AnswersPublished18 sources
MiMo-V2.6 na żywo: co pokazuje panel treningowy Xiaomi — i czego nie dowodzi
Xiaomi publicznie pokazuje wybraną telemetrię dwóch niedokończonych treningów RL MiMo V2.6: Pro i Flash — około 2 mld tokenów na krok, przy 1568 promptach i 16 rolloutach na każdy prompt. Najważniejszy sygnał techniczny: firma skaluje nie tylko obliczenia modelu, ale też środowiska agentowe, mechanizmy oceny i zasob...
Opublikowane przezEdytowane za pomocą GPT-5.6 TerraObrazy wygenerowane za pomocą GPT Image 2
Research answer
Key takeaways
- Xiaomi publicznie pokazuje wybraną telemetrię dwóch niedokończonych treningów RL MiMo V2.6: Pro i Flash — około 2 mld tokenów na krok, przy 1568 promptach i 16 rolloutach na każdy prompt.
- Najważniejszy sygnał techniczny: firma skaluje nie tylko obliczenia modelu, ale też środowiska agentowe, mechanizmy oceny i zasoby potrzebne do przyznawania nagród na podstawie testów oraz rubryk.
- Panel jest nietypowo otwarty na postęp operacyjny i część błędów, lecz same wykresy nie potwierdzają nieprzerwanej transmisji na żywo, pochodzenia danych ani niezależnie zweryfikowanych możliwości modelu.
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
Xiaomi udostępniło nietypowy fragment prac nad modelami AI: publiczny panel dla etapu dostrajania metodą uczenia ze wzmocnieniem (RL) dwóch niewydanych jeszcze modeli — MiMo-V2.6-Pro i MiMo-V2.6-Flash. Zamiast opublikować wyłącznie końcową tabelę benchmarków, firma pokazuje wybraną telemetrię treningową: krzywe nagrody, liczbę rolloutów, czas kroków, bieżące szacunki kosztów obliczeń, wyniki ewaluacji oraz zdarzenia infrastrukturalne. 1
8
Najważniejszy wniosek nie brzmi: „panel udowadnia końcowy wynik modelu”. Xiaomi pokazuje raczej, że operacje dużej skali wokół agentowego RL — generowanie rolloutów, środowiska zadań, weryfikację, ocenianie, aktualizacje, awarie i koszty — są elementem procesu wartym publicznej obserwacji.
Co widać na panelu
Według opisów publicznej strony równoległe treningi Pro i Flash rozpoczęły się 15 września 2026 r. Panel śledzi postęp, gdy modele wciąż są trenowane; Xiaomi nie podało końcowych specyfikacji, cen ani terminu publicznego udostępnienia żadnego z nich. 1
8
Ujawniona konfiguracja partii jest duża: 1568 promptów i 16 rolloutów na prompt, czyli około 25 tys. rolloutów, a także około 2 mld tokenów na krok RL. Xiaomi deklaruje, że system działa w pełni asynchronicznie. 24
Luo Fuli, kierująca zespołem MiMo, wskazała trzy skalowane wymiary pracy:
- Obliczenia: około 2 mld tokenów na krok.
- Środowiska i harnessy testowe: wiele zadań agentowych oraz harnessów mieszanych w jednym treningu.
- Obliczenia po stronie oceny: agentowe przypisywanie wkładu w obrębie grupy, z nagrodami wynikającymi z przypadków testowych i rubryk oceny.
24
W praktyce opis sugeruje potok, w którym model generuje działania lub rozwiązania, wykonuje je w środowisku zadaniowym, otrzymuje informację zwrotną od weryfikatora albo systemu ocen, a następnie aktualizuje się na jej podstawie. W tej skali tworzenie rolloutów i uruchamianie ewaluatorów może być operacyjnie równie ważne jak sam optymalizator.
Dlaczego asynchroniczność jest tu kluczowa
W pełni asynchroniczny system RL pozwala równolegle generować rollouty, wykonywać zadania w środowiskach, oceniać je i aktualizować model — bez czekania całego procesu na najwolniejsze zadanie. Ma to szczególne znaczenie przy mieszanych obciążeniach agentowych: jedne zadania kończą się szybko, inne wymagają dłuższego korzystania z narzędzi lub bardziej kosztownej oceny.
