6天燒光2000多萬，拿下開源第一！小米史無前例「煉丹直播」收官

Hugging Face CEO：「太棒了」 6天，2000多萬，小米這場史無前例的「煉丹直播」終於塵埃落定。過去這六天，小米把一場大模型強化學習訓練搬進直播間，眼看著美元計價器一路狂跳。如今，MiMo-V2.6的Pro和Flash雙雙跑完30個訓練Step，最終賬單定格在350萬美元（約合人民幣2344萬元）。錢燒完了，模型也衝上去了。MiMo-V2.6-Pro，1.02萬億參數，420億激活，在Artificial Analysis Intelligence Index上拿到46分，位列開源第一。Hugging Face CEO也稱讚說，「太棒了」。

並且在多數Agent評測中，Pro的成績已經逼近Claude Opus 5和GPT-5.6 Sol。羅福莉將其稱為「迄今為止任何開源模型團隊所進行的規模最大的單次強化學習訓練之一」。還沒完，更猛的還在後面，這位曾參與DeepSeek-R1研發的小米MiMo負責人直言： 在我看來，它背後的研究創新和工程挑戰，超過了我曾參與其中的DeepSeek-R1。這話分量有多重？看完MiMo-V2.6的訓練細節就知道了。2000多萬燒完，開源模型衝進閉源前沿 聊技術之前，先帶大家快速過一下這次直播的「收官戰報」。MiMo-V2.

6-Pro跑完30個Step，用時5天3小時，花掉約260萬美元； Flash同樣跑完30個Step，用時3天10小時，花掉約90萬美元。每個Step包含1568個Prompt，每道題讓模型嘗試16條不同路線，一輪就會產生超過2.5萬條Rollout。按技術報告單步2.7B~3.7B training tokens計算，Pro全程累計處理約81B~111B Tokens，相當於塞滿超過8萬個百萬Token上下文窗口。這麼多Token和真金白銀砸下去，效果也相當直接。30個Step結束後，Flash的平均通過率相對提升25%，Pro相對提升12%。

整體上漲之外，更有說服力的變化出現在DeepSWE v1.1這項樣本外測試上。Pro從58.4分漲到72.57分，提升約14分； Flash從48.7分漲到65.68分，提升約17分。DeepSWE v1.1專門考察Coding Agent能不能在真實開源代碼庫中持續工作，OpenAI和Anthropic也已將其列為前沿模型發佈時的重點評測項。MiMo-V2.6的表現側面說明，這輪RL不是在訓練集上原地刷分，只跑30個Step，模型不僅持續變強，還把能力遷移到了沒見過的軟件工程任務上，樣本效率和樣本外泛化一定程度上經住了檢驗。

尤其是Flash，30個Step跑完花費僅為Pro的約三分之一，相對提升反而更大，堪稱這次訓練的「性價比選手」。至於Pro，負責的則是衝擊能力上限。在Artificial Analysis Intelligence Index中，MiMo-V2.6-Pro拿到46分，成功登上全球開源王座。部分Agent評測中，它也已經和頭部閉源模型打得有來有回。例如AutomationBench上，Pro拿到53.1分，超過Claude Opus 5的50.3分和GPT-5.6 Sol的45.8分。再結合其他評測來看，MiMo-V2.

6-Pro在全球模型市場中的位置已經相當清晰： 衝進開源模型第一梯隊，並在部分Agent任務上摸到了閉源前沿。而且能力衝上去之後，價格並沒有跟著漲。MiMo-V2.6繼續沿用V2.5的API定價，Pro輸入/輸出每百萬Token約3元/6元，Flash約1元/2元。橫向一比更誇張，在同等智能水平下，Pro完成任務的成本僅為國際前沿模型的1/20至1/60。按照Artificial Analysis的測算，MiMo-V2.6-Pro完成一項Intelligence Index任務，平均成本只有0.13美元（約合人民幣0.9元）。也就是說，小米第一次把45分以上前沿模型的單任務成本，打進了0.

1美元量級（約合人民幣0.67元）。巧的是，同日發佈的閉源模型Grok 4.7，在這項指數上同樣拿到46分，但據Artificial Analysis實測，其xHigh版本完成一項任務平均需要3.74美元，約為MiMo-V2.6-Pro的29倍。同步上線的MiMo-V2.6-UltraSpeed模式，最高速度還能達到約900 TPS。成績單曬完，小米緊接著又把開源清單攤開了，一看陣仗還真不小。Pro和Flash模型權重、完整技術報告、7000多個RL任務環境、端到端RL訓練框架，以及可以自由組合的mini-harnesses，全部開放。此外還有一個MiMo-V2.

