MiMo-V2.6 in diretta: cosa mostra davvero il cruscotto RL di Xiaomi

Xiaomi ha reso pubblico un aspetto insolito dello sviluppo di modelli di IA: un cruscotto dedicato al post-addestramento con reinforcement learning (RL) di due modelli non ancora distribuiti, MiMo-V2.6-Pro e MiMo-V2.6-Flash. Invece di limitarsi a pubblicare una tabella di benchmark a lavoro concluso, la pagina espone una parte della telemetria: curve di ricompensa, numero di roll-out, tempi degli step, stime dei costi di calcolo, risultati di valutazione ed eventi dell'infrastruttura. 18

Il messaggio principale non è che il cruscotto certifichi il risultato finale dei modelli. È che Xiaomi considera osservabile pubblicamente la macchina operativa dell'RL agentico su larga scala: generazione dei roll-out, ambienti di esecuzione, verifica, valutazione, aggiornamenti, errori e spesa computazionale.

Cosa si vede sul cruscotto

Secondo le ricostruzioni della pagina pubblica, le run parallele Pro e Flash sono iniziate il 15 settembre 2026. Il cruscotto segue l'avanzamento mentre i modelli sono ancora in addestramento; Xiaomi non ha annunciato specifiche definitive, prezzi o disponibilità pubblica per nessuno dei due. 18

La configurazione resa nota è considerevole: 1.568 prompt con 16 roll-out per prompt, cioè circa 25.000 roll-out, e all'incirca 2 miliardi di token per ogni step RL. Xiaomi afferma che il sistema opera in modalità interamente asincrona. 24

Luo Fuli, responsabile del team MiMo, ha indicato tre dimensioni della scalabilità:

• Calcolo: circa 2 miliardi di token per step.
• Ambienti e harness: più attività agentiche e relativi sistemi di esecuzione combinati nella stessa run.
• Calcolo per i valutatori: attribuzione del merito all'interno dei gruppi agentici, con ricompense derivate da casi di test e rubriche. 24

In pratica, la descrizione pubblica fa pensare a una pipeline nella quale i modelli producono azioni o soluzioni, le eseguono in ambienti di compito, ricevono feedback da verificatori o rubriche e vengono quindi aggiornati in base a quel feedback. A questa scala, produrre roll-out ed eseguire i valutatori può essere importante quanto l'ottimizzatore stesso.

Perché l'architettura asincrona è l'aspetto tecnico centrale

Un sistema RL completamente asincrono permette alla generazione dei roll-out, all'esecuzione negli ambienti, al punteggio e agli aggiornamenti del modello di procedere senza costringere ogni componente ad attendere il compito più lento. È un'impostazione particolarmente rilevante per carichi agentici misti: alcune attività possono terminare rapidamente, altre richiedono un uso più lungo di strumenti o una valutazione più costosa.

Anche l'enfasi di Xiaomi sul calcolo destinato ai valutatori è significativa. Nei compiti agentici, il risultato finale può dipendere da una sequenza di azioni e non da una sola risposta. Attribuire la ricompensa lungo quella sequenza — ciò che Xiaomi chiama agentic in-group credit assignment — diventa quindi una componente del sistema di addestramento, non un dettaglio accessorio. 24

La lezione operativa del cruscotto è questa: scalare l'RL per gli agenti non significa soltanto aggiungere GPU per l'addestramento. Servono anche ambienti, capacità di generare roll-out e verificatori in numero sufficiente per alimentare il ciclo con feedback utili.

Come leggere il contatore dei costi

Le prime segnalazioni basate sul cruscotto indicavano una spesa complessiva superiore a 1,08 milioni di dollari in circa 36 ore dall'avvio di Pro, ossia in media circa 30.000 dollari l'ora per le due run. 4 Altre istantanee riportavano circa 830.000 dollari per Pro e 360.000 per Flash; Pro sarebbe stata riavviata per un problema di VRAM su un nodo, mentre Flash sarebbe ripartita dopo un errore nel dataset allo step 15. 9

Sono numeri d'impatto, ma richiedono cautela:

• si tratta di stime correnti dei costi di calcolo mostrate da Xiaomi, non di fatture sottoposte a revisione indipendente;
• il totale non chiarisce le regole contabili: può includere o escludere costi di hardware, capacità riservata, ingegneria, preparazione dei dati, archiviazione, rete o infrastruttura di valutazione;
• non indica il budget complessivo per MiMo-V2.6 né il costo per ogni miglioramento effettivo delle capacità;
• riavvii e variazioni nell'utilizzo rendono potenzialmente fuorviante estrapolare un semplice costo orario.

Resta però un punto evidente: Xiaomi presenta l'iniziativa come un impegnativo sforzo di RL online, ad alta intensità infrastrutturale, non come un leggero esperimento di post-addestramento.

