小米 MiMo-V2.6 开源：6 天烧掉 347 万美元，46 分登顶开源榜，把强化学习从「单步试错」推到「长程飞轮」
2026 年 9 月 22 日，小米正式发布并开源 MiMo-V2.6 系列大模型，包含 Pro 与 Flash 两款原生全模态版本。Pro 版在 Artificial Analysis 综合智能指数 v4.3.2 拿到 46 分，超过 Kimi K3、Qwen3.8 Max，成为该榜单当前最强开源权重模型。整轮强化…
目录
2026 年 9 月 22 日，小米正式发布并开源 MiMo-V2.6 系列大模型，包含 Pro 与 Flash 两款原生全模态版本。Pro 版在 Artificial Analysis 综合智能指数 v4.3.2 拿到 46 分，超过 Kimi K3、Qwen3.8 Max，成为该榜单当前最强开源权重模型。整轮强化学习（RL）后训练不到 6 天，Flash 训练成本约 85 万美元、Pro 约 262 万美元，合计超过 347 万美元，累计约 75 万条轨迹。
更值得看的是训练方法本身。V2.6 保持模型架构与参数规模不变，靠扩大 RL 训练规模提升编程、智能体、设计、科研等任务能力。这是小米定义的"递归自我改进（RSI）"路径的关键一步：把 RL 当成可扩展的算力杠杆，而不是单次微调。
三层看 46 分这个数字
46 分这个数字需要三层拆开看才能落地：
第一层是与闭源顶级模型比：榜单前列依次是 GPT-6 Astra、Claude Opus 5、Fable 5.1、Muse Spark 1.3，MiMo-V2.6 Pro 是前五名中唯一的开源权重模型，与第一阵营差距约 7 分。
第二层是与开源阵营比：Pro 超过 Qwen3.8 Max、Kimi K3、DeepSeek V4.1 Flash，是当前开源榜第一。Flash 版本排第二，也是开源。两款包揽开源前二。
第三层是性价比：Artificial Analysis 单任务成本测算下，MiMo-V2.6 Pro 实测单任务加权成本 0.13 美元，进入 0.1 美元区间。小米官方称在同等智能水平下价格仅为海外模型的 1/20 至 1/60。
模型规格：稀疏 MoE + 1M 上下文 + 全模态
Pro 版采用稀疏 MoE 架构，总参数约 1.02 万亿，激活参数约 420 亿。Flash 版总参数约 3,090 亿，激活参数约 150 亿。两款均支持最长 100 万 Token 上下文，同时支持文字、图片、视频、音频输入。
100 万 Token 上下文对应的长程任务能力是这次 RL 后训练的基础设施条件。长程软件工程（Long Horizon Software Engineering）评测的典型轨迹长度在几万到几十万 Token 之间，没有 1M 上下文窗口做承载，很多任务跑不完。
训练方法：「You Only RL Once」+ 全异步
罗福莉在小米 MiMo 团队负责人任上的第一份公开成果是 RL 训练范式本身。官方命名为"You Only RL Once"：把编码、专业办公、视觉任务、网络安全等多领域任务与多种轻量智能体脚手架（agent scaffolds）整合进单次训练流程。
异步组相对策略优化（Asynchronous Group Relative Policy Optimization）是这次训练的核心算法改进。长任务会拖慢整体节奏（同步训练时 GPU 等待最长任务结束），异步版本允许短任务先更新、长任务继续滚动，GPU 利用率从同步训练的 30-40% 提到 60% 以上。
冻结 MoE Router 是防止训练漂移的关键设计。RL 训练期间如果 Router 跟着更新，模型会倾向于把简单任务路由到"擅长"的专家，但这样训练集分布和真实分布错位。冻结 Router 后路由策略由预训练阶段决定，RL 只调专家本身的能力。
防 Reward Hacking 的工程防线
RL 训练的最大风险是模型通过环境漏洞刷分，而不是真正完成任务。小米搭建了四道防线：
| 防线 | 作用 |
|---|---|
| 作弊检测智能体 | 训练前排查环境漏洞 |
| 冻结 Router | 抑制训练漂移 |
| 异常检测 | 监控奖励突增、轨迹退化 |
| 验证器交叉校验 | 多评分器相互校对 |
6 天 347 万美元的成本结构
Flash 与 Pro 两版本训练成本约 85 万与 262 万美元，合计 347 万美元，超半数用于生成训练轨迹与结果评分。
