaian yang lebih mahal.
Fokus Xiaomi pada komputasi penilai juga patut dicermati. Dalam tugas agentik, hasil akhir sering bergantung pada rangkaian tindakan, bukan satu respons tunggal. Menentukan bagaimana reward dibagikan pada rangkaian itu—yang disebut Xiaomi sebagai agentic in-group credit assignment—menjadi bagian inti sistem pelatihan, bukan sekadar pelengkap. 24
Pelajaran operasional dari dashboard ini adalah bahwa memperbesar RL untuk agen tidak cukup dengan menambah GPU pelatihan. Sistem juga perlu memiliki kapasitas lingkungan, rollout, dan verifier yang memadai agar loop pelatihan terus menerima umpan balik yang berguna.
Cara membaca penghitung biaya yang ditampilkan
Laporan awal berdasarkan dashboard publik menyebut total pengeluaran gabungan telah melampaui US$1,08 juta dalam sekitar 36 jam setelah Pro dimulai, atau rata-rata sekitar US$30.000 per jam untuk dua run tersebut. 4 Cuplikan lain melaporkan kira-kira US$830.000 untuk Pro dan US$360.000 untuk Flash. Pada saat yang sama, Pro dilaporkan sempat dimulai ulang akibat masalah VRAM pada node, sedangkan Flash diulang setelah kesalahan dataset pada langkah ke-15.
9
Angka ini mencolok, tetapi perlu dibaca secara hati-hati:
- Itu adalah estimasi biaya komputasi berjalan yang ditampilkan Xiaomi, bukan tagihan yang telah diaudit independen.
- Total pada dashboard tidak menjelaskan aturan akuntansinya. Bisa jadi angka tersebut memasukkan atau tidak memasukkan seluruh biaya perangkat keras, kapasitas yang dipesan, rekayasa, persiapan data, penyimpanan, jaringan, atau infrastruktur evaluasi.
- Angka itu tidak menetapkan total anggaran pengembangan MiMo-V2.6 maupun biaya untuk setiap peningkatan kemampuan.
- Restart dan perubahan utilisasi membuat ekstrapolasi tarif per jam secara lurus berpotensi menyesatkan.
Namun, satu hal terlihat jelas: Xiaomi menggambarkan upaya ini sebagai RL daring yang mahal dan berat di sisi infrastruktur, bukan eksperimen post-training ringan.
Arti dan keterbatasan kurva reward serta skor DeepSWE
Dashboard dilaporkan memuat kurva reward dan evaluasi pengodean di tengah pelatihan. Salah satu cuplikan mencatat skor DeepSWE v1.1 sebesar 63,72 untuk Pro dan 60,77 untuk Flash. 9
Angka-angka tersebut berguna sebagai diagnostik, bukan klaim kemampuan final. Kurva reward yang meningkat dapat sejalan dengan perbaikan penyelesaian tugas, tetapi juga dapat dipengaruhi perubahan komposisi tugas, variasi statistik, perilaku penilai, optimasi terhadap reward, atau paparan benchmark. Demikian pula, skor benchmark di tengah run bukan hasil akhir model tanpa dokumentasi protokol evaluasi, pengaturan sampling, kontrol kontaminasi, dan proses pemilihan checkpoint final yang diperiksa secara independen.
Pembacaan yang tepat: siaran ini memungkinkan publik mengamati sinyal pelatihan yang berubah dari waktu ke waktu. Namun, siaran itu sendiri tidak membuktikan seberapa baik model MiMo-V2.6 yang selesai kelak akan melakukan generalisasi di luar pengaturan evaluasi yang ditampilkan.
Janji keterbukaan Xiaomi berikutnya
Luo Fuli mengatakan timnya menghabiskan hampir setengah tahun untuk meneliti satu pertanyaan: sejauh mana reinforcement learning dapat diperbesar skalanya. Ia menyebut MiMo-V2.6 masih berada di tengah run RL dan mengatakan Xiaomi akan membuka detailnya secara bertahap dalam beberapa pekan mendatang. 24
Ini merupakan komitmen penting untuk pengungkapan teknis lanjutan, tetapi tidak otomatis berarti rilis yang sepenuhnya dapat direproduksi. Pernyataan itu belum menjanjikan seluruh data pelatihan, prompt, bobot penilai, implementasi lingkungan, status optimizer, setiap checkpoint, ataupun log klaster lengkap.
Bedanya dengan Xiaomi-Robotics-U0
Keterbukaan MiMo-V2.6 berpusat pada visibilitas proses: Xiaomi memperlihatkan sebagian telemetry operasional dari run post-training bahasa dan agen yang masih berlangsung.
