샤오미 MiMo 팀은 아직 공개되지 않은 두 모델, MiMo-V2.6-Pro와 MiMo-V2.6-Flash의 강화학습(RL) 후속 학습 과정을 대시보드로 공개하고 있다. 완성된 벤치마크 표만 내놓는 대신, 보상 곡선, 롤아웃 수, 단계별 소요 시간, 누적 컴퓨팅 비용, 평가 결과, 인프라 이벤트 등 일부 학습 운영 지표를 보여주는 방식이다. 18

핵심은 이 대시보드가 최종 모델의 성능을 증명한다는 데 있지 않다. 샤오미가 대규모 에이전트형 RL 운영—롤아웃 생성, 실행 환경, 검증과 채점, 모델 업데이트, 장애, 비용—자체를 공개 관찰의 대상으로 삼고 있다는 점에 있다.

대시보드에서 확인되는 내용

보도에 따르면 Pro와 Flash의 병렬 학습은 2026년 9월 15일 시작됐다. 모델은 여전히 학습 중이며, 샤오미는 두 모델의 최종 사양, 가격, 일반 공개 일정은 발표하지 않았다. 18

공개된 배치 구성은 프롬프트 1,568개에 프롬프트당 16개 롤아웃이다. 약 2만 5,000개의 롤아웃에 해당하며, RL 한 단계당 처리량은 약 20억 토큰이다. 샤오미는 이 시스템이 완전 비동기 방식으로 작동한다고 밝혔다. 24

MiMo 팀을 이끄는 뤄푸리(Luo Fuli)는 확장한 축을 세 가지로 설명했다.

• 컴퓨팅: 단계당 약 20억 토큰
• 환경·하니스(harness): 하나의 학습 실행 안에 여러 에이전트 작업과 작업 하니스를 혼합
• 채점기 컴퓨팅: 테스트 케이스와 루브릭 기반 보상을 활용하는 에이전트 집단 내 공로 배분(agentic in-group credit assignment) 24

쉽게 말해 모델이 행동이나 해결책을 생성하고, 작업 환경에서 이를 실행한 뒤, 검증기 또는 루브릭에서 나온 피드백을 받아 업데이트하는 파이프라인으로 볼 수 있다. 이 정도 규모에서는 최적화 알고리즘뿐 아니라 롤아웃 생성과 평가 실행 능력도 학습 운영의 핵심이 된다.

완전 비동기 구조가 중요한 이유

완전 비동기 RL 시스템은 롤아웃 생성, 환경 실행, 점수 산정, 모델 업데이트가 가장 느린 작업 하나를 모두 기다리지 않고 병행되도록 한다. 어떤 에이전트 작업은 빠르게 끝나지만, 어떤 작업은 긴 도구 사용이나 고비용 채점을 요구할 수 있기 때문에 혼합형 작업에 특히 중요하다.

샤오미가 강조한 채점기 컴퓨팅도 눈여겨볼 부분이다. 에이전트 작업에서는 하나의 답변이 아니라 여러 행동의 연속이 결과를 좌우할 수 있다. 그 과정에서 어느 행동에 얼마나 보상을 배분할지 정하는 일은 학습 시스템의 부수적 기능이 아니라 핵심 구성 요소가 된다. 24

이 대시보드가 던지는 운영상의 메시지는 분명하다. 에이전트 RL을 확장하려면 학습용 GPU만 늘리는 것으로는 부족하다. 학습 루프에 유의미한 피드백을 계속 공급할 만큼의 환경, 롤아웃, 검증기 처리 용량도 필요하다.

비용 카운터는 어떻게 읽어야 하나

공개 대시보드에 기반한 초기 보도에서는 Pro 학습 시작 후 약 36시간 동안 두 실행의 합산 비용이 108만 달러 이상으로 집계됐다. 두 실행을 합친 시간당 평균은 약 3만 달러 수준이다. 4 다른 시점의 화면에서는 Pro 약 83만 달러, Flash 약 36만 달러가 표시됐고, Pro는 노드 VRAM 문제로 재시작됐으며 Flash는 15단계에서 데이터세트 오류 뒤 재시작된 것으로 전해졌다. 9

다만 이 숫자는 신중히 해석해야 한다.