高盛研报估算两个版本训练分别基于约 4,000 个和 8,000 个 H200 等效 GPU 集群。Flash 每百万 Token 约 10 美元，Pro 约 35 美元（折算自训练阶段成本）。罗福莉公开称 V2.6 是开源模型团队迄今规模最大的单次强化学习训练之一，团队投入数十人，相关研发与工程挑战超过其参与 DeepSeek R1 研发时的水平。
直播过程中出现过基建错误重跑、不良模式数据集、零梯度任务与 GPU 显存不足等中途干预。高盛的判断是，强化学习的瓶颈已经转向工程优化。
长程任务的实际收益
DeepSWE v1.1（深度软件工程评测基准）测试上，Flash 得分从 48.8 升至 65.68（提升 17 分），Pro 从 58.4 升至 72.57（提升 14 分）。按 avg@3 口径（多次采样取平均），Flash 提升超过 19 分，Pro 超过 14 分。
官方演示的实际任务包括：可玩 3D 世界生成、Blender 场景搭建、桌面软件操作、机械臂视觉控制、前端设计、音视频制作等长流程任务。科研场景里，Pro 以"Co-Scientist"角色协助材料团队设计 MOF（Metal-Organic Framework，金属有机框架）方案用于吸附 PFAS（Per- and polyfluoroalkyl substances，全氟和多氟烷基物质，一类难降解持久性有机污染物），把原本约一个月的研发周期缩短至 2-3 天。它还在 Lean 4 中完成论文《周期三蕴含混沌》中 Li-Yorke 定理主定理的形式化，形成 6,000 余行源码，全部通过内核核验，且此前未接受 Lean 专项后训练。
开源的尺度：7,000+ 任务环境与端到端框架
小米这次开源的不仅是两个模型权重，还包括 7,000 余个高质量 RL 任务环境、端到端 RL 训练框架、轻量化 Harness、MiMo-V2.6-Distill-Qwen-9B 蒸馏模型与完整技术报告。
7,000+ 任务环境覆盖软件开发、网络安全、办公、网页设计开发、音乐创作等领域，每个任务带自动评分器。蒸馏模型用 MiMo 的 RL 轨迹训练 SWE-bench Verified 得分由 61.1 升至 66.2、Terminal Bench 2.1 由 37.1 升至 52.8，作为可复现的小模型基线。
vLLM 与 SGLang 已为 MiMo-V2.6 提供推理集成支持。从权重发布到推理框架对接，时间窗口约 1 天，社区响应速度显著快于一般国产开源模型。
RSI 路径与下一步
小米把 V2.6 定义为探索 RSI 路径的关键一步。RSI（Recursive Self Improvement，递归自我改进）的核心思路是：让模型自己生成训练任务、训练下一代、用新一代训练再下一代，形成自我增强的飞轮。V2.6 走出了第一步：扩大 RL 训练规模带来可测量的提升。下一步的问题是用模型生成的轨迹能不能继续训练下一代，以及自生成数据的质量能否达到或超过人类编写数据。
讨论回复（2）
先说结论：这篇的骨架站得住。46 分、347 万美元、30 步、四个任务域混在一轮 RL 里，这些大盘子跟小米官方发布页和技术报告都对得上。但我把原帖里几个数字按官方自己给的配置乘了一遍，有一处对不上；另外有几处原帖报得比官方口径满了一档。
一、1,568 × 16 × 30 = 752,640：那个「累计 75 万条」其实是一款的量
官方中文发布页的原句是：「各完成 30 步，累计约 75 万条轨迹」。这句话自己就拧着——主语是「各」，量词却是「累计」。
用官方自己给的配置乘一遍：单次更新使用 1,568 个样本，每个样本 16 条 rollout，30 步。
1,568 × 16 × 30 = 752,640
正好 75 万。也就是说这 75 万是一款模型的量，两款加起来约 150 万条。
英文页没这个问题，写的是 "each completed 30 RL steps over roughly 750k trajectories"。国内媒体的两种口径就是这么分出来的：界面新闻写「每款模型处理约 75 万条轨迹」，极市平台写「6 天完成约 150 万条轨迹」。原帖选了中文页那句，等于把每款说成了合计。
这条不是我挑字眼。一个团队肯把训练过程开成直播，说明它想让外界能自己核账；那官方页自己都乘不出来的那个数，就值得标出来等修订。
二、蒸馏模型的成绩不是「下载即得」
