ОтветыОпубликовано18 источники
Что публичный RL-стрим Xiaomi MiMo-V2.6 доказывает — и чего не доказывает
Xiaomi транслирует выборочную телеметрию двух незавершённых RL запусков MiMo V2.6 — Pro и Flash: около 2 млрд токенов на шаг, 1 568 промптов и 16 роллаутов на каждый. Главный технический сигнал — масштабируется не только вычисление модели, но и агентные среды, исполнительные контуры и вычисления для проверки и выста...
ОпубликовалОтредактировано с помощью GPT-5.6 TerraИзображения созданы с помощью GPT Image 2
Ответ на исследование
Ключевые выводы
- Xiaomi транслирует выборочную телеметрию двух незавершённых RL запусков MiMo V2.6 — Pro и Flash: около 2 млрд токенов на шаг, 1 568 промптов и 16 роллаутов на каждый.
- Главный технический сигнал — масштабируется не только вычисление модели, но и агентные среды, исполнительные контуры и вычисления для проверки и выставления наград.
- Панель необычно открыто показывает ход работ и отдельные сбои, однако её графики не могут сами по себе подтвердить непрерывность «живого» обучения, происхождение всех данных или финальные способности моделей.
Промпт ИИ
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
Команда MiMo компании Xiaomi открыла необычную часть разработки ИИ-моделей: публичную панель, на которой видна выбранная телеметрия RL-дообучения двух ещё не выпущенных моделей — MiMo-V2.6-Pro и MiMo-V2.6-Flash. Вместо одной итоговой таблицы бенчмарков она показывает кривые награды, число роллаутов, длительность шагов, текущую оценку затрат на вычисления, результаты промежуточных проверок и некоторые инфраструктурные инциденты. 1
8
Главный вывод здесь не в том, что панель доказывает готовый результат модели. Скорее Xiaomi публично демонстрирует, что масштабное обучение с подкреплением для ИИ-агентов — это задача не только про GPU, но и про роллауты, среды выполнения, проверку результатов, выставление наград, обновления модели, сбои и расходы.
Что видно на панели
По сообщениям о публичной странице, параллельные запуски Pro и Flash начались 15 сентября 2026 года. Обе модели всё ещё обучаются: Xiaomi пока не объявляла их окончательные характеристики, цены или дату публичного доступа. 1
8
Раскрытая конфигурация одного батча выглядит крупной: 1 568 промптов и 16 роллаутов на каждый, то есть примерно 25 000 роллаутов, а также около 2 млрд токенов на один RL-шаг. Xiaomi заявляет, что система работает полностью асинхронно. 24
Это не похоже на простой цикл оптимизации предпочтений по заранее подготовленным парам текстов. Руководительница команды MiMo Ло Фули выделила три направления масштабирования:
- Вычисления: около 2 млрд токенов на шаг.
- Среды и harnesses: в одном запуске смешиваются несколько агентных задач и контуров выполнения задач.
- Вычисления для грейдеров: агентное внутригрупповое распределение заслуг, где награда определяется по тест-кейсам и рубрикам оценки.
24
Практически это означает следующий контур: модель генерирует действия или решения, выполняет их в среде задачи, получает обратную связь от проверок либо рубрик и затем обновляется на основе этой обратной связи. В такой системе генерация роллаутов и работа оценщиков могут быть не менее важны, чем сам оптимизатор.
Почему асинхронность здесь важнее всего
Полностью асинхронная система позволяет одновременно генерировать роллауты, запускать среды, оценивать результаты и обновлять модель — без ожидания самого медленного задания на каждом этапе. Это особенно существенно для смешанной нагрузки агентных задач: одни завершаются быстро, другим нужны долгие вызовы инструментов или более дорогая проверка.
