小米 MiMo 2.6 发布：开源第一背后的数百万美元RL实验

昨天晚上，小米发布并开源 MiMo-V2.6 系列。

MiMo-V2.6-Pro 登上发布榜单的开源模型第一。

在 Artificial Analysis Intelligence Index v4.3 中，它拿到 46.32 分，高于 Kimi K3、GLM-5.3 等模型。

▲ 图：AA 发布榜单：Pro 位列开源第一。

成本同样有竞争力。下面这张图中，Pro 以 46 分、约 0.13 美元的加权任务成本，进入智能与成本的帕累托前沿。

这项成本按图示评测任务加权计算，实际调用费用取决于输入、输出与工具使用量。

▲ 图：Pro 进入智能—成本前沿。

前几天，小米还把这轮生产级 RL 训练放到网上直播：不到六天，Pro 和 Flash 各完成 30 步强化学习，分别产生约 75 万条任务轨迹。

官网披露，两款模型这轮 RL 的成本分别约为 262 万美元和 85 万美元。

▲ 图：训练成绩与成本分布。

罗福莉称，按算力投入衡量，这很可能是开源团队迄今最大规模的单次 RL 训练之一。

在她看来，其中的研究创新与工程挑战，超过了自己曾参与的 DeepSeek R1。

01 开源第一，强在哪里

MiMo-V2.6 有 Pro 和 Flash 两款。

Pro 总参数约 1.02 万亿，激活约 420 亿；Flash 总参数约 3100 亿，激活约 150 亿。

两者都支持文字、图像、视频和音频输入，以及 100 万 token 上下文。

这次升级最明显的地方，是连续完成复杂任务的能力。

官网公布的最终模型评测中，Pro 在长流程软件工程评测 DeepSWE v1.1 上，从上一代的 19.0 升至 71.9。

模型需要在代码库里查问题、改代码、运行测试，把一项工程任务做完。

通用工作流评测 AutomationBench 从 16.0 升至 53.1；工具使用评测 Toolathlon-Verified 从 49.1 升至 76.9。

它们对应的，是模型在多个步骤和工具之间持续推进工作的能力。

下面这张图记录了 30 步 RL 中，代码、通用工作流和视觉任务的变化：上排看成绩，下排看完成任务所用的 token 数。

▲ 图：代码、工作流与视觉任务的训练曲线。

Pro 和 Flash 的几项成绩都在上升，推理投入也随之增加。图中展示的是训练过程，前文数字则来自最终服务模型评测，二者对应不同阶段。

对我们来说，这些结果值得关注的地方，是模型能否承担更长的工作流程：读懂任务、使用工具、检查结果，再继续修改。

02 先看它能做出什么

游戏开发：从需求到可运行的场景。

在官方演示中，模型接收图片、视频或文字需求，将工作拆给多个 Agent，分别搭建 3D 场景、实现交互逻辑，再检查实际渲染画面，继续修改。

下面的岛屿案例同时包含建筑、植被、道路和操作界面。它展示的是场景、代码与交互一起完成的过程。

▲ 图：官方游戏开发演示。

▲ 视频：游戏开发演示。

官网还展示了用 Blender 根据文字或参考图生成 3D 物体和场景的能力，可用于动画、3D 打印和游戏制作。

课件与视频：把内容组织成能看懂的成品。

「大模型如何学习」这份培训课件，把模型参数画成了神经元之间的连接。对这类任务，内容怎么分层、图和文字怎么配合，都影响最后的阅读效果。

▲ 图：模型制作的培训课件。

视频创作进一步涉及画面设计、镜头顺序、配乐和剪辑节奏。官网还列举了用动画解释傅里叶分解、配上与画面同步旁白的教学视频场景。

▲ 视频：官方视频创作演示。

音乐：交付可以继续编辑的作品。

《Night Road》案例中，Pro 生成 MIDI，在音频工作站中播放。作品包含弦乐、双簧管、单簧管、小号、长号、圆号等声部。

▲ 图：管弦乐作品《Night Road》。

▲ 视频：《Night Road》播放演示。

MIDI 保留了音符和声部信息，创作者可以接着调整编配与音色。

从这些官方案例看，MiMo 正在把任务延伸到可运行、可播放、可继续编辑的文件。

03 强化学习，怎样越练越有用

强化学习可以理解成一个循环：让模型做事、评价结果，再用反馈调整模型。

Agent 要查文件、写代码、调用工具，步骤一多，训练也更难。

MiMo 的路线可以概括成三件事：一次练更多任务，进入更多环境，再花更多算力把结果评细。

RL 之前，团队先用中期训练扩展模型接触的多模态数据和任务过程；混合注意力架构则降低长文本计算量，同时保留跨长距离查找信息的能力，为 100 万 token 上下文和后续 RL 打底。

