小米 MiMo 團隊把一段通常不會公開的流程搬到檯面上：兩個未發布模型 MiMo-V2.6-Pro 與 MiMo-V2.6-Flash 的強化學習（RL）後訓練，正在以公開儀表板展示部分運作數據。外界可看到獎勵曲線、rollout 數量、每步耗時、累積運算成本、中途評測結果，以及部分基礎設施事件。18

重點不在於這個頁面已經「證明」兩款模型最後有多強，而在於小米正把大規模 Agent 強化學習所需的 rollout、任務環境、驗證、評分、更新、故障與開銷，當成值得公開觀察的工程系統。

儀表板目前展示了什麼？

報導指出，Pro 與 Flash 的平行訓練自 2026 年 9 月 15 日開始。兩者仍在訓練，小米尚未公布最終規格、價格、API 或公開使用時間。18

小米披露的單批配置相當龐大：1,568 個提示詞、每個提示詞 16 次 rollout，合計約 2.5 萬次 rollout；每個 RL 訓練步驟約處理 20 億 token。團隊並稱整個系統採完全非同步運作。24

MiMo 團隊負責人羅福莉將這次擴展歸納為三個面向：

• **算力：**每一步約 20 億 token。
• **環境與任務框架：**在同一次訓練中混合多種 Agent 任務與多套任務框架。
• **評分器算力：**採用 Agent 組內信用分配，並以測試案例與評分規準產生獎勵。24

換成白話說，模型不只是回答一段文字，而可能要在任務環境中採取行動、執行解法，再由驗證器或評分規準回饋成績，供後續更新模型。在這種規模下，生成 rollout 與執行評測的吞吐量，可能與訓練最佳化器本身同樣關鍵。

為何「完全非同步」才是技術重點？

完全非同步的 RL 系統，讓 rollout 生成、環境執行、評分與模型更新可以並行，而不必讓每個環節都等待最慢的一個任務。對混合式 Agent 工作負載而言，這很重要：有些任務很快結束，有些則涉及較長的工具操作或昂貴的評測流程。

小米特別提到「評分器算力」也有其意義。Agent 任務的成敗往往來自一連串行動，不是一句回答就能判定；如何把最終結果合理歸因到過程中的不同動作，也就是所謂的組內信用分配，會成為訓練系統的一部分。24

因此，這次公開直播傳達的工程訊息是：要擴大 Agent RL，並非只要增加訓練 GPU，還必須同步擴充任務環境、rollout 與驗證器的供給能力，才能持續提供有用的回饋訊號。

成本計數器該怎麼看？

根據早期儀表板快照的報導，Pro 開始訓練後約 36 小時，兩個作業的合計支出已超過 108 萬美元，平均約每小時 3 萬美元。4 另有快照顯示，Pro 約 83 萬美元、Flash 約 36 萬美元；Pro 曾因節點 VRAM 問題重啟，Flash 則在第 15 步後因資料集錯誤重啟。9

數字確實醒目，但解讀上需要保留幾個前提：

• 這是小米儀表板顯示的即時運算成本估計，不是由第三方查核的帳單。
• 儀表板總額未交代完整會計口徑；它未必涵蓋硬體折舊、預留容量、工程人力、資料準備、儲存、網路或評測基礎設施等所有成本。
• 它不能推導出 MiMo-V2.6 的完整研發預算，也不能直接換算「每一單位能力提升」的成本。
• 重啟與資源利用率波動，也會讓以某個時間點的每小時支出向外推估變得不可靠。

不過，這個計數器至少清楚傳達一件事：小米將此定位為高成本、重度依賴基礎設施的線上 RL 作業，而不是輕量級的後訓練實驗。

獎勵曲線與 DeepSWE 分數，能說明什麼？

儀表板據報包含獎勵曲線與訓練中的程式能力評測。某個公開快照中，DeepSWE v1.1 分數為 Pro 63.72、Flash 60.77。9

這些資料可作為診斷訊號，但不是最終能力宣告。獎勵曲線上升，可能代表任務完成率改善；但也可能受到任務組合調整、隨機波動、評分器行為、對獎勵的最佳化，或基準題目暴露程度影響。

同樣地，中途基準分數不能自動等於最終結果。若沒有公開評測協議、取樣設定、資料污染控制，以及最終檢查點的選擇方式，更沒有獨立重現，就不能據此判定完成版 MiMo-V2.6 在其他情境下的泛化能力。

較準確的說法是：這場直播讓人看見訓練訊號如何變化；但它無法單靠自身證明最終模型的整體品質。

羅福莉承諾接下來會公開什麼？

羅福莉表示，團隊近半年聚焦研究一個問題：強化學習究竟能擴展到什麼程度。她稱 MiMo-V2.6 仍在 RL 訓練中，並表示未來數週將「逐步」開源相關細節。24

這是進一步技術揭露的承諾，但不宜解讀成完整可重現性釋出。這項說法本身並未承諾公開所有訓練資料、提示詞、評分器權重、環境實作、最佳化器狀態、每個檢查點或完整叢集日誌。