Отдельный акцент Xiaomi на вычислениях для грейдеров тоже показателен. В агентной задаче результат зависит не от одного ответа, а от последовательности действий. Поэтому вопрос, какой вклад каждого действия заслуживает награды, становится частью самой системы обучения. Xiaomi называет это агентным внутригрупповым распределением заслуг. 24
Иными словами, публичный стрим показывает операционный урок: чтобы масштабировать RL для агентов, недостаточно добавить вычислительные ускорители для обучения. Нужны также мощности для сред, роллаутов и верификаторов, чтобы контур обучения постоянно получал полезную обратную связь.
Как читать счётчик расходов
В ранних публикациях по данным панели суммарные расходы двух запусков превысили 1,08 млн долларов примерно за 36 часов после старта Pro — в среднем около 30 000 долларов в час на оба запуска. 4 На других снимках панели указывались примерно 830 000 долларов для Pro и 360 000 долларов для Flash; также сообщалось о перезапуске Pro из-за VRAM на узле и о перезапуске Flash после ошибки в датасете на шаге 15.
9
Цифры впечатляют, но трактовать их следует осторожно:
- это отображаемые Xiaomi текущие оценки вычислительных затрат, а не независимый аудит счетов;
- из общей цифры неясны правила учёта: туда могут не входить все расходы на оборудование, зарезервированные мощности, инженерную работу, подготовку данных, хранение, сеть или оценочную инфраструктуру;
- она не раскрывает общий бюджет разработки MiMo-V2.6 и не показывает стоимость каждого прироста возможностей;
- перезапуски и меняющаяся загрузка делают простую экстраполяцию «расходов в час» ненадёжной.
Но одно счётчик демонстрирует вполне ясно: Xiaomi представляет эту работу как дорогостоящий, инфраструктурно насыщенный онлайн-RL-проект, а не как небольшой эксперимент по дообучению.
Что говорят — и не говорят — графики награды и DeepSWE
На панели, по сообщениям, есть графики награды и промежуточные оценки в задачах программирования. В одном из опубликованных снимков результат DeepSWE v1.1 составлял 63,72 для Pro и 60,77 для Flash. 9
Это полезная диагностика, но не окончательное заявление о способностях модели. Рост награды может означать лучшее выполнение задач, однако на него также влияют изменения в наборе задач, разброс результатов, поведение грейдера, оптимизация именно под награду или доступ модели к бенчмарку. Аналогично, промежуточный балл на бенчмарке не становится финальным результатом без описания протокола оценки, параметров сэмплирования, мер против утечек тестов и процедуры выбора итогового чекпойнта.
Корректное прочтение такое: стрим позволяет наблюдать, как меняются сигналы обучения. Но он не показывает сам по себе, насколько финальная MiMo-V2.6 будет обобщать навыки за пределами демонстрируемой схемы оценки.
Что Xiaomi обещает раскрыть дальше
Ло Фули заявила, что команда почти полгода изучала один вопрос: насколько далеко можно масштабировать обучение с подкреплением. По её словам, MiMo-V2.6 всё ещё находится в середине RL-запуска, а технические детали будут открываться «постепенно» в ближайшие недели. 24
Это заметное обещание дальнейшей технической прозрачности, но его не следует принимать за обязательство полностью воспроизводимого релиза. Само заявление не обещает публикацию всех обучающих данных, промптов, весов грейдеров, реализаций сред, состояния оптимизатора, каждого чекпойнта или полных кластерных логов.
Чем это отличается от Xiaomi-Robotics-U0
Прозрачность MiMo-V2.6 касается прежде всего наблюдения за процессом: Xiaomi показывает часть рабочей телеметрии текущего дообучения языковых и агентных моделей.
Xiaomi-Robotics-U0 — иной проект и другой тип открытости. Это 38-миллиардная авторегрессионная мировая модель для embodied intelligence, или «воплощённого» ИИ. Она объединяет генерацию изображений по тексту, редактирование изображений, генерацию сцен для роботов, перенос действий в новые условия и генерацию видео. 25
34 В публичном репозитории Xiaomi описаны выпущенные материалы модели и фреймворка.
