小米直播百万美元级RL训练：MiMo-V2.6如何公开挑战强化学习极限

一场没有先例的公开训练实验

小米做了一件业界罕见的事：把一场耗资超过百万美元的智能体强化学习（Agentic RL）训练过程，实时直播出来。没有论文，没有博客总结，而是把真实的 RL 训练循环搬到了公开页面上——任何人都可以打开 mimo.xiaomi.com/rl 看到正在滚动的每一个训练步骤。

MiMo 项目负责人 Fuli Luo 在发布时写道："近半年的沉默，我们只研究了一个问题：RL 究竟能扩展到多远。"这句话点出了整件事的核心——这不是一次营销活动，而是一场关于强化学习可扩展性（scalability）的公开压力测试。

仪表盘上的真实数字

直播页面同时训练两个模型：MiMo-V2.6 Pro 和 MiMo-V2.6 Flash。截至观测时，两者的关键指标已经公开在"记分牌"上：

指标	MiMo-V2.6 Pro	MiMo-V2.6 Flash
训练步	Step 10（进行至 11）	Step 16（滚动至 17）
DeepSWE v1.1 得分	62.24	60.77
累计成本	$741k	$322k
每步 Tokens	~2.2B	~2.6B
Batch	1568 prompts × 16 rollouts	同上
已训练样本	251k	401k

两者相加，记分牌上的总成本约 106 万美元，并且还在持续攀升。这种把烧钱过程赤裸裸展示给公众的做法，在大模型训练领域几乎没有先例。

从数据可以看出两个模型走了不同路线：Pro 在 DeepSWE 基准上暂时领先，而 Flash 步数更多、提升曲线更陡峭。这意味着 Flash 可能以更低成本追赶甚至反超，成为直播中值得持续关注的看点。

DeepSWE 是一个面向软件工程智能体的基准测试，评估模型在真实代码库中完成任务（如修复 bug、实现功能）的能力，得分反映的是智能体在完整开发环境中的端到端成功率，而非单纯的代码补全质量。与 HumanEval 或 MBPP 等传统代码基准相比，DeepSWE 要求模型具备多步骤规划、工具调用与错误恢复能力，更贴近真实软件工程场景。60 分以上的得分在当前智能体排行榜上属于第一梯队水平，这也是小米选择它作为直播核心指标的原因——它比单题代码生成更能体现智能体强化学习的实际收益。

他们究竟在"扩展"什么

小米在这次训练中强调的扩展不是单纯堆算力，而是三个维度的协同放大：

算力层面——每步约 20 亿 tokens，采用完全异步（fully async）的 rollout 机制，避免同步等待造成的算力浪费。

环境层面——多任务智能体强化学习，在同一次运行中混合多种 harness（任务执行框架）。这意味着模型不是在单一任务上刷分，而是在多样化的真实环境中学习。

评分算力层面——这是最值得玩味的部分。他们采用组内信用分配（in-group credit assignment），结合测试用例奖励与评分标准（rubric）奖励，属于 RLVR（可验证奖励强化学习）风格，而非经典的 RM+PPO（奖励模型加近端策略优化）方案。

这套组合拳的意义在于：奖励信号来自可验证的结果（比如代码是否通过测试），而不是一个可能被"钻空子"的奖励模型。对于智能体任务而言，这种奖励设计更贴近真实能力评估。

RLVR（可验证奖励强化学习） 是近两年在代码、数学等领域兴起的一种 RL 范式，其核心思想是用客观可验证的信号替代神经网络奖励模型（Reward Model）。传统的 RM+PPO 流程需要先用人类标注数据训练一个奖励模型，再用该模型的打分驱动策略优化——这带来两个风险：奖励模型本身可能出错，以及模型学会"讨好"奖励模型而非真正解决问题（即 reward hacking）。RLVR 绕开了这一步，直接用程序判断结果正误：代码题看测试用例是否通过，数学题看答案是否匹配标准解。这种方式奖励信号几乎不可被"钻空子"，尤其适合有明确正误判断的编程类智能体任务。DeepSeek-R1 和 OpenAI o 系列的训练细节中均有类似机制的影子，MiMo 此次将其扩展到多任务智能体场景，是对 RLVR 在更复杂环境下可行性的公开压力测试。

透明到暴露故障的仪表盘

直播页面公开的指标细致到令人惊讶：奖励曲线、熵（entropy）、KL 散度、上下文长度（平均约 90k–100k！）、梯度范数、每步耗时全部实时可见。

更有意思的是，Pro 在某个节点上遇到了显存（VRAM）问题并触发重启——这个故障像状态页一样直接显示在通知里。对于习惯了厂商只展示成功结果的观察者来说，看到一次训练中真实的"翻车与恢复"，反而增加了整件事的可信度。

DeepSWE 的两条曲线都在向上爬升，说明训练本身处于健康状态。这种把成功与失败一并公开的姿态，某种程度上重新定义了"技术透明"的边界。

仪表盘中的几个核心指标值得专门解释。熵（Entropy） 衡量模型输出分布的多样性：训练中若熵持续下降至极低值，意味着模型"坍缩"到固定输出模式，是过度优化的警示信号。KL 散度（KL Divergence） 则度量当前策略与参考策略（通常是训练前的基础模型）的偏离程度，过大的 KL 值意味着模型可能已偏离预训练知识太远。梯度范数（Gradient Norm） 反映参数更新的幅度，异常峰值往往预示着训练不稳定或即将出现的显存溢出。上下文长度平均达到 90k–100k tokens，在智能体任务中并不罕见——智能体需要在单次推理中读取工具返回结果、历史操作记录与任务描述，长上下文是真实工作轨迹的天然结果，同时也是对 GPU 显存与 KV Cache 管理的极限考验，这也解释了为何 Pro 出现了显存触顶并触发重启。

为什么这件事值得关注

近半年的沉默之后突然抛出这样一场直播，小米传递的信号很清晰：智能体强化学习正在从论文走向工程化的规模验证阶段。

过去我们评估一个模型，通常只能看到最终的 benchmark 分数和一篇事后总结。而公开训练循环意味着社区可以实时观察成本、收敛速度、稳定性之间的真实权衡。对研究者而言，这比任何一篇论文都更有说服力——因为它无法事后修饰。

小米表示，相关细节将在未来数周内逐步开源。如果这一承诺兑现，MiMo-V2.6 这次"开放式训练"很可能成为智能体 RL 领域一个具有参考价值的样本：不仅是结果开源，连过程都开源。

当然，也需要保持一份审慎。直播仪表盘上的数字目前只能由小米自身佐证，第三方尚无法验证其真实性与完整性。真正的价值，仍要等到承诺的开源细节落地后才能完整评估。但无论如何，把百万美元级的 RL 训练搬到公众面前，本身已经是一次大胆的行业动作。