罗福莉，面对的是天罗地网

9月17日凌晨，罗福莉把一张尚未完成的答卷挂到了互联网上。

| 网页上，MiMo-V2.6-Pro和MiMo-V2.6-Flash仍在训练。Token数量不断增加、样本数继续累积，奖励曲线在波动中向前伸展。一只美元计数器悬在旁边，很快越过百万。每过一个小时，又有超过3万美元被记在上面。

大模型公司习惯递交答案。罗福莉缺把草稿摊开了。

“沉默近半年，我们一直在用这段时间研究一个问题：强化学习到底可以走多远。”

她在社交平台上写道。

这句话听起来像一个技术问题。放在罗福莉身上，又像一句处境说明。

她曾经参与DeepSeekMoE、DeepSeek-Coder-V2和DeepSeek-R1，被外界反复称为“天才少女”。

| 如今，她负责小米MiMo大模型，面对的工作却很少有天才故事里那种灵光乍现。屏幕上是一批又一批Prompt，一轮又一轮Rollout，还有调度、路由、奖励、测试环境、训练稳定性，以及一条可能随时走偏的曲线。

人们喜欢谈论智能如何涌现。

罗福莉要先保证机房别将这种涌现训练坏了。

01

一张网，先罩住了模型

MiMo-V2.6这一轮的强化学习，每个Step处理约20亿Token。

| 团队一次送入1568个Prompt，每个Prompt生成16条Rollout。换句话说，同一道题不会只得到一个答案。模型要同时走进16条岔路，调用不同工具，尝试不同步骤，有些抵达终点，有些则在半路迷失。

一个训练批次里，大约会出现25088次尝试。

于是，真正困难从此开始。

假如模型解一道数学题，答案可以直接核对。代码也相对简单，测试用例通过或失败，机器能够给出明确反馈。Agent的任务则长得多，模型可能先搜索网页，再阅读文件，随后制定方案、调用工具、修改代码，最后检查结果。一项任务走上几十步以后，成功究竟应该归功于哪一步？失败又从哪里开始？已经很难回答了。

这就是信用分配。

| 罗福莉在帖子中特别提到，团队扩展了评估计算，引入Agentic In-group Credit Assignment，并结合测试用例和Rubric奖励。简单说，小米不只在增加做题的人，也在增加阅卷的人，还试图让阅卷者看懂一条漫长轨迹中每个动作的贡献。

模型答错，可以再试一次。裁判给错分，则会将错误变成方向。

尤其当算力越多，这种危险越大。

一个失真的奖励函数，会让模型以更快速度学会讨好评判器；一个存在漏洞的测试环境，会把投机行为奖励成能力；一个只看最终结果的裁判，可能把中途的侥幸误认成推理……

强化学习因此像一张网。算力是网线、环境提供网眼，奖励系统决定什么能够穿过去。模型在里面一次次挣扎，渐渐学会哪些动作会得到分数。

问题在于，得到高分与真正变聪明，从来不是同一件容易证明的事。

02

她开始修建一座工厂

罗福莉的技术轨迹里，一直有一种不太显眼的连续性。

在DeepSeek，她署名参与的工作横跨MoE架构、代码模型与强化学习。来到小米以后，研究问题开始从模型内部向整套训练系统扩张。

| 2025年10月，她作为共同通讯作者参与R3研究。MoE模型会将不同Token分配给不同“专家”，但训练引擎与推理引擎可能作出不同的路由选择。同一个Token，在两个系统里走进不同房间，强化学习便会产生偏差，严重时甚至训练崩溃。

R3的解决办法比较直接：将Rollout阶段的路由记录下来，训练时重新播放。模型从哪扇门进去，更新参数时仍从那扇门进去。

| 几个月后，MiMo团队与北京大学推出ARL-Tangram。Agent做强化学习时，需要同时占用GPU、CPU、内存、工具环境和外部API。传统调度方式会让一段轨迹长时间捆绑资源，即使模型正在等待网页响应，机器也可能被闲置在那里。