6-Distill-Qwen-9B，這是一個以Qwen3.5-9B為底座，使用MiMo生成的77.4B Token數據完成監督微調的模型。小米開放的是SFT版本，主要也是想給社區提供一個更強的Agent RL起點。總之這一波，模型、訓練場、裁判和訓練流水線，小米基本都給配齊了。也難怪小米一開源，整個AI圈瞬間沸騰。羅福莉本人的推文在短短幾小時內獲得幾十萬瀏覽，不少大V也火速下場轉發評論。Ai2後訓練負責人Nathan Lambert直接表示： 真正懂開源模型的人，早就知道小米在用MiMo憋大招。他尤其點讚了「最高分開源模型＋公開RL儀表盤」這個組合，直呼很有範兒。

Hugging Face前研究員Elie Bakouch關注的則是開源速度： 最誇張的是，他們在最終RL訓練啟動不到一週後，就交出了模型、技術報告、7000多個RL環境和完整訓練框架。AI研究者Himanshu Raj的評價更直接： 開源模型與閉源前沿之間的差距，又被大幅縮小了，而且這一次出手的還不是大家熟悉的中國玩家。一片歡呼之外，有人迫不及待把視線進一步投向了「模型真正能做什麼」。超越Vibe Coding，MiMo直接Vibe World 模型剛訓完，小米內部就把MiMo-V2.6-Pro扔進了一個極其刁鑽的科研場景，讓它設計新型MOF材料。此前，MiMo-V2.

6-Pro沒有為科研場景做過一天的專項訓練。MOF，金屬有機框架，2025年諾貝爾化學獎剛頒給了這個領域。通俗點說就是在分子尺度上搭建一種「多孔籠子」，可以精確地抓住特定的分子。小米前沿材料團隊用它來對付PFAS，這是一類全氟取代的有機物，PFAS進了水和土壤之後幾乎不降解，被稱為「永久性汙染物」。△PFOA（全氟辛酸，一種典型的PFAS類物質）結構示意圖 拿MOF去抓PFAS，是材料科學領域一個公認的前沿難題。MiMo-V2.6-Pro接到這個課題之後，先檢索梳理了相關文獻和專利，提出設計假設，然後自己核查方案的新穎性。

「大膽猜想」之後，MiMo便開始「小心求證」，它自動搭建好了模擬環境，並調用開源計算工具，計算它設計出來的MOF跟PFAS之間的結合強度。它的思路是，在MOF內壁引入帶正電的基團來吸引PFAS帶負電的「頭部」，同時嫁接更大、更扁平的芳香基團來容納PFAS的含氟「尾巴」。最終，模型跑出了兩個候選結構，A50用的是芘基連接件，B50用的是三氟甲基聯苯連接件，都是UiO-67型鋯基框架。模擬結果顯示，A50和B50對PFAS的吸附性能是對照材料C50（聯苯連接件）的一百萬到一千萬倍。對此，北京大學材料科學與工程學院特聘研究員竇金虎教授評價說，MiMo-V2.

6-Pro在這個項目上的表現，相當於一個訓練有素的博士研究員。小米方面披露，該系列已應用於公司內部新材料研發工作，整個研發週期從一個月壓縮到了2到3天，效率提升十倍。科研只是一個切面。MiMo-V2.6這一代的能力，已經從「Vibe Coding」擴展到了「Vibe World」。MiMo模型的能力邊界，從寫代碼延伸到了更多場景，例如Blender 3D建模、視頻創作、音樂生成，涉及各種不同的模態。這也使得MiMo成為了開源Pro級模型當中鮮有的支持全模態的模型。

為了全面展示這些能力，小米團隊用MiMo搭建了一個MiMo展覽館，裡面的圖像、視頻、聲音、3D模型等各種元素，全都是用MiMo生成的。進入這座展覽館，映入眼簾的是一架鋼琴，點擊之後，鋼琴就會開始自動演奏，演奏的音樂也是由MiMo創作，並且琴鍵也會匹配聲音節奏進行運動。從鋼琴旁起身，就來到了左手邊的臥室，臥室裡有一臺電腦，這臺電腦是可以玩的。它會不斷地提示你密碼，解鎖之後便有遊戲、PPT、終端CLI、視頻等多個模塊。最有意思的是瀏覽器，點開之後它會自動進入這個畫廊的頁面，形成了套娃。在套娃頁面裡可以再次進入這個「電腦」，這時再點擊瀏覽器，就會發現MiMo團隊留下的彩蛋。