和 Xiaomi-Robotics-U0 有何不同？

MiMo-V2.6 的透明化，核心是過程可觀測性：小米公開的是進行中語言／Agent 後訓練的部分營運遙測資料。

Xiaomi-Robotics-U0 則是不同類型的專案，也採取不同形式的開放。它被描述為一個用於具身智慧、具 380 億參數的自回歸世界基礎模型，整合文字生成圖片、圖片編輯、具身場景生成、具身遷移與具身影片生成等任務。2534 小米的公開儲存庫則展示了該項目的模型與框架材料。32

可簡單區分為：

• **Robotics-U0：**開放的重點在模型產物、程式或框架，以及具身生成能力。
• **MiMo-V2.6 RL 直播：**開放的重點在 Agent 後訓練期間的部分即時營運數據。

兩者都有價值，但都不代表外界必然能從零開始完整重現全部成果。

公開 RL 儀表板的幾項界限

MiMo 的直播比一般只在最後公布跑分的做法更具可見度，但仍留下重要的不確定性。

「即時」無法由外部獨立驗證

公開儀表板可以接近即時，也可能存在更新延遲、事後回填、數值修正、暫停、重啟或人工介入。它證明的是非比尋常的資訊揭露，不是以密碼學方式證明訓練從未中斷。

它無法證明資料來源完整透明

公開的提示詞、rollout、token 與成本數量，無法排除未披露的教師模型輸出、專有資料、篩選後的人類資料、隱藏的基準題暴露，或其他未列入儀表板的輸入。

公開指標都有條件

若沒有完整公開的評測框架、凍結的測試集、取樣設定、重複隨機種子與獨立複現，獎勵曲線和中途 DeepSWE 成績都不足以判定模型的最終通用能力。

呈現內容仍是選擇性的

儀表板可展示進度與事故，但未必會揭露完整任務配比、獎勵權重、評分器可靠度、硬體清單、成本計算方式、資料來源，或最終檢查點的選擇標準。

結論

小米的 MiMo-V2.6 儀表板，是少見的大規模 Agent RL 公開可觀測性實驗。其披露的設定——每一步約 20 億 token、1,568 個提示詞、每個提示詞 16 次非同步 rollout、混合式任務環境與大量評分端運算——顯示小米把 RL 擴展視為一項系統工程，而不只是模型訓練問題。24

成本、獎勵曲線、基準快照與故障紀錄，的確讓過程比事後發布一張成績表更可檢視；但它們仍是未完成訓練作業中、由小米選擇公開的自述遙測資料。這是營運透明度的重要訊號，並不是對全程直播連續性、完整訓練來源或最終模型品質的獨立證明。

小米 MiMo 團隊把一段通常不會公開的流程搬到檯面上：兩個未發布模型 MiMo-V2.6-Pro 與 MiMo-V2.6-Flash 的強化學習（RL）後訓練，正在以公開儀表板展示部分運作數據。外界可看到獎勵曲線、rollout 數量、每步耗時、累積運算成本、中途評測結果，以及部分基礎設施事件。18

重點不在於這個頁面已經「證明」兩款模型最後有多強，而在於小米正把大規模 Agent 強化學習所需的 rollout、任務環境、驗證、評分、更新、故障與開銷，當成值得公開觀察的工程系統。

儀表板目前展示了什麼？

報導指出，Pro 與 Flash 的平行訓練自 2026 年 9 月 15 日開始。兩者仍在訓練，小米尚未公布最終規格、價格、API 或公開使用時間。18

小米披露的單批配置相當龐大：1,568 個提示詞、每個提示詞 16 次 rollout，合計約 2.5 萬次 rollout；每個 RL 訓練步驟約處理 20 億 token。團隊並稱整個系統採完全非同步運作。24

MiMo 團隊負責人羅福莉將這次擴展歸納為三個面向：

• **算力：**每一步約 20 億 token。
• **環境與任務框架：**在同一次訓練中混合多種 Agent 任務與多套任務框架。
• **評分器算力：**採用 Agent 組內信用分配，並以測試案例與評分規準產生獎勵。24

換成白話說，模型不只是回答一段文字，而可能要在任務環境中採取行動、執行解法，再由驗證器或評分規準回饋成績，供後續更新模型。在這種規模下，生成 rollout 與執行評測的吞吐量，可能與訓練最佳化器本身同樣關鍵。

為何「完全非同步」才是技術重點？

完全非同步的 RL 系統，讓 rollout 生成、環境執行、評分與模型更新可以並行，而不必讓每個環節都等待最慢的一個任務。對混合式 Agent 工作負載而言，這很重要：有些任務很快結束，有些則涉及較長的工具操作或昂貴的評測流程。

小米特別提到「評分器算力」也有其意義。Agent 任務的成敗往往來自一連串行動，不是一句回答就能判定；如何把最終結果合理歸因到過程中的不同動作，也就是所謂的組內信用分配，會成為訓練系統的一部分。24

因此，這次公開直播傳達的工程訊息是：要擴大 Agent RL，並非只要增加訓練 GPU，還必須同步擴充任務環境、rollout 與驗證器的供給能力，才能持續提供有用的回饋訊號。

