Vad Xiaomis öppna MiMo-V2.6-sändning avslöjar – och inte kan bevisa

Xiaomis MiMo-team har öppnat en ovanlig del av modellutvecklingen för allmänheten: en instrumentpanel för RL-efterträningen – förstärkningsinlärning – av de ännu ej släppta modellerna MiMo-V2.6-Pro och MiMo-V2.6-Flash. I stället för att bara publicera en tabell med slutliga benchmarkresultat visar sidan utvald träningsdata: belöningskurvor, antal utrullningar, tidsåtgång per steg, löpande beräkningskostnader, utvärderingsresultat och infrastrukturhändelser. 18

Det viktigaste är inte att panelen bevisar hur bra de färdiga modellerna blir. Det är att Xiaomi gör driften av storskalig, agentbaserad RL – utrullningar, miljöer, verifiering, betygsättning, uppdateringar, avbrott och kostnader – till något som kan följas offentligt.

Detta visar instrumentpanelen

Enligt rapporteringen startade de parallella Pro- och Flash-körningarna den 15 september 2026. Instrumentpanelen följer träningen medan modellerna fortfarande utvecklas; Xiaomi har ännu inte meddelat slutliga specifikationer, priser eller när modellerna blir tillgängliga för allmänheten. 18

Den redovisade batchkonfigurationen är omfattande: 1 568 promptar med 16 utrullningar per prompt, alltså cirka 25 000 utrullningar, och ungefär 2 miljarder token per RL-steg. Xiaomi uppger att systemet är helt asynkront. 24

Det här beskrivs alltså inte som en enkel optimeringsloop baserad på statiska par av textsvar. Luo Fuli, som leder MiMo-teamet, beskriver tre skalningsdimensioner:

• Beräkning: omkring 2 miljarder token per steg.
• Miljöer och testinfrastruktur: flera agentuppgifter och ramverk blandas i samma körning.
• Beräkning för bedömning: agentbaserad kreditallokering inom gruppen, där belöningar bygger på testfall och bedömningskriterier. 24

I praktiken tyder beskrivningen på en kedja där modeller tar fram lösningar eller handlingar, kör dem i uppgiftsmiljöer, får återkoppling från verifierare eller bedömningsmallar och sedan uppdateras utifrån den återkopplingen. I den här skalan kan det vara minst lika viktigt att skapa utrullningar och köra utvärderingar som att optimera själva modellen.

Därför är den asynkrona utformningen den tekniska kärnfrågan

Ett helt asynkront RL-system låter generering av utrullningar, exekvering i miljöer, poängsättning och modelluppdateringar fortsätta utan att alla delar måste vänta på den långsammaste uppgiften. Det är särskilt relevant för blandade agentarbetslaster: vissa uppgifter blir snabbt klara, medan andra kräver längre användning av verktyg eller mer beräkningskrävande bedömning.

Xiaomis fokus på beräkningskapacitet för bedömning är också betydelsefullt. I agentuppgifter kan slutresultatet bero på en hel kedja av handlingar, inte på ett enda svar. Att fördela belöningen över den kedjan – det som Xiaomi kallar agentbaserad kreditallokering inom gruppen – blir då en del av träningssystemet, snarare än ett tillägg i efterhand. 24

Instrumentpanelen förmedlar därmed en operativ lärdom: att skala RL för agenter handlar inte bara om fler GPU:er för träning. Det kräver också tillräcklig kapacitet i miljöer, utrullningar och verifiering för att träningsloopen ska få användbar återkoppling.

Så bör kostnadsräknaren tolkas

Tidiga rapporter, baserade på den offentliga panelen, angav samlade utgifter på över 1,08 miljoner dollar under ungefär 36 timmar efter att Pro startade – i snitt omkring 30 000 dollar i timmen för de två körningarna. 4 Andra ögonblicksbilder visade cirka 830 000 dollar för Pro och 360 000 dollar för Flash. De visade också en omstart av Pro kopplad till VRAM i en nod samt en omstart av Flash efter ett datasetfel vid steg 15. 9

Siffrorna sticker ut, men bör läsas försiktigt:

• Det är Xiaomis egna löpande uppskattningar av beräkningskostnader, inte oberoende granskade fakturor.
• En totalsiffra i en instrumentpanel redovisar inte vilka bokföringsprinciper som används. Den kan inkludera eller utesluta kostnader för exempelvis hårdvara, reserverad kapacitet, personal, dataförberedelse, lagring, nätverk och utvärderingsinfrastruktur.
• Den säger inget säkert om MiMo-V2.6:s totala utvecklingsbudget eller kostnaden per faktiskt förbättrad förmåga.
• Omstarter och varierande resursutnyttjande gör enkla extrapoleringar per timme missvisande.

Ändå är en sak tydlig: Xiaomi framställer detta som en dyr, infrastrukturtung satsning på online-RL – inte som ett litet efterträningsexperiment.

