小米 MiMo 團隊將兩個未發布模型——MiMo-V2.6-Pro 同 MiMo-V2.6-Flash——嘅強化學習（RL）後訓練，放到公開儀表板展示。佢唔係只喺模型完成後拎出一張 benchmark 成績表，而係公開部分訓練遙測數據，包括獎勵曲線、rollout 數量、每一步耗時、累積運算成本、評測結果，以及基建事故。 18

最值得留意嘅，未必係儀表板能夠證明最終模型有幾強；而係小米正嘗試將大規模 Agent RL 嘅運作流程——生成 rollout、跑環境、驗證、評分、更新、故障同燒錢——攤開畀公眾睇。

儀表板實際展示咩？

報道指，Pro 同 Flash 兩條平行訓練線均於 2026 年 9 月 15 日開始。兩個模型仍在訓練，小米未公布最終規格、定價或公開使用安排。 18

小米披露嘅單批設定相當大：1,568 個 prompt，每個 prompt 產生 16 次 rollout，即約 2.5 萬次 rollout；每個 RL step 約處理 20 億 token。小米表示，整套系統採用全非同步運作。 24

呢個設定唔似只對固定文字偏好資料做優化。MiMo 團隊負責人羅福莉形容，團隊同時擴展三個方向：

• **運算量：**每一步約 20 億 token；
• **環境與 harness：**一個訓練 run 混合多種 Agent 任務及任務執行框架；
• **grader 運算：**使用 Agent 組內信用分配（in-group credit assignment），並按測試個案及 rubric 準則給予獎勵。 24

白話講，模型會先提出行動或解法，再喺任務環境中執行，由驗證器或評分規則提供回饋，最後按回饋更新模型。做到呢個規模，生成 rollout 同運行評測器，可能同優化器本身一樣重要。

全非同步，先係技術主角

全非同步 RL 的意思係，rollout 生成、環境執行、評分同模型更新可以同時進行，毋須每個環節都等最慢嗰個任務完成。對混合 Agent 工作負載尤其重要：有啲任務好快完，有啲就要較長工具操作，或者要更昂貴嘅評分程序。

小米特別提到 grader 運算，亦有其意思。Agent 任務嘅最終成敗，往往取決於一連串動作，而唔係單一句回答；如何將最終獎勵合理分配返畀中間步驟，亦即係「信用分配」，本身已經係訓練系統一部分。 24

所以，呢個儀表板帶出嘅實務訊息係：要擴展 Agent RL，唔係單純加多啲訓練 GPU。環境、rollout 同 verifier／grader 都要有足夠吞吐量，先可以持續向訓練迴圈供應有效回饋。

點樣睇個「成本計數器」？

根據早期報道，Pro 開始後約 36 小時，兩條訓練線合計顯示已花超過 108 萬美元，平均約每小時 3 萬美元。 4 另有儀表板截圖顯示，Pro 約 83 萬美元、Flash 約 36 萬美元；Pro 曾因節點 VRAM 問題重啟，Flash 則因資料集錯誤在第 15 步後重啟。 9

數字的確搶眼，但唔好過度解讀：

• 呢啲係小米自行顯示嘅即時運算成本估算，唔係獨立審計過嘅帳單；
• 儀表板冇交代完整計法，未必涵蓋硬件、預留算力、工程人手、資料準備、儲存、網絡或評測基建等所有成本；
• 佢唔等於 MiMo-V2.6 整個開發預算，更唔能夠計出每一單位能力提升究竟值幾多錢；
• 重啟同資源使用率變化，都會令以每小時成本直接外推變得失真。