成本計數器該怎麼看？

根據早期儀表板快照的報導，Pro 開始訓練後約 36 小時，兩個作業的合計支出已超過 108 萬美元，平均約每小時 3 萬美元。4 另有快照顯示，Pro 約 83 萬美元、Flash 約 36 萬美元；Pro 曾因節點 VRAM 問題重啟，Flash 則在第 15 步後因資料集錯誤重啟。9

數字確實醒目，但解讀上需要保留幾個前提：

• 這是小米儀表板顯示的即時運算成本估計，不是由第三方查核的帳單。
• 儀表板總額未交代完整會計口徑；它未必涵蓋硬體折舊、預留容量、工程人力、資料準備、儲存、網路或評測基礎設施等所有成本。
• 它不能推導出 MiMo-V2.6 的完整研發預算，也不能直接換算「每一單位能力提升」的成本。
• 重啟與資源利用率波動，也會讓以某個時間點的每小時支出向外推估變得不可靠。

不過，這個計數器至少清楚傳達一件事：小米將此定位為高成本、重度依賴基礎設施的線上 RL 作業，而不是輕量級的後訓練實驗。

獎勵曲線與 DeepSWE 分數，能說明什麼？

儀表板據報包含獎勵曲線與訓練中的程式能力評測。某個公開快照中，DeepSWE v1.1 分數為 Pro 63.72、Flash 60.77。9

這些資料可作為診斷訊號，但不是最終能力宣告。獎勵曲線上升，可能代表任務完成率改善；但也可能受到任務組合調整、隨機波動、評分器行為、對獎勵的最佳化，或基準題目暴露程度影響。

同樣地，中途基準分數不能自動等於最終結果。若沒有公開評測協議、取樣設定、資料污染控制，以及最終檢查點的選擇方式，更沒有獨立重現，就不能據此判定完成版 MiMo-V2.6 在其他情境下的泛化能力。

較準確的說法是：這場直播讓人看見訓練訊號如何變化；但它無法單靠自身證明最終模型的整體品質。

羅福莉承諾接下來會公開什麼？

羅福莉表示，團隊近半年聚焦研究一個問題：強化學習究竟能擴展到什麼程度。她稱 MiMo-V2.6 仍在 RL 訓練中，並表示未來數週將「逐步」開源相關細節。24

這是進一步技術揭露的承諾，但不宜解讀成完整可重現性釋出。這項說法本身並未承諾公開所有訓練資料、提示詞、評分器權重、環境實作、最佳化器狀態、每個檢查點或完整叢集日誌。

和 Xiaomi-Robotics-U0 有何不同？

MiMo-V2.6 的透明化，核心是過程可觀測性：小米公開的是進行中語言／Agent 後訓練的部分營運遙測資料。

Xiaomi-Robotics-U0 則是不同類型的專案，也採取不同形式的開放。它被描述為一個用於具身智慧、具 380 億參數的自回歸世界基礎模型，整合文字生成圖片、圖片編輯、具身場景生成、具身遷移與具身影片生成等任務。2534 小米的公開儲存庫則展示了該項目的模型與框架材料。32

可簡單區分為：

• **Robotics-U0：**開放的重點在模型產物、程式或框架，以及具身生成能力。
• **MiMo-V2.6 RL 直播：**開放的重點在 Agent 後訓練期間的部分即時營運數據。

兩者都有價值，但都不代表外界必然能從零開始完整重現全部成果。

公開 RL 儀表板的幾項界限

MiMo 的直播比一般只在最後公布跑分的做法更具可見度，但仍留下重要的不確定性。

「即時」無法由外部獨立驗證

公開儀表板可以接近即時，也可能存在更新延遲、事後回填、數值修正、暫停、重啟或人工介入。它證明的是非比尋常的資訊揭露，不是以密碼學方式證明訓練從未中斷。

它無法證明資料來源完整透明

公開的提示詞、rollout、token 與成本數量，無法排除未披露的教師模型輸出、專有資料、篩選後的人類資料、隱藏的基準題暴露，或其他未列入儀表板的輸入。

公開指標都有條件

若沒有完整公開的評測框架、凍結的測試集、取樣設定、重複隨機種子與獨立複現，獎勵曲線和中途 DeepSWE 成績都不足以判定模型的最終通用能力。

呈現內容仍是選擇性的

儀表板可展示進度與事故，但未必會揭露完整任務配比、獎勵權重、評分器可靠度、硬體清單、成本計算方式、資料來源，或最終檢查點的選擇標準。

結論

小米的 MiMo-V2.6 儀表板，是少見的大規模 Agent RL 公開可觀測性實驗。其披露的設定——每一步約 20 億 token、1,568 個提示詞、每個提示詞 16 次非同步 rollout、混合式任務環境與大量評分端運算——顯示小米把 RL 擴展視為一項系統工程，而不只是模型訓練問題。24

成本、獎勵曲線、基準快照與故障紀錄，的確讓過程比事後發布一張成績表更可檢視；但它們仍是未完成訓練作業中、由小米選擇公開的自述遙測資料。這是營運透明度的重要訊號，並不是對全程直播連續性、完整訓練來源或最終模型品質的獨立證明。