• 이는 샤오미가 표시한 실시간 컴퓨팅 비용 추정치이지, 독립 감사가 이뤄진 청구서가 아니다.
• 대시보드의 합계만으로는 비용 산정 기준을 알 수 없다. 하드웨어, 예약 용량, 엔지니어링, 데이터 준비, 스토리지, 네트워크, 평가 인프라 비용이 모두 포함됐는지는 공개되지 않았다.
• MiMo-V2.6 전체 개발 예산이나 성능 향상 단위당 비용을 뜻하지 않는다.
• 재시작과 가동률 변화가 있을 수 있어 단순한 시간당 비용 외삽은 오해를 부를 수 있다.

그럼에도 한 가지는 분명하다. 샤오미는 이를 가벼운 후속 학습 실험이 아니라, 비용과 인프라 부담이 큰 온라인 RL 작업으로 제시하고 있다.

보상 곡선과 DeepSWE 점수가 말해주는 범위

대시보드에는 보상 곡선과 학습 중간의 코딩 평가가 포함된 것으로 알려졌다. 한 시점의 DeepSWE v1.1 점수는 Pro 63.72, Flash 60.77로 보도됐다. 9

이는 유용한 진단 지표이지만 최종 역량 주장과는 다르다. 보상 곡선 상승은 작업 완수 능력이 좋아졌다는 신호일 수 있다. 하지만 작업 구성의 변화, 분산, 채점기 동작, 보상 최적화, 벤치마크 노출 등의 영향일 수도 있다. 마찬가지로 학습 도중의 벤치마크 점수는 평가 프로토콜, 샘플링 설정, 오염 통제, 최종 체크포인트 선정 방식이 문서화되고 독립 검증되기 전까지 최종 모델 성적이 될 수 없다.

따라서 가장 적절한 해석은 이렇다. 이 스트림은 학습 신호가 어떻게 변하는지 관찰하게 해준다. 그러나 표시된 평가 환경 밖에서도 완성된 MiMo-V2.6이 얼마나 잘 일반화할지는, 이 정보만으로 알 수 없다.

샤오미가 추가 공개를 약속한 부분

뤄푸리는 팀이 약 반년 동안 “강화학습은 어디까지 확장될 수 있는가”라는 한 가지 질문을 연구했다고 밝혔다. MiMo-V2.6은 여전히 RL 학습의 중간 단계이며, 앞으로 몇 주에 걸쳐 세부 내용을 “조금씩” 오픈소스로 공개하겠다고 말했다. 24

이는 추가적인 기술 공개 약속으로 볼 수 있다. 다만 완전한 재현 패키지를 의미하는 것은 아니다. 이 발언만으로 학습 데이터 전체, 프롬프트, 채점기 가중치, 환경 구현, 옵티마이저 상태, 모든 체크포인트, 전체 클러스터 로그까지 제공된다고 볼 근거는 없다.

Xiaomi-Robotics-U0와는 무엇이 다른가

MiMo-V2.6의 투명성은 과정의 가시성에 초점이 맞춰져 있다. 샤오미는 언어·에이전트 모델의 진행 중인 후속 학습에서 일부 운영 텔레메트리를 노출하고 있다.

반면 Xiaomi-Robotics-U0는 다른 목적과 다른 형태의 공개를 택한 프로젝트다. 이 로보틱스 모델은 체화 지능을 위한 380억 파라미터 자기회귀 월드 파운데이션 모델로 소개됐으며, 텍스트-이미지 생성, 이미지 편집, 체화 장면 생성, 체화 전이, 체화 비디오 생성 등을 하나의 틀에서 다룬다. 2534 샤오미의 공개 저장소는 이 작업을 위한 모델 및 프레임워크 자료를 설명한다. 32

차이는 다음처럼 정리할 수 있다.

• Robotics-U0: 모델 산출물, 코드 또는 프레임워크, 체화 생성 기능 중심의 공개
• MiMo-V2.6 RL 스트림: 에이전트 후속 학습의 선택된 실시간 운영 텔레메트리 중심의 공개

두 방식 모두 가치가 있지만, 어느 쪽도 그 자체만으로 전체 결과를 처음부터 재현하는 데 필요한 모든 정보를 제공하지는 않는다.

공개 RL 대시보드의 한계

MiMo 스트림은 일반적인 최종 벤치마크 발표보다 많은 정보를 제공하지만, 중요한 불확실성은 남아 있다.

‘실시간’ 여부를 독립적으로 검증할 수는 없다

공개 대시보드는 거의 실시간에 가깝게 업데이트될 수 있지만, 지연 반영, 사후 입력, 데이터 수정, 일시 중지, 재시작, 수동 개입이 있을 수 있다. 대시보드의 존재는 이례적인 공개의 증거이지, 학습이 한 번도 끊기지 않고 실시간으로 이어졌다는 암호학적 증명은 아니다.