Ważne jest też podkreślanie przez Xiaomi kosztu obliczeń po stronie oceniającej. W zadaniach agentowych końcowy rezultat może zależeć od sekwencji działań, a nie od jednej odpowiedzi. Rozdzielenie nagrody między te działania — określane przez Xiaomi jako agentowe przypisywanie wkładu w obrębie grupy — staje się więc częścią systemu treningowego, a nie dodatkiem na końcu procesu. 24
Panel pokazuje tym samym praktyczną lekcję: skalowanie RL dla agentów nie polega jedynie na dokładaniu GPU do treningu. Potrzebne są też odpowiednio wydajne środowiska, generowanie rolloutów i weryfikatory, które stale dostarczają pętli treningowej użytecznej informacji zwrotnej.
Jak czytać licznik kosztów
Wczesne relacje oparte na publicznym panelu mówiły o łącznych wydatkach przekraczających 1,08 mln dolarów w około 36 godzin od rozpoczęcia treningu Pro, czyli średnio około 30 tys. dolarów na godzinę dla obu treningów. 4 Inne zarejestrowane odczyty wskazywały około 830 tys. dolarów dla Pro i 360 tys. dolarów dla Flash. Odnotowano też restart Pro związany z pamięcią VRAM węzła oraz restart Flash po błędzie zbioru danych na kroku 15.
9
To robi wrażenie, lecz liczby wymagają ostrożnej interpretacji:
- Są to pokazywane przez Xiaomi bieżące szacunki kosztu obliczeń, a nie niezależnie zweryfikowane faktury.
- Suma z panelu nie wyjaśnia zasad księgowania: może obejmować lub nie obejmować wszystkich kosztów sprzętu, zarezerwowanej mocy, pracy inżynierów, przygotowania danych, pamięci masowej, sieci czy infrastruktury ewaluacyjnej.
- Nie określa pełnego budżetu rozwoju MiMo-V2.6 ani kosztu uzyskania pojedynczej poprawy zdolności modelu.
- Restarty oraz zmienne wykorzystanie zasobów sprawiają, że proste przeliczanie kosztu godzinowego na cały projekt może wprowadzać w błąd.
Jedno wydaje się jednak jasne: Xiaomi przedstawia ten projekt jako kosztowny, wymagający infrastruktury wysiłek w zakresie RL online, a nie niewielki eksperyment z dostrajaniem.
Co mówią — i czego nie mówią — krzywe nagrody oraz wyniki DeepSWE
Panel ma obejmować krzywe nagrody i wyniki testów programistycznych w trakcie treningu. W jednym z raportowanych odczytów benchmark DeepSWE v1.1 wynosił 63,72 dla Pro oraz 60,77 dla Flash. 9
To przydatne wskaźniki diagnostyczne, a nie ostateczne deklaracje zdolności. Rosnąca krzywa nagrody może oznaczać lepsze wykonywanie zadań, ale może również wynikać ze zmian mieszanki zadań, wariancji, zachowania oceniającego, optymalizacji pod nagrodę lub ekspozycji na benchmark. Podobnie wynik benchmarku w połowie treningu nie jest końcowym rezultatem modelu, dopóki nie udokumentowano i niezależnie nie sprawdzono protokołu ewaluacji, ustawień generowania, kontroli zanieczyszczenia danych oraz sposobu wyboru końcowego checkpointu.
Właściwa interpretacja jest prosta: transmisja pozwala obserwować, jak zmieniają się sygnały treningowe. Sama w sobie nie pokazuje, jak dobrze ukończony MiMo-V2.6 będzie generalizował poza prezentowanym zestawem ewaluacyjnym.
Co Xiaomi zapowiada ujawnić
Luo Fuli przekazała, że zespół przez niemal pół roku badał jedno pytanie: jak daleko można skalować uczenie ze wzmocnieniem. Opisała MiMo-V2.6 jako projekt będący w środku treningu RL i zapowiedziała stopniowe udostępnianie szczegółów w kolejnych tygodniach. 24
To istotna deklaracja dalszego ujawniania informacji technicznych, ale nie należy traktować jej jako obietnicy pełnego pakietu umożliwiającego odtworzenie wyników. Sama zapowiedź nie gwarantuje publikacji wszystkich danych treningowych, promptów, wag oceniających, implementacji środowisk, stanu optymalizatora, każdego checkpointu ani pełnych logów klastra.
Czym różni się to od Xiaomi-Robotics-U0
Przejrzystość MiMo-V2.6 dotyczy przede wszystkim widoczności procesu. Xiaomi udostępnia wybraną telemetrię operacyjną z trwającego dostrajania modeli językowych i agentowych.
