Xiaomi ถ่ายทอดสดการฝึก MiMo-V2.6: เห็นกระบวนการมากขึ้น แต่ยังไม่ใช่คำยืนยันผลลัพธ์สุดท้าย

Xiaomi MiMo เปิดเผยส่วนที่ไม่ค่อยมีใครเปิดให้ดูของการพัฒนาโมเดล AI นั่นคือแดชบอร์ดสาธารณะสำหรับการปรับแต่งหลังการฝึกด้วยการเรียนรู้แบบเสริมแรง (reinforcement learning: RL) ของโมเดลที่ยังไม่เปิดตัว 2 รุ่น ได้แก่ MiMo-V2.6-Pro และ MiMo-V2.6-Flash แทนที่จะเผยเพียงตาราง benchmark เมื่อทุกอย่างเสร็จแล้ว หน้านี้แสดงเทเลเมทรีบางส่วนระหว่างฝึก เช่น กราฟรางวัล จำนวน rollout เวลาในแต่ละสเต็ป ต้นทุนคอมพิวต์สะสม ผลประเมิน และเหตุการณ์ด้านโครงสร้างพื้นฐาน 18

ประเด็นสำคัญจึงไม่ใช่แดชบอร์ดนี้พิสูจน์ว่าโมเดลสุดท้ายเก่งเพียงใด แต่คือ Xiaomi กำลังทำให้การดำเนินงาน RL สำหรับเอเจนต์ขนาดใหญ่—ตั้งแต่ rollout, สภาพแวดล้อมงาน, การตรวจคำตอบ, การให้รางวัล, การอัปเดตโมเดล, ความขัดข้อง ไปจนถึงค่าใช้จ่าย—กลายเป็นสิ่งที่สาธารณชนพอจะสังเกตได้

แดชบอร์ดแสดงอะไรบ้าง

รายงานเกี่ยวกับหน้าเว็บระบุว่า การรัน Pro และ Flash แบบคู่ขนานเริ่มขึ้นเมื่อวันที่ 15 กันยายน 2026 โดยแดชบอร์ดติดตามความคืบหน้าขณะที่โมเดลยังอยู่ระหว่างฝึก Xiaomi ยังไม่ได้ประกาศสเปกสุดท้าย ราคา หรือกำหนดเปิดให้ใช้งานสาธารณะของทั้งสองรุ่น 18

การตั้งค่าแบตช์ที่เปิดเผยมีขนาดใหญ่: 1,568 พรอมป์ต์ และ 16 rollout ต่อพรอมป์ต์ หรือราว 25,000 rollout และใช้ประมาณ 2 พันล้านโทเค็นต่อ RL หนึ่งสเต็ป ทั้งระบบทำงานแบบอะซิงโครนัสเต็มรูปแบบ 24

นี่ไม่ใช่ภาพของการปรับโมเดลจากคู่ข้อความที่มนุษย์ระบุความชอบแบบคงที่อย่างง่าย Luo Fuli หัวหน้าทีม MiMo อธิบายการขยายสเกลไว้ 3 ด้าน คือ

• คอมพิวต์: ราว 2 พันล้านโทเค็นต่อสเต็ป
• สภาพแวดล้อมและ harness: ผสมงานเอเจนต์หลายประเภทและชุดทดสอบการทำงานหลายแบบในหนึ่งการรัน
• คอมพิวต์ของผู้ตรวจให้คะแนน: ใช้การจัดสรรเครดิตภายในกลุ่มสำหรับเอเจนต์ โดยอิงรางวัลจากกรณีทดสอบและเกณฑ์ประเมิน (rubric) 24

ในเชิงปฏิบัติ คำอธิบายนี้ชี้ไปยังขั้นตอนที่โมเดลสร้างการกระทำหรือคำตอบ นำไปทำงานจริงในสภาพแวดล้อมของโจทย์ รับผลสะท้อนกลับจากตัวตรวจหรือ rubric แล้วจึงอัปเดตจากสัญญาณดังกล่าว เมื่ออยู่ในระดับนี้ การสร้าง rollout และการรันตัวประเมินอาจสำคัญต่อการเดินระบบไม่แพ้ตัวออปติไมเซอร์

