XiaomiのMiMoチームは、未発表モデル MiMo-V2.6-Pro と MiMo-V2.6-Flash の強化学習（RL）によるポストトレーニングの一部を、公開ダッシュボードで表示している。完成後のベンチマーク表だけを出すのではなく、報酬曲線、ロールアウト数、ステップの所要時間、累積計算費用の推定値、評価結果、インフラ障害といったテレメトリーを公開する試みだ。18

ここで重要なのは、この画面が最終モデルの優劣を証明するものではない点である。むしろXiaomiは、大規模なエージェント型RLの運用――ロールアウト、実行環境、検証、採点、更新、障害、コスト――自体を観測可能な対象として扱っている。

ダッシュボードで見えること

報道によれば、ProとFlashの並列実行は2026年9月15日に始まった。モデルはいずれも学習途中であり、Xiaomiは最終仕様、価格、一般提供の時期を発表していない。18

公表されたバッチ構成は、1,568プロンプトに対して各16ロールアウト、すなわち約2万5,000ロールアウトで、RLの1ステップ当たりの処理量は約20億トークンとされる。システムは完全非同期で動作するという。24

MiMoチームの責任者である羅福莉（Luo Fuli）氏は、拡張した対象を次の3点として説明している。

• 計算量：1ステップ当たり約20億トークン
• 環境とハーネス：1回の実行に複数のエージェントタスクとタスク実行基盤を混在
• 評価器の計算量：テストケースとルーブリックに基づく報酬を用い、エージェントの「グループ内信用割り当て」を行う24

平たく言えば、モデルが解答や行動を生成し、タスク環境で実行し、検証器や採点基準からフィードバックを受け、その結果を学習更新に反映するパイプラインだ。この規模では、最適化アルゴリズムだけでなく、ロールアウトの生成と評価器の稼働能力が学習全体を左右する。

技術的な焦点は「完全非同期」にある

完全非同期のRLでは、ロールアウト生成、環境での実行、採点、モデル更新を、最も遅いタスクが終わるまで全体で待機する形にせず、並行して進められる。ツール利用が長引くタスクや、採点コストの高いタスクが混じるエージェント型ワークロードでは、とりわけ重要な設計だ。

評価器側の計算量を重視する点にも意味がある。エージェントタスクでは、最終結果が単発の回答ではなく、一連の操作の積み重ねで決まる場合がある。そのため、どの行動にどれだけ報酬を配分するかという「信用割り当て」が、周辺処理ではなく学習システムの中核になる。24

この配信が示す運用上の教訓は明快だ。エージェントRLをスケールさせるには、学習用GPUを増やすだけでは足りない。環境、ロールアウト、検証器を十分に用意し、学習ループに有用なフィードバックを絶えず供給する必要がある。

表示される費用はどう読むべきか

公開ダッシュボードを基にした初期の報道では、Proの開始から約36時間で、両実行の合計支出は108万ドル超、平均すると毎時約3万ドルとされた。4 別の時点の表示では、Proが約83万ドル、Flashが約36万ドルで、ProはノードのVRAM問題、Flashはステップ15でのデータセットエラーに関連して再開があったと報じられた。9

数字の大きさは目を引くが、解釈には注意がいる。

• これはXiaomiが表示する継続的な計算費用の推定値であり、独立監査済みの請求書ではない。
• 集計対象の会計ルールは公開画面だけでは分からない。ハードウェア、予約済み容量、開発人員、データ準備、ストレージ、ネットワーク、評価インフラなどの費用を、どこまで含むかは不明だ。
• MiMo-V2.6全体の開発予算や、能力向上1単位当たりのコストを示すものでもない。
• 再起動や稼働率の変動があるため、単純な時間当たりの外挿は誤解を招きうる。

それでも、このカウンターから読み取れる点はある。Xiaomiはこの取り組みを、軽量なポストトレーニング実験ではなく、コストとインフラを大きく要するオンラインRLとして位置付けている。

報酬曲線とDeepSWEの途中スコアが意味すること

ダッシュボードには、報酬曲線と学習途中のコーディング評価が含まれると報じられている。ある時点ではDeepSWE v1.1のスコアが、Proで63.72、Flashで60.77だった。9