Cosa dicono — e cosa non dicono — reward curve e DeepSWE

Il cruscotto includerebbe curve di ricompensa e valutazioni di programmazione effettuate durante l'addestramento. In una delle istantanee riportate, DeepSWE v1.1 segnava 63,72 per Pro e 60,77 per Flash. 9

Sono indicatori diagnostici, non affermazioni conclusive sulle capacità. Una curva di ricompensa in crescita può essere coerente con un miglior completamento dei compiti, ma può anche riflettere cambiamenti nel mix di attività, varianza, comportamento del valutatore, ottimizzazione della ricompensa o esposizione ai benchmark. Allo stesso modo, un punteggio ottenuto a metà run non è un risultato finale finché non sono documentati e verificati in modo indipendente protocollo di valutazione, impostazioni di campionamento, controlli sulla contaminazione e criteri di selezione del checkpoint finale.

La lettura corretta è quindi: la diretta consente di osservare l'evoluzione dei segnali di addestramento. Da sola, non dimostra quanto un MiMo-V2.6 completato saprà generalizzare fuori dall'impostazione di valutazione mostrata.

Quali dettagli Xiaomi promette di rilasciare

Luo Fuli ha dichiarato che il team ha dedicato quasi sei mesi a una domanda: fino a che punto il reinforcement learning possa essere scalato. Ha descritto MiMo-V2.6 come ancora nel mezzo della run RL e ha detto che Xiaomi pubblicherà dettagli in open source «pezzo per pezzo» nelle settimane successive. 24

È un impegno rilevante verso ulteriori informazioni tecniche, ma non va scambiato per una promessa di riproducibilità completa. La dichiarazione non garantisce, di per sé, la pubblicazione di tutti i dati di addestramento, prompt, pesi dei valutatori, implementazioni degli ambienti, stato dell'ottimizzatore, ogni checkpoint o log completi del cluster.

La differenza rispetto a Xiaomi-Robotics-U0

La trasparenza di MiMo-V2.6 riguarda la visibilità del processo: Xiaomi espone una selezione di dati operativi di una run di post-addestramento per linguaggio e agenti ancora in corso.

Xiaomi-Robotics-U0 era invece un progetto differente, con un diverso tipo di apertura. Il modello robotico è descritto come un modello fondazionale del mondo autoregressivo da 38 miliardi di parametri per l'intelligenza embodied, che riunisce generazione testo-immagine, editing di immagini, generazione di scene embodied, trasferimento embodied e generazione di video embodied. 2534 Il repository pubblico di Xiaomi descrive materiali relativi a modello e framework rilasciati per quel lavoro. 32

La distinzione è semplice:

• Robotics-U0: apertura incentrata su artefatti del modello, codice o framework e capacità di generazione per la robotica.
• Stream RL di MiMo-V2.6: apertura incentrata su telemetria selezionata, visibile durante il post-addestramento agentico.

Entrambe le forme possono essere utili. Nessuna delle due fornisce automaticamente tutto il necessario per riprodurre da zero il risultato completo.

I limiti di un cruscotto RL pubblico

La diretta di MiMo è più informativa di un tradizionale annuncio finale di benchmark, ma lascia aperte questioni importanti.

Il carattere “live” non è verificabile in modo indipendente

Un cruscotto pubblico può essere quasi in tempo reale pur includendo aggiornamenti ritardati, valori inseriti successivamente, correzioni, pause, riavvii o interventi manuali. La sua esistenza testimonia una divulgazione insolita, non costituisce prova crittografica di continuità ininterrotta.

Non può dimostrare la provenienza dei dati

Il conteggio pubblico di prompt, roll-out, token e costi non prova l'assenza di output da modelli insegnanti non dichiarati, dati proprietari, dati umani filtrati, esposizione nascosta ai benchmark o altri input esterni al cruscotto.

Le metriche mostrate dipendono dal contesto di valutazione

Senza un harness di valutazione integralmente pubblicato, set di test congelati, impostazioni di campionamento, semi ripetuti e replicazioni indipendenti, né le curve di ricompensa né i risultati intermedi di DeepSWE possono stabilire la capacità generale finale dei modelli.

La visuale resta selettiva

Il cruscotto può mostrare progressi e incidenti senza rivelare il mix completo di attività, la pesatura delle ricompense, l'affidabilità dei valutatori, l'inventario hardware, il metodo esatto di calcolo dei costi, la provenienza dei dati o i criteri finali per scegliere il checkpoint.

In sintesi

Il cruscotto di MiMo-V2.6 è un raro esperimento pubblico di osservabilità dell'RL agentico su vasta scala. La configurazione dichiarata — circa 2 miliardi di token per step, 1.568 prompt, 16 roll-out asincroni per prompt, ambienti misti e lavoro sostanziale lato valutazione — mostra che Xiaomi considera la scalabilità dell'RL un problema di sistemi oltre che di addestramento del modello. 24

Spesa riportata, curve di ricompensa, istantanee dei benchmark e guasti visibili rendono il processo più ispezionabile di un annuncio pubblicato a posteriori. Rimangono però dati selezionati e auto-riportati relativi a run non concluse: il cruscotto è una forte evidenza di trasparenza operativa, non una verifica indipendente della continuità della diretta, della provenienza completa dell'addestramento o della qualità finale del modello.