ทำไมระบบอะซิงโครนัสจึงเป็นแก่นของเรื่องนี้

ระบบ RL แบบอะซิงโครนัสเปิดทางให้การสร้าง rollout การรันสภาพแวดล้อม การให้คะแนน และการอัปเดตโมเดลดำเนินไปพร้อมกัน โดยไม่ต้องให้ทุกส่วนรอภารกิจที่ช้าที่สุด แนวทางนี้มีความสำคัญกับงานเอเจนต์ที่ปะปนกัน เพราะบางงานอาจจบเร็ว ขณะที่บางงานต้องใช้เครื่องมือหลายขั้นตอนหรือมีต้นทุนการตรวจสูงกว่า

การที่ Xiaomi เน้น “คอมพิวต์ของผู้ตรวจให้คะแนน” ก็มีนัยสำคัญเช่นกัน งานเอเจนต์จำนวนมากวัดผลจากลำดับของการกระทำ ไม่ใช่คำตอบเพียงหนึ่งครั้ง การตัดสินว่ารางวัลควรถูกจัดสรรให้ขั้นตอนใดในลำดับนั้น—สิ่งที่ Xiaomi เรียกว่า agentic in-group credit assignment—จึงกลายเป็นส่วนหนึ่งของระบบฝึกโดยตรง 24

บทเรียนเชิงปฏิบัติการจากแดชบอร์ดคือ การขยาย RL สำหรับเอเจนต์ไม่ได้หมายถึงเพิ่ม GPU เพื่อฝึกโมเดลเท่านั้น แต่ต้องมีความจุของสภาพแวดล้อม ระบบ rollout และตัวตรวจคำตอบมากพอที่จะป้อนฟีดแบ็กที่มีประโยชน์กลับเข้าสู่วงจรฝึกได้ทัน

อ่านตัวเลขต้นทุนอย่างระมัดระวัง

รายงานช่วงแรกที่อ้างอิงข้อมูลจากแดชบอร์ดระบุว่าค่าใช้จ่ายรวมมากกว่า 1.08 ล้านดอลลาร์สหรัฐในราว 36 ชั่วโมงหลัง Pro เริ่มฝึก หรือเฉลี่ยราว 30,000 ดอลลาร์ต่อชั่วโมงสำหรับทั้งสองการรัน 4 ภาพข้อมูลอื่นระบุ Pro ราว 830,000 ดอลลาร์ และ Flash ราว 360,000 ดอลลาร์ พร้อมบันทึกว่า Pro เคยเริ่มใหม่จากปัญหา VRAM ของโหนด ขณะที่ Flash เริ่มใหม่หลังพบข้อผิดพลาดในชุดข้อมูลที่สเต็ป 15 9

ตัวเลขเหล่านี้สะดุดตา แต่ควรตีความอย่างมีเงื่อนไข:

• เป็น ค่าประมาณต้นทุนคอมพิวต์สะสมที่ Xiaomi แสดงเอง ไม่ใช่ใบแจ้งหนี้ที่ผ่านการตรวจสอบโดยอิสระ
• ยอดบนแดชบอร์ดไม่ได้บอกหลักเกณฑ์ทางบัญชี จึงไม่ชัดว่าได้รวมฮาร์ดแวร์ กำลังประมวลผลที่จองไว้ งานวิศวกรรม การเตรียมข้อมูล พื้นที่จัดเก็บ เครือข่าย หรือโครงสร้างพื้นฐานสำหรับประเมินครบทั้งหมดหรือไม่
• ไม่ได้บอกงบพัฒนารวมของ MiMo-V2.6 หรือราคาต่อหนึ่งหน่วยของความสามารถที่ดีขึ้น
• การเริ่มใหม่และอัตราการใช้ทรัพยากรที่เปลี่ยนแปลง ทำให้การคาดการณ์ค่าใช้จ่ายต่อชั่วโมงแบบเส้นตรงอาจคลาดเคลื่อน

ถึงอย่างนั้น ตัวนับนี้ชี้ชัดว่า Xiaomi นำเสนอการรันดังกล่าวในฐานะงาน RL ออนไลน์ที่ใช้โครงสร้างพื้นฐานและงบประมาณสูง ไม่ใช่การทดลอง post-training ขนาดเล็ก

กราฟรางวัลและคะแนน DeepSWE บอกอะไรได้บ้าง

มีรายงานว่าแดชบอร์ดแสดงกราฟรางวัลและผลประเมินงานเขียนโค้ดระหว่างฝึก โดยภาพหนึ่งระบุคะแนน DeepSWE v1.1 ที่ 63.72 สำหรับ Pro และ 60.77 สำหรับ Flash 9

