AnswersPublished18 sources
Hva Xiaomis MiMo-V2.6-sending faktisk forteller om AI-treningen
Xiaomi deler utvalgt telemetri fra to uferdige MiMo V2.6 kjøringer, Pro og Flash: rundt 2 milliarder token per steg, fordelt på 1 568 prompt × 16 utrullinger. Det teknisk mest interessante er at selskapet sier det skalerer både modellberegning, agentmiljøer og beregning for vurdering og belønning.
Publisert avRedigert med GPT-5.6 TerraBilder generert med GPT Image 2
Research answer
Key takeaways
- Xiaomi deler utvalgt telemetri fra to uferdige MiMo V2.6 kjøringer, Pro og Flash: rundt 2 milliarder token per steg, fordelt på 1 568 prompt × 16 utrullinger.
- Det teknisk mest interessante er at selskapet sier det skalerer både modellberegning, agentmiljøer og beregning for vurdering og belønning.
- Dashbordet gir uvanlig god innsikt i fremdrift og enkelte feil, men kan ikke alene dokumentere kontinuerlig direktetrening, dataproveniens eller modellens endelige kvalitet.
AI Prompt
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
Xiaomis MiMo-team har offentliggjort en uvanlig del av modellutviklingen: et dashbord for RL-ettertreningen av to ikke-lanserte modeller, MiMo-V2.6-Pro og MiMo-V2.6-Flash. I stedet for bare å publisere en ferdig benchmark-tabell viser siden utvalgt treningsdata, blant annet belønningskurver, antall utrullinger, tidsbruk per steg, løpende beregningskostnader, evalueringsresultater og driftshendelser. 1
8
Det viktigste er ikke at dashbordet beviser et ferdig modellresultat. Det viser snarere at Xiaomi behandler driften av agentbasert RL i stor skala – utrullinger, miljøer, verifisering, vurdering, oppdateringer, feil og kostnader – som noe publikum kan følge.
Dette er det dashbordet viser
Ifølge omtaler av den offentlige siden startet de parallelle Pro- og Flash-kjøringene 15. september 2026. Dashbordet følger treningen mens modellene fortsatt utvikles; Xiaomi har ikke oppgitt endelige spesifikasjoner, priser eller offentlig tilgjengelighet for noen av dem. 1
8
Den oppgitte batchkonfigurasjonen er omfattende: 1 568 prompt med 16 utrullinger per prompt, altså rundt 25 000 utrullinger, og omtrent 2 milliarder token per RL-steg. Xiaomi opplyser at systemet er helt asynkront. 24
Dette fremstår ikke som en enkel preferanseoptimalisering med statiske tekstpar. Luo Fuli, som leder MiMo-teamet, beskriver tre områder som er skalert opp:
- Beregning: rundt 2 milliarder token per steg.
- Miljøer og rammeverk: flere agentoppgaver og oppgavesystemer blandes i samme kjøring.
- Beregning for vurdering: agentbasert kredittfordeling innen gruppen, der belønning bygger på testtilfeller og vurderingsrubrikker.
24
Praktisk sett peker dette mot en prosess der modellene genererer handlinger eller løsninger, kjører dem i oppgavemiljøer, får tilbakemelding fra verifikatorer eller rubrikker og deretter oppdateres ut fra denne tilbakemeldingen. I en slik skala kan både generering av utrullinger og kjøring av evaluatorer være like viktige driftsmessig som selve optimaliseringsalgoritmen.
Hvorfor den asynkrone løsningen er hovedpoenget
Et helt asynkront RL-system lar generering av utrullinger, kjøring i miljøer, poengsetting og modelloppdateringer foregå parallelt, uten at alle ledd må vente på den tregeste oppgaven. Det er særlig relevant for sammensatte agentoppgaver, der noen oppgaver avsluttes raskt, mens andre krever mer verktøybruk eller dyrere evaluering.
