AnswersPublished18 sources
Xiaomi транслює навчання MiMo-V2.6: прозорість процесу, а не доказ фінального результату
Xiaomi відкрила панель із вибраною телеметрією двох незавершених RL запусків MiMo V2.6 — Pro і Flash: близько 2 млрд токенів на крок, 1 568 промптів і 16 роллаутів на кожен. Головний технічний сигнал — масштабування не лише обчислень моделі, а й агентних середовищ, систем перевірки та обчислень для оцінювачів, що пр...
ОпублікувавВідредаговано за допомогою GPT-5.6 TerraЗображення створено за допомогою GPT Image 2
Research answer
Key takeaways
- Xiaomi відкрила панель із вибраною телеметрією двох незавершених RL запусків MiMo V2.6 — Pro і Flash: близько 2 млрд токенів на крок, 1 568 промптів і 16 роллаутів на кожен.
- Головний технічний сигнал — масштабування не лише обчислень моделі, а й агентних середовищ, систем перевірки та обчислень для оцінювачів, що призначають винагороди за тестами й рубриками.
- Стрім робить прогрес і частину збоїв помітнішими, але не є незалежним доказом безперервного «живого» навчання, походження даних чи підсумкової якості моделей.
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 зробила публічною нетипову частину розробки ШІ-моделей: панель моніторингу RL-постнавчання двох ще не випущених моделей — MiMo-V2.6-Pro та MiMo-V2.6-Flash. Замість того щоб оприлюднити лише фінальну таблицю бенчмарків, команда показує вибрані робочі метрики: криві винагород, кількість роллаутів, час кроків, поточні оцінки обчислювальних витрат, результати оцінювання та інфраструктурні інциденти. 1
8
Важливий висновок тут не в тому, що панель уже доводить перевагу готової моделі. Вона демонструє інше: Xiaomi вважає масштабне агентне навчання з підкріпленням — генерацію роллаутів, роботу середовищ, перевірку, оцінювання, оновлення моделі, збої та витрати — процесом, за яким варто дати можливість спостерігати публічно.
Що саме видно на панелі
За повідомленнями про публічну сторінку, паралельні запуски Pro і Flash стартували 15 вересня 2026 року. Панель відстежує їхній поступ у процесі навчання; Xiaomi ще не оголосила ані остаточних характеристик, ані цін, ані публічної доступності цих моделей. 1
8
Оприлюднена конфігурація одного пакета має великий масштаб: 1 568 промптів і 16 роллаутів на кожен промпт — тобто приблизно 25 000 роллаутів — а також близько 2 млрд токенів на один RL-крок. Xiaomi заявляє, що система працює повністю асинхронно. 24
Це важливо: процес не подається як проста оптимізація вподобань на статичних парах текстів. Керівниця команди MiMo Ло Фулі назвала три напрями масштабування:
- Обчислення: близько 2 млрд токенів на крок.
- Середовища й harnesses: кілька агентних завдань та інфраструктур виконання, змішаних в одному запуску.
- Обчислення для оцінювачів: агентне внутрішньогрупове призначення внеску в результат, де винагорода ґрунтується на тест-кейсах і рубриках.
24
Практично це означає конвеєр, у якому модель генерує дії чи розв’язання, виконує їх у завданнєвих середовищах, отримує зворотний зв’язок від верифікаторів або оцінювальних рубрик, а потім оновлюється на його основі. На такому масштабі генерація роллаутів і запуск оцінювачів можуть бути не менш важливими для роботи системи, ніж сам оптимізатор.
Чому асинхронність — головна технічна деталь
Повністю асинхронна RL-система дає змогу генерації роллаутів, виконанню в середовищах, оцінюванню та оновленню моделі працювати паралельно, не очікуючи на найповільніше завдання. Це особливо актуально для змішаних агентних навантажень: частина задач завершується швидко, інші потребують тривалішого використання інструментів або дорожчої перевірки.
