小米这场训练直播，不到两天花了近千万

罗福莉也学雷军开直播了。

大模型圈的新消息一波接一波，罗福莉却在帖子里说，自己已经沉默了近半年。这次，她带来了小米 MiMo 的一场训练直播。

没有主播，没有带货。页面上只有训练曲线，以及一串不断增加的美元数字。

截至 9 月 17 日 16:49，Pro 和 Flash 两条训练线都还没跑满两天。按官方看板设定的费率估算，累计成本已经到了约 137.8 万美元。

有人忙着算账，有人像盯比赛一样盯着曲线，还有工程师把这个页面称为学习强化学习的“金矿”。

罗福莉说，团队这半年一直在研究：强化学习还能扩展到多远？现在，他们把 MiMo-V2.6 的一部分训练过程放到了网上。

▲ 图：罗福莉发布 MiMo-V2.6 强化学习训练直播信息

这两条训练线分别对应 Pro 和 Flash 两个模型。当时，Pro 已经运行约 46 小时，Flash 约 42 小时。Pro 每小时约 2.06 万美元，Flash 每小时约 1.03 万美元，加在一起，一天就是约 74 万美元。

大模型训练果然烧钱。页面上的计数器，还在随着时间往上跳。

▲ 图：MiMo-V2.6 两条训练线的成本与进度中文重绘

这些钱到底花到哪里去了？

01 这不是从头训练，而是一次高强度“补课”

小米直播的是用强化学习（RL）进行后训练。模型已经具备语言、代码等基础能力，现在被放进不同环境里完成任务，再根据结果继续调整。

可以把预训练理解为读完大量教材。强化学习后训练更像把模型送进训练场，让它反复做题、操作工具、接受评分。

小米这次每轮会准备约 1,600 个任务，每个任务让模型尝试 16 次。一轮下来，就是约 2.5 万次尝试。

同一个任务做这么多遍，是因为 AI 每次选择的办法可能不同。

比如让 AI 修一个程序错误。有的尝试修好了问题，有的又弄坏了别的功能，还有的忙了半天也没找到原因。这个例子用来说明训练过程，并不是小米公开的一道具体题目。

系统会根据测试和评分结果调整模型，让它以后遇到类似情况时，更倾向于选择有效的做法。这不保证每次都成功，但会逐步改变它选择办法的倾向。

强化学习大致就是这样：尝试，接受反馈，再调整。

▲ 图：一轮强化学习训练中的任务、尝试轨迹与评分流程

一次尝试可能很长。根据看板中的数据，模型每次尝试往往要与工具、环境交互五六十轮：读信息，调用工具，检查结果，再根据反馈继续操作。这一连串操作与反馈，就叫一条“任务轨迹”。

图里还会看到 token 这个单位，可以把它理解成模型处理信息时使用的计量单位，不直接等于汉字数。

▲ 图：一条任务轨迹中反复进行的操作、检查与修正过程

训练期间，数万个隔离环境同时运行。可以粗略想象成，数万个临时工作间同时打开，每个里面都有一个 AI 在完成自己的任务。

按最近一轮的数据，两种模型各跑完一轮都要两三个小时，按看板费率估算，各自花掉几万美元。

大量长任务、重复尝试、工具操作和评分过程同时运行，成本就是这样堆起来的。

而且，这还只是看板里能看到的强化学习后训练成本，不是模型从零研发的全部账单。此前的数据准备、预训练，以及人员等其他研发投入，还要另外算。

02 超过三分之二的任务都在练代码

这块看板还回答了另一个很实际的问题：AI 到底在练什么？

具体题目没有公开，数据集名称也做了匿名处理。不过，从最近一轮的任务构成看，超过三分之二是代码任务，其余包括视觉、通用任务、网络安全和对话。

▲ 图：最近一轮 1,568 个训练任务的类别构成

结合前面那些连续操作，可以看出这轮训练很看重 AI 自己调用工具、完成一件事的能力。这也是人们常说的 Agent 能力。

不过，AI 要修程序，谁把代码交给它？它能用哪些工具？测试报错以后，谁把结果传回来？

这些事情，需要模型外面的一套软件来安排。页面里反复出现的 Harness，就可以粗略理解为这套“考场系统”。模型在里面做任务，系统负责组织过程，并连接测试和评分。