학습 데이터의 출처를 입증하지는 못한다

프롬프트·롤아웃·토큰·비용 수치를 공개한다고 해서 비공개 교사 모델의 출력, 독점 데이터, 필터링된 인간 데이터, 숨은 벤치마크 노출, 대시보드 밖의 다른 입력이 없었다는 사실까지 증명되는 것은 아니다.

공개된 지표는 특정 조건에 묶여 있다

평가 하니스, 고정된 테스트 세트, 샘플링 설정, 반복 시드, 독립 재현이 완전히 공개되지 않는다면 보상 곡선이나 중간 DeepSWE 결과만으로 모델의 최종 일반 역량을 단정할 수 없다.

보여주는 범위는 선택적이다

대시보드는 진척도와 장애를 보여줄 수 있지만, 전체 작업 비중, 보상 가중치, 채점기 신뢰도, 하드웨어 구성, 정확한 비용 산정 방식, 데이터 출처, 최종 체크포인트 선정 기준까지 모두 공개하지는 않는다.

결론

샤오미의 MiMo-V2.6 대시보드는 대규모 에이전트형 RL을 공개 관찰 대상으로 만든 드문 사례다. 단계당 약 20억 토큰, 프롬프트 1,568개, 프롬프트당 16개 비동기 롤아웃, 혼합 환경, 대규모 채점기 연산이라는 구성은 RL 확장이 모델 훈련만의 문제가 아니라 시스템 운영 문제이기도 하다는 점을 보여준다. 24

비용, 보상 곡선, 벤치마크 스냅샷, 장애 기록이 공개되면서 일반적인 출시 후 발표보다 과정은 훨씬 더 들여다볼 수 있게 됐다. 그러나 이는 아직 끝나지 않은 학습 실행에서 나온 선택적이고 자체 보고된 텔레메트리다. 이 대시보드는 운영 투명성의 강한 증거이지만, 연속적인 실시간 학습, 완전한 학습 데이터 계보, 최종 모델 품질을 독립적으로 입증하는 자료는 아니다.

샤오미 MiMo 팀은 아직 공개되지 않은 두 모델, MiMo-V2.6-Pro와 MiMo-V2.6-Flash의 강화학습(RL) 후속 학습 과정을 대시보드로 공개하고 있다. 완성된 벤치마크 표만 내놓는 대신, 보상 곡선, 롤아웃 수, 단계별 소요 시간, 누적 컴퓨팅 비용, 평가 결과, 인프라 이벤트 등 일부 학습 운영 지표를 보여주는 방식이다. 18

핵심은 이 대시보드가 최종 모델의 성능을 증명한다는 데 있지 않다. 샤오미가 대규모 에이전트형 RL 운영—롤아웃 생성, 실행 환경, 검증과 채점, 모델 업데이트, 장애, 비용—자체를 공개 관찰의 대상으로 삼고 있다는 점에 있다.

대시보드에서 확인되는 내용

보도에 따르면 Pro와 Flash의 병렬 학습은 2026년 9월 15일 시작됐다. 모델은 여전히 학습 중이며, 샤오미는 두 모델의 최종 사양, 가격, 일반 공개 일정은 발표하지 않았다. 18

공개된 배치 구성은 프롬프트 1,568개에 프롬프트당 16개 롤아웃이다. 약 2만 5,000개의 롤아웃에 해당하며, RL 한 단계당 처리량은 약 20억 토큰이다. 샤오미는 이 시스템이 완전 비동기 방식으로 작동한다고 밝혔다. 24

MiMo 팀을 이끄는 뤄푸리(Luo Fuli)는 확장한 축을 세 가지로 설명했다.

• 컴퓨팅: 단계당 약 20억 토큰
• 환경·하니스(harness): 하나의 학습 실행 안에 여러 에이전트 작업과 작업 하니스를 혼합
• 채점기 컴퓨팅: 테스트 케이스와 루브릭 기반 보상을 활용하는 에이전트 집단 내 공로 배분(agentic in-group credit assignment) 24

쉽게 말해 모델이 행동이나 해결책을 생성하고, 작업 환경에서 이를 실행한 뒤, 검증기 또는 루브릭에서 나온 피드백을 받아 업데이트하는 파이프라인으로 볼 수 있다. 이 정도 규모에서는 최적화 알고리즘뿐 아니라 롤아웃 생성과 평가 실행 능력도 학습 운영의 핵심이 된다.

