小米公开 MiMo-V2.6 强化学习全程：每步 20 亿 Token，训练账单实时可查

小米把 MiMo-V2.6 Flash 与 Pro 的强化学习训练过程做成公开页面（mimo.xiaomi.com/rl），奖励曲线、步数、故障节点与花费全部实时可查，负责人罗福莉在 X 上解释这是开放式 RL 扩展的验证。训练口径公开到参数级：每个训练 Step 约处理 20 亿 Token，配置为 1568 个 Prompt × 每 Prompt 16 条 Rollout，采用完全异步（Fully Async）流水线，生成、执行、评分、训练不再排队。

扩展方向明确为三轴——RL 计算量、环境与执行框架（Multi-task Agentic RL，代码/通用/视觉/Chat 混训于同一 Run）、评分算力（Agentic In-group Credit Assignment）。从 Pro 开始训练起 36 小时，两款模型已花掉逾 108 万美元，平均每小时约 3 万美元。中期成绩：Pro 的 dynsam/avg@n 从第 1 步约 0.565 升至 0.614，Flash 从约 0.514 升至 0.603；DeepSWE v1.1 离线评测 Pro 62.24、Flash 60.77。

意义：此前开放的是权重、代码与数据，这次开放的是训练过程本身——把「RL 能不能像预训练那样 scaling」这个问题连证据一起放到了台面上。

原文链接：量子位 / 小米 MiMo 官方页面