これらは有用な診断値ではあるが、最終的な能力の主張ではない。報酬曲線の上昇はタスク達成の改善と整合しうる一方、タスク構成の変化、分散、評価器の挙動、報酬への過適合、ベンチマークへの既知性といった要因でも動きうる。

同様に、学習途中のベンチマーク値を最終結果とみなすことはできない。評価プロトコル、サンプリング設定、データ汚染への対策、最終チェックポイントの選定方法が文書化され、独立に検証されて初めて、より強い比較が可能になる。

適切な受け止め方は、「学習シグナルがどう変化するかを観察できる」であって、「完成版MiMo-V2.6の外部タスクへの汎化性能を示した」ではない。

今後の開示で約束されたこと

羅氏によれば、チームは「RLをどこまでスケールできるか」という一つの問いに約半年を費やしてきた。MiMo-V2.6はなおRL実行の途中にあり、今後数週間で詳細を「少しずつ」オープンソース化していくとしている。24

これは技術情報を追加開示する意思表示として重要だ。ただし、完全な再現可能性を保証する発表ではない。学習データ、プロンプト、評価器の重み、環境実装、最適化器の状態、全チェックポイント、クラスターログのすべてが公開されると、この発言だけから結論付けることはできない。

Xiaomi-Robotics-U0とは何が違うのか

MiMo-V2.6での透明性は、プロセスの可視化に軸足がある。進行中の言語・エージェント系ポストトレーニングについて、選択された運用テレメトリーを見せている。

一方、Xiaomi-Robotics-U0は対象も公開の形も異なる。これは具身知能向けの380億パラメータの自己回帰型ワールド基盤モデルとして説明され、テキストから画像の生成、画像編集、具身シーン生成、具身転移、具身動画生成を一つの枠組みに統合する。2534 Xiaomiの公開リポジトリには、この取り組みに関するモデルやフレームワークの資料が掲載されている。32

違いを整理すると、次の通りだ。

• Robotics-U0：モデル成果物、コードやフレームワーク、具身生成の機能を中心とする公開
• MiMo-V2.6のRL配信：エージェントのポストトレーニングに関する、選択的なライブ運用テレメトリーを中心とする公開

どちらも価値があるが、いずれも単独で、最初から完全に結果を再現できるだけの情報を意味するわけではない。

公開RLダッシュボードの限界

MiMoの配信は、完成後のベンチマーク発表だけの場合よりも多くを見せる。それでも重要な不確実性は残る。

「ライブ」であることを独立には検証できない

公開ダッシュボードがほぼリアルタイムであっても、更新遅延、値の後追い反映、訂正、停止、再開、人手による介入が起こりうる。公開そのものは異例の情報開示の証拠だが、中断なく連続したライブ学習を暗号学的に証明するものではない。

学習データの来歴は確定しない

プロンプト数、ロールアウト数、トークン数、コストが公開されても、未開示の教師モデル出力、独自データ、選別済みの人間データ、非公開のベンチマーク接触、その他の画面外入力がないことまでは証明できない。

指標は公開された条件に依存する

評価ハーネス、固定されたテストセット、サンプリング設定、複数シードでの反復、独立再現が十分に公開されなければ、報酬曲線も途中のDeepSWEスコアも、モデルの最終的な汎用能力を決める材料にはならない。

見せられている範囲は選択的である

進捗や障害は見えても、タスクの全構成、報酬の重み付け、評価器の信頼性、ハードウェアの全体像、正確な原価計算、データの来歴、最終チェックポイントの選定基準までは分からない可能性がある。

結論

XiaomiのMiMo-V2.6ダッシュボードは、大規模エージェントRLにおける、珍しい公開可観測性の実験だ。約20億トークン／ステップ、1,568プロンプト、各16本の非同期ロールアウト、複数環境の混在、評価器側の大きな計算負荷という公開情報は、RLのスケーリングをモデル学習だけでなく、システム運用の問題として捉えていることを示す。24

費用、報酬曲線、ベンチマークの途中値、障害の表示により、完成後の発表よりも過程を吟味しやすくなったのは確かだ。ただし、それらは未完了の実行から選択的に示された自己申告テレメトリーでもある。このダッシュボードが強く示すのは運用面の透明性であり、継続的なライブ学習、完全なデータ来歴、最終モデル品質を独立して証明するものではない。