走出臥室，就能看到牆上掛的畫，這是MiMo在模仿梵高的《羅納河上的星夜》，畫對面的房間裡，藏了一座城堡。整個環境的3D建模和動畫，也都由MiMo完成，水面波光粼粼地反射著城堡和摩天輪的倒影，天空中還有煙花不斷綻放。代碼、圖像、視頻、3D、音樂，這些過去需要分別找不同工具的事，MiMo-V2.6一個模型就能理解和生成。甚至在具身仿真環境裡，MiMo還能通過視覺反饋閉環控制Franka Panda機械臂，做物體抓取和顏色分揀。能力漲了、價格不變、速度還更快了，MiMo-V2.6-Pro站在了「智能-成本」的帕累託前沿上，打破了「智能、成本、速度」這組不可能三角。

除了模型本體，配合模型一起上線的還有MiMo Desktop桌面客戶端，支持多個Agent協同工作。我們試著用MiMo Desktop製作了一個「3D中式宇宙」，呈現出中式元素構成的虛擬世界。MiMo先是設計了一個整體思路，然後把不同類型組件的構造任務分派給多個子Agent去完成。這些組件之間相對獨立，因此能夠並行運行，相比串行省下了大量時間。同時主Agent也沒閒著，正在同步構建核心引擎和頁面結構。

最終，它們各自的成果再由主Agent統籌整編，交付出了這樣的作品： 可以看到，模型能夠充分讀懂prompt裡的佛塔、懸空寺、宮闕水鄉、各類中式建築構件等大量東方元素，也可以理解「極其宏大、令人屏息的體素宇宙」的核心訴求，明白需要構建開闊大世界。技術層面，MiMo也能夠識別多視角查看、第一視角漫遊、光效運動邏輯這類交互類要求。總之，面對這份要素繁雜的需求，MiMo成功渲染了宏大夢幻的東方仙境，還原出了壯麗磅礴的體素古代中國。從設計新材料到生成虛擬世界，從3D建模到控制機械臂……MiMo-V2.6展示了一個模型在不同領域、不同模態之間自如切換的通用性。

直播頁面沒講的RL Scaling內幕 Demo看上去確實挺熱鬧，但真正硬核的還藏在技術報告裡。為了讓這場超大規模RL順利跑完，小米既要防模型「抄答案」，又得應付顯卡爆顯存、評分器失聯、MoE專家負載崩塌等一連串意外。羅福莉口中「不可錯過」的技術報告，真就越挖越有~ 後訓練技巧大公開 最核心的當然還是MiMo-V2.6採用的後訓練方法，小米把這次RL Scaling拆成了三個方向。第一，擴大訓練本身的計算量。整個系統採用完全異步架構。生成、執行、評分和訓練可以同時推進，做完的任務直接進入下一環，不必等待整批任務全部結束。

這樣一來，數萬個Agent能夠持續進入不同任務現場，邊幹活、邊試錯、邊為模型積累經驗，整條訓練流水線也不會被少數慢任務拖住。第二，擴大模型可以進入的訓練環境。這次訓練把代碼、通用Agent、視覺和網絡安全任務混進同一次RL Run，模型既要修代碼、操作工具，也要設計網頁、復現漏洞。而且，同一類任務還會搭配不同的Agent Harness。如果模型只在一種工作臺裡訓練，很容易記住特定操作套路，因此小米設計了多種可以自由組合的mini-harnesses，讓模型學到能遷移到其他Agent框架中的能力。

實驗中，即便換成訓練時沒有見過的Codex、Claude Code和mini-swe-agent，模型的平均通過率也從約50%漲到了66%。第三，也是最容易被忽略的一點，即給「判卷」過程增加算力。在MiMo-V2.6-Pro的訓練成本中，訓練模型佔43.5%，生成Rollout佔43.8%，剩下12.7%都花在了Grader上。也就是說，這場價值260萬美元的Pro訓練，光給模型「判作業」，就花掉了約33萬美元。為什麼判個分也這麼貴？因為Agent任務不是選擇題。假設兩條代碼軌跡最後都通過了測試，一條只改了3行，準確解決問題，另一條改了幾百行，還塞進大量兼容分支、異常吞噬和無關配置。

傳統獎勵可能會給它們同樣的滿分，但這兩份答案顯然不該獲得同樣的鼓勵。為此，小米設計了兩套組內評分機制： 一套提前為任務生成「實現質量」和「解決過程」評分標準； 另一套則讓評分Agent同時查看同一道題的多條成功與失敗軌跡，再給通過測試的方案排出高低。改動更準確、更精簡、更符合原代碼庫習慣的軌跡，獲得更多訓練信號。靠投機方式過測試的，獎勵直接歸零。結果模型不只會把題做對，還開始學會用更短的路徑、更少的Token，把事情做得更乾淨。這也是小米所謂「自我改進閉環」的關鍵。模型先生成多條路線，再由評分器找出其中更好的辦法，最後把差異重新變成模型的學習信號。

