小米｜罗福莉公开MiMo-V2.6强化学习训练直播，沿三维度扩展RL

大模型竞赛里，大家习惯晒榜单终点，很少有人愿意把「正在烧钱的中间过程」摊开给外人看。9月17日，小米MiMo大模型负责人罗福莉发文称，自约4月开源MiMo-v2.5后，团队近半年主要研究一件事：强化学习（RL）究竟能扩展到多远；并直接给出训练直播入口，让外界实时看到进度、Token、成本与内部指标。

小米MiMo是小米面向大模型与智能体能力的自研品牌；罗福莉此前公开加入小米并负责相关方向。此轮公开的不是最终模型下载链接，而是仍处中间阶段的RL run本身——等于把通常锁在机房里的实验仪表盘，临时变成对外窗口。

扩展与公开要点（团队公开口径）：

1. 阶段：MiMo-V2.6处于强化学习中间阶段
2. 计算：每步约20亿Token；1568个Prompt × 16条Rollout；完全异步
3. 环境：多任务Agentic RL，一次运行混合多种Harness（代码、通用、视觉、Chat等可同训）
4. 评分：提升Grader算力；提出Agentic In-group Credit Assignment（组内信用分配），含测试用例与量规奖励
5. 透明：直播页展示Pro/Flash等版本进度、消耗与故障节点；入口指向 mimo.xiaomi.com/rl
6. 开源：称随后数周逐步开源细节
7. 成本转述：截至17日下午，两版本累计训练成本转述超过约135万美元量级，综合约每小时3万美元上下（以直播页实时数字为准）

所谓Agentic RL，白话是让模型在可调用工具、可多步行动的环境里靠奖励学策略，而不只是刷静态题库。所谓组内信用分配，白话是同一题生成多条轨迹后，不只看最终成败，还要更细致地给中间步骤打分。所谓完全异步，白话是大量采样与打分流水线尽量并行，减少「等一台机器算完再开下一批」的空转。

放在全球「继续Scaling RL」竞赛上下文里，各家都在堆更多Rollout与更难环境；真正稀缺的是可观测的过程证据。小米选择直播，等于用透明度换信任，也换外部对照压力。竞品若只有最终Arena分数、给不出训练中段曲线与故障暴露，对照会更吃力；若只有烧钱段子、缺少三维度扩展定义，也会沦为短时热搜。

产业影响上，若细节如期开源且第三方能复现关键训练配置，会强化「过程透明」作为实验室沟通新标准；若长期停在直播页、模型迟迟不发，热度会随下一则新闻切换。需要把边界读清楚：中间阶段数字会跳动；成本页不等于配方与数据全公开；直播不等于商用SLA已就绪。下一观察点是开源节奏、最终模型发布，以及非官方复现报告。