AREX Feed Article
小米 MiMo 实时直播 MiMo-V2.6 强化学习训练：单步超 20 亿 tokens，承诺逐项开源细节
在 X 个人简介中写明「现在在做 @XiaomiMiMo，此前在 @deepseek_ai」的 Fuli Luo（X 账号 ，）在沉寂近半年后，于 2026 年 9 月 16 日 18:52（UTC，北京时间 17 日凌晨）发帖宣布：MiMo-V2.6 此刻正处于强化学习（RL）训练运行之中，训练过程正实时直播在 。截至 9 月 20 日发稿，这条帖子已获得 300.4 万次浏览、9,717 次点赞和 4,693 次收藏。
帖子里最具体的数字：这次 run 的单步训练消耗约 20 亿 tokens，由 1,568 条 prompt × 每条 16 个 rollout（采样序列）构成，完全异步。Luo 称团队此次在三个方向做了扩展——算力、环境与 harness（任务执行框架）、以及 grader（判分器）算力——并承诺在未来数周内逐项开源训练细节。「我们相信，RL 是通向自我改进最可扩展、最高效的路径之一。」他在帖中写道，希望这场直播能让研究社区关注扩展 RL 的核心挑战、帮助团队完善训练配方。
沉寂半年后的一条帖子：训练没结束，过程先公开
帖子以一句话开头：「近半年的沉默。我们用它研究了一个问题：RL 到底能扩展到多远。」随后才是核心信息——MiMo-V2.6 正处于 RL run 的中途，三个被扩展的方向分别是算力、环境与 harness（多任务 agentic RL，单次 run 中混合多个 harness）、grader 算力（组内 agentic credit assignment，奖励来自 test-case 与 rubric）。Luo 还写道，团队已经很高兴地看到大量基于详细训练指标的分析。以上均为发帖方单方口径。
直播页面本身可以独立核验。本文抓取了页面源码，其描述栏写明这是「mimo-v2.6-pro 与 mimo-v2.6-flash 两次强化学习 run 的训练指标，直接读自 trainer 的日志」。页面挂在 mimo.xiaomi.com 域名下，其公开配置（）中的社交链接指向 。不过截至 9 月 20 日检索，@XiaomiMiMo 官方账号的时间线里，最近一条帖子仍是 9 月 8 日的 MiMo Desktop 邀请制内测公告，没有提及 MiMo-V2.6——这次官宣目前只见于 Luo 的个人账号和这个网页上。
算力、harness、grader：帖子点名的三个扩展方向
第一个方向是算力。宣布的说法是每步约 2B tokens，拆开看是 1,568 条 prompt、每条采样 16 个 rollout，且采样与训练完全异步。直播面板与这组数字吻合：两条 run 的「train batch size × n」一栏都显示 1,568 × 16 seqs，面板固定展示的指标里还包括 partial/avg_staleness（采样结果与训练之间的平均陈旧度）——异步训练需要盯住的正是这个量。
第二个方向是环境与 harness。帖子称之为 multi-task agentic RL（多任务智能体式强化学习）：单次 run 中混合多个 harness。面板把每步训练数据按 code、general、cyber、visual、chat 五类数据源展示，另有单独的 harness 维度按 rollouts 数统计——「混合多个 harness」在页面上是一个可见的组成部分，而不只是一句表述。
第三个方向是 grader 算力，即用更多的判分计算做组内 agentic credit assignment（功劳分配），奖励信号来自 test-case（测试用例）与 rubric（评分量规）。grader 在这次 run 里不是抽象概念：9 月 17 日 12:20（UTC）的面板公告写道，pro 训练集群与 grader 部署之间出现网络连接问题，团队为此重启了 run——说明 grader 是与训练集群分开部署的独立环节。
面板上的实时账本：两条 run、294.7 万美元成本
页面同时跟踪两条 run。面板记录显示，两条 run 都在 9 月 15 日启动——pro 于 10:32（UTC）、flash 于 15:16（UTC）——比宣布帖分别早了约 32 小时和 27 小时。也就是说，发帖时训练已经跑了一天多，直播和宣布是「边跑边说」。
本文在北京时间 9 月 20 日 00:20（UTC 19 日 16:20）抓取了面板公开接口（、）并截图。pro 仍标注 in progress（进行中）：已完成 25 步、正在跑第 26 步，累计消耗 590 亿 tokens、训练 62.7 万条样本，成本 209.2 万美元（面板费率折合约每小时 2.06 万美元）；其 dynsam/avg@n（每条 prompt 多次采样的平均通过率）为 0.626，较第 1 步上升 0.062。flash 则标注 stopped（已停止），面板显示它于 9 月 19 日停止（接口记录的结束时间为当日 02:22 UTC），30 步共历时 3 天 11 小时 5 分，累计消耗 814 亿 tokens、训练 75.3 万条样本，成本 85.4 万美元，avg@n 为 0.644（+0.130）。两项合计，页面顶部的 TOTAL COST（总成本）为 294.7 万美元。