ข้อมูลเหล่านี้มีประโยชน์ในฐานะสัญญาณวินิจฉัย ไม่ใช่คำกล่าวอ้างความสามารถสุดท้าย กราฟรางวัลที่เพิ่มขึ้นอาจสอดคล้องกับการทำงานสำเร็จดีขึ้น แต่ก็อาจเกิดจากการเปลี่ยนส่วนผสมของงาน ความแปรปรวน พฤติกรรมของผู้ตรวจ การปรับให้เข้ากับสัญญาณรางวัล หรือการที่โมเดลเคยเห็น benchmark มาก่อน เช่นเดียวกับคะแนน benchmark ระหว่างทาง ซึ่งยังไม่ใช่ผลลัพธ์สุดท้าย หากไม่มีรายละเอียดโปรโตคอลประเมิน การตั้งค่าการสุ่มตัวอย่าง การควบคุมการปนเปื้อนของข้อมูล และวิธีเลือกเช็กพอยต์สุดท้ายที่ตรวจสอบได้

ดังนั้น การอ่านที่เหมาะสมคือ สตรีมนี้ช่วยให้เห็นว่าสัญญาณระหว่างฝึกเปลี่ยนอย่างไร แต่ยังไม่อาจบอกได้ด้วยตัวเองว่า MiMo-V2.6 ฉบับเสร็จสมบูรณ์จะทำงานได้ดีเพียงใดนอกชุดประเมินที่แสดง

Xiaomi สัญญาว่าจะเปิดเผยอะไรต่อ

Luo Fuli กล่าวว่า ทีมใช้เวลาเกือบครึ่งปีศึกษาคำถามเดียวว่า RL จะขยายสเกลได้ไกลแค่ไหน เธอระบุว่า MiMo-V2.6 ยังอยู่ระหว่างการรัน RL และ Xiaomi จะทยอยเปิดเผยรายละเอียดแบบโอเพนซอร์ส “ทีละส่วน” ในช่วงหลายสัปดาห์ถัดไป 24

นี่เป็นคำมั่นว่าจะเปิดเผยข้อมูลทางเทคนิคเพิ่มเติมที่มีนัยสำคัญ แต่ยังไม่ควรตีความว่าเป็นการปล่อยชุดข้อมูลเพื่อทำซ้ำได้ครบถ้วน เพราะคำกล่าวดังกล่าวไม่ได้รับปากว่าจะเปิดข้อมูลฝึกทั้งหมด พรอมป์ต์ น้ำหนักของผู้ตรวจ สภาพแวดล้อมงาน สถานะออปติไมเซอร์ ทุกเช็กพอยต์ หรือบันทึกคลัสเตอร์แบบเต็มรูปแบบ

ต่างจาก Xiaomi-Robotics-U0 อย่างไร

ความโปร่งใสของ MiMo-V2.6 เน้นที่ การมองเห็นกระบวนการ Xiaomi เปิดเทเลเมทรีการปฏิบัติการบางส่วนจากการปรับแต่งหลังฝึกสำหรับภาษาและเอเจนต์ที่กำลังดำเนินอยู่

ส่วน Xiaomi-Robotics-U0 เป็นโครงการคนละประเภทและมีความเปิดกว้างอีกแบบหนึ่ง โดยเป็น world foundation model แบบออโตรีเกรสซีฟขนาด 38 พันล้านพารามิเตอร์ สำหรับ embodied intelligence ซึ่งรวมงานอย่างการสร้างภาพจากข้อความ การแก้ไขภาพ การสร้างฉากสำหรับ embodied AI การถ่ายโอนแบบ embodied และการสร้างวิดีโอแบบ embodied 2534 คลังสาธารณะของ Xiaomi อธิบายถึงสื่อโมเดลและเฟรมเวิร์กที่เผยแพร่สำหรับโครงการนี้ 32

สรุปความต่างได้ดังนี้:

• Robotics-U0: ความเปิดกว้างเน้นอาร์ติแฟกต์ของโมเดล โค้ดหรือเฟรมเวิร์ก และความสามารถด้านการสร้างข้อมูลสำหรับงาน embodied
• สตรีม RL ของ MiMo-V2.6: ความเปิดกว้างเน้นเทเลเมทรีการฝึกแบบต่อเนื่องที่คัดเลือกมา สำหรับ post-training ของเอเจนต์

