小米 MiMo-V2.6 训练看板公开了什么？

小米曾通过公开看板展示 MiMo-V2.6 Pro 和 Flash 两款模型的强化学习后训练进展。它让外界看到了训练中的变化，而不只是发布时的一张成绩单。不过，这些记录反映的是小米所展示的两次训练运行，并非预训练过程，也不是其全部基础设施活动的完整账本。118

看板上的数字，分别在说什么？

看板记录已完成的训练步数、正在进行的采样生成（rollout）步数、Token 用量、奖励曲线、任务通过率、单步耗时、累计费用和阶段性编程测评。采样生成与模型参数更新是异步进行的，因此两种“步数”不一定同步。11822

它还展示了部分运行状况：相关报道提到重启、GPU 显存不足和数据集问题；看板的指标定义则把任务失败与基础设施故障造成的失败区分开来。这有助于解释曲线波动，但不能据此认定所有故障都已公开。1823

一份早期记录显示，两款模型均完成第 10 个训练步骤，当时采样生成进展至第 16 步；Pro 和 Flash 每步分别约处理 22 亿和 26 亿 Token，累计费用约为 74.1 万和 32.2 万美元。这是当时的截面数据，不是最终账单，也不能直接换算成固定的每日开销。25

一步训练是怎样完成的？

每次更新使用 1568 个任务提示，每个提示进行 16 次尝试，即 25088 条潜在轨迹。异步机制允许模型生成、任务环境执行、评分与参数更新交错推进。训练任务涵盖编程、通用智能体、视觉和网络安全等类别，并使用不同的任务运行框架，而非只针对单一题型训练。41019

评分也不只是判断“通过或失败”：小米描述的方法将可执行测试结果、针对任务制定的评分标准，以及同一任务下不同尝试的比较结合起来，让多个成功完成任务的方案仍能分出质量差异。评分本身需要计算资源；一份技术报告解读称，它约占 Pro 强化学习费用的 12.7%。4447

早期所说的“每步约 20 亿 Token”是规模估计，不是固定配额；后续报道给出了更高的单步 Token 数。41920

奖励、DeepSWE 分数和费用，该怎么读？

训练奖励对应参与某次更新的轨迹，不等于独立的能力测验。看板将 dynsam/avg@n 定义为：先计算每个抽样任务提示在多次尝试中的成功比例，再对这些提示取平均。dynsam/avg@n_no_infra 则排除因基础设施原因失败的尝试。对照两者，能减少把系统故障误判成模型退步的风险；但它们都不能代表模型在所有任务上的表现。18

上述早期记录中的 DeepSWE v1.1 分数为 Pro 62.24、Flash 60.77，属于训练途中的检查点结果。小米后来报告，两款模型在训练结束时分别约为 72.6 和 65.7。这些数字仍需放在小米的评测设置下理解，不能视作已经由外部独立复现的公开榜单成绩。251745

据小米披露，两款模型都在不到六天内各完成 30 步，Pro 花费约 262 万美元，Flash 约 85 万美元，两次强化学习运行合计约 347 万美元。按每步 25088 条潜在轨迹计算，30 步为每款模型 752640 条，因此报道中的“约 75 万条轨迹”应按每款模型理解。这些费用不包含预训练及其他全部模型研发工作。244445

公开训练过程，不等于公开全部过程

与仅在完成后公布模型不同，这块看板在训练期间提供了连续变化的指标和部分运行信息。此后，小米宣布开放 Pro、Flash 和一款 9B 蒸馏模型的权重，并公布技术报告、超过 7000 个强化学习任务环境、端到端强化学习框架及可组合的小型任务运行框架。115

透明度仍有边界：现有资料无法独立核实看板是否不间断、未经筛选地展示了全部过程，也无法看见同时运行的所有基础设施任务。发布了 9B 蒸馏模型，不等于证明看板背后曾有未披露的蒸馏任务，更不能证明其费用计入了 Pro 和 Flash 的这两笔账。18152