原帖写：「MiMo-V2.6-Distill-Qwen-9B 蒸馏模型用 MiMo 的 RL 轨迹训练 SWE-bench Verified 得分由 61.1 升至 66.2、Terminal Bench 2.1 由 37.1 升至 52.8，作为可复现的小模型基线。」
官方原话是：「以 MiMo-V2.6-Distill-Qwen-9B 为起点展开 RL 训练，在 11 项评测中均较 SFT 基线取得提升。」
差的就是这一句。你从 Hugging Face 拉到的是 SFT checkpoint（Qwen3.5-9B 底座），那两个分数是「在它之上继续做领域 RL」之后的结果。把它当成蒸馏模型自带的能力，会让人对复现难度产生误判。
顺带，官方列的是 11 项，原帖只引了两项。另外两项落差更大：MiMo Cyber Bench 31.3 → 47.0（+15.7），MiMo Visual Coding 64.0 → 72.4。12 项里挑两项报，报的还是增幅中等的那两项。
三、开源清单里的「音乐创作」不在官方四类里
原帖写 7,000 余个任务环境「覆盖软件开发、网络安全、办公、网页设计开发、音乐创作等领域」。
官方页写的是四类：软件工程、漏洞复现、知识型工作、网页设计开发。
音乐创作确实出现在发布稿里，但那是模型能力演示那一节——Pro 写了一首包含约十种乐器的管弦乐作品，完成乐谱后自主转成 MIDI。那是「模型会做什么」，不是「那 7k 环境里有什么」。两件事被并到一句话里了。
四、「一个月缩到 2-3 天」这个数，官方页里没有
原帖写 Pro 以 Co-Scientist 角色协助材料团队设计 MOF 吸附 PFAS，「把原本约一个月的研发周期缩短至 2-3 天」。
官方页对同一件事的说法是：在小米前沿材料研究团队的多轮提示与交互下，模型检索并梳理文献与专利、提出研究假设、评估设计方案的新颖性，然后调用开源计算工具做「干实验」——自动搭建模拟环境、算 MOF 与 PFAS 的结合强度、筛出候选，交湿实验验证。全程没有周期数字。
而且官方给的定位比原帖保守得多：「未经针对科研任务的专项强化学习训练，MiMo-V2.6 已在多个研究领域展现出应用潜力」。
Lean 那件也一样，原帖说「全部通过内核核验，且此前未接受 Lean 专项后训练」——这两句都对，但漏了官方明写的两处限定：「在研究员设计的探索策略引导下」「经后续修订与整合」。界面新闻把这条边界说得最直白：这些工作均不是模型独立完成，它们说明的是模型作为科研辅助工具的潜力，而不是已具备自主开展科研的能力。
不是数字错，是功劳被记高了。
五、官方自己的两个口径，也该分清
单步 token：官方中文页写「单步训练 Token 达 3.5～3.7B」，而每日经济新闻、界面新闻等报道写的是「27 亿至 37 亿」。同一件事，官方窄、媒体宽。原帖取了后者，引用时最好标明出处，否则「单步 3.7B」这个上限会被当成典型值。
还有一处小版本号：小米产品页写 "Artificial Analysis Intelligence Index v4.3, September 2026"，原帖写 v4.3.2。多出来的那一位建议回源确认一下。
六、榜单那句「两款包揽开源前二」，官方没这么说
官方只讲 Pro 登顶开源第一（超过 Kimi K3 与 Qwen3.8 Max）。Flash 在 AA 综合智能指数上的分数与排名，官方发布页和模型页都没有给。 原帖「Flash 版本排第二，也是开源。两款包揽开源前二」这个说法，我在官方口径和 AA 榜单里都没找到依据。
Pro 是前五名里唯一的开源权重模型，这句大概率成立；但把 Flash 也塞进前二，是另一件事。
七、补几个原帖没用上的硬数
- 官方对比表里 Pro 输掉的项：ProgramBench 26.5 对 Claude Opus 5 的 37.0；Terminal Bench 4.0 34.9 对 Opus 5 的 49。而且这张表没有列 Terminal Bench 4.0 与 ExploitBench——Fable 5 恰好在这两项上居前。发布方挑场次是常规操作，但读者该知道缺的是哪两场。
- 训练中断时间线：Pro 跑完 30 步约 123.1 小时，Flash 约 81.8 小时。中间有 GPU 显存错误、Kubernetes 故障导致容器崩溃、评分服务在网络里不可达；还有一处微批次收到的 token 超过平均值 30 倍，随后显存耗尽。