32
Различие можно свести к следующему:
- Robotics-U0: открытость вокруг артефактов модели, кода или фреймворков и возможностей генерации для робототехники.
- RL-стрим MiMo-V2.6: открытость вокруг выбранной телеметрии текущего дообучения агентов.
Оба подхода полезны, но ни один автоматически не даёт всего необходимого для полного воспроизведения результата с нуля.
Ограничения публичной панели
Стрим MiMo раскрывает больше, чем обычный анонс с финальной таблицей бенчмарков, однако ключевые неопределённости остаются.
«В прямом эфире» нельзя независимо верифицировать
Публичная панель может обновляться почти в реальном времени, но при этом содержать задержки, дозагрузку значений задним числом, исправленные данные, паузы, перезапуски или ручные вмешательства. Сам факт её существования — признак необычной открытости, но не криптографическое доказательство непрерывного обучения без перерывов.
Стрим не раскрывает происхождение данных
Публичные числа промптов, роллаутов, токенов и затрат не доказывают отсутствия нераскрытых ответов моделей-учителей, проприетарных данных, отфильтрованных человеческих данных, скрытого попадания тестовых наборов в обучение или иных входов за пределами панели.
Показанные метрики зависят от условий оценки
Без полностью опубликованного контура оценки, зафиксированных тестовых наборов, параметров сэмплирования, повторов с разными seed и независимой репликации ни кривые награды, ни промежуточные результаты DeepSWE не могут окончательно установить общий уровень моделей.
Видна только часть картины
Панель показывает прогресс и отдельные инциденты, но не обязана раскрывать полный состав задач, веса наград, надёжность грейдеров, парк оборудования, точную методику подсчёта расходов, происхождение данных или критерии выбора финального чекпойнта.
Вывод
Панель MiMo-V2.6 — редкий публичный эксперимент по наблюдению за масштабным агентным RL. Раскрытая конфигурация — около 2 млрд токенов на шаг, 1 568 промптов, 16 асинхронных роллаутов на промпт, смешанные среды и значительная работа на стороне грейдеров — показывает, что Xiaomi рассматривает масштабирование RL одновременно как задачу системной инженерии и обучения моделей. 24
Расходы, кривые награды, снимки бенчмарков и зафиксированные сбои делают процесс заметно более наблюдаемым, чем обычный постфактум-анонс. Но всё это остаётся выборочной телеметрией самой Xiaomi от незавершённых запусков. Панель убедительно свидетельствует об операционной прозрачности — но не является независимым доказательством непрерывного live-обучения, полного происхождения данных или финального качества моделей.
Studio Global AI
Продолжайте свое исследование
На этой странице есть ответ, подтвержденный источником, который вы можете продолжить внутри Studio Global.
Люди также спрашивают
Каков краткий ответ на вопрос «Что публичный RL-стрим Xiaomi MiMo-V2.6 доказывает — и чего не доказывает»?
Xiaomi транслирует выборочную телеметрию двух незавершённых RL запусков MiMo V2.6 — Pro и Flash: около 2 млрд токенов на шаг, 1 568 промптов и 16 роллаутов на каждый.
Какие ключевые моменты необходимо проверить в первую очередь?
Xiaomi транслирует выборочную телеметрию двух незавершённых RL запусков MiMo V2.6 — Pro и Flash: около 2 млрд токенов на шаг, 1 568 промптов и 16 роллаутов на каждый. Главный технический сигнал — масштабируется не только вычисление модели, но и агентные среды, исполнительные контуры и вычисления для проверки и выставления наград.
Что мне делать дальше на практике?
Панель необычно открыто показывает ход работ и отдельные сбои, однако её графики не могут сами по себе подтвердить непрерывность «живого» обучения, происхождение всех данных или финальные способности моделей.