Vad belöningskurvor och DeepSWE-resultat kan – och inte kan – säga

Panelen uppges innehålla belöningskurvor och kodutvärderingar mitt under träningen. I en rapporterad ögonblicksbild fick Pro 63,72 och Flash 60,77 på DeepSWE v1.1. 9

Detta är användbara diagnossignaler, inte slutliga påståenden om modellkapacitet. En stigande belöningskurva kan vara förenlig med bättre uppgiftslösning, men kan också påverkas av förändrad uppgiftsmix, variation, bedömares beteende, optimering mot belöningen eller exponering mot benchmarken. På samma sätt är ett benchmarkresultat mitt i körningen inte ett slutresultat utan dokumentation av utvärderingsprotokoll, samplingsinställningar, kontroller mot datakontaminering och hur slutlig kontrollpunkt väljs.

Den rimliga tolkningen är att sändningen låter utomstående följa hur träningssignaler utvecklas. Den visar inte i sig hur väl en färdig MiMo-V2.6-modell generaliserar utanför den redovisade utvärderingsmiljön.

Vad Xiaomi har lovat att redovisa

Luo Fuli säger att teamet ägnade nästan ett halvår åt en fråga: hur långt förstärkningsinlärning kan skalas. Hon beskriver MiMo-V2.6 som mitt i sin RL-körning och säger att Xiaomi ska öppenpublicera detaljer ”bit för bit” under de kommande veckorna. 24

Det är ett betydelsefullt löfte om ytterligare teknisk insyn, men det bör inte tolkas som ett fullständigt reproducerbarhetspaket. Uttalandet lovar inte i sig alla träningsdata, promptar, vikter för bedömare, miljöimplementationer, optimeringstillstånd, samtliga kontrollpunkter eller kompletta klusterloggar.

Skillnaden mot Xiaomi-Robotics-U0

MiMo-V2.6:s transparens handlar om insyn i processen. Xiaomi visar utvald driftstelemetri från en pågående efterträning för språk- och agentmodeller.

Xiaomi-Robotics-U0 var ett annat slags projekt och en annan sorts öppenhet. Robotikmodellen beskrivs som en autoregressiv världsfundamentmodell med 38 miljarder parametrar för förkroppsligad intelligens. Den samlar uppgifter som text-till-bild-generering, bildredigering, generering av förkroppsligade scener, överföring mellan sådana scener och generering av förkroppsligad video. 2534 Xiaomis publika kodförråd beskriver släppta modell- och ramverksmaterial för projektet. 32

Skillnaden är i korthet:

• Robotics-U0: öppenhet kring modellartefakter, kod eller ramverk och förmågor för förkroppsligad generering.
• MiMo-V2.6:s RL-sändning: öppenhet kring utvald direktsänd träningstelemetri för efterträning av agenter.

Båda kan vara värdefulla. Ingen av formerna innebär automatiskt att utomstående kan reproducera hela resultatet från grunden.

Begränsningarna med en offentlig RL-panel

MiMo-sändningen är mer avslöjande än ett vanligt pressmeddelande med slutliga benchmarkresultat, men flera viktiga osäkerheter kvarstår.

”Live” går inte att verifiera oberoende

En publik instrumentpanel kan ligga nära realtid och ändå innehålla fördröjda uppdateringar, data som fylls på i efterhand, korrigerade värden, pauser, omstarter eller manuella ingrepp. Att panelen finns är belägg för ovanlig öppenhet – inte kryptografiskt bevis för en oavbruten träningskörning.

Sändningen kan inte fastställa dataproveniens

Offentliga siffror för promptar, utrullningar, token och kostnader bevisar inte frånvaron av oredovisade utdata från lärarmodeller, proprietära data, filtrerade mänskliga data, dold benchmarkexponering eller andra inslag utanför panelen.

De visade mätvärdena är villkorade

Utan en fullt publicerad utvärderingsmiljö, frysta testuppsättningar, samplingsinställningar, upprepade slumpfrön och oberoende replikering kan varken belöningskurvor eller preliminära DeepSWE-resultat avgöra modellernas slutliga generella förmåga.

Urvalet är selektivt

Panelen kan visa framsteg och incidenter utan att avslöja hela uppgiftsmixen, viktningen av belöningar, bedömarnas tillförlitlighet, hårdvaruinventariet, exakt kostnadsmetod, dataproveniens eller kriterierna för att välja slutlig kontrollpunkt.

Slutsats

Xiaomis MiMo-V2.6-panel är ett sällsynt offentligt observabilitetsexperiment för storskalig agentbaserad RL. Den redovisade konfigurationen – ungefär 2 miljarder token per steg, 1 568 promptar, 16 asynkrona utrullningar per prompt, blandade miljöer och omfattande bedömningsarbete – visar att Xiaomi ser skalning av RL som lika mycket ett systemproblem som ett rent modellträningsproblem. 24

De redovisade kostnaderna, belöningskurvorna, benchmarkögonblicksbilderna och synliga felen gör processen mer möjlig att granska än en lanseringspost i efterhand. Men det är fortfarande utvald och självrapporterad telemetri från oavslutade körningar. Panelen är starka belägg för operativ transparens – inte ett oberoende bevis på kontinuerlig direktsänd träning, fullständig träningsproveniens eller slutlig modellkvalitet.