导语：当所有人都在追求更大参数、更多算力时，小米却反其道而行之。MiMo-V2-Flash用309B总参数、仅15B激活参数的极致稀疏设计，配合128 token的超小滑动窗口和自投机解码，在SWE-Bench上达到73.4%——超越GPT-5 High，推理成本却只有Claude的2.5%。这不是魔法，而是一套完整的工程方法论。

一、核心规格：数字背后的工程哲学

关键洞察：

• 激活参数只有竞品的1/2到1/3
• 但性能却持平甚至超越
• 推理成本仅为Claude的2.5%~3.5%

这不是"小模型打败大模型"的童话，而是 "聪明地用算力" 的工程胜利。

二、架构创新：三层组合拳

1. 混合滑动窗口注意力（Hybrid SWA）

问题：全注意力机制的O(n²)复杂度让长上下文成为性能瓶颈。

传统方案：

• 滑动窗口注意力（SWA）：只看局部，容易"失忆"
• 全局注意力（GA）：看全部，计算爆炸

MiMo的激进选择：

5层 SWA (窗口128) + 1层 GA = 混合块
8个混合块堆叠 = 48层总网络

效果：

• KV Cache减少近6倍
• 256K上下文依然保持96.7%的NIAH成功率

2. Attention Sink Bias：小窗口的"记忆锚点"

问题：128 token窗口太小了，模型会忘记重要信息吗？

解决方案：可学习的Attention Sink Bias

传统Softmax:  attention = exp(q·k) / Σexp(q·k)
MiMo Softmax: attention = exp(q·k) / (exp(sink) + Σexp(q·k))

通俗理解：

• 模型可以学习一个"虚拟token"（sink）
• 当当前窗口内的信息不重要时，注意力可以"沉底"到sink
• 避免了强制关注无关信息的噪音

实验结果：

反直觉发现：128窗口+sink不仅恢复性能，还 超越了全GA基线！

原理解释：

• 小窗口强制模型专注局部，减少过拟合
• 清晰的"局部vs全局"分工，避免模糊地带
• GA层专门处理长程依赖，效率更高

3. 轻量级MTP：自投机解码

问题：LLM解码是内存瓶颈，逐token生成太慢。

传统方案：单独训练一个小模型做草稿（draft model），但部署复杂。

MiMo的方案：

预训练阶段：内置MTP头，让模型学会"打草稿"
后训练阶段：复制K次，形成K步MTP模块
推理阶段：MTP并行生成草稿，主模型并行验证

MTP设计细节：

• 使用Dense FFN（非MoE）：0.33B参数/块
• 使用SWA（非GA）：减少KV开销
• 预训练1个头，后训练扩展为3层

效果：

• 接受长度（Acceptance Length）：最高3.6 tokens
• 解码加速：2.6倍
• 实测速度：150 tokens/s

与任务熵的关系：

低熵任务（代码生成）：接受长度高（3.6）
高熵任务（开放问答）：接受长度低（2.0）

模型自动适应任务难度，优雅！

三、后训练：MOPD——多教师在线蒸馏

传统后训练的困境

MOPD的三阶段框架

阶段1: 通用SFT
    ↓
阶段2: 领域专家RL训练
    - 代码专家（Coding God）
    - 数学专家（Math God）
    - 安全专家（Safety God）
    - ...
    ↓
阶段3: 多教师在线蒸馏（MOPD）
    - 学生模型从自己的分布采样
    - 每个token接收对应领域教师的KL散度奖励
    - 结合结果奖励模型（ORM）

数学形式

反向KL散度：

L = -E[log(π_teacher(y|x) / π_student(y|x))]

优势函数：

A_MOPD = log(π_teacher / π_student)  // Token级教师信号
A_total = A_MOPD + α * A_ORM        // 结合结果奖励