真正把 RL 做大，要解决下面五个问题。

3.1 换一套工具，学到的本领还能用吗？

Harness 不是面向用户的 App，而是 Agent 背后的“工作台规则”：系统提示词、可用工具、上下文管理和调用方式。

报告提到 MiMo Code、Codex 等生产级 Harness；实际训练使用的是拆掉复杂产品逻辑、可自由组合模块的 mini-harness。

如果模型只在一套规则里练，可能只是记住工具用法。

MiMo 把工具、任务指令和历史记录管理拆成模块，在不同组合中训练，这就是多执行框架训练（Multi-Harness Training）。

团队用四个框架训练，再换到三个没参与训练的框架上测试。后者的 DeepSWE 平均单次任务成功率，从约 50% 提高到 66%。

▲ 图：图 10：训练之外的框架也有提升。

图右侧三个没参加训练的 Harness——codex、claude code 和 mini-swe-agent——也有提升。

这说明工具、提示词和上下文管理方式变了，模型学到的解题方法仍能迁移。

但它不代表模型已经适应所有 Agent 产品，也不是对 MiMo Desktop 的直接测试。

3.2 测试都通过了，怎样分出代码的好坏？

只看“通过或失败”，两份质量不同的代码可能拿到同样奖励：一份只改必要部分，另一份加了许多多余分支，却都能通过测试。

MiMo 用两种方法把评分做细。

GRS 比较同一道题的多次尝试，归纳好代码和可靠过程的标准，再结合测试结果逐个打分。

GAR 则把一组成功、失败轨迹放在一起比较，给通过测试的解法排序；更好的解法获得更大正向权重，确认利用评分漏洞的轨迹直接清零奖励。

▲ 图：图 7：GRS 与 GAR 评分流程。

图左是“先立标准，再逐个评分”，图右是“放在一起比较，再调整学习权重”。

Flash 的代码实验中，加入 GAR 后，到第 52 步仍保持通过率增益，交互回合数大致稳定，token 长度增长也更慢；代码审计还观察到更小、更精确、更易维护的补丁。

▲ 图：图 8：GAR 消融实验。

团队还加入组内长度惩罚：同一道题已有较短的成功解法时，明显更长的轨迹会被扣分；格式错误、无效工具名和错误参数，则在出错片段上受罚。这对应摘要所说的“更短、更省 token”。

它解决的是“跑分不错、实际不好用”的一部分原因：传统测试只问有没有通过，真实使用还关心改动是否克制、过程是否可靠、代码是否好维护。任务覆盖、工具环境和长流程稳定性，仍要靠其他设计解决。

3.3 快任务和慢任务，怎样一起训练？

总等最慢的任务，会让设备闲着；谁先做完就先用谁，又会让快任务占得太多。报告分析的 25 个数据源，平均运行时长相差约 66 倍。

▲ 图：图 15：不同任务的长度与耗时。

Sample Mixer 就像训练任务的调度员：根据每类任务的耗时、可用结果和样本缺口，调整并发数量和分配方式。配合异步训练，没完成的任务留到下一轮，各类任务仍尽量按预定比例进入训练。

它既让设备少等、多跑，也防止容易完成的任务挤占训练数据。

算力紧张时，同一批机器能否提高利用率又不带偏任务比例，会直接影响最后练出哪些能力。

3.4 特别长、特别难的任务，为什么要分开练？

有些任务跑得太久，等结果回来，模型可能已经更新了几轮。硬塞进同一轮训练，不仅效率低，数据也会落后于当前模型。

MixRL 的 Mix 就是“混着练”：把代码、通用工作流、视觉和网络安全等容易验证结果的任务放进同一轮 RL，让不同任务共享解题经验。

MOPD² 可以理解成“多个专科老师教同一个学生”。

容易验证的领域用 MixRL 训练教师；游戏、科研、具身智能等难以自动评分的开放任务，则用高质量合成示范训练 SFT 教师。最后把这些能力蒸馏给同一个 MiMo 学生模型。

标准 MOPD 让学生完整做一遍任务，再由 RL 教师指导；前缀模式则截取教师轨迹或 SFT 示例中“做到某一步之前”的记录，让学生从这里接着生成，再接受对应教师指导。