ARL-Tangram将任务拆到动作级后重新调度。官方实验显示，动作完成时间最多改善4.3倍，训练Step最多提速1.5倍，外部资源最高节省71.2%。

接着是MOPD。不同教师模型分别学习代码、搜索、数学和工具调用，再将这些能力装回一个学生模型，尽量避免一种能力进步时，另一种能力从模型身上滑落。

路由、调度、老师、奖励、环境……这些词都没有“人工智能觉醒”听起来动人。可当强化学习扩大到数十亿Token、数万条并行轨迹，决定成败的恰恰是这些词。

罗福莉如今正在做的事情，越来越像管理一座工厂。原料从一端进入，经过模型生成、环境交互、结果验证和参数更新，再从另一端出来。每一道工序都要保持一致，每一处等待都在消耗算力，每一个错误的奖励都可能污染下一批产品。

天才神话喜欢一个瞬间。

| 工程则需要数千个环节不要同时出错。

03

小米需要一颗怎样的大脑？

罗福莉面对的第二张网，来自小米。

| 向上看，MiMo需要追赶全球最强基础模型。DeepSeek、阿里、字节、月之暗面以及海外实验室都在加快迭代。榜单每隔几周变化一次，一个刚刚进入第一梯队的模型，很快又会被下一次发布重新排序。

| 向下看，小米拥有手机、汽车、家庭设备和机器人。集团需要的大模型终究要进入这些产品，听懂用户一句含糊的话，控制设备完成连续动作，并在真实环境中承担结果。

一边要求通用智能足够强、一边要求技术落到具体硬件。

这两种需求看似顺流而下，实际经常相互牵扯。面向真实设备的模型需要低延迟、低成本、稳定调用和明确权限；前沿模型研究则需要更大计算量、更长思考时间和更自由的探索空间。前者希望每次行为都可预测，后者依赖大量不可预测的尝试。

罗福莉在加入小米时写过一句话：“智能终将从语言迈向物理世界。”

这句话很容易写在欢迎海报上。但真的走到物理世界，路会突然变窄。

| 聊天机器人答错一道题，用户可以重新提问。汽车、家庭设备和机器人执行错一个动作，后果不会随着对话框关闭而消失。语言模型可以在概率里工作，物理世界要求责任能够找到归属。

MiMo-V2.6公开的训练任务目前覆盖代码、视觉、通用与对话。这些能力距离真正接管“人车家”还有很长一段路。模型需要学会调用工具，也需要知道何时停手；需要理解用户意图，也需要在不确定时把决定交还给人。

小米想要一颗能够控制庞大生态的大脑。

这颗头脑首先要学会克制自己的手。

04

所有人，看着模型训练

我发现，MiMo团队的公开方式已经出现一种规律。当然，也可能是巧合。

| 2026年3月，一个代号“Hunter Alpha”的匿名模型出现在OpenRouter。外界不知道开发者是谁，用户只管调用。在身份揭晓之前，这个模型的累计调用量已经超过1万亿Token。随后小米宣布，Hunter Alpha是MiMo-V2-Pro的早期测试版本。

6月，MiMo Code开源。团队把模型放进更长的真实编程任务，观察Agent如何在数十步甚至数百步以后维持记忆、验证目标、处理错误，并把经验留到下一次任务。

9月，罗福莉又公开了V2.6的训练面板。

| 第一次，身份被藏起来，让使用结果先说话。第二次，Agent进入真实项目，让长期行为接受检验。第三次，模型还没完成训练，过程已经进入公众视野。

这形成了一种不同于发布会的沟通方式。罗福莉没有只告诉外界MiMo能跑多快，她开始让人看发动机怎样运转。

对一个大模型领域的后来者，这种公开方式与节奏，其实具有实际用途。

| 排行榜能够证明某一时刻的成绩，却很难证明团队能持续训练下一代模型。论文能够解释方法，却无法完全展示基础设施是否真的运转。实时面板上的Token、样本、奖励和成本，向研究人员传递着另一组信息：这里有算力、有复杂环境、有尚未解决的问题，也有人愿意为一次实验承担昂贵后果。