不過，有一點好清楚：小米正將呢件事呈現為一個成本高、基建密集嘅線上 RL 工程，而唔係一個輕量級後訓練實驗。

獎勵曲線、DeepSWE 分數：有用，但唔係定論

儀表板據報展示獎勵曲線同訓練中途嘅編程評測。有一個快照顯示，DeepSWE v1.1 分數為 Pro 63.72、Flash 60.77。 9

呢啲係有價值嘅診斷指標，但唔可以當成最終能力宣言。獎勵曲線上升，可能反映完成任務能力改善；但亦可能受任務組合、隨機波動、grader 行為、針對獎勵優化，或者 benchmark 曝光影響。至於中途 benchmark 分數，如果評測流程、抽樣設定、污染控制，以及最終 checkpoint 揀選方式未有完整公開同獨立核實，都唔算最終成績。

較合理嘅理解係：直播讓旁觀者看到訓練訊號點樣變化；但佢本身未能證明完成後嘅 MiMo-V2.6 能否在儀表板以外嘅任務上穩定泛化。

羅福莉承諾會公開到咩程度？

羅福莉表示，團隊近半年集中研究一條問題：RL 可以擴展到幾遠。她形容 MiMo-V2.6 仍處於 RL 訓練中段，並稱未來數星期會「逐步」開源相關細節。 24

呢個承諾代表日後可能有更多技術披露，但唔應理解成完整可重現套件。現時說法並無承諾公開全部訓練資料、prompt、grader 權重、環境實作、optimizer 狀態、每個 checkpoint，或完整叢集日誌。

同 Xiaomi-Robotics-U0 有咩分別？

MiMo-V2.6 嘅透明度重點係過程可見性：小米公開一項正在進行嘅語言與 Agent 後訓練工作之部分運作遙測數據。

較早前嘅 Xiaomi-Robotics-U0 則係另一類項目，亦係另一種開放方式。呢個機械人模型被描述為一個 380 億參數、自回歸嘅具身智能世界基礎模型，整合文字生成圖像、圖像編輯、具身場景生成、具身遷移同具身影片生成等任務。 2534 小米公開儲存庫則描述咗該項目所釋出嘅模型及框架材料。 32

分別可以咁樣理解：

• **Robotics-U0：**開放重點係模型成品、程式或框架，以及具身生成能力；
• **MiMo-V2.6 RL 直播：**開放重點係 Agent 後訓練期間，部分即時運作數據。

兩種做法都可以有價值，但都唔會自動提供由零開始完整複現結果所需嘅一切資料。

公開 RL 儀表板仍有咩盲點？

「直播」未獲獨立驗證

公開儀表板可以接近即時，同時仍可能有更新延遲、事後補值、修正數據、暫停、重啟或人工介入。佢證明小米做咗罕見程度嘅披露，卻唔係用密碼學方式證明整個訓練過程從未中斷。

唔能夠證明資料來源

公開 prompt、rollout、token 同成本數量，唔代表可以排除未披露嘅教師模型輸出、專有資料、篩選過嘅人工資料、隱藏 benchmark 曝光，或者其他儀表板以外嘅輸入。

公開指標有條件限制

如果未有完整公開評測 harness、固定測試集、抽樣設定、重複隨機種子及獨立複現，獎勵曲線同中途 DeepSWE 結果都唔足以判定模型最終嘅通用能力。

呈現內容始終係挑選過

儀表板可以展示進度同事故，但未有揭示完整任務組合、獎勵權重、grader 可靠性、硬件清單、精確成本算法、資料來源，或者最終 checkpoint 嘅揀選標準。

總結

小米 MiMo-V2.6 儀表板係一項少見嘅大規模 Agent RL 公開可觀測性實驗。已披露設定——每步約 20 億 token、1,568 個 prompt、每個 16 次非同步 rollout、混合環境，以及大量 grader 端工作——顯示小米將 RL 擴展視為系統工程問題，唔只係模型訓練問題。 24

公開成本、獎勵曲線、benchmark 快照同故障紀錄，確實比事後只出一篇發布文更容易讓人檢視過程。但佢哋始終係未完成訓練中、由小米挑選及自行回報嘅遙測數據。呢個儀表板係營運透明度嘅有力證據，唔係持續直播、完整訓練來源，或最終模型品質嘅獨立證明。