Xiaomis vektlegging av beregning til vurdering er også vesentlig. I agentoppgaver kan resultatet avhenge av en serie handlinger, ikke bare ett svar. Å fordele belønning gjennom denne serien – det Xiaomi omtaler som agentbasert kredittfordeling innen gruppen – blir dermed en del av treningssystemet, ikke bare en kontroll til slutt. 24
Dashbordet gir derfor en praktisk lærdom: Å skalere RL for agenter handler ikke bare om å legge til flere trenings-GPU-er. Det krever også nok kapasitet til miljøer, utrullinger og verifikatorer til at treningssløyfen stadig får nyttig tilbakemelding.
Slik bør kostnadstelleren tolkes
Tidlige omtaler basert på det offentlige dashbordet anslo samlet forbruk til over 1,08 millioner dollar i løpet av om lag 36 timer etter at Pro startet, eller i snitt rundt 30 000 dollar i timen for de to kjøringene. 4 Andre øyeblikksbilder oppga omtrent 830 000 dollar for Pro og 360 000 dollar for Flash. De viste også en Pro-omstart knyttet til minne på en node (VRAM), og en Flash-omstart etter en datasettfeil ved steg 15.
9
Tallene vekker oppsikt, men må leses med forbehold:
- De er løpende anslag for beregningskostnader som Xiaomi selv viser, ikke revisorgodkjente fakturaer.
- En totalsum i et dashbord forteller ikke hvilke regnskapsregler som ligger bak. Den kan inkludere eller utelate kostnader til maskinvare, reservert kapasitet, utvikling, dataklargjøring, lagring, nettverk eller evalueringsinfrastruktur.
- Den dokumenterer ikke det samlede utviklingsbudsjettet for MiMo-V2.6 eller kostnaden for hver kapabilitetsforbedring.
- Omstarter og varierende utnyttelse gjør en enkel ekstrapolering av timekostnaden usikker.
Likevel er én ting vanskelig å overse: Xiaomi fremstiller dette som en kostbar, infrastrukturtung satsing på nettbasert RL – ikke som et lite ettertreningsforsøk.
Hva belønningskurver og DeepSWE-resultater kan si – og ikke si
Dashbordet skal også vise belønningskurver og kodeevalueringer underveis. I ett rapportert øyeblikksbilde scoret DeepSWE v1.1 63,72 for Pro og 60,77 for Flash. 9
Dette er nyttige diagnostiske signaler, ikke endelige påstander om kapasitet. En stigende belønningskurve kan bety bedre oppgaveløsning, men kan også påvirkes av endret oppgavemiks, variasjon, vurderingssystemets oppførsel, optimalisering mot belønningen eller eksponering for benchmarken. På samme måte er en benchmark-score midt i treningen ikke et sluttresultat før evalueringsprotokoll, samplingsinnstillinger, kontroll for datasmitte og prosessen for valg av sluttpunkt er dokumentert og uavhengig kontrollert.
Den riktige tolkningen er at strømmen lar publikum følge treningssignalene mens de endrer seg. Den viser ikke i seg selv hvor godt en ferdig MiMo-V2.6-modell vil generalisere utenfor den viste evalueringsoppsettet.
Dette har Xiaomi lovet å offentliggjøre
Luo Fuli sier teamet brukte nesten et halvt år på ett spørsmål: hvor langt RL kan skaleres. Hun omtaler MiMo-V2.6 som fortsatt midt i RL-kjøringen, og sier Xiaomi vil åpenkilde detaljer «bit for bit» de kommende ukene. 24
Det er et meningsfullt løfte om mer teknisk innsyn, men det er ikke det samme som en komplett pakke for reproduksjon. Uttalelsen lover ikke i seg selv tilgang til alle treningsdata, prompt, vekter for vurderingssystemene, miljøimplementasjoner, optimaliseringstilstand, alle kontrollpunkter eller komplette klyngerlogger.
Forskjellen fra Xiaomi-Robotics-U0
Åpenheten rundt MiMo-V2.6 handler om innsyn i prosessen. Xiaomi viser utvalgt driftsdata fra en pågående ettertreningskjøring for språk- og agentmodeller.