완전 비동기 구조가 중요한 이유

완전 비동기 RL 시스템은 롤아웃 생성, 환경 실행, 점수 산정, 모델 업데이트가 가장 느린 작업 하나를 모두 기다리지 않고 병행되도록 한다. 어떤 에이전트 작업은 빠르게 끝나지만, 어떤 작업은 긴 도구 사용이나 고비용 채점을 요구할 수 있기 때문에 혼합형 작업에 특히 중요하다.

샤오미가 강조한 채점기 컴퓨팅도 눈여겨볼 부분이다. 에이전트 작업에서는 하나의 답변이 아니라 여러 행동의 연속이 결과를 좌우할 수 있다. 그 과정에서 어느 행동에 얼마나 보상을 배분할지 정하는 일은 학습 시스템의 부수적 기능이 아니라 핵심 구성 요소가 된다. 24

이 대시보드가 던지는 운영상의 메시지는 분명하다. 에이전트 RL을 확장하려면 학습용 GPU만 늘리는 것으로는 부족하다. 학습 루프에 유의미한 피드백을 계속 공급할 만큼의 환경, 롤아웃, 검증기 처리 용량도 필요하다.

비용 카운터는 어떻게 읽어야 하나

공개 대시보드에 기반한 초기 보도에서는 Pro 학습 시작 후 약 36시간 동안 두 실행의 합산 비용이 108만 달러 이상으로 집계됐다. 두 실행을 합친 시간당 평균은 약 3만 달러 수준이다. 4 다른 시점의 화면에서는 Pro 약 83만 달러, Flash 약 36만 달러가 표시됐고, Pro는 노드 VRAM 문제로 재시작됐으며 Flash는 15단계에서 데이터세트 오류 뒤 재시작된 것으로 전해졌다. 9

다만 이 숫자는 신중히 해석해야 한다.

• 이는 샤오미가 표시한 실시간 컴퓨팅 비용 추정치이지, 독립 감사가 이뤄진 청구서가 아니다.
• 대시보드의 합계만으로는 비용 산정 기준을 알 수 없다. 하드웨어, 예약 용량, 엔지니어링, 데이터 준비, 스토리지, 네트워크, 평가 인프라 비용이 모두 포함됐는지는 공개되지 않았다.
• MiMo-V2.6 전체 개발 예산이나 성능 향상 단위당 비용을 뜻하지 않는다.
• 재시작과 가동률 변화가 있을 수 있어 단순한 시간당 비용 외삽은 오해를 부를 수 있다.

그럼에도 한 가지는 분명하다. 샤오미는 이를 가벼운 후속 학습 실험이 아니라, 비용과 인프라 부담이 큰 온라인 RL 작업으로 제시하고 있다.

보상 곡선과 DeepSWE 점수가 말해주는 범위

대시보드에는 보상 곡선과 학습 중간의 코딩 평가가 포함된 것으로 알려졌다. 한 시점의 DeepSWE v1.1 점수는 Pro 63.72, Flash 60.77로 보도됐다. 9

이는 유용한 진단 지표이지만 최종 역량 주장과는 다르다. 보상 곡선 상승은 작업 완수 능력이 좋아졌다는 신호일 수 있다. 하지만 작업 구성의 변화, 분산, 채점기 동작, 보상 최적화, 벤치마크 노출 등의 영향일 수도 있다. 마찬가지로 학습 도중의 벤치마크 점수는 평가 프로토콜, 샘플링 설정, 오염 통제, 최종 체크포인트 선정 방식이 문서화되고 독립 검증되기 전까지 최종 모델 성적이 될 수 없다.

따라서 가장 적절한 해석은 이렇다. 이 스트림은 학습 신호가 어떻게 변하는지 관찰하게 해준다. 그러나 표시된 평가 환경 밖에서도 완성된 MiMo-V2.6이 얼마나 잘 일반화할지는, 이 정보만으로 알 수 없다.

