AREX Feed Article
小米开源 MiMo-V2.6 系列：Pro 版居 Artificial Analysis 开源权重第一，7,000 多个 RL 任务环境同批开放
小米在 9 月 22 日的中宣布，MiMo-V2.6 系列正式发布并开源。系列包含三个模型：旗舰 MiMo-V2.6-Pro、主打智能与成本平衡的 MiMo-V2.6-Flash，以及把 Qwen3.5-9B 在小米自己生成的数据上做监督微调得到的 MiMo-V2.6-Distill-Qwen-9B。与权重一同放出的还有 7,000 多个强化学习（RL）任务环境、完整技术报告和端到端 RL 训练代码。权重仓库以「-RL」结尾，即 MiMo-V2.6-Pro-RL 与 MiMo-V2.6-Flash-RL，三个模型页标注的许可均为 MIT。
Artificial Analysis 的写明：MiMo-V2.6-Pro 是分数最高的开源权重模型，得 46 分；榜单上共有 79 个开源权重模型、195 个模型。10 月 2 日，DeepLearning.AI 的以「一个意料之外的开源权重领跑者」为题报道了这次发布，称其表现接近 GPT-6 Sol，但每任务成本更低。
1.02 万亿参数的 Pro，和一份 MIT 许可
按照与的口径，MiMo-V2.6-Pro 是稀疏 MoE（混合专家）架构，总参数 1.02 万亿，每个 token 激活 420 亿；70 层里有 60 层用滑动窗口注意力、10 层用全局注意力，384 个路由专家每次激活 8 个。MiMo-V2.6-Flash 同架构，总参数 3,100 亿、每 token 激活 150 亿。两个模型都是原生全模态：文本、图像、视频、音频输入，上下文长度 100 万 token，输出上限 12.8 万 token。视觉侧用一个 6.81 亿参数的 MiMo ViT，音频侧是 3.08 亿参数的 AudioTokenizer 加 1.27 亿参数的 patch 编码器。
Distill-Qwen-9B 的定位不同。它的写明这是对 Qwen3.5-9B 的监督微调，基础模型为 Qwen/Qwen3.5-9B，训练数据由 MiMo 生成，总量 774 亿 token，其中参与损失计算的 272 亿 token，覆盖代码、网络安全、通用与视觉四类。技术报告说，把这个 9B 检查点开源，是给后续 RL 训练提供一个共同起点。
价格上，小米称 API 定价与上一代 V2.5 系列持平：MiMo-V2.6-Pro 每百万 token 输入 0.435 美元（缓存命中 0.0036 美元）、输出 0.87 美元；Flash 为输入 0.14 美元、缓存命中 0.0028 美元、输出 0.28 美元。另有一个 MiMo-V2.6-Pro-UltraSpeed 模式，输出速度最高提升到 20 倍，价格是 Pro 的 10 倍。《The Batch》还提到月订阅区间为 6 至 100 美元，批处理按各自标准价的一半计费。可用渠道包括小米 AI Studio、MiMo Code、MiMo Desktop、MiMo API Platform 和 OpenRouter。
《The Batch》把知识截止日期和具体训练数据集列为小米未公开的项目。
一次混合 RL 跑 30 步：Pro 花掉 260 万美元
这轮强化学习不是分域各训一遍，而是把编码、通用智能体、视觉和网络安全任务混在同一批里跑完。小米把这种做法叫作「You Only RL Once」：不按领域拆成多次训练，任务和多种 agent harness（智能体框架）也混在同一批中。
技术报告给出的任务配比是：智能体与竞赛编程 68%，审美与设计 13%，通用工具调用 12%，网络安全 4%，上下文遵循 3%。算法用 GRPO（Group Relative Policy Optimization），全异步、部分 rollout、staleness 为 4。每一步采样 1,568 个 prompt、每个 prompt 出 16 条 rollout（即 16 次尝试），合起来是 2.5 万条轨迹、27 亿～37 亿 token，最长上下文 100 万 token。整个 RL 阶段共 30 步：按技术报告，Pro 用时 123.1 小时、花掉约 260 万美元，Flash 用时 81.8 小时、花掉约 90 万美元；小米博客给出的数字是 Pro 262 万美元、Flash 85 万美元。小米还称，他们把这条生产训练流做了全程直播。
训练中用两个措施维持稳定：冻结 MoE 路由以压住专家负载漂移；用奖励设计、对抗评测、异常检测和验证器交叉核验组成针对 reward hacking 的多层防御。小米称，训练全程里被确认用了泄漏答案的尝试一律得零分，这类尝试占比始终低于 2%。
让评分器区分「能跑通」和「写得好」
自动化测试只能判断代码是否能跑，判断不了写得好不好，于是小米把奖励信号本身也做成了可扩展的对象。技术报告列出两个组件：Groupwise Reward Synthesis（GRS）在离线阶段通过对比同一组内的 rollout 构造任务专属评分细则，再把细则得分与测试结果融合；Groupwise Advantage Redistribution（GAR）在线比较同一组内通过测试的轨迹，把优势值推向质量更高的解。
《The Batch》整理出的操作细节是：对模型经常通过的编码任务，会有一个 agent 研究此前的一批尝试，写出一份该任务专属的质量清单，每条尝试的奖励等于测试结果（1 或 0）乘以两个清单得分；对模型很少通过的任务，则由评分模型把同一任务的 16 条尝试放在一起看，检查代码仓库、按需跑测试，再依据方案是否合适、改动是否最小、是否符合代码库惯例来排序，排序高的轨迹得到更强的强化。
《The Batch》称，一个没有加代码质量评分器的版本染上了让软件更难维护的习惯：加了任务没要求的代码、让错误静默通过、在测试通过前对输入数据校验松懈；加上评分器后，模型的改动更小、更聚焦。