△組內智能體評分機制 模型竟然會自己「偷答案」？聽起來確實順，但模型很快找到了另一條「提升獎勵」的捷徑。它開始抄答案了。技術報告列出了不少真實案例： 有的模型會安裝更新版本的軟件包，直接查看裡面已經修好的代碼；有的會下載上游源碼、克隆最新版倉庫；還有的乾脆搜索原始Issue、PR和歷史Commit，照著人類開發者公開的答案修改。△報告精選出的案例 測試確實通過了，但題不是自己做的，啊這…… 為了堵住這些路，小米先清理訓練環境中的補丁、構建日誌、緩存和多餘Git歷史，再切斷網絡，防止模型去外面搜現成答案。這還不夠。

團隊又專門派出一個Hack Agent，主動攻擊訓練環境，尋找可能洩漏答案的緩存、文件和工具漏洞。Hack Agent找到一條，團隊就堵一條，堵完之後再讓它繼續找，直到現有環境裡再也找不到可利用的答案，才正式投入訓練。即便如此，團隊仍在RL過程中持續審查軌跡，一旦發現新的作弊方式，就把對應獎勵清零並繼續修補環境。最終，兩款模型被確認存在Reward Hacking的軌跡，比例都被控制在2%以下。△獎勵作弊預防與監控機制 模型剛管住，硬件又出bug了 模型這邊剛管住，硬件和基礎設施又開始輪番出狀況。

直播頁面裡出現過多次訓練重啟： GPU顯存雙比特錯誤、Cyber任務集群Kubernetes故障、評分器網絡失聯、顯存不足，以及長軌跡撐爆CPU內存。其中一次Pro訓練中，MoE專家並行中，某個EP rank收到的Token負載超過平均值的30倍，直接把GPU顯存頂爆。團隊繼續排查發現，RL會讓負責分配Token的MoE Router不斷漂移。訓練到第20步時，專家負載峰值已經從平均值的6倍漲到16倍，「冷專家」比例也從0.5%升至22%。更微妙的是，把Router恢復到RL開始前的參數後，專家負載馬上恢復正常，模型能力卻沒有下降。

於是小米用了一個相當直接的辦法： RL階段，乾脆把Router凍住。△凍結Router防止MoE專家負載崩塌機制 至於一次性搬運數萬條超長軌跡，小米還把控制平面與數據平面拆開： 調度系統只傳輕量信息，Token、圖像和路由數據等「大件」進入分佈式存儲，再由真正需要它們的訓練節點讀取。各種長度不同、速度不同的任務，則交給Sample Mixer動態調度，避免簡單任務早早跑完，複雜任務永遠趕不上訓練批次。這些工程細節最終解決的是同一個問題： 當RL擴大到數千張GPU、數萬個並行Agent和數十億Token一步時，單純「多買顯卡」已經不夠了。

訓練場、Agent工作臺、評分系統、數據管道，以及防作弊機制，都得跟著一起擴大。如果RL是通向模型自我改進（RSI）的路，那這條路在規模放大之後，會自己長出新的障礙。模型學會抄答案，是它在「自我改進」的過程中找到了捷徑，而不是真的變強；Router漂移導致專家坍縮，是模型的內部結構在高強度RL下開始失穩…… 每一個障礙，都不是簡單調參數能解決的，它們是RL走向更大規模時必須面對的結構性問題。DeepSeek-R1走過一次這條路，MiMo-V2.6在規模和複雜度上又往前推了一步，也就意味著它撞上的問題更深。

但這些問題最終被一個一個啃了下來，Reward Hacking有Hack Agent對抗，Router漂移有凍結策略兜底，Grader成本控制在訓練總成本的12.7%，說明大規模RL這條路是走得通的。每解決一個問題，模型就離「通過RL持續變強」更近一步。MiMo-V2.6，就是小米在RSI這條通向AGI的路上邁出的關鍵一步。也是小米開創「直播大模型訓練過程」背後，展現出的最核心的技術底氣和硬實力。開源地址： https://huggingface.co/collections/XiaomiMiMo/mimo-v26博客： https://mimo.xiaomi.

com/mimo-v2-6技術報告： https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL/blob/main/MiMoV26technicalreport.pdf 版權所有，未經授權不得以任何形式轉載及使用，違者必究。