单步规模还在变大。面板事件序列显示，pro 的单步 tokens 从第 4 步的约 20.1 亿增至第 25 步的 30.9 亿，flash 从第 8 步的约 23.5 亿增至第 30 步的 37 亿——两条 run 现在的单步消耗都已高于宣布时的「约 2B」口径。面板 benchmarks 区还挂着三条离线评测曲线：DeepSWE v1.1（mini-swe-agent，avg@3）pro 70.92 分、flash 65.68 分；In-house Coding Bench（avg@3）pro 64.44 分、flash 62.87 分；AutomationBench v1.0.6（avg@3）pro 51.00 分、flash 52.70 分。9 月 16 日的公告称，flash 第 12 步与 pro 第 8 步的 DeepSWE 结果已经更新，「离线评测结果出来后会持续发布」。
六条公告里的中途抢修：OOM、断网与被移除的 cyber 数据集
直播不只是放曲线。截至抓取时，面板公告栏共有六条帖子（），接口数据同时记录了两条 run 的重启次数：pro 12 次，flash 5 次。
几条关键公告还原了这四天的抢修过程。9 月 16 日 20:08（UTC），pro 因一个节点的 VRAM（显存）问题重启；9 月 17 日 02:27，flash 从第 15 步重启，原因是「某数据集上的一类基础设施错误在过去约 3 小时内未被正确检测到」；9 月 17 日 12:20，pro 训练集群与 grader 部署之间断网，run 重启，团队同时决定把 cyber 数据集从接下来的 pro run 中移除——「我们在 rollout 日志里观察到了一些 bad patterns」；9 月 18 日 03:49，pro 在第 17 步重启，原因是 expert load imbalance（专家负载不均）导致的 GPU 显存溢出，「我们已调整训练并行策略」。最新一条公告发布于 9 月 19 日 10:14（UTC）：「我们过滤掉了对当前 pro 模型而言相对简单的任务。」六条公告中没有解释 flash 为何停止。
研究者的读数：从参数规模到 sandbox 数量
面板上线后，研究者很快开始读数。Prime Intellect 研究员 Elie（）的转述帖获得 2,068 次点赞、18.8 万次浏览，他写出自己读到的规格：直播中的 Pro 为 1T 参数、42B 激活，Flash 为 309B 参数、15B 激活，且页面带有每批数据/harness 组成和大量内部训练指标——参数规模出自他的解读，面板本身未标注。
UC Berkeley 的 EECS 博士生 把它称作「可能是首个公开可见的 W&B trace（Weights & Biases 训练追踪曲线），而且是实时的，来自一次『某种准前沿规模』的 RL run」。他读出的细节包括：每步约 1,500 条 prompt 中 code 占约 1,050 条，其余分给 general、visual、cyber 和 chat；平均交互轮数从约 50 轮往上走，上下文长度从约 8 万 tokens 涨向 10 万以上，而这只是训练初期；活跃 sandbox（沙盒）超过 4 万个。他也提出保留意见——1,568 × 16 的规模「大，但可能不如我预期的大（也许是算力受限？）」。他的结论是：这并非完全开源，但把一次准前沿规模的 RL 训练轨迹公开到这个可见度，已是「朝大规模 agentic RL 基础设施与训练实践民主化迈出的相当有意义的一步」。
另一种反应来自训练一线。（个人简介自述 ex-Google、ex-xAI）写道，这「非常像我在 xAI 和 Gemini 的经历」——这就像驾驶一次 RL run，没有任何 run 是 launch-and-forget 的，真正的问题是「run 进行期间，你能发现并修掉多少基础设施与配方问题」；硬故障最容易发现，如果你觉得没问题，那只是指标不够多、抽查的轨迹不够密。
尚未给出的三样东西：harness 名字、开源清单、权重安排
run 中混合使用的多个 harness 叫什么名字，Wang 指出「并未披露」；训练细节如何逐项开源，Luo 只给了「未来数周」这个范围，没有清单，也没有时间表；MiMo-V2.6 权重本身的发布，这篇帖子只字未提。
页面页脚配置写着「开源是我们看重的价值」（Open is what we value.）。下一份细节是什么、以什么形式出现，宣布里没有给出答案。