Siaran Langsung RL MiMo-V2.6 Xiaomi: Apa Yang Ditunjukkan Dashboard Latihan Ini—dan Apa Yang Belum Dibuktikannya

Pasukan MiMo Xiaomi telah membuka satu bahagian yang jarang dilihat oleh orang ramai dalam pembangunan model AI: sebuah dashboard untuk latihan lanjutan pembelajaran pengukuhan (reinforcement learning, RL) bagi dua model belum dikeluarkan, MiMo-V2.6-Pro dan MiMo-V2.6-Flash. Daripada hanya menerbitkan jadual penanda aras selepas semuanya siap, laman itu memaparkan telemetri terpilih seperti lengkung ganjaran, jumlah rollout, masa setiap langkah, anggaran kos pengiraan terkumpul, keputusan penilaian dan insiden infrastruktur. 18

Perkara paling penting bukanlah dashboard ini membuktikan keputusan akhir model. Sebaliknya, ia menunjukkan Xiaomi menganggap operasi RL ejen pada skala besar—termasuk rollout, persekitaran tugasan, pengesahan, pemarkahan, kemas kini, kegagalan dan perbelanjaan—sebagai sesuatu yang wajar diperhatikan secara terbuka.

Apa yang dipaparkan oleh dashboard

Laporan mengenai laman awam itu menyatakan kedua-dua latihan Pro dan Flash bermula pada 15 September 2026. Dashboard menjejak perkembangan ketika model masih dilatih; Xiaomi belum mengumumkan spesifikasi akhir, harga atau ketersediaan awam bagi mana-mana model tersebut. 18

Konfigurasi kelompok yang didedahkan adalah besar: 1,568 prom dengan 16 rollout bagi setiap prom, bersamaan kira-kira 25,000 rollout, serta sekitar 2 bilion token bagi setiap langkah RL. Xiaomi menyatakan sistem itu beroperasi secara asinkron sepenuhnya. 24

Ini bukan gambaran gelung pengoptimuman keutamaan yang mudah ke atas pasangan teks statik. Luo Fuli, ketua pasukan MiMo, menerangkan tiga dimensi penskalaan:

• Pengiraan: sekitar 2 bilion token bagi setiap langkah.
• Persekitaran dan harness: pelbagai tugasan ejen serta rangka kerja tugasan digabungkan dalam satu latihan.
• Pengiraan penilai: agihan kredit dalam kumpulan ejen, dengan ganjaran berpandukan kes ujian dan rubrik. 24

Secara praktikal, huraian ini membayangkan saluran kerja yang membolehkan model menghasilkan tindakan atau penyelesaian, melaksanakannya dalam persekitaran tugasan, menerima maklum balas daripada pengesah atau rubrik, kemudian dikemas kini berdasarkan maklum balas itu. Pada skala ini, menjana rollout dan menjalankan penilaian boleh menjadi sama penting dengan proses pengoptimuman model itu sendiri.

Mengapa reka bentuk asinkron menjadi cerita teknikal utama

Sistem RL yang asinkron sepenuhnya membolehkan penjanaan rollout, pelaksanaan dalam persekitaran, pemarkahan dan kemas kini model berjalan serentak, tanpa semua komponen perlu menunggu tugasan paling lambat. Reka bentuk sebegini sangat relevan untuk beban kerja ejen bercampur, apabila ada tugasan selesai pantas tetapi ada yang memerlukan penggunaan alat lebih panjang atau pemarkahan lebih mahal.

Penekanan Xiaomi terhadap pengiraan penilai juga signifikan. Dalam tugasan ejen, hasil akhir boleh bergantung pada satu rentetan tindakan, bukannya satu jawapan sahaja. Menentukan bahagian tindakan yang patut menerima ganjaran—yang disebut Xiaomi sebagai agihan kredit dalam kumpulan ejen—menjadi sebahagian daripada sistem latihan, bukan kerja sampingan. 24

Jadi, dashboard ini membawa satu pengajaran operasi: menskalakan RL untuk ejen bukan sekadar menambah GPU latihan. Ia juga memerlukan kapasiti persekitaran, rollout dan pengesah yang mencukupi agar gelung latihan terus menerima maklum balas berguna.

