小米大模型团队负责人罗福莉于9月17日宣布，新一代模型MiMo-V2.6正处于强化学习训练阶段，并史无前例地将实时训练进度与成本通过直播页面公开，截至当天累计花费已超135万美元，引发广泛关注。

　　一、双重版本并行，基准测试表现初露锋芒

　　本次训练时，小米同时推进MiMo-V2.6-Pro与MiMo-V2.6-Flash两个版本，利用强化学习训练。“Pro”定位旗舰，强调多步推理和工具调用；“Flash”则侧重推理效率，保证速度和成本平衡。

　　两个版本提前展现出一定的能力。从直播看板来看，其训练效果的衡量测试集是DeepSWE v1.1 mini-swe-agent（代码智能体基准）。在该测试中，Pro版本得分约62-63.72分，Flash版本得分约60.77分。 目前行业头部模型如DeepSeek-V4.1-Flash得分已达74.2分，因此当前成绩处于“第一梯队末尾/强二线水平”，这属于强化学习训练中间阶段的早期表现，后续仍有进步空间。

　　二、三线扩展强化学习规模，技术方向清晰

　　在沉寂的近半年时间里，小米核心团队聚焦研究“强化学习（RL）的扩展能力能走多远”。官方透露，此次MiMo-V2.6的强化学习训练实现了三个维度的扩展：

　　计算规模：每一步处理约20亿Token，采用1568个提示词×16次rollout并完全异步化，通过更大批量探索更多可能性。

　　环境与框架：实现了多任务智能体强化学习，能在一次运行中混合多个框架，让模型在复杂场景中掌握多类任务。

　　评分算力：引入“组内信用分配”机制，结合测试用例与评分标准进行奖励，让模型在长链路任务中能获得更细粒度的反馈，提升学习效率。

　　三、训练过程公开透明，成本与技术自信兼具

　　罗福莉在直播页面公开了两个版本的完整实时数据，包括训练进度、Token消耗、样本数量等。这不仅是技术透明的高调展示，更是对自身工程能力的充分自信。

　　据微博博主估算，该训练集群规模约6000-8000张H100 GPU，并同时维持超60000个沙箱执行任务。 截至目前，两个版本累计成本已超135万美元，每小时约消耗3.1万美元，折合人民币超20万元，直观展现了前沿大模型研发的高昂成本。 团队表示，将在未来几周内逐步开源更多技术细节，为AI社区提供参考。

　　四、强化学习路径的长期押注

　　小米此举不仅是一次技术发布，更是在强化学习赛道上的一次重要押注。罗福莉在社交平台表示：“我们相信，强化学习是自我提升中最具可扩展性和效率的路径之一”，这也反映出小米在AI自研之路上探索“烧钱”但极具潜力的技术方向。 此后模型的实际表现，仍需等待训练完成后的正式发布与公测验证。

本文由AI生成