Xiaomi-Robotics-U0 to inny projekt i inny rodzaj otwartości. Model robotyczny opisywany jest jako 38-miliardowy autoregresyjny model świata dla ucieleśnionej inteligencji, łączący zadania takie jak generowanie obrazu z tekstu, edycję obrazu, generowanie scen ucieleśnionych, transfer ucieleśniony i generowanie wideo ucieleśnionego. 25
34 Publiczne repozytorium Xiaomi opisuje udostępnione materiały modelowe i framework dla tego projektu.
32
Różnica jest zasadnicza:
- Robotics-U0: otwartość skupiona na artefaktach modelu, kodzie lub frameworkach oraz możliwościach związanych z generowaniem dla robotyki.
- Strumień RL MiMo-V2.6: otwartość skupiona na wybranej, bieżącej telemetrii treningu po etapie pretreningu.
Oba podejścia mogą być wartościowe. Żadne nie zapewnia automatycznie wszystkiego, co jest potrzebne do odtworzenia całego wyniku od podstaw.
Granice publicznego panelu RL
Strumień MiMo ujawnia więcej niż typowe ogłoszenie końcowych benchmarków, lecz nadal pozostawia ważne niewiadome.
„Na żywo” nie jest niezależnie weryfikowalne
Publiczny panel może być bliski czasu rzeczywistego, a mimo to zawierać opóźnienia, dane dodane później, korekty, przerwy, restarty lub ręczne interwencje. Jego istnienie jest dowodem nietypowej otwartości, ale nie kryptograficznym potwierdzeniem nieprzerwanej ciągłości treningu.
Strumień nie ustala pochodzenia danych
Publiczne liczniki promptów, rolloutów, tokenów i kosztów nie dowodzą braku nieujawnionych wyników modeli nauczycielskich, danych własnościowych, filtrowanych danych od ludzi, ukrytej ekspozycji na benchmarki ani innych danych wejściowych poza panelem.
Pokazywane metryki są warunkowe
Bez w pełni opublikowanego harnessu ewaluacyjnego, zamrożonych zbiorów testowych, ustawień generowania, powtarzanych losowych ziaren i niezależnej replikacji ani krzywe nagrody, ani tymczasowe wyniki DeepSWE nie mogą przesądzać o końcowej ogólnej zdolności modeli.
Widok jest selektywny
Panel może pokazywać postęp i incydenty, nie ujawniając pełnej mieszanki zadań, wag nagród, rzetelności oceniających, inwentaryzacji sprzętu, dokładnej metodologii kosztowej, pochodzenia danych ani kryteriów wyboru końcowego checkpointu.
Wniosek
Panel MiMo-V2.6 jest rzadkim eksperymentem z publiczną obserwowalnością dużego treningu agentowego RL. Ujawniona konfiguracja — około 2 mld tokenów na krok, 1568 promptów, 16 asynchronicznych rolloutów na prompt, mieszane środowiska i istotny nakład pracy po stronie oceny — pokazuje, że Xiaomi traktuje skalowanie RL jako problem systemowy w równym stopniu, co problem treningu samego modelu. 24
Raportowane wydatki, krzywe nagród, migawki benchmarków i widoczne błędy czynią ten proces bardziej sprawdzalnym niż komunikat publikowany już po premierze. Nadal są to jednak wybrane, samodzielnie raportowane dane z niedokończonych treningów. Panel stanowi mocny sygnał przejrzystości operacyjnej — nie niezależny dowód ciągłego treningu na żywo, pełnego pochodzenia danych ani końcowej jakości modelu.
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 "MiMo-V2.6 na żywo: co pokazuje panel treningowy Xiaomi — i czego nie dowodzi"?
Xiaomi publicznie pokazuje wybraną telemetrię dwóch niedokończonych treningów RL MiMo V2.6: Pro i Flash — około 2 mld tokenów na krok, przy 1568 promptach i 16 rolloutach na każdy prompt.
What are the key points to validate first?
Xiaomi publicznie pokazuje wybraną telemetrię dwóch niedokończonych treningów RL MiMo V2.6: Pro i Flash — około 2 mld tokenów na krok, przy 1568 promptach i 16 rolloutach na każdy prompt. Najważniejszy sygnał techniczny: firma skaluje nie tylko obliczenia modelu, ale też środowiska agentowe, mechanizmy oceny i zasoby potrzebne do przyznawania nagród na podstawie testów oraz rubryk.
What should I do next in practice?
Panel jest nietypowo otwarty na postęp operacyjny i część błędów, lecz same wykresy nie potwierdzają nieprzerwanej transmisji na żywo, pochodzenia danych ani niezależnie zweryfikowanych możliwości modelu.