Xiaomi-Robotics-U0 adalah proyek lain dengan bentuk keterbukaan berbeda. Model robotika itu digambarkan sebagai model fondasi dunia autoregresif berparameter 38 miliar untuk kecerdasan berwujud (embodied intelligence), yang menyatukan tugas seperti generasi teks-ke-gambar, penyuntingan gambar, generasi adegan berwujud, transfer berwujud, dan generasi video berwujud. 25
34 Repositori publik Xiaomi menjelaskan materi model serta framework yang dirilis untuk proyek tersebut.
32
Perbedaannya dapat diringkas sebagai berikut:
- Robotics-U0: keterbukaan berpusat pada artefak model, kode atau framework, serta kemampuan generasi untuk konteks robotika.
- Siaran RL MiMo-V2.6: keterbukaan berpusat pada telemetry pelatihan langsung yang dipilih untuk post-training agen.
Keduanya bernilai, tetapi tidak serta-merta menyediakan semua hal yang diperlukan untuk mereproduksi hasil lengkap dari nol.
Batas sebuah dashboard RL publik
Siaran MiMo lebih informatif daripada pengumuman benchmark final biasa, tetapi sejumlah ketidakpastian penting tetap ada.
Status “langsung” tidak bisa diverifikasi secara independen
Dashboard publik dapat mendekati waktu nyata, tetapi tetap mungkin berisi pembaruan tertunda, nilai yang diisi ulang, koreksi data, jeda, restart, atau intervensi manual. Keberadaannya merupakan bukti keterbukaan yang tidak biasa, bukan bukti kriptografis bahwa pelatihan berjalan kontinu tanpa putus.
Dashboard tidak dapat membuktikan asal-usul data
Jumlah prompt, rollout, token, dan biaya yang dipublikasikan tidak membuktikan tidak adanya keluaran model guru yang dirahasiakan, data proprietari, data manusia yang telah disaring, paparan benchmark tersembunyi, atau masukan lain di luar dashboard.
Metrik yang terlihat bersifat kondisional
Tanpa harness evaluasi yang dipublikasikan penuh, set uji yang dibekukan, pengaturan sampling, pengulangan dengan seed berbeda, serta replikasi independen, baik kurva reward maupun hasil DeepSWE sementara belum dapat memastikan kemampuan umum final dari kedua model.
Tampilan yang dibuka tetap selektif
Dashboard dapat menunjukkan kemajuan dan insiden tanpa membuka seluruh campuran tugas, bobot reward, keandalan penilai, inventaris perangkat keras, metodologi biaya secara persis, asal-usul data, atau kriteria pemilihan checkpoint final.
Kesimpulan
Dashboard MiMo-V2.6 Xiaomi adalah eksperimen keteramatan publik yang langka untuk RL agentik berskala besar. Konfigurasi yang diungkap—sekitar 2 miliar token per langkah, 1.568 prompt, 16 rollout asinkron per prompt, lingkungan campuran, serta kerja penilai yang besar—memperlihatkan bahwa Xiaomi memandang penskalaan RL sebagai masalah sistem, sama pentingnya dengan pelatihan model itu sendiri. 24
Pengeluaran yang dilaporkan, kurva reward, cuplikan benchmark, dan kegagalan yang terlihat menjadikan prosesnya lebih mudah diperiksa daripada unggahan peluncuran setelah semuanya selesai. Namun, semua itu tetap merupakan telemetry terpilih yang dilaporkan sendiri dari run yang belum rampung. Dashboard ini adalah bukti kuat adanya transparansi operasional—bukan bukti independen atas kesinambungan pelatihan langsung, asal-usul data pelatihan yang lengkap, atau kualitas final model.
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Orang-orang juga bertanya
Apa jawaban singkat untuk "Dashboard RL MiMo-V2.6 Xiaomi: Apa yang Terlihat, dan Apa yang Belum Terbukti"?
Xiaomi membuka dashboard publik untuk dua proses RL MiMo V2.6 yang belum selesai, Pro dan Flash, dengan konfigurasi sekitar 2 miliar token per langkah dari 1.568 prompt × 16 rollout.
Apa poin penting yang harus divalidasi terlebih dahulu?
Xiaomi membuka dashboard publik untuk dua proses RL MiMo V2.6 yang belum selesai, Pro dan Flash, dengan konfigurasi sekitar 2 miliar token per langkah dari 1.568 prompt × 16 rollout. Sinyal teknis utamanya adalah upaya memperbesar bukan hanya komputasi model, melainkan juga lingkungan agent multi tugas dan komputasi penilai yang memberi reward berbasis tes serta rubrik.
Apa yang harus saya lakukan selanjutnya dalam latihan?
Kurva, biaya, dan catatan kegagalan membuat prosesnya lebih terbuka dari biasanya, tetapi telemetry publik tidak membuktikan kesinambungan siaran langsung, asal usul data yang bersih, atau kemampuan final model.