这大概是科技行业最昂贵的一种招聘海报。

但公开没有卸下压力，只让压力有了刻度。

奖励曲线稍有回落，外界会猜测训练是否失控；Pro版本提升缓慢，人们会追问万亿参数是否值得；美元数字不断上升，媒体会把技术实验换算成“每小时烧掉20万元”。一轮仍在中途的训练，被迫提前承担了最终产品的解释责任。

罗福莉亲手打开了这扇窗，风也会从这里吹进来。

05

透明玻璃后面，有什么？

面对直播中的训练页面，我最在意的并非美元数字。

一百多万美元对普通人是一笔巨款，放进前沿大模型研发，只能算一段昂贵实验。况且，页面上的Cost究竟采用何种计算口径，是否包含硬件折旧、环境调用、评估模型和人工成本，小米尚未给出完整说明。这个数字不能直接等同于财务报表里的现金支出。

真正值得追问的，其实是那些没有出现在屏幕上的东西。

| 训练数据如何构成？不同任务的奖励权重如何分配？模型有没有利用测试环境的漏洞？DeepSWE分数上涨，来自通用能力提升，还是对特定测试框架更加熟悉？训练过程中发生过多少次回滚？有多少条轨迹需要人工介入？Pro与Flash之间，能力差距是否足以覆盖成本差距？

实时页面展示了曲线，却没有展示曲线背后的全部选择。

当然，这并会不削弱公开本身的价值。任何公司都不可能直播全部训练数据和内部系统。只是“能够看见”很容易制造一种错觉，让人误以为自己已经“看懂”。

| 就像玻璃是透明的，而房间仍有边界。

罗福莉承诺，未来几周会逐步开源技术细节。因此，真正决定这次直播分量的，将是她最终愿意公开多少：成功的方法，失败的轨迹，评判系统的局限，以及算力继续增加以后，能力提升是否仍然存在。

如果只有曲线上扬，这是一场技术展示。

如果连曲线为什么下跌也能被解释，这才是一场公开实验。

06

她，也在网里

外界喜欢把罗福莉写成一个迅速上升的年轻天才。

| 这个标签省事，也残忍。它将复杂工作压缩成个人天赋、将团队变成背景，还会把每一次普通失误改写成“天才是否失灵”。

但训练页面则给出了另一幅画面。

罗福莉没有站在聚光灯下发布一个已经打磨完成的模型。她站在一轮尚未结束的强化学习旁边，看着两个版本以不同速度消耗Token和美元。

| 没有人能提前保证曲线继续向上，也没有人知道大规模Agent RL跨过某个点以后，会涌现出更强能力，还是更隐蔽的奖励投机。

她为模型设计了测试环境、奖励标准和信用分配。模型的每一个动作都被记录，每一条轨迹都要接受判断。

围绕她的系统也在做同样的事情。

同行看技术路线、开发者看实际能力、媒体看训练成本、小米看模型能否进入产品……DeepSeek的履历成为起点，也成为比较坐标。她做出的每一个选择，都有一群人等待打分。

模型困在奖励函数里。

团队困在排行榜里。

罗福莉困在一个被迅速放大的名字里。

这就是她面对的天罗地网。

| 没有哪一根线单独构成危险。真正的压力来自所有线同时收紧：模型必须更聪明、训练必须更稳定、成本必须能解释、技术必须可落地、发布速度不能掉队、公开程度还要足以建立信任……

9月17日以后，网页上的曲线还在向右延伸。新的Token进入模型，新的轨迹得到奖励，美元数字继续变化……罗福莉问的是强化学习还能走多远？

但更难回答的问题也许是：当模型、小米和她本人都被一套庞大的奖励系统包围时，究竟是谁在训练谁？

（声明：本文仅作产业分析，不构成投资建议。）