Cara membaca kaunter kos yang dipaparkan

Laporan awal berdasarkan dashboard awam itu meletakkan gabungan perbelanjaan pada lebih AS$1.08 juta dalam kira-kira 36 jam selepas latihan Pro bermula, iaitu purata sekitar AS$30,000 sejam bagi kedua-dua latihan. 4 Rakaman lain melaporkan kira-kira AS$830,000 untuk Pro dan AS$360,000 untuk Flash; latihan Pro dilaporkan dimulakan semula kerana VRAM nod, manakala Flash dimulakan semula selepas ralat set data pada langkah ke-15. 9

Angka ini memang besar, tetapi perlu dibaca dengan berhati-hati:

• Ia ialah anggaran kos pengiraan berjalan yang dipaparkan Xiaomi, bukannya invois yang diaudit secara bebas.
• Jumlah pada dashboard tidak menjelaskan kaedah perakaunannya: ia mungkin memasukkan atau tidak memasukkan semua kos perkakasan, kapasiti yang ditempah, kejuruteraan, penyediaan data, storan, rangkaian atau infrastruktur penilaian.
• Ia tidak membuktikan jumlah belanjawan pembangunan MiMo-V2.6 atau kos bagi setiap peningkatan keupayaan.
• Mulakan semula latihan dan perubahan penggunaan sumber boleh menjadikan unjuran kadar sejam yang mudah mengelirukan.

Namun, satu perkara jelas: Xiaomi menggambarkan usaha ini sebagai RL dalam talian yang mahal dan berat dari sudut infrastruktur, bukannya eksperimen latihan lanjutan yang kecil.

Apa yang boleh—dan tidak boleh—dinyatakan oleh lengkung ganjaran serta skor DeepSWE

Dashboard itu dilaporkan memaparkan lengkung ganjaran dan penilaian pengekodan ketika latihan masih berjalan. Satu rakaman melaporkan skor DeepSWE v1.1 sebanyak 63.72 untuk Pro dan 60.77 untuk Flash. 9

Ini ialah diagnostik yang berguna, bukan tuntutan keupayaan akhir. Lengkung ganjaran yang menaik mungkin selaras dengan penyelesaian tugasan yang lebih baik, tetapi ia juga boleh berubah disebabkan campuran tugasan, variasi, tingkah laku penilai, pengoptimuman terhadap fungsi ganjaran atau pendedahan kepada penanda aras. Begitu juga, skor penanda aras pertengahan latihan bukan keputusan akhir melainkan protokol penilaian, tetapan pensampelan, kawalan pencemaran data dan proses memilih titik semak akhir didokumenkan serta diperiksa secara bebas.

Bacaan yang lebih tepat ialah: siaran ini membolehkan pemerhati melihat isyarat latihan berubah dari semasa ke semasa. Ia tidak dengan sendirinya menunjukkan sejauh mana model MiMo-V2.6 yang siap kelak akan membuat generalisasi di luar tetapan penilaian yang dipaparkan.

Butiran lanjut yang dijanjikan Xiaomi

Luo Fuli berkata pasukannya menghabiskan hampir setengah tahun meneliti satu soalan: sejauh mana RL boleh diskalakan. Beliau menyifatkan MiMo-V2.6 masih berada di tengah-tengah latihan RL dan berkata Xiaomi akan membuka sumber butiran teknikal itu secara berperingkat dalam beberapa minggu berikutnya. 24

Itu ialah komitmen yang bermakna untuk pendedahan teknikal lanjut, tetapi ia tidak harus dianggap sebagai janji pelepasan lengkap yang boleh dihasilkan semula. Kenyataan itu sendiri tidak menjanjikan semua data latihan, prom, pemberat penilai, pelaksanaan persekitaran, keadaan pengoptimum, setiap titik semak atau log kluster penuh.

