AnswersPublished18 sources
Xiaomi’nin MiMo-V2.6 RL Yayını Ne Gösteriyor, Ne Kanıtlamıyor?
Xiaomi, tamamlanmamış MiMo V2.6 Pro ve Flash RL çalışmalarına ait seçili telemetriyi herkese açık biçimde yayımlıyor: adımlar, rollout sayıları, ödül eğrileri, maliyetler ve bazı altyapı olayları görünür durumda. Şirket, her RL adımında yaklaşık 2 milyar token işlediğini; 1.568 istem için istem başına 16 asenkron ro...
YayımlayanGPT-5.6 Terra ile düzenlendiGörseller GPT Image 2 ile oluşturuldu
Research answer
Key takeaways
- Xiaomi, tamamlanmamış MiMo V2.6 Pro ve Flash RL çalışmalarına ait seçili telemetriyi herkese açık biçimde yayımlıyor: adımlar, rollout sayıları, ödül eğrileri, maliyetler ve bazı altyapı olayları görünür durumda.
- Şirket, her RL adımında yaklaşık 2 milyar token işlediğini; 1.568 istem için istem başına 16 asenkron rollout kullandığını söylüyor.
- Pano operasyonel şeffaflık açısından sıra dışı olsa da canlılığın kesintisiz olduğunu, eğitim verisinin kökenini veya ara metriklerin nihai performansı temsil ettiğini bağımsız biçimde kanıtlamıyor.
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’nin MiMo ekibi, model geliştirme sürecinin alışılmadık bir bölümünü kamuya açtı: henüz yayımlanmamış MiMo-V2.6-Pro ve MiMo-V2.6-Flash modellerinin pekiştirmeli öğrenme (RL) ile son eğitim aşamasını izleyen bir pano. Sayfa, yalnızca bitmiş bir benchmark tablosu paylaşmak yerine ödül eğrileri, rollout sayıları, adım süreleri, biriken hesaplama maliyeti, değerlendirme sonuçları ve altyapı olayları gibi seçilmiş eğitim telemetrisini gösteriyor. 1
8
Buradaki asıl haber, panonun nihai model sonucunu ispatlaması değil. Xiaomi; rollout üretimi, ortamlar, doğrulama, puanlama, güncellemeler, hatalar ve harcama gibi büyük ölçekli ajan tabanlı RL operasyonlarını kamuya açık şekilde gözlemlenebilir kılıyor.
Pano tam olarak ne gösteriyor?
Kamuya açık sayfaya ilişkin haberlerde, 15 Eylül 2026'da başlayan paralel Pro ve Flash çalışmaları anlatılıyor. Modeller eğitimde kalmayı sürdürürken pano ilerlemeyi izliyor; Xiaomi iki model için de nihai teknik özellik, fiyatlandırma veya genel kullanıma açılma tarihi duyurmadı. 1
8
Açıklanan batch yapılandırması oldukça büyük: 1.568 istem ve istem başına 16 rollout; yani yaklaşık 25.000 rollout. Her RL adımında da yaklaşık 2 milyar token işleniyor. Xiaomi, sistemin tamamen asenkron çalıştığını belirtiyor. 24
Bu, statik metin çiftleri üzerinde çalışan basit bir tercih optimizasyonu döngüsü olarak sunulmuyor. MiMo ekibinin lideri Luo Fuli, ölçeklendirmeyi üç başlıkta tanımlıyor:
- Hesaplama: Adım başına yaklaşık 2 milyar token.
- Ortamlar ve harness'ler: Tek çalışmada birden fazla altyapı üzerinde karıştırılan çeşitli ajan görevleri.
- Değerlendirici hesaplaması: Test senaryoları ve rubrik tabanlı ödüllerle, ajanlar için grup içi kredi ataması.
24
Pratikte bu açıklama; modelin eylem ya da çözüm ürettiği, bunları görev ortamlarında çalıştırdığı, doğrulayıcı veya rubrikten türetilen geri bildirim aldığı ve ardından bu geri bildirimle güncellendiği bir iş akışına işaret ediyor. Bu ölçekte rollout üretimi ve değerlendiricileri çalıştırmak, iyileştiricinin kendisi kadar kritik bir operasyon sorunu hâline geliyor.
Asenkron yapı neden teknik açıdan önemli?
Tam asenkron bir RL sistemi; rollout üretiminin, ortam yürütmenin, puanlamanın ve model güncellemelerinin en yavaş görevi beklemeden eşzamanlı ilerlemesini sağlar. Bazı görevlerin hızla bittiği, bazılarının ise daha uzun araç kullanımı veya daha pahalı değerlendirme gerektirdiği karma ajan iş yüklerinde bu özellikle önemlidir.
