MiMo-V2.6 của Xiaomi đang livestream huấn luyện RL — nhưng chưa phải bằng chứng về năng lực cuối cùng

Xiaomi đang công khai một phần vốn thường chỉ xuất hiện sau khi mô hình đã hoàn tất: telemetry trong giai đoạn hậu huấn luyện bằng học tăng cường (reinforcement learning, RL) của hai mô hình chưa phát hành là MiMo-V2.6-Pro và MiMo-V2.6-Flash. Thay vì chỉ đưa ra bảng benchmark cuối cùng, dashboard hiển thị các đường cong phần thưởng (reward), số rollout, thời gian mỗi bước, chi phí tính toán lũy kế, kết quả đánh giá và một số sự kiện hạ tầng. 18

Điều đáng chú ý nhất không phải là dashboard này đã chứng minh MiMo-V2.6 mạnh đến đâu. Nó cho thấy Xiaomi đang coi việc vận hành RL quy mô lớn cho tác tử AI — tạo rollout, chạy môi trường, xác minh kết quả, chấm điểm, cập nhật mô hình, xử lý lỗi và kiểm soát chi phí — là một quy trình đủ quan trọng để mở cho công chúng theo dõi.

Dashboard đang hiển thị những gì?

Theo các báo cáo về trang này, hai đợt chạy Pro và Flash bắt đầu từ ngày 15/9/2026. Dashboard theo dõi tiến độ trong lúc mô hình vẫn đang huấn luyện; Xiaomi chưa công bố cấu hình cuối cùng, giá, API hay thời điểm người dùng có thể sử dụng hai mô hình. 18

Cấu hình batch được công bố khá lớn: 1.568 prompt, mỗi prompt có 16 rollout, tương đương khoảng 25.000 rollout; mỗi bước RL xử lý khoảng 2 tỷ token. Xiaomi cho biết hệ thống vận hành theo cơ chế bất đồng bộ hoàn toàn. 24

Luo Fuli, người đứng đầu nhóm MiMo, mô tả ba chiều mở rộng của đợt huấn luyện:

• Năng lực tính toán: khoảng 2 tỷ token mỗi bước.
• Môi trường và harness: trộn nhiều tác vụ tác tử cùng nhiều bộ khung chạy tác vụ trong một đợt huấn luyện.
• Năng lực chấm điểm: phân bổ công trạng trong nhóm cho tác tử (agentic in-group credit assignment), với phần thưởng dựa trên test case và rubric — tức tiêu chí chấm có cấu trúc. 24

Diễn giải đơn giản, mô hình không chỉ tạo câu trả lời rồi nhận đánh giá kiểu thích/không thích. Nó có thể sinh các hành động hoặc lời giải, thực thi trong môi trường tác vụ, nhận phản hồi từ bộ kiểm tra hay rubric, rồi được cập nhật dựa trên phản hồi đó. Ở quy mô này, năng lực tạo rollout và chạy bộ đánh giá có thể quan trọng về mặt vận hành không kém bộ tối ưu hóa mô hình.

Vì sao kiến trúc bất đồng bộ mới là câu chuyện kỹ thuật chính?

Trong hệ thống RL bất đồng bộ hoàn toàn, các công đoạn tạo rollout, thực thi môi trường, chấm điểm và cập nhật mô hình có thể diễn ra đồng thời, thay vì cả hệ thống phải chờ tác vụ chậm nhất. Cách làm này đặc biệt phù hợp với tải công việc tác tử hỗn hợp: có tác vụ kết thúc nhanh, nhưng cũng có tác vụ cần dùng công cụ lâu hơn hoặc tốn chi phí chấm điểm cao hơn.

Việc Xiaomi nhấn mạnh compute cho grader cũng đáng lưu ý. Với tác vụ tác tử, kết quả cuối cùng thường đến từ một chuỗi hành động chứ không phải một câu trả lời đơn lẻ. Vấn đề xác định hành động nào đã đóng góp vào kết quả tốt — điều Xiaomi gọi là phân bổ công trạng trong nhóm cho tác tử — trở thành một phần của chính hệ thống huấn luyện. 24

Bài học vận hành ở đây là: mở rộng RL cho tác tử không đơn thuần là bổ sung GPU huấn luyện. Hệ thống còn cần đủ năng lực môi trường, rollout và xác minh để liên tục cung cấp phản hồi có ích cho vòng lặp học.