ทั้งสองแบบมีคุณค่า แต่ไม่มีแบบใดรับประกันว่าจะมีทุกสิ่งที่จำเป็นต่อการทำซ้ำผลลัพธ์ทั้งหมดตั้งแต่ต้น

ข้อจำกัดของแดชบอร์ด RL สาธารณะ

สตรีม MiMo เปิดเผยมากกว่าการประกาศคะแนน benchmark หลังงานเสร็จ แต่ยังมีคำถามสำคัญที่ตอบไม่ได้

คำว่า “สด” ยังตรวจสอบโดยอิสระไม่ได้

แดชบอร์ดสาธารณะอาจอัปเดตใกล้เวลาจริงได้ แต่ก็อาจมีข้อมูลล่าช้า เติมย้อนหลัง แก้ไข หยุดชั่วคราว เริ่มใหม่ หรือมีการแทรกแซงด้วยมือ การมีอยู่ของหน้าเว็บนี้จึงเป็นหลักฐานของการเปิดเผยที่ไม่ธรรมดา ไม่ใช่หลักฐานเชิงเข้ารหัสว่าการฝึกดำเนินอย่างต่อเนื่องไม่มีสะดุด

สตรีมไม่ยืนยันที่มาของข้อมูลฝึก

จำนวนพรอมป์ต์ rollout โทเค็น และต้นทุนที่เผยแพร่ ไม่ได้พิสูจน์ว่าไม่มีผลลัพธ์จากโมเดลครู ข้อมูลกรรมสิทธิ์ ข้อมูลมนุษย์ที่ผ่านการคัดกรอง การปนเปื้อนจาก benchmark หรืออินพุตอื่นที่ไม่ได้แสดงบนแดชบอร์ด

เมตริกที่เห็นขึ้นกับเงื่อนไขการวัด

หากไม่มีชุดทดสอบคงที่ ระบบประเมินที่เผยแพร่ การตั้งค่าการสุ่มตัวอย่าง การรันซ้ำด้วยหลาย seed และการทำซ้ำโดยอิสระ ทั้งกราฟรางวัลและผล DeepSWE ระหว่างทางก็ยังไม่อาจตัดสินความสามารถทั่วไปขั้นสุดท้ายของโมเดลได้

มุมมองที่เปิดเผยยังเป็นเพียงบางส่วน

แดชบอร์ดแสดงความคืบหน้าและเหตุขัดข้องได้ แต่ไม่ได้เปิดส่วนผสมงานทั้งหมด น้ำหนักของรางวัล ความน่าเชื่อถือของผู้ตรวจ รายการฮาร์ดแวร์ วิธีคำนวณต้นทุนอย่างละเอียด ที่มาของข้อมูล หรือเกณฑ์เลือกเช็กพอยต์สุดท้าย

บทสรุป

แดชบอร์ด MiMo-V2.6 ของ Xiaomi คือการทดลองด้านการสังเกตการณ์สาธารณะสำหรับ RL เอเจนต์ขนาดใหญ่ที่พบได้ไม่บ่อย การตั้งค่าที่เปิดเผย—ราว 2 พันล้านโทเค็นต่อสเต็ป, 1,568 พรอมป์ต์, 16 rollout แบบอะซิงโครนัสต่อพรอมป์ต์, สภาพแวดล้อมผสม และงานฝั่งผู้ตรวจให้คะแนนจำนวนมาก—สะท้อนว่า Xiaomi มองการขยาย RL เป็นปัญหาระดับระบบพอ ๆ กับปัญหาการฝึกโมเดล 24

ต้นทุนที่รายงาน กราฟรางวัล ภาพคะแนน benchmark และความล้มเหลวที่มองเห็นได้ ทำให้กระบวนการตรวจดูได้มากกว่าบล็อกเปิดตัวหลังเสร็จงาน แต่ทั้งหมดก็ยังเป็นเทเลเมทรีที่คัดเลือกและรายงานโดย Xiaomi จากการรันที่ยังไม่จบ แดชบอร์ดนี้จึงเป็นหลักฐานที่แข็งแรงของความโปร่งใสในการปฏิบัติการ—not หลักฐานอิสระของการฝึกสดอย่างต่อเนื่อง ที่มาข้อมูลฝึกทั้งหมด หรือคุณภาพของโมเดลฉบับสุดท้าย