Xiaomi’nin değerlendirici hesaplamasına yaptığı vurgu da anlamlı. Ajan görevlerinde nihai sonuç tek bir yanıttan değil, bir eylemler dizisinden doğabilir. Ödülün bu eylem dizisine nasıl dağıtılacağı — Xiaomi’nin ifadesiyle ajanlarda grup içi kredi ataması — eğitim sisteminin tali bir parçası değil, doğrudan bir bileşeni olur. 24
Pano bu nedenle şu operasyonel dersi veriyor: Ajanlar için RL'i ölçeklemek yalnızca eğitim GPU'su eklemekle bitmiyor. Eğitim döngüsünü faydalı geri bildirimle besleyecek yeterli ortam, rollout ve doğrulayıcı kapasitesi de gerekiyor.
Maliyet sayacı nasıl okunmalı?
Açık panoya dayanan ilk haberler, Pro çalışmasının başlamasından yaklaşık 36 saat sonra iki çalışmanın toplam harcamasının 1,08 milyon ABD dolarını aştığını bildirdi. Bu, iki çalışma genelinde saatlik ortalama yaklaşık 30.000 dolara karşılık geliyor. 4 Başka pano görüntülerinde Pro için yaklaşık 830.000 dolar, Flash için 360.000 dolar; ayrıca Pro’da düğüm VRAM'iyle bağlantılı bir yeniden başlatma ve Flash’ta 15. adımda veri kümesi hatası nedeniyle yeniden başlatma görüldü.
9
Bu rakamlar dikkat çekici, ancak temkinli yorumlanmalı:
- Bunlar, Xiaomi’nin ekranda gösterdiği devam eden hesaplama maliyeti tahminleri; bağımsız denetimden geçmiş faturalar değil.
- Pano toplamı, muhasebe kurallarını açıklamıyor. Donanım, ayrılmış kapasite, mühendislik, veri hazırlığı, depolama, ağ ve değerlendirme altyapısına ilişkin her gideri içerip içermediği belirsiz.
- MiMo-V2.6'nın toplam geliştirme bütçesini veya belirli bir yetenek artışının birim maliyetini ortaya koymuyor.
- Yeniden başlatmalar ve değişen kullanım oranları, basit bir saatlik maliyet projeksiyonunu yanıltıcı kılabilir.
Yine de sayaç bir noktayı açıkça ortaya koyuyor: Xiaomi bunu hafif bir son eğitim deneyi olarak değil, yüksek maliyetli ve yoğun altyapı gerektiren bir RL girişimi olarak sunuyor.
Ödül eğrileri ve DeepSWE skorları ne söyler, ne söylemez?
Panoda ödül eğrileri ile eğitim sırasında yapılan kodlama değerlendirmelerinin yer aldığı bildiriliyor. Bir görüntüde DeepSWE v1.1 skoru Pro için 63,72, Flash için ise 60,77 olarak verildi. 9
Bunlar nihai yetenek iddiaları değil, yararlı tanı ölçümleri. Yükselen bir ödül eğrisi daha iyi görev tamamlama ile uyumlu olabilir; ancak görev karışımındaki değişimlerden, varyanstan, değerlendirici davranışından, ödül optimizasyonundan veya benchmark'a maruz kalmaktan da kaynaklanabilir. Benzer biçimde, değerlendirme protokolü, örnekleme ayarları, kontaminasyon kontrolleri ve nihai kontrol noktası seçimi açıkça belgelenip bağımsız olarak denetlenmedikçe, çalışma ortasındaki benchmark skoru nihai model sonucu sayılmaz.
Doğru yorum şu: Yayın, eğitim sinyallerinin zaman içindeki değişimini izlemeye izin veriyor. Ancak bitmiş bir MiMo-V2.6 modelinin gösterilen değerlendirme düzeni dışındaki alanlarda ne kadar genelleyeceğini tek başına göstermiyor.
Xiaomi daha hangi bilgileri açıklamayı vaat etti?
Luo Fuli, ekibin yaklaşık yarım yılını tek bir soruyu araştırmaya ayırdığını söyledi: pekiştirmeli öğrenme ne kadar ölçeklenebilir? MiMo-V2.6'nın RL çalışmasının hâlâ ortasında olduğunu belirten Fuli, önümüzdeki haftalarda teknik ayrıntıların “parça parça” açık kaynak yapılacağını ifade etti. 24
Bu, daha fazla teknik açıklama için anlamlı bir taahhüt. Ancak eksiksiz yeniden üretilebilirlik paketi sözü olarak okunmamalı. Açıklama; tüm eğitim verilerinin, istemlerin, değerlendirici ağırlıklarının, ortam uygulamalarının, iyileştirici durumunun, her kontrol noktasının veya tüm küme günlüklerinin yayımlanacağını tek başına vaat etmiyor.
Xiaomi-Robotics-U0 ile farkı ne?
MiMo-V2.6’daki şeffaflık, süreç görünürlüğü üzerine kurulu: Xiaomi, devam eden dil ve ajan odaklı son eğitim çalışmasından seçilmiş operasyonel telemetri yayımlıyor.