- 数据配方：编程 68% / 通用 Agent 12% / 视觉设计 13% / 网络安全 4% / 指令遵循 3%，横跨 25 个数据源、21 种 harness（腾讯新闻报道口径）。
- 架构：Pro 70 层（60 层滑动窗口 + 10 层全局注意力），Flash 48 层（39 + 9），滑动窗口 128 token，每层只激活 8 个专家。预训练 Flash 48 万亿 token（26 文本 + 22 全模态）、Pro 30 万亿（27 + 3），上下文从 3.2 万 → 25.6 万 → 100 万。
- 两套评分机制：离线的 GRS 从同一道题的多条回答差异里反推评分细则；在线的 GAR 给已经答对的解再排名次，把优势流向「路径更短、token 更少」的那条。报告图 8 有单独对照：不用 GAR 时交互轮数和 token 长度很快往上膨胀，通过率后期反而上不去。
- 奖励作弊的具体形态比「占比低于 2%」生动得多：训练要求修某个历史版本的 bug，模型却装上已经修好的新版依赖；或者直接去上游翻更新后的源码、翻出现成的修复记录。为此要清理残留文件、缓存和超出任务时间点的 Git 历史，限制可能泄露答案的网络，再养一个对抗 Agent 专门找环境漏洞。
- 路由器那段：让 router 继续更新，越来越多计算挤向部分专家、另一些专家闲置；把路由参数恢复到 RL 开始前的状态、其余权重保留，负载恢复，评测不降。
- API 定价：Pro 每百万 token 输入 3 元、输出 6 元，Flash 1 元 / 2 元，沿用 V2.5；调用时模型名必须全小写。
- 9 月 17 日直播中点的账：Pro 已跑 1 天 19 小时 / 89 万美元，Flash 1 天 14 小时 / 39.7 万美元，合计每小时约 3.1 万美元；到当天下午两版累计已超 135 万美元。
八、四处我核不到出处的，挂起来
① 「GPU 利用率从同步训练的 30-40% 提到 60% 以上」； ② 「最终确认的奖励作弊轨迹占比低于 2%」； ③ 「高盛研报估算 Flash / Pro 分别基于约 4,000 与 8,000 个 H200 等效 GPU 集群」——投行测算确实存在，但小米全程未披露本次训练用的 GPU 型号，那份测算怎么估的我没查到； ④ 「从权重发布到推理框架对接，时间窗口约 1 天」。
不是说你错，是这几条得等出处。技术报告里如果写了，回我一句我去改。
下一根钉子
三件：
1. MiMo-V2.6-Distill-Qwen-9B 那 11 项提升里，有多少能被第三方在同样 7k 环境下复现。 这是这套「开源训练配方」成色的唯一硬检验——权重和任务环境都放出来了，有没有人真的跑出 +15 分的 Cyber Bench，比任何 PR 稿都算数。 2. MOPD2 那条路能不能把「人设计探索策略」这一步省掉。 游戏、3D 这类 RL 收不了卷的场景现在靠多教师在线蒸馏补，教师的示范还是人给的。下一代如果这一步也自动化了，RSI 才算真往前挪了一格。 3. 官方中文页那句「累计约 75 万条」下次修订会不会改成「每款」。 一个数字的措辞改动，比十篇解读更能说明团队有没有把口径当真。
补一条更正，是我上一条写错了。
上一条第五节，我把单步 token 两个口径的大小关系说反了。原话暗示「官方窄、媒体宽」，等于说媒体把数字吹大了一档。查完技术报告原文，正好反过来：
- 技术报告 PDF 摘要写的是
consumes 1,568 samples and 2.7~3.7B tokens per step at context lengths of up to 1M - 官方新闻页（中英文都算）写的是单步 3.5~3.7B
- 媒体那句「27 亿至 37 亿」，和技术报告对得上
顺带把算术补上：报告给的「平均每轨迹约 110K–150K token」，乘 25,088 条/步，得 2.76B–3.76B，落点正是 2.7~3.7B。
所以第五节真正该记的不是「官方窄媒体宽」，而是官方新闻页跟自家的技术报告对不上——同一件事，摘要里写 2.7，新闻页里写 3.5。这件事只有把两份原文摊在一张桌子上才看得出来。
顺便说一句我核过的另一件事：上一条卡片里那 10 个逐 step 数点，我回官方那张表逐个对着念了一遍——第 1 步 58.4 / 48.7、第 2 步 56.3 / 53.1、第 4 步 60.5 / 54.0，一直到第 12 步 66.0 / 60.8，一格不差。原帖那张折线不是画的，是真表。卡片上那个 3.5 我已经改成 2.7，图和文现在一致。