Не менш показовий наголос Xiaomi на обчисленнях для оцінювачів. В агентних завданнях фінальний результат часто залежить від послідовності дій, а не від однієї відповіді. Тому розподіл винагороди між кроками — те, що компанія називає агентним внутрішньогруповим призначенням внеску, — стає частиною навчальної системи, а не другорядною деталлю. 24
Отже, панель дає операційний урок: масштабування RL для агентів — це не лише додати графічні прискорювачі для навчання. Потрібні також достатні потужності середовищ, роллаутів і верифікаторів, щоб постійно забезпечувати цикл навчання корисним зворотним зв’язком.
Як читати лічильник витрат
Ранні повідомлення, що спиралися на панель, оцінювали сукупні витрати більш ніж у $1,08 млн приблизно за 36 годин після старту Pro — у середньому близько $30 000 на годину для обох запусків. 4 Інші знімки панелі наводили приблизно $830 000 для Pro і $360 000 для Flash. Вони також фіксували перезапуск Pro через проблему з VRAM вузла та перезапуск Flash після помилки в наборі даних на 15-му кроці.
9
Ці цифри вражають, але їх варто тлумачити обережно:
- це поточні оцінки обчислювальних витрат, показані Xiaomi, а не незалежно перевірені рахунки;
- загальна сума на панелі не пояснює правил обліку: вона може включати або не включати всі витрати на обладнання, зарезервовані потужності, інженерну роботу, підготовку даних, сховище, мережу чи інфраструктуру оцінювання;
- вона не встановлює ані загального бюджету розробки MiMo-V2.6, ані вартості одиниці приросту можливостей моделі;
- перезапуски й зміни завантаження ресурсів можуть зробити просту екстраполяцію погодинних витрат оманливою.
Проте один висновок очевидний: Xiaomi представляє цей процес як дорогий, інфраструктурно місткий онлайн-RL-проєкт, а не як невеликий експеримент із постнавчання.
Що можуть і чого не можуть сказати криві винагород та DeepSWE
Панель, за повідомленнями, містить криві винагород і проміжні оцінки кодування. В одному зі знімків показники DeepSWE v1.1 становили 63,72 для Pro та 60,77 для Flash. 9
Це корисна діагностика, але не фінальна заява про можливості. Зростання кривої винагороди може узгоджуватися з кращим виконанням завдань, але також бути пов’язаним зі зміною складу задач, дисперсією, поведінкою оцінювача, оптимізацією під винагороду або доступом до бенчмарків. Так само проміжний бал бенчмарку не є результатом готової моделі, доки не описано протокол оцінювання, параметри семплювання, контроль забруднення тестів і процедуру вибору фінального чекпойнта — бажано з незалежною перевіркою.
Коректне прочитання таке: трансляція дозволяє спостерігати, як змінюються навчальні сигнали. Але сама по собі вона не показує, наскільки добре фінальна MiMo-V2.6 узагальнюватиме знання поза видимим набором оцінювань.
Що Xiaomi обіцяє розкрити далі
Ло Фулі повідомила, що команда майже пів року вивчала одне питання: наскільки далеко можна масштабувати навчання з підкріпленням. Вона охарактеризувала MiMo-V2.6 як модель, що все ще перебуває посеред RL-навчання, і пообіцяла відкривати технічні деталі «частинами» протягом наступних тижнів. 24
Це важливе зобов’язання щодо подальшого розкриття технічної інформації, але не варто ототожнювати його з повним пакетом відтворюваності. Така заява сама по собі не обіцяє оприлюднення всіх навчальних даних, промптів, ваг оцінювачів, реалізацій середовищ, стану оптимізатора, кожного чекпойнта чи повних логів кластера.
Чим це відрізняється від Xiaomi-Robotics-U0
Прозорість MiMo-V2.6 стосується видимості процесу: Xiaomi показує вибрану операційну телеметрію поточного постнавчання мовних і агентних моделей.