Xiaomi-Robotics-U0 ise farklı bir proje ve farklı türde bir açıklık örneğiydi. Robotik modeli; metinden görsel üretimi, görsel düzenleme, bedenselleştirilmiş sahne üretimi, bedenselleştirilmiş aktarım ve bedenselleştirilmiş video üretimi gibi görevleri birleştiren, bedenselleştirilmiş zekâ için 38 milyar parametreli otoregresif bir dünya temel modeli olarak tanımlanıyor. 25
34 Xiaomi’nin herkese açık deposu, bu çalışma için model ve çerçeve materyallerinin yayımlandığını belirtiyor.
32
Ayrım şöyle özetlenebilir:
- Robotics-U0: Model artefaktları, kod ya da çerçeveler ve bedenselleştirilmiş üretim yetenekleri etrafında şekillenen açıklık.
- MiMo-V2.6 RL yayını: Ajan son eğitimi için seçilmiş canlı eğitim telemetrisi etrafında şekillenen açıklık.
Her iki yaklaşım da değerli olabilir. Ancak hiçbiri, tüm sonucu sıfırdan yeniden üretmek için gereken her şeyi otomatik olarak sağlamaz.
Açık RL panosunun sınırları
MiMo yayını, geleneksel bir nihai benchmark duyurusundan daha açıklayıcı; ancak önemli belirsizlikler sürüyor.
“Canlı” olduğu bağımsız biçimde doğrulanmış değil
Açık bir pano gerçek zamana yakın çalışabilir; yine de gecikmeli güncellemeler, sonradan eklenen değerler, düzeltilmiş veriler, duraklamalar, yeniden başlatmalar veya manuel müdahaleler içerebilir. Panonun varlığı sıra dışı bir açıklığın göstergesi; kesintisiz sürekliliğin kriptografik kanıtı değil.
Eğitim verisinin kökenini kanıtlayamaz
İstem, rollout, token ve maliyet sayıları; açıklanmamış öğretmen model çıktılarının, özel verilerin, filtrelenmiş insan verilerinin, gizli benchmark maruziyetinin veya pano dışındaki başka girdilerin bulunmadığını kanıtlamaz.
Sunulan metrikler koşulludur
Tümüyle yayımlanmış bir değerlendirme altyapısı, sabit test kümeleri, örnekleme ayarları, tekrarlanan rastgele tohumlar ve bağımsız tekrarlar olmadan; ne ödül eğrileri ne de ara DeepSWE sonuçları modellerin nihai genel yeteneğini kesin biçimde gösterebilir.
Görünüm seçilmiş verilerden oluşuyor
Pano ilerlemeyi ve olayları gösterebilir; ama görev karışımının tamamını, ödül ağırlıklarını, değerlendirici güvenilirliğini, donanım envanterini, kesin maliyet metodolojisini, veri kökenini veya nihai kontrol noktası seçme ölçütlerini açıklamıyor.
Sonuç
Xiaomi’nin MiMo-V2.6 panosu, büyük ölçekli ajan tabanlı RL için nadir bir kamuya açık gözlemlenebilirlik deneyi. Açıklanan yapılandırma — adım başına yaklaşık 2 milyar token, 1.568 istem, istem başına 16 asenkron rollout, karma ortamlar ve değerlendirme tarafında kayda değer hesaplama — şirketin RL ölçeklendirmesini yalnızca model eğitimi değil, bir sistem mühendisliği sorunu olarak gördüğünü gösteriyor. 24
Bildirilen harcama, ödül eğrileri, benchmark anlık görüntüleri ve görünür hatalar; süreci sonradan yapılan bir lansman paylaşımından daha incelenebilir hâle getiriyor. Buna karşın bunlar, tamamlanmamış çalışmalardan gelen seçilmiş ve Xiaomi tarafından bildirilen telemetri verileri. Pano, operasyonel şeffaflığa dair güçlü bir işaret; fakat kesintisiz canlı eğitimin, eksiksiz eğitim kökeninin veya nihai model kalitesinin bağımsız kanıtı değil.
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 "Xiaomi’nin MiMo-V2.6 RL Yayını Ne Gösteriyor, Ne Kanıtlamıyor?"?
Xiaomi, tamamlanmamış MiMo V2.6 Pro ve Flash RL çalışmalarına ait seçili telemetriyi herkese açık biçimde yayımlıyor: adımlar, rollout sayıları, ödül eğrileri, maliyetler ve bazı altyapı olayları görünür durumda.
What are the key points to validate first?
Xiaomi, tamamlanmamış MiMo V2.6 Pro ve Flash RL çalışmalarına ait seçili telemetriyi herkese açık biçimde yayımlıyor: adımlar, rollout sayıları, ödül eğrileri, maliyetler ve bazı altyapı olayları görünür durumda. Şirket, her RL adımında yaklaşık 2 milyar token işlediğini; 1.568 istem için istem başına 16 asenkron rollout kullandığını söylüyor.
What should I do next in practice?
Pano operasyonel şeffaflık açısından sıra dışı olsa da canlılığın kesintisiz olduğunu, eğitim verisinin kökenini veya ara metriklerin nihai performansı temsil ettiğini bağımsız biçimde kanıtlamıyor.