XiaomiのMiMoチームは、未発表モデル MiMo-V2.6-Pro と MiMo-V2.6-Flash の強化学習（RL）によるポストトレーニングの一部を、公開ダッシュボードで表示している。完成後のベンチマーク表だけを出すのではなく、報酬曲線、ロールアウト数、ステップの所要時間、累積計算費用の推定値、評価結果、インフラ障害といったテレメトリーを公開する試みだ。18

ここで重要なのは、この画面が最終モデルの優劣を証明するものではない点である。むしろXiaomiは、大規模なエージェント型RLの運用――ロールアウト、実行環境、検証、採点、更新、障害、コスト――自体を観測可能な対象として扱っている。

ダッシュボードで見えること

報道によれば、ProとFlashの並列実行は2026年9月15日に始まった。モデルはいずれも学習途中であり、Xiaomiは最終仕様、価格、一般提供の時期を発表していない。18

公表されたバッチ構成は、1,568プロンプトに対して各16ロールアウト、すなわち約2万5,000ロールアウトで、RLの1ステップ当たりの処理量は約20億トークンとされる。システムは完全非同期で動作するという。24

MiMoチームの責任者である羅福莉（Luo Fuli）氏は、拡張した対象を次の3点として説明している。

• 計算量：1ステップ当たり約20億トークン
• 環境とハーネス：1回の実行に複数のエージェントタスクとタスク実行基盤を混在
• 評価器の計算量：テストケースとルーブリックに基づく報酬を用い、エージェントの「グループ内信用割り当て」を行う24

平たく言えば、モデルが解答や行動を生成し、タスク環境で実行し、検証器や採点基準からフィードバックを受け、その結果を学習更新に反映するパイプラインだ。この規模では、最適化アルゴリズムだけでなく、ロールアウトの生成と評価器の稼働能力が学習全体を左右する。

技術的な焦点は「完全非同期」にある

完全非同期のRLでは、ロールアウト生成、環境での実行、採点、モデル更新を、最も遅いタスクが終わるまで全体で待機する形にせず、並行して進められる。ツール利用が長引くタスクや、採点コストの高いタスクが混じるエージェント型ワークロードでは、とりわけ重要な設計だ。

評価器側の計算量を重視する点にも意味がある。エージェントタスクでは、最終結果が単発の回答ではなく、一連の操作の積み重ねで決まる場合がある。そのため、どの行動にどれだけ報酬を配分するかという「信用割り当て」が、周辺処理ではなく学習システムの中核になる。24

この配信が示す運用上の教訓は明快だ。エージェントRLをスケールさせるには、学習用GPUを増やすだけでは足りない。環境、ロールアウト、検証器を十分に用意し、学習ループに有用なフィードバックを絶えず供給する必要がある。

表示される費用はどう読むべきか

公開ダッシュボードを基にした初期の報道では、Proの開始から約36時間で、両実行の合計支出は108万ドル超、平均すると毎時約3万ドルとされた。4 別の時点の表示では、Proが約83万ドル、Flashが約36万ドルで、ProはノードのVRAM問題、Flashはステップ15でのデータセットエラーに関連して再開があったと報じられた。9

数字の大きさは目を引くが、解釈には注意がいる。

• これはXiaomiが表示する継続的な計算費用の推定値であり、独立監査済みの請求書ではない。
• 集計対象の会計ルールは公開画面だけでは分からない。ハードウェア、予約済み容量、開発人員、データ準備、ストレージ、ネットワーク、評価インフラなどの費用を、どこまで含むかは不明だ。
• MiMo-V2.6全体の開発予算や、能力向上1単位当たりのコストを示すものでもない。
• 再起動や稼働率の変動があるため、単純な時間当たりの外挿は誤解を招きうる。

それでも、このカウンターから読み取れる点はある。Xiaomiはこの取り組みを、軽量なポストトレーニング実験ではなく、コストとインフラを大きく要するオンラインRLとして位置付けている。

報酬曲線とDeepSWEの途中スコアが意味すること

ダッシュボードには、報酬曲線と学習途中のコーディング評価が含まれると報じられている。ある時点ではDeepSWE v1.1のスコアが、Proで63.72、Flashで60.77だった。9