샤오미가 추가 공개를 약속한 부분

뤄푸리는 팀이 약 반년 동안 “강화학습은 어디까지 확장될 수 있는가”라는 한 가지 질문을 연구했다고 밝혔다. MiMo-V2.6은 여전히 RL 학습의 중간 단계이며, 앞으로 몇 주에 걸쳐 세부 내용을 “조금씩” 오픈소스로 공개하겠다고 말했다. 24

이는 추가적인 기술 공개 약속으로 볼 수 있다. 다만 완전한 재현 패키지를 의미하는 것은 아니다. 이 발언만으로 학습 데이터 전체, 프롬프트, 채점기 가중치, 환경 구현, 옵티마이저 상태, 모든 체크포인트, 전체 클러스터 로그까지 제공된다고 볼 근거는 없다.

Xiaomi-Robotics-U0와는 무엇이 다른가

MiMo-V2.6의 투명성은 과정의 가시성에 초점이 맞춰져 있다. 샤오미는 언어·에이전트 모델의 진행 중인 후속 학습에서 일부 운영 텔레메트리를 노출하고 있다.

반면 Xiaomi-Robotics-U0는 다른 목적과 다른 형태의 공개를 택한 프로젝트다. 이 로보틱스 모델은 체화 지능을 위한 380억 파라미터 자기회귀 월드 파운데이션 모델로 소개됐으며, 텍스트-이미지 생성, 이미지 편집, 체화 장면 생성, 체화 전이, 체화 비디오 생성 등을 하나의 틀에서 다룬다. 2534 샤오미의 공개 저장소는 이 작업을 위한 모델 및 프레임워크 자료를 설명한다. 32

차이는 다음처럼 정리할 수 있다.

• Robotics-U0: 모델 산출물, 코드 또는 프레임워크, 체화 생성 기능 중심의 공개
• MiMo-V2.6 RL 스트림: 에이전트 후속 학습의 선택된 실시간 운영 텔레메트리 중심의 공개

두 방식 모두 가치가 있지만, 어느 쪽도 그 자체만으로 전체 결과를 처음부터 재현하는 데 필요한 모든 정보를 제공하지는 않는다.

공개 RL 대시보드의 한계

MiMo 스트림은 일반적인 최종 벤치마크 발표보다 많은 정보를 제공하지만, 중요한 불확실성은 남아 있다.

‘실시간’ 여부를 독립적으로 검증할 수는 없다

공개 대시보드는 거의 실시간에 가깝게 업데이트될 수 있지만, 지연 반영, 사후 입력, 데이터 수정, 일시 중지, 재시작, 수동 개입이 있을 수 있다. 대시보드의 존재는 이례적인 공개의 증거이지, 학습이 한 번도 끊기지 않고 실시간으로 이어졌다는 암호학적 증명은 아니다.

학습 데이터의 출처를 입증하지는 못한다

프롬프트·롤아웃·토큰·비용 수치를 공개한다고 해서 비공개 교사 모델의 출력, 독점 데이터, 필터링된 인간 데이터, 숨은 벤치마크 노출, 대시보드 밖의 다른 입력이 없었다는 사실까지 증명되는 것은 아니다.

공개된 지표는 특정 조건에 묶여 있다

평가 하니스, 고정된 테스트 세트, 샘플링 설정, 반복 시드, 독립 재현이 완전히 공개되지 않는다면 보상 곡선이나 중간 DeepSWE 결과만으로 모델의 최종 일반 역량을 단정할 수 없다.

보여주는 범위는 선택적이다

대시보드는 진척도와 장애를 보여줄 수 있지만, 전체 작업 비중, 보상 가중치, 채점기 신뢰도, 하드웨어 구성, 정확한 비용 산정 방식, 데이터 출처, 최종 체크포인트 선정 기준까지 모두 공개하지는 않는다.

결론

샤오미의 MiMo-V2.6 대시보드는 대규모 에이전트형 RL을 공개 관찰 대상으로 만든 드문 사례다. 단계당 약 20억 토큰, 프롬프트 1,568개, 프롬프트당 16개 비동기 롤아웃, 혼합 환경, 대규모 채점기 연산이라는 구성은 RL 확장이 모델 훈련만의 문제가 아니라 시스템 운영 문제이기도 하다는 점을 보여준다. 24

비용, 보상 곡선, 벤치마크 스냅샷, 장애 기록이 공개되면서 일반적인 출시 후 발표보다 과정은 훨씬 더 들여다볼 수 있게 됐다. 그러나 이는 아직 끝나지 않은 학습 실행에서 나온 선택적이고 자체 보고된 텔레메트리다. 이 대시보드는 운영 투명성의 강한 증거이지만, 연속적인 실시간 학습, 완전한 학습 데이터 계보, 최종 모델 품질을 독립적으로 입증하는 자료는 아니다.