小米 MiMo 團隊將兩個未發布模型——MiMo-V2.6-Pro 同 MiMo-V2.6-Flash——嘅強化學習（RL）後訓練，放到公開儀表板展示。佢唔係只喺模型完成後拎出一張 benchmark 成績表，而係公開部分訓練遙測數據，包括獎勵曲線、rollout 數量、每一步耗時、累積運算成本、評測結果，以及基建事故。 18

最值得留意嘅，未必係儀表板能夠證明最終模型有幾強；而係小米正嘗試將大規模 Agent RL 嘅運作流程——生成 rollout、跑環境、驗證、評分、更新、故障同燒錢——攤開畀公眾睇。

儀表板實際展示咩？

報道指，Pro 同 Flash 兩條平行訓練線均於 2026 年 9 月 15 日開始。兩個模型仍在訓練，小米未公布最終規格、定價或公開使用安排。 18

小米披露嘅單批設定相當大：1,568 個 prompt，每個 prompt 產生 16 次 rollout，即約 2.5 萬次 rollout；每個 RL step 約處理 20 億 token。小米表示，整套系統採用全非同步運作。 24

呢個設定唔似只對固定文字偏好資料做優化。MiMo 團隊負責人羅福莉形容，團隊同時擴展三個方向：

• **運算量：**每一步約 20 億 token；
• **環境與 harness：**一個訓練 run 混合多種 Agent 任務及任務執行框架；
• **grader 運算：**使用 Agent 組內信用分配（in-group credit assignment），並按測試個案及 rubric 準則給予獎勵。 24

白話講，模型會先提出行動或解法，再喺任務環境中執行，由驗證器或評分規則提供回饋，最後按回饋更新模型。做到呢個規模，生成 rollout 同運行評測器，可能同優化器本身一樣重要。

全非同步，先係技術主角

全非同步 RL 的意思係，rollout 生成、環境執行、評分同模型更新可以同時進行，毋須每個環節都等最慢嗰個任務完成。對混合 Agent 工作負載尤其重要：有啲任務好快完，有啲就要較長工具操作，或者要更昂貴嘅評分程序。

小米特別提到 grader 運算，亦有其意思。Agent 任務嘅最終成敗，往往取決於一連串動作，而唔係單一句回答；如何將最終獎勵合理分配返畀中間步驟，亦即係「信用分配」，本身已經係訓練系統一部分。 24

所以，呢個儀表板帶出嘅實務訊息係：要擴展 Agent RL，唔係單純加多啲訓練 GPU。環境、rollout 同 verifier／grader 都要有足夠吞吐量，先可以持續向訓練迴圈供應有效回饋。

點樣睇個「成本計數器」？

根據早期報道，Pro 開始後約 36 小時，兩條訓練線合計顯示已花超過 108 萬美元，平均約每小時 3 萬美元。 4 另有儀表板截圖顯示，Pro 約 83 萬美元、Flash 約 36 萬美元；Pro 曾因節點 VRAM 問題重啟，Flash 則因資料集錯誤在第 15 步後重啟。 9

數字的確搶眼，但唔好過度解讀：

• 呢啲係小米自行顯示嘅即時運算成本估算，唔係獨立審計過嘅帳單；
• 儀表板冇交代完整計法，未必涵蓋硬件、預留算力、工程人手、資料準備、儲存、網絡或評測基建等所有成本；
• 佢唔等於 MiMo-V2.6 整個開發預算，更唔能夠計出每一單位能力提升究竟值幾多錢；
• 重啟同資源使用率變化，都會令以每小時成本直接外推變得失真。