Xiaomi-Robotics-U0 var et annet prosjekt og en annen form for åpenhet. Robotikkmodellen beskrives som en autoregressiv verdensgrunnmodell med 38 milliarder parametere for kroppsliggjort intelligens. Den samler blant annet tekst-til-bilde-generering, bilderedigering, generering av kroppsliggjorte scener, embodied transfer og kroppsliggjort videogenerering. 25
34 Xiaomis offentlige repositorium beskriver publiserte modell- og rammeverksmaterialer for dette arbeidet.
32
Skillet er enkelt:
- Robotics-U0: åpenhet rundt modellartefakter, kode eller rammeverk og egenskaper for kroppsliggjort generering.
- MiMo-V2.6 RL-strømmen: åpenhet rundt utvalgt, løpende treningstelemetri for agentbasert ettertrening.
Begge former for åpenhet kan være verdifulle. Ingen av dem gir automatisk alt som kreves for å gjenskape sluttresultatet fra bunnen av.
Begrensningene ved et offentlig RL-dashbord
MiMo-strømmen er mer opplysende enn en vanlig lansering med endelige benchmark-tall, men viktige spørsmål står åpne.
«Direkte» kan ikke verifiseres uavhengig
Et offentlig dashbord kan være nær sanntid og likevel inneholde forsinkede oppdateringer, etterfylte verdier, korrigerte data, pauser, omstarter eller manuelle inngrep. At dashbordet finnes, er bevis på uvanlig åpenhet – ikke et kryptografisk bevis på uavbrutt kontinuitet.
Strømmen kan ikke dokumentere dataproveniens
Offentlige tall for prompt, utrullinger, token og kostnader beviser ikke at det ikke finnes uoppgitte utdata fra lærermodeller, proprietære data, filtrerte menneskedatasett, skjult benchmark-eksponering eller andre inndata utenfor dashbordet.
De viste målingene er betingede
Uten fullt publisert evalueringsrammeverk, frosne testsett, samplingsinnstillinger, gjentatte tilfeldige frø og uavhengig replikasjon kan verken belønningskurver eller midlertidige DeepSWE-resultater avgjøre modellenes endelige, generelle kapasitet.
Utvalget er selektivt
Dashbordet kan vise fremdrift og hendelser uten å vise hele oppgavemiksen, vektingen av belønninger, påliteligheten til vurderingssystemene, maskinvareoversikten, den nøyaktige kostnadsmetoden, dataproveniensen eller kriteriene for valg av sluttkontrollpunkt.
Kort oppsummert
Xiaomis MiMo-V2.6-dashbord er et sjeldent offentlig eksperiment i observerbarhet for agentbasert RL i stor skala. Den oppgitte konfigurasjonen – rundt 2 milliarder token per steg, 1 568 prompt, 16 asynkrone utrullinger per prompt, blandede miljøer og betydelig arbeid på vurderingssiden – viser at selskapet ser skalering av RL som et systemproblem like mye som et problem for modelltrening. 24
De rapporterte kostnadene, belønningskurvene, benchmark-øyeblikksbildene og de synlige feilene gjør prosessen mer etterprøvbar enn en lanseringspost skrevet i ettertid. Men dette er fortsatt utvalgt, selvrapportert telemetri fra uferdige kjøringer. Dashbordet er et sterkt tegn på operasjonell åpenhet – ikke et uavhengig bevis på kontinuerlig direktetrening, full dataproveniens eller modellens endelige kvalitet.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Hva Xiaomis MiMo-V2.6-sending faktisk forteller om AI-treningen"?
Xiaomi deler utvalgt telemetri fra to uferdige MiMo V2.6 kjøringer, Pro og Flash: rundt 2 milliarder token per steg, fordelt på 1 568 prompt × 16 utrullinger.
What are the key points to validate first?
Xiaomi deler utvalgt telemetri fra to uferdige MiMo V2.6 kjøringer, Pro og Flash: rundt 2 milliarder token per steg, fordelt på 1 568 prompt × 16 utrullinger. Det teknisk mest interessante er at selskapet sier det skalerer både modellberegning, agentmiljøer og beregning for vurdering og belønning.
What should I do next in practice?
Dashbordet gir uvanlig god innsikt i fremdrift og enkelte feil, men kan ikke alene dokumentere kontinuerlig direktetrening, dataproveniens eller modellens endelige kvalitet.