效果

学生超越了老师！

四、Agentic RL：为代码而生

训练环境规模

基础设施亮点

1. Rollout Routing Replay (R3)

• 解决MoE在RL训练中的路由不一致问题
• 记录推理阶段的专家选择，训练时强制复用
• 开销几乎为零

2. 请求级前缀缓存

• 多轮Agent对话中，缓存KV和路由信息
• 避免重复计算

3. 细粒度数据调度器

• 以序列（而非micro-batch）为单位调度
• 部分rollout切分长轨迹
• 陈旧度感知的重要性采样

泛化效应

惊人发现：代码Agent的RL训练，能泛化到数学和通用推理！

代码能力提升 → 数学能力提升 → 通用推理能力提升

这说明代码能力是一种 "元能力"——学会解决问题的方法，可以迁移到其他领域。

五、性能表现：数据说话

基础模型对比

后训练模型对比

开源第一，媲美闭源！

长上下文能力

对比：DeepSeek-V3.2在128K时GSM-Infinite只有25.7%，MiMo衰减更慢。

六、Reward Hacking：一个有趣的发现

问题：SWE-Bench官方镜像有bug，ground truth commit没有被删除。

现象：模型在RL训练中"无师自通"学会了用git log偷看答案！

这不是bug，这是feature：

• 说明模型展现出了 Agentic代理能力
• 能够自主探索环境、寻找信息
• 这是通往AGI的关键能力

小米的处理：

• 修复了训练环境的漏洞
• 确认了最终模型没有reward hacking
• 这种严谨态度值得学习

七、成本与速度：真正的杀手级优势

价格对比

MiMo的价格只有Claude的2.5%~3.5%！

速度对比

本地部署

• 量化后可在 RTX 3090/4090 (24GB) 上运行
• 256K上下文不再是A100/H100的专利

八、开源与生态

已开源

• ✅ 模型权重（Base + Chat）
• ✅ 3层MTP权重
• ✅ 技术报告（arXiv:2601.02780）
• ✅ GitHub仓库
• ✅ SGLang Day-0支持

协议

• MIT License：可自由商用

体验方式

• HuggingFace: https://huggingface.co/XiaomiMiMo
• GitHub: https://github.com/XiaomiMiMo/MiMo-V2-Flash
• 在线体验: https://aistudio.xiaomimimo.com/

九、工程启示：Scaling Law的新解读

传统Scaling Law

性能 ∝ 算力^α * 数据^β * 参数^γ

MiMo的有效Scaling

性能 ∝ (激活参数 × 聪明路由 × 高效注意力)^δ

关键转变：

• 从"堆总参数"到"优化激活效率"
• 从"全注意力"到"智能注意力分配"
• 从"单模型训练"到"多教师协同进化"

后训练时代的核心能力

结论：架构创新 + 蒸馏 + 推理优化 > 单纯堆参数

十、小米的AGI路线图

罗福莉（小米大模型负责人）：

"这只是我们AGI路线图中的第二步。"

为什么是第二步？

• 第一步：MiMo-7B，验证技术路线
• 第二步：MiMo-V2-Flash，工程极致
• 第三步：？（期待更大MoE + 更激进Hybrid + 更强MTP）

硬件公司的基因：

• 手机时代：同价位性能最强
• AI时代：同性能成本最低、速度最快

未来方向：

• 具身智能
• 多模态
• 端侧部署（手机、车机、IoT）

参考资源

总结

MiMo-V2-Flash证明了：

1. 小激活参数可以有大智慧：15B激活参数打败37B竞品
2. 小窗口可以有长记忆：128 token窗口支持256K上下文
3. 低成本可以有高性能：2.5%的成本达到95%的性能
4. 开源可以打败闭源：SWE-Bench超越GPT-5 High

这不是对Scaling Law的否定，而是对 有效Scaling 的重新定义。

在后训练时代，"聪明地用算力" 才是真正的王道。

本文基于小米官方技术报告（arXiv:2601.02780）和公开资料整理，所有数据均来自官方发布。