不過，有一點好清楚：小米正將呢件事呈現為一個成本高、基建密集嘅線上 RL 工程，而唔係一個輕量級後訓練實驗。

獎勵曲線、DeepSWE 分數：有用，但唔係定論

儀表板據報展示獎勵曲線同訓練中途嘅編程評測。有一個快照顯示，DeepSWE v1.1 分數為 Pro 63.72、Flash 60.77。 9

呢啲係有價值嘅診斷指標，但唔可以當成最終能力宣言。獎勵曲線上升，可能反映完成任務能力改善；但亦可能受任務組合、隨機波動、grader 行為、針對獎勵優化，或者 benchmark 曝光影響。至於中途 benchmark 分數，如果評測流程、抽樣設定、污染控制，以及最終 checkpoint 揀選方式未有完整公開同獨立核實，都唔算最終成績。

較合理嘅理解係：直播讓旁觀者看到訓練訊號點樣變化；但佢本身未能證明完成後嘅 MiMo-V2.6 能否在儀表板以外嘅任務上穩定泛化。

羅福莉承諾會公開到咩程度？

羅福莉表示，團隊近半年集中研究一條問題：RL 可以擴展到幾遠。她形容 MiMo-V2.6 仍處於 RL 訓練中段，並稱未來數星期會「逐步」開源相關細節。 24

呢個承諾代表日後可能有更多技術披露，但唔應理解成完整可重現套件。現時說法並無承諾公開全部訓練資料、prompt、grader 權重、環境實作、optimizer 狀態、每個 checkpoint，或完整叢集日誌。

同 Xiaomi-Robotics-U0 有咩分別？

MiMo-V2.6 嘅透明度重點係過程可見性：小米公開一項正在進行嘅語言與 Agent 後訓練工作之部分運作遙測數據。

較早前嘅 Xiaomi-Robotics-U0 則係另一類項目，亦係另一種開放方式。呢個機械人模型被描述為一個 380 億參數、自回歸嘅具身智能世界基礎模型，整合文字生成圖像、圖像編輯、具身場景生成、具身遷移同具身影片生成等任務。 2534 小米公開儲存庫則描述咗該項目所釋出嘅模型及框架材料。 32

分別可以咁樣理解：

• **Robotics-U0：**開放重點係模型成品、程式或框架，以及具身生成能力；
• **MiMo-V2.6 RL 直播：**開放重點係 Agent 後訓練期間，部分即時運作數據。

兩種做法都可以有價值，但都唔會自動提供由零開始完整複現結果所需嘅一切資料。

公開 RL 儀表板仍有咩盲點？

「直播」未獲獨立驗證

公開儀表板可以接近即時，同時仍可能有更新延遲、事後補值、修正數據、暫停、重啟或人工介入。佢證明小米做咗罕見程度嘅披露，卻唔係用密碼學方式證明整個訓練過程從未中斷。

唔能夠證明資料來源

公開 prompt、rollout、token 同成本數量，唔代表可以排除未披露嘅教師模型輸出、專有資料、篩選過嘅人工資料、隱藏 benchmark 曝光，或者其他儀表板以外嘅輸入。

公開指標有條件限制

如果未有完整公開評測 harness、固定測試集、抽樣設定、重複隨機種子及獨立複現，獎勵曲線同中途 DeepSWE 結果都唔足以判定模型最終嘅通用能力。

呈現內容始終係挑選過

儀表板可以展示進度同事故，但未有揭示完整任務組合、獎勵權重、grader 可靠性、硬件清單、精確成本算法、資料來源，或者最終 checkpoint 嘅揀選標準。

總結

小米 MiMo-V2.6 儀表板係一項少見嘅大規模 Agent RL 公開可觀測性實驗。已披露設定——每步約 20 億 token、1,568 個 prompt、每個 16 次非同步 rollout、混合環境，以及大量 grader 端工作——顯示小米將 RL 擴展視為系統工程問題，唔只係模型訓練問題。 24

公開成本、獎勵曲線、benchmark 快照同故障紀錄，確實比事後只出一篇發布文更容易讓人檢視過程。但佢哋始終係未完成訓練中、由小米挑選及自行回報嘅遙測數據。呢個儀表板係營運透明度嘅有力證據，唔係持續直播、完整訓練來源，或最終模型品質嘅獨立證明。