小米 MiMo-V2.6 是一套面向大规模强化学习实验的公开训练系统，2026.9.16 在小米官网 mimo.xiaomi.com 上线直播页面。罗福莉时隔约半年公开回归，介绍了 MiMo 团队把强化学习训练过程全程透明化的新做法。训练直播页实时展示成本消耗、训练步数与奖励曲线，网友称其为开源开放的一次大胆尝试。
核心要点
- MiMo-V2.6 系列包含 Flash 与 Pro 两款模型，同一批数据并行训练
- 训练直播公开费用、步数、奖励曲线与节点故障记录，不设遮挡
- 开播约 36 小时两款模型累计花费超 108 万美元，每小时约 3 万美元
- 三个扩展方向为训练计算量、环境执行框架与评分计算量
- 每个训练步处理约 20 亿 Token，配置 1568 个 Prompt 各生成 16 条 Rollout
- DeepSWE v1.1 离线评测中，Pro 与 Flash 分别达到 63.72 与 60.77
产品详情
MiMo-V2.6 的训练直播页展示两路并行任务。mimo-v2.6-pro 当前进行到第 12 步，dyn 平均分较第 1 步提升 0.044，成本约 81.3 万美元。mimo-v2.6-flash 进行到第 17 步，评分提升 0.072，成本约 35.8 万美元。
扩展机制与异步执行
系统采用完全异步执行方式，模型生成、评分与训练不再严格排队，而是一套持续运转的流水线。同一个 Prompt 会生成 16 条 Rollout，通过组内多轨迹对比获得更细的强化学习信号，也就是 Agentic In-group Credit Assignment。
三个扩展方向构成完整体系。扩展训练计算量让模型产生更多经验，扩展环境与执行框架让模型进入更多任务环境，扩展评分计算量则从海量轨迹中提取更准确的学习信号。小米表示整套方案可复现、可追踪。
对比分析
对比 DeepSeek 和 Qwen 等开源模型，MiMo-V2.6 在训练透明度上的区别在于公开了完整训练过程，而不只是发布权重与结果。DeepSeek-Flash v1.1 在 DeepSWE v1.1 评测中得分 74.2，MiMo-V2.6 两款模型仍有追赶空间。
| 模型 | DeepSWE v1.1 得分 | 训练过程公开 | 成本公开 |
|---|---|---|---|
| MiMo-V2.6 Pro | 63.72 | 全程直播 | 实时展示 |
| MiMo-V2.6 Flash | 60.77 | 全程直播 | 实时展示 |
| DeepSeek-Flash v1.1 | 74.2 | 未公开训练过程 | 未公开 |
小米上一代 MiMo-v2.5 采用开源协议发布，本代模型权重与协议细节尚未公布，先公开训练过程，未采用 MIT 或 Apache 协议的完整授权。更新日志显示本次直播自 2026 年 9 月 16 日开始，最后更新 2026 年 9 月，社区贡献者可以持续关注训练进度。
常见问题
问. MiMo-V2.6 是什么？
MiMo-V2.6 是小米推出的强化学习模型系列，包含 Flash 与 Pro 两个版本，训练过程在官网公开直播。
问. 如何观看训练直播？
打开小米官网 mimo.xiaomi.com 的直播页面，即可查看实时成本、Token 消耗与奖励曲线，无需注册。
问. 与 DeepSeek 等模型有什么区别？
区别在于训练透明度和成本公开度，MiMo-V2.6 把训练过程全程展示，DeepSeek 等以权重发布为主。
问. 模型价格与获取方式？
模型权重与使用费用尚未公布，训练成本每小时约 3 万美元，可通过官网持续跟踪。
本文来源，小米官方《MiMo-V2.6 强化学习训练直播》https://mimo.xiaomi.com/rl