これらは有用な診断値ではあるが、最終的な能力の主張ではない。報酬曲線の上昇はタスク達成の改善と整合しうる一方、タスク構成の変化、分散、評価器の挙動、報酬への過適合、ベンチマークへの既知性といった要因でも動きうる。

同様に、学習途中のベンチマーク値を最終結果とみなすことはできない。評価プロトコル、サンプリング設定、データ汚染への対策、最終チェックポイントの選定方法が文書化され、独立に検証されて初めて、より強い比較が可能になる。

適切な受け止め方は、「学習シグナルがどう変化するかを観察できる」であって、「完成版MiMo-V2.6の外部タスクへの汎化性能を示した」ではない。

今後の開示で約束されたこと

羅氏によれば、チームは「RLをどこまでスケールできるか」という一つの問いに約半年を費やしてきた。MiMo-V2.6はなおRL実行の途中にあり、今後数週間で詳細を「少しずつ」オープンソース化していくとしている。24

これは技術情報を追加開示する意思表示として重要だ。ただし、完全な再現可能性を保証する発表ではない。学習データ、プロンプト、評価器の重み、環境実装、最適化器の状態、全チェックポイント、クラスターログのすべてが公開されると、この発言だけから結論付けることはできない。

Xiaomi-Robotics-U0とは何が違うのか

MiMo-V2.6での透明性は、プロセスの可視化に軸足がある。進行中の言語・エージェント系ポストトレーニングについて、選択された運用テレメトリーを見せている。

一方、Xiaomi-Robotics-U0は対象も公開の形も異なる。これは具身知能向けの380億パラメータの自己回帰型ワールド基盤モデルとして説明され、テキストから画像の生成、画像編集、具身シーン生成、具身転移、具身動画生成を一つの枠組みに統合する。2534 Xiaomiの公開リポジトリには、この取り組みに関するモデルやフレームワークの資料が掲載されている。32

違いを整理すると、次の通りだ。

• Robotics-U0：モデル成果物、コードやフレームワーク、具身生成の機能を中心とする公開
• MiMo-V2.6のRL配信：エージェントのポストトレーニングに関する、選択的なライブ運用テレメトリーを中心とする公開

どちらも価値があるが、いずれも単独で、最初から完全に結果を再現できるだけの情報を意味するわけではない。

公開RLダッシュボードの限界

MiMoの配信は、完成後のベンチマーク発表だけの場合よりも多くを見せる。それでも重要な不確実性は残る。

「ライブ」であることを独立には検証できない

公開ダッシュボードがほぼリアルタイムであっても、更新遅延、値の後追い反映、訂正、停止、再開、人手による介入が起こりうる。公開そのものは異例の情報開示の証拠だが、中断なく連続したライブ学習を暗号学的に証明するものではない。

学習データの来歴は確定しない

プロンプト数、ロールアウト数、トークン数、コストが公開されても、未開示の教師モデル出力、独自データ、選別済みの人間データ、非公開のベンチマーク接触、その他の画面外入力がないことまでは証明できない。

指標は公開された条件に依存する

評価ハーネス、固定されたテストセット、サンプリング設定、複数シードでの反復、独立再現が十分に公開されなければ、報酬曲線も途中のDeepSWEスコアも、モデルの最終的な汎用能力を決める材料にはならない。

見せられている範囲は選択的である

進捗や障害は見えても、タスクの全構成、報酬の重み付け、評価器の信頼性、ハードウェアの全体像、正確な原価計算、データの来歴、最終チェックポイントの選定基準までは分からない可能性がある。

結論

XiaomiのMiMo-V2.6ダッシュボードは、大規模エージェントRLにおける、珍しい公開可観測性の実験だ。約20億トークン／ステップ、1,568プロンプト、各16本の非同期ロールアウト、複数環境の混在、評価器側の大きな計算負荷という公開情報は、RLのスケーリングをモデル学習だけでなく、システム運用の問題として捉えていることを示す。24

費用、報酬曲線、ベンチマークの途中値、障害の表示により、完成後の発表よりも過程を吟味しやすくなったのは確かだ。ただし、それらは未完了の実行から選択的に示された自己申告テレメトリーでもある。このダッシュボードが強く示すのは運用面の透明性であり、継続的なライブ学習、完全なデータ来歴、最終モデル品質を独立して証明するものではない。