Xiaomi-Robotics-U0 — інший проєкт і інший тип відкритості. Його описують як 38-мільярдну авторегресійну світову фундаментальну модель для втіленого інтелекту, що об’єднує генерацію тексту в зображення, редагування зображень, генерацію втілених сцен, втілене перенесення та генерацію втіленого відео. 25
34 Публічний репозиторій Xiaomi описує випущені для цього проєкту матеріали моделі та фреймворку.
32
Різниця проста:
- Robotics-U0: відкритість зосереджена на артефактах моделі, коді або фреймворках і можливостях втіленої генерації.
- RL-стрім MiMo-V2.6: відкритість зосереджена на вибраній телеметрії навчання агентів у реальному часі.
Обидва підходи можуть бути цінними. Але жоден автоматично не надає всього необхідного, щоб відтворити повний результат з нуля.
Межі публічної RL-панелі
Стрім MiMo розкриває більше, ніж традиційне оголошення фінальних бенчмарків, однак ключові невизначеності залишаються.
«Наживо» неможливо незалежно підтвердити лише панеллю
Публічна панель може бути близькою до реального часу, водночас містячи затримки оновлень, дозаповнені значення, виправлені дані, паузи, перезапуски або ручні втручання. Її існування є свідченням незвичного рівня розкриття інформації, але не криптографічним доказом безперервного навчання без перерв.
Стрім не встановлює походження даних
Публічні лічильники промптів, роллаутів, токенів і витрат не доводять відсутності нерозкритих відповідей моделей-учителів, пропрієтарних даних, відфільтрованих даних від людей, прихованого доступу до бенчмарків чи інших вхідних даних поза панеллю.
Показані метрики мають умови застосовності
Без повністю опублікованого набору інструментів оцінювання, зафіксованих тестових наборів, параметрів семплювання, повторів із різними зернами випадковості та незалежного відтворення ані криві винагород, ані проміжні DeepSWE-результати не можуть остаточно встановити загальну здатність моделей.
Видимий зріз є вибірковим
Панель може показувати поступ і інциденти, не розкриваючи повний набір задач, ваги винагород, надійність оцінювачів, склад обладнання, точну методику підрахунку витрат, походження даних або критерії вибору фінального чекпойнта.
Висновок
Панель MiMo-V2.6 — рідкісний публічний експеримент зі спостережуваністю масштабного агентного RL. Оприлюднена конфігурація — близько 2 млрд токенів на крок, 1 568 промптів, 16 асинхронних роллаутів на промпт, змішані середовища та значний обсяг роботи оцінювачів — показує, що Xiaomi трактує масштабування RL не лише як завдання навчання моделі, а і як проблему побудови цілої системи. 24
Показники витрат, криві винагород, проміжні бенчмарки та видимі збої роблять процес доступнішим для аналізу, ніж звичайний допис після запуску моделі. Але це все ще вибіркова, самостійно оприлюднена телеметрія незавершених запусків. Панель є сильним свідченням операційної прозорості — не незалежним доказом безперервного live-навчання, повного походження даних або фінальної якості моделей.
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 транслює навчання MiMo-V2.6: прозорість процесу, а не доказ фінального результату"?
Xiaomi відкрила панель із вибраною телеметрією двох незавершених RL запусків MiMo V2.6 — Pro і Flash: близько 2 млрд токенів на крок, 1 568 промптів і 16 роллаутів на кожен.
What are the key points to validate first?
Xiaomi відкрила панель із вибраною телеметрією двох незавершених RL запусків MiMo V2.6 — Pro і Flash: близько 2 млрд токенів на крок, 1 568 промптів і 16 роллаутів на кожен. Головний технічний сигнал — масштабування не лише обчислень моделі, а й агентних середовищ, систем перевірки та обчислень для оцінювачів, що призначають винагороди за тестами й рубриками.
What should I do next in practice?
Стрім робить прогрес і частину збоїв помітнішими, але не є незалежним доказом безперервного «живого» навчання, походження даних чи підсумкової якості моделей.