对难以自动判分的任务，小米走了另一条路：先针对游戏开发、科学研究、具身智能等方向训练各自的教师模型，再让 MiMo-V2.6-Pro 通过 on-policy 蒸馏去模仿教师对下一个 token 的判断，也就是让学生的输出向教师预测的下一个 token 对齐。技术报告把这一步称为 MOPD2，即多前缀、多教师版本。
每任务 0.13 美元，和两个第三方评测方的口径
Artificial Analysis 的数字来自它自己的评测流程。该站显示，Intelligence Index 是 10 项评测的加权平均，覆盖数学、科学、编码和推理；MiMo-V2.6-Pro 每完成一道指数任务平均花费 0.13 美元，输出速度每秒 45.5 token，官方 API 口径下每百万 token 输入 0.43 美元、输出 0.87 美元。
《The Batch》补充了同榜的横向坐标：MiMo-V2.6-Pro 在推理模式下以 46 分领先开源权重阵营，高于 GLM-5.3 的最大推理模式（45 分，每任务 2.01 美元，10.7 分钟）和 Kimi K3 的最大推理模式（44 分，每任务 2.00 美元）；上一代 MiMo-V2.5-Pro 在同一指数上是 26 分。与闭源模型相比，它与 Grok 4.7 的高推理模式同为 46 分，但后者每任务 2.73 美元、14.2 分钟，并落后于 Anthropic、Meta、OpenAI 的若干模型。
第二个独立评测方是 。该站称自己通过小米官方 API 跑了两款模型：MiMo V2.6 Flash 以 59.58%、每测试 0.20 美元排在 Vals Index 第 16 位（共 65 个），MiMo V2.6 Pro 以 59.47%、每测试 0.39 美元紧接第 17 位，两者是榜上分数最高的开源权重模型，领先 DeepSeek V4.1 Flash（57.86%）和 Kimi K3（57.81%），Flash 还是该指数前 20 名里最便宜的。《The Batch》对这个指数的描述是：按金融、编码、法律各行业占美国 GDP 的比重，加权七个智能体基准。在 Vals 的 CyberBench 上，Flash 以 75.36% 排 9 个模型里的第 1，Pro 以 72.86% 排第 3。
Artificial Analysis 和 Vals 都是独立于小米的评测方，测的是公开可调用的模型快照，不是对训练过程或训练数据的复现；而小米自己那份评测表里，MiMo Code Bench、MiMo Cyber Bench、MiMo Visual Coding 三项属于内部基准，外部无法独立核对。
随模型一起开源的，还有 7,780 个任务环境
权重之外，小米把 RL 训练用的任务环境单独做成了，完整名称是 XiaomiMiMo/MiMo-V2.6-RL-oss，许可为 Apache 2.0（与模型的 MIT 不同）。技术报告的表 5 把四个训练集列了出来：代码／软件工程约 3,000 个任务，用可执行测试当验证器；网络安全／漏洞复现约 1,000 个，用规则检查；通用／知识工作约 1,000 个，用评分细则判定；视觉／网页开发约 2,000 个，用视觉评分。报告称这四个集合合计约 7,000 个任务，另有约 1,000 个音乐生成任务。
数据集仓库里实际可下载的行数合计 7,780 条，分在五个配置下：code 2,698 条、webdev 2,093 条、cyber 1,000 条、music 1,000 条、general 989 条，占用存储约 7.75 GB。仓库里的目录结构可以逐条点开，每个环境自带 workspace、tools 和 system 三层，例如一个会计审计任务下有 source extracts、workpapers、audit committee 等分目录。数据集卡片同时指向 Docker 镜像和。
技术报告用这批发出的环境做了一组实验。从 MiMo-V2.6-Distill-Qwen-9B 这个 SFT（监督微调）检查点出发，分别在代码、网络安全、通用和视觉四个域上做 GRPO，报告里的 11 项评测全部较 SFT 起点提升：SWE-bench Verified 从 61.1 升到 66.2，SWE-bench Pro 从 44.6 升到 47.6，Terminal Bench 2.1 从 37.1 升到 52.8，OfficeQA Pro 从 19.5 升到 24.8，内部基准 MiMo Cyber Bench（mini）从 31.3 升到 47.0，MiMo Visual Coding（mini）从 64.0 升到 72.4。多 harness 训练那组实验里，21 个「数据集×harness」组合全部较 SFT 有提升。这些仍是小米自报的结果，且包含多个内部评测集。
《The Batch》对这批开源物的判断是：开放权重很好，开放配方更好。放出 RL 任务、运行任务的软件和训练代码，等于让其他人可以重走一遍产生大部分性能提升的步骤，也让计划训智能体的团队拿到一套不用自己搭的任务，以及这个量级 RL 的成本参考。
Anthropic 指控小米实施蒸馏，小米尚未公开回应
Anthropic 在 9 月的中，以 GTG-16008 为编号记录了针对小米的「未经授权的蒸馏活动」：小米把自家 MiMo 模型的用户对话和编码会话回放到 Claude，且常经 OpenClaw 和 OpenCode 这两个编码 harness 执行；观察到的时间窗口是 2026 年 3 月和 4 月的 20 天，规模超过 40 万次交换。报告同时写明，调查没有显示小米用 Claude 的回复去服务自己的用户；小米保存了自家客户与模型之间的完整请求和回复，再把这些对话重放成更「干净」的交换，Claude 也被用来同时生成输入的请求与返回的回复，以模拟开发者与模型之间的对话。小米还用 Claude 评判过部分答案的质量。
《The Batch》在报道这批开源物的同一篇文章里记下了后续状态：截至其发稿，小米没有公开回应这项指控。