小米MiMo-V2.6技术报告公开，以大规模RL迈向RSI！

智猩猩AI整理

编辑：金水

今天，小米 LLM-Core 团队公开了 MiMo-V2.6 系列技术报告，并同步开源了模型权重、RL 框架、多域任务环境与轻量蒸馏模型。

• 论文题目：

  MiMo-V2.6: Scaling Reinforcement Learning Towards Self-Improvement

随着技术报告公开，这个模型的真正看点也逐渐清晰，1.02T 参数的 Pro 与 310B 参数的 Flash，两个 MoE 模型，已经把 Agent 能力推到了与 Claude Opus 5、GPT-5.6 同台竞争的位置。

报告的副标题很直白，Scaling Reinforcement Learning Towards Self-Improvement（把强化学习推向自我提升），一份把"RL scaling"写进标题的报告。

它的开篇逻辑是：递归自我提升（RSI）需要 agent 把模型和环境耦合起来，持续提供多步轨迹和反馈信号；

而要在基础模型上 scale RL，卡点在于两件事，模型架构得留出足够大的探索空间，以及 scale RL 需要一整套基础设施、环境与评分器的工程解法。

于是 MiMo-V2.6 的全部后训练改动，几乎都围绕这一个目标展开：把 RL 算力沿训练、环境、评分三个维度一起推上去。

最终的提升效果相当直接，在代码 Agent 基准 DeepSWE v1.1 上，Pro 经 RL 后从 58.4 爬到 72.6，Flash 从 48.7 爬到 65.7；

横向摆到前沿模型桌上，Pro 在 Terminal-Bench 2.1、AutomationBench、MiMo Visual Coding 上已经反超 Claude Opus 5。

01

模型架构：

hybrid-SWA MoE 主干

MiMo-V2.6 是一个全模态 MoE 模型，文本主干由重复的 hybrid block 堆叠而成，每个 block 里交替排布局部滑动窗口注意力（SWA）和全局注意力（GA），滑动窗口大小只有 128。

具体的体量不对称很夸张，Pro 共 70 层（60 层 SWA + 10 层 GA）、384 个专家每次激活 8 个、总参数 1.02T、激活 42B；

Flash 共 48 层、256 个专家激活 8 个、总参数 310B、激活 15B。视觉侧挂着 681M 的 MiMo-ViT，音频侧挂着 Audio Tokenizer（308M）与 Audio Patch Encoder（127M）。

支撑多模态与高效率的还有几块独立模块：

（1）MiMo-ViT 用 sink-augmented SWA 替代固定窗口