所以，训练 AI 还要搭考场、配工具、检查考场有没有出故障。模型说自己做完了不算数，还得经过检验。

看板列出了二十多种匿名 Harness，能看到各自进入训练的尝试数量和占比。不过，名字只写成 Harness A、B、C 等，外界还不知道它们具体对应哪些任务。

03 钱一直在花，成绩却不会一直涨

如果只看成本计数器，很容易产生一种错觉：算力一直增加，模型的能力也应该稳定向上。

看板里的曲线并不是这样。

以官方公布的 DeepSWE v1.1 编程评测为例，Flash 的成绩从约 49 分升到约 57 分，接着又掉回约 54 分。后面继续上升，但中间仍然多次回落。

Pro 也一样。它的阶段性成绩总体在提高，却不是每完成一步都比上一步更好。

▲ 图：Pro 与 Flash 在 DeepSWE v1.1 上的阶段性评测变化

一次评测分数的回落，不等于模型在所有事情上都变差了。不过，至少在这项测试里，多训练一步，并不保证成绩更高。

有时候问题甚至不在模型本身。

小米在看板中公开了两次运行事故。Pro 曾因为一台机器的显存出了问题而重启；Flash 则因为一类任务的运行系统出了错误，约 3 小时内没被正确识别，退回第 15 步重新运行。

▲ 图：官方看板公开的两条训练重启公告中文重绘

训练继续运行，钱继续增加，但其中也包含故障、检查和返工。这些不太漂亮的细节，反而让页面有了不同于产品发布会的价值。

04 为什么有人把它称为“RL 金矿”

页面的 Metrics（指标）栏目里，能看到每批任务的构成、操作轮数、成功率、耗时、系统故障等过程数据。

研究者可以把不同曲线放在一起看：AI 花更长时间处理任务时，成功率有没有变化？系统故障多的时候，有多少尝试被浪费了？不同任务进入训练的比例又是怎么调整的？

单看一条曲线不能证明原因，但这些过程数据能帮助他们提出问题、寻找线索。学习强化学习的人，也有机会对照真实训练记录，理解书里的概念在大规模运行时是什么样。

研究员 Nathan Lambert（@natolambert）把它称为目前公开过的、最酷的大规模强化学习资源之一。@arjunkocher 则说，这个页面对 RL 工程师是一座“金矿”。

elie（@eliebakouch）在转发中感叹，连每批任务的数据和测试框架构成都能看到。Sasha Rush（@srush_nlp）则开玩笑说，自己像赌徒盯盘一样，用手机盯着其中一个代码任务的回答长度。

成本也成了另一场围观。有人按页面数字计算每天和每个步骤的花费；Han Xiao（@hxiao）开玩笑说，页面很好、也很开放，只是别让 CFO（首席财务官）看见。

Lucas Beyer（@giffmana）则把注意力放到了算力上：帖子里所谓扩展计算、环境和评分，最后都离不开更多计算资源。即使把训练方法做得更好，运行这些任务和评分流程，依然要花钱。

▲ 图：相关公开转发中围绕透明度、研究价值、成本与算力的观点整理

05 它是一扇观察窗口，还不是完整教程

看板公开了大量过程数据，但具体题目、模型每一步的回答，以及完整的评分和训练方法尚未全部公开。外界可以观察变化，还不能仅凭这个页面复制同样的训练。罗福莉表示，团队会在接下来的几周陆续开源技术细节。

看完这场直播，至少能明白，AI 学会做事，要经历大量尝试，也要有能检查结果的工具和环境。尝试会失败，成绩会回落，系统还可能出故障。

看板上的钱一直在增加，模型却不保证每一步都进步。这也正是这场直播值得看下去的地方。

资料来源：

MiMo-V2.6 强化学习实时看板：https://mimo.xiaomi.com/rl/

罗福莉原帖：https://x.com/_LuoFuli/status/2100296686719610932

官方阶段性评测数据：https://mimo.xiaomi.com/rl/api/benchmarks

官方训练故障公告：https://mimo.xiaomi.com/rl/api/notices

说明：文中实时数据截取于 2026 年 9 月 17 日 16:49（北京时间），之后会继续变化。评论部分根据公开转发及用户整理的热门评论选取，中文均为意译，未采用持续变化的点赞量作为论据。