Nên đọc bộ đếm chi phí như thế nào?

Các báo cáo ban đầu dựa trên dashboard cho biết tổng chi tiêu hiển thị đã vượt 1,08 triệu USD trong khoảng 36 giờ sau khi Pro bắt đầu, tương đương trung bình khoảng 30.000 USD mỗi giờ cho cả hai đợt chạy. 4 Một ảnh chụp khác ghi nhận khoảng 830.000 USD cho Pro và 360.000 USD cho Flash; Pro từng khởi động lại do VRAM của node, còn Flash khởi động lại sau lỗi dữ liệu ở bước 15. 9

Đây là những con số gây chú ý, nhưng cần được hiểu thận trọng:

• Đó là ước tính chi phí tính toán đang chạy do Xiaomi hiển thị, không phải hóa đơn đã được kiểm toán độc lập.
• Tổng trên dashboard không cho biết quy tắc hạch toán: có thể bao gồm hoặc không bao gồm toàn bộ chi phí phần cứng, công suất đặt trước, nhân sự kỹ thuật, chuẩn bị dữ liệu, lưu trữ, mạng hay hạ tầng đánh giá.
• Nó không cho biết tổng ngân sách phát triển MiMo-V2.6, cũng không cho biết mỗi đơn vị cải thiện năng lực thực sự tốn bao nhiêu.
• Các lần khởi động lại và mức sử dụng tài nguyên thay đổi khiến việc ngoại suy chi phí theo giờ dễ gây hiểu nhầm.

Dù vậy, bộ đếm này truyền tải một điểm khá rõ: Xiaomi đang mô tả đây là nỗ lực RL trực tuyến, nặng về hạ tầng và chi phí, chứ không phải một thử nghiệm hậu huấn luyện quy mô nhỏ.

Reward curve và điểm DeepSWE nói được gì — và không nói được gì?

Dashboard được cho là có reward curve và đánh giá lập trình giữa quá trình huấn luyện. Một ảnh chụp báo cáo điểm DeepSWE v1.1 là 63,72 cho Pro và 60,77 cho Flash. 9

Đây là các tín hiệu chẩn đoán hữu ích, không phải tuyên bố cuối cùng về năng lực. Reward tăng có thể phù hợp với việc mô hình hoàn thành tác vụ tốt hơn, nhưng cũng có thể chịu tác động bởi thay đổi hỗn hợp tác vụ, độ biến động, cách grader hoạt động, việc tối ưu theo phần thưởng hoặc mức độ mô hình đã tiếp xúc với benchmark. Tương tự, điểm benchmark giữa đợt chạy chưa thể là kết quả cuối cùng nếu chưa công bố giao thức đánh giá, thiết lập lấy mẫu, biện pháp kiểm soát nhiễm benchmark và cách chọn checkpoint cuối.

Cách đọc hợp lý là: livestream cho phép người quan sát theo dõi tín hiệu huấn luyện biến động thế nào. Nó không tự thân chứng minh một MiMo-V2.6 hoàn chỉnh sẽ tổng quát hóa tốt ra sao ngoài thiết lập đánh giá đang hiển thị.

Xiaomi đã hứa công bố thêm điều gì?

Luo Fuli cho biết nhóm đã dành gần nửa năm nghiên cứu một câu hỏi: RL có thể mở rộng đến mức nào. Bà nói MiMo-V2.6 vẫn đang ở giữa đợt RL và Xiaomi sẽ mở mã nguồn các chi tiết “từng phần” trong những tuần tới. 24

Đây là cam kết đáng chú ý về việc công bố thêm thông tin kỹ thuật. Tuy nhiên, không nên hiểu nó là lời hứa về một gói tái lập hoàn chỉnh. Phát biểu này chưa cam kết công bố toàn bộ dữ liệu huấn luyện, prompt, trọng số grader, triển khai môi trường, trạng thái optimizer, mọi checkpoint hay log đầy đủ của cụm máy.

Khác gì với Xiaomi-Robotics-U0?

Tính minh bạch của MiMo-V2.6 tập trung vào khả năng quan sát quy trình: Xiaomi đang phơi bày một phần telemetry vận hành từ đợt hậu huấn luyện mô hình ngôn ngữ và tác tử đang diễn ra.