▲ 图：图 13：MOPD² 的能力融合流程。

图右侧把长轨迹拆成多个接续起点，学生不必每次从头做。MixRL 负责把适合统一评分的任务放在一起练，MOPD 则把难以统一评分的专业能力教回来。

3.5 一次练这么多，怎样保证训练不跑偏？

每一步训练抽取 1568 个问题，每题生成 16 条轨迹，合计约 2.5 万条、27 亿到 37 亿个 token，最长上下文可到 100 万 token。

这些结果要同时生成、评分、筛选，再用于更新模型，任何一环出错都可能拖垮整轮训练。

MiMo 把调度信息和大体积轨迹分开处理：控制端只拿奖励、长度、存放位置等轻量信息，完整轨迹分散存储、按需读取；同时统一不同任务的轨迹格式，让多套 Harness 并发运行。

训练和推理也要“对得上”。如果两边选择专家或候选 token 的规则不同，反馈就会产生偏差，因此 MiMo 对齐了两边的 MoE 路由和采样候选集合。

MiMo 是 MoE 模型，路由器决定每个 token 交给哪个专家。

报告发现，RL 时继续更新路由器，会让少数专家越来越忙、大量专家闲置。团队因此冻结路由器，只训练其他参数，让专家分工保持稳定。

▲ 图：图 11：冻结路由器后，专家负载保持稳定。

另一种跑偏是奖励作弊：模型钻评分漏洞，分数上去了，任务却没做好。团队在训练前清理环境、用攻击 Agent 找漏洞，训练中持续审计轨迹；确认作弊就把奖励归零。

▲ 图：图 6：奖励作弊的训练前筛查与训练中审计。

大规模 RL 不只是多堆 GPU。任务怎么排、数据怎么搬、评分有没有漏洞、模型内部会不会失衡，都决定新增算力能否变成能力。

04 怎么用，开源了什么

可以通过 AI Studio、MiMo Code、MiMo Desktop 体验，也可以调用官方 API。

下面是官网列出的价格，单位为美元／百万 token，输入区分缓存命中与未命中。

模型

缓存输入

普通输入

输出

Flash

$0.0028

$0.14

$0.28

Pro

$0.0036

$0.435

$0.87

UltraSpeed

$0.036

$4.35

$8.7

此次开源包括 Pro-RL、Flash-RL，以及基于 Qwen3.5-9B、使用 MiMo 数据蒸馏的 9B SFT 模型；配套提供 7000 多个带验证器的 RL 任务环境、完整训练框架和可组合的 mini-harness。

对想继续研究 Agent RL 的团队来说，模型、带验证器的任务环境、训练框架、mini-harness 和技术细节，现在都有了可以着手使用的材料。

05 真正的亮点，是把 RL 变成一套系统工程

看完整份技术报告，我认为 MiMo-V2.6 最值得关注的，不是某一个新算法名，而是它把大规模 Agent RL 拆成了一组能够配合运转的环节。

先用中期训练扩大模型能探索的范围，再把代码、通用工作流、视觉和网络安全任务放进大批次 RL。多 Harness 训练避免模型只适应一套工具，更细的 Agent 评分则区分“做对了”和“做得好”。

异步调度、路由器冻结和奖励作弊防护，让训练稳定地跑下去。太长、太难验证的任务交给专门教师，再通过 MOPD 把能力教回同一个模型。

这也是这份报告比一张排行榜更有价值的地方。

排行榜只能告诉我们模型最后得了多少分，技术报告把成本、训练曲线、失败方式和工程取舍摊开，让人看到这些分数是怎样练出来的。

当然，现在我们看到的仍以官方评测和演示为主，不能据此断定它在每个真实场景中都同样稳定。

但小米已经把模型、7000 多个任务环境、评分方法和训练框架放出来。接下来，外部团队能否复现这些收益，MiMo 能否在更多真实工作流里保持表现，才是这条“大规模 RL”路线更重要的检验。

参考资料

01｜官方发布、案例与价格
https://mimo.xiaomi.com/mimo-v2-6

02｜RL 训练直播与日志
https://mimo.xiaomi.com/rl/mimo-v26

03｜技术报告
https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL/blob/main/MiMo_V2_6_technical_report.pdf

04｜罗福莉：The Hard Road to Scaling Up RL
https://x.com/_LuoFuli/status/2102162926802968749

05｜开源模型合集
https://huggingface.co/collections/XiaomiMiMo/mimo-v26