Bezanya dengan Xiaomi-Robotics-U0

Ketelusan MiMo-V2.6 tertumpu pada keterlihatan proses. Xiaomi memaparkan telemetri operasi terpilih daripada latihan lanjutan bahasa dan ejen yang sedang berlangsung.

Xiaomi-Robotics-U0 pula ialah projek berbeza dengan bentuk keterbukaan yang lain. Model robotik itu diterangkan sebagai model asas dunia autoregresif 38 bilion parameter untuk kecerdasan berjasad, yang menyatukan tugas termasuk penjanaan teks-ke-imej, penyuntingan imej, penjanaan pemandangan berjasad, pemindahan berjasad dan penjanaan video berjasad. 2534 Repositori awam Xiaomi menerangkan bahan model dan rangka kerja yang dikeluarkan untuk kerja tersebut. 32

Perbezaannya mudah:

• Robotics-U0: keterbukaan berpusat pada artifak model, kod atau rangka kerja, serta keupayaan penjanaan berjasad.
• Siaran RL MiMo-V2.6: keterbukaan berpusat pada telemetri latihan langsung yang terpilih bagi latihan lanjutan ejen.

Kedua-duanya boleh bernilai, tetapi kedua-duanya tidak secara automatik memberikan segala yang diperlukan untuk menghasilkan semula keputusan penuh dari awal.

Batas dashboard RL awam

Siaran MiMo lebih mendedahkan berbanding pengumuman penanda aras akhir biasa, tetapi beberapa ketidakpastian penting masih ada.

Status “langsung” tidak dapat disahkan secara bebas

Dashboard awam boleh hampir masa nyata, namun masih mungkin mempunyai kemas kini tertunda, nilai yang dimasukkan kemudian, pembetulan data, jeda, mula semula atau campur tangan manual. Kewujudannya ialah bukti pendedahan yang luar biasa, bukan bukti kriptografi bahawa latihan berjalan tanpa putus.

Ia tidak dapat membuktikan asal-usul data

Jumlah prom, rollout, token dan kos yang dipaparkan tidak membuktikan ketiadaan output model guru yang tidak didedahkan, data proprietari, data manusia yang ditapis, pendedahan tersembunyi kepada penanda aras atau input luar dashboard yang lain.

Metrik yang dipaparkan bersifat bersyarat

Tanpa harness penilaian yang diterbitkan sepenuhnya, set ujian yang dibekukan, tetapan pensampelan, benih ulangan dan penghasilan semula oleh pihak bebas, lengkung ganjaran serta keputusan DeepSWE sementara tidak dapat menentukan keupayaan umum akhir model.

Paparan ini terpilih

Dashboard boleh menunjukkan kemajuan dan insiden tanpa mendedahkan keseluruhan campuran tugasan, pemberat ganjaran, kebolehpercayaan penilai, inventori perkakasan, metodologi kos tepat, asal-usul data atau kriteria pemilihan titik semak akhir.

Kesimpulan

Dashboard MiMo-V2.6 Xiaomi ialah eksperimen kebolehlihatan awam yang jarang berlaku untuk RL ejen berskala besar. Konfigurasi yang didedahkan—sekitar 2 bilion token setiap langkah, 1,568 prom, 16 rollout asinkron bagi setiap prom, persekitaran bercampur dan kerja pemarkahan yang besar—menunjukkan Xiaomi melihat penskalaan RL sebagai masalah sistem, bukan sekadar masalah melatih model. 24

Perbelanjaan yang dilaporkan, lengkung ganjaran, rakaman penanda aras dan kegagalan yang kelihatan menjadikan proses ini lebih mudah diperiksa berbanding pengumuman selepas pelancaran. Namun, semuanya masih telemetri terpilih dan dilaporkan sendiri daripada latihan yang belum siap. Dashboard itu ialah bukti kukuh tentang ketelusan operasi—bukan bukti bebas bahawa latihan berlangsung tanpa gangguan, asal-usul latihan lengkap diketahui, atau kualiti model akhir telah disahkan.