Trong khi đó, Xiaomi-Robotics-U0 là dự án khác và có kiểu cởi mở khác. Đây được mô tả là mô hình nền tảng thế giới tự hồi quy, đa phương thức, quy mô 38 tỷ tham số cho trí tuệ hiện thân; mô hình hợp nhất các tác vụ như tạo ảnh từ văn bản, chỉnh sửa ảnh, tạo cảnh hiện thân, chuyển giao hiện thân và tạo video hiện thân. 2534 Kho lưu trữ công khai của Xiaomi mô tả các tài liệu mô hình và framework đã phát hành cho dự án này. 32

Có thể phân biệt ngắn gọn như sau:

• Robotics-U0: tính mở xoay quanh các hiện vật kỹ thuật như mô hình, mã hoặc framework, cùng năng lực tạo sinh cho bối cảnh robot/hiện thân.
• Livestream RL MiMo-V2.6: tính mở xoay quanh telemetry huấn luyện trực tiếp được chọn lọc cho giai đoạn hậu huấn luyện tác tử.

Cả hai đều có giá trị, nhưng không hình thức nào tự động cung cấp mọi thứ cần thiết để tái lập toàn bộ kết quả từ đầu.

Những giới hạn của một dashboard RL công khai

Livestream MiMo tiết lộ nhiều hơn thông báo benchmark sau khi hoàn tất, nhưng vẫn còn các bất định quan trọng.

“Live” không thể được xác thực độc lập chỉ từ dashboard

Một dashboard công khai có thể gần thời gian thực nhưng vẫn có cập nhật trễ, dữ liệu được bổ sung sau, chỉnh sửa số liệu, tạm dừng, khởi động lại hoặc can thiệp thủ công. Sự tồn tại của nó là bằng chứng cho mức độ công khai bất thường, không phải bằng chứng mật mã về một tiến trình liên tục không gián đoạn.

Không xác lập được nguồn gốc dữ liệu

Số lượng prompt, rollout, token và chi phí công khai không chứng minh rằng không có đầu ra từ mô hình giáo viên, dữ liệu độc quyền, dữ liệu con người đã lọc, tiếp xúc benchmark không công bố hoặc đầu vào ngoài dashboard.

Các chỉ số công khai chỉ có ý nghĩa trong điều kiện cụ thể

Nếu chưa có harness đánh giá được công bố đầy đủ, bộ test cố định, thiết lập lấy mẫu, các seed lặp lại và tái lập độc lập, reward curve lẫn điểm DeepSWE tạm thời đều không thể kết luận năng lực tổng quát cuối cùng của mô hình.

Góc nhìn vẫn là góc nhìn được chọn lọc

Dashboard có thể cho thấy tiến độ và sự cố, nhưng không nhất thiết tiết lộ đầy đủ hỗn hợp tác vụ, trọng số phần thưởng, độ tin cậy của grader, danh mục phần cứng, phương pháp tính chi phí, nguồn gốc dữ liệu hay tiêu chí chọn checkpoint cuối cùng.

Kết luận

Dashboard MiMo-V2.6 là một thử nghiệm hiếm thấy về khả năng quan sát công khai đối với RL tác tử quy mô lớn. Cấu hình được Xiaomi công bố — khoảng 2 tỷ token mỗi bước, 1.568 prompt, 16 rollout bất đồng bộ cho mỗi prompt, môi trường hỗn hợp và phần chấm điểm tốn đáng kể năng lực tính toán — cho thấy hãng đang xem việc mở rộng RL là bài toán hệ thống, không chỉ là bài toán huấn luyện mô hình. 24

Chi phí hiển thị, reward curve, ảnh chụp benchmark và các lỗi được ghi nhận khiến quy trình này dễ kiểm tra hơn một bài đăng ra mắt chỉ có số liệu cuối. Nhưng đây vẫn là telemetry được chọn lọc và tự báo cáo từ các đợt chạy chưa hoàn tất. Dashboard là bằng chứng mạnh cho tính minh bạch vận hành, chứ chưa phải xác nhận độc lập về tính liên tục của livestream, nguồn gốc đầy đủ của dữ liệu huấn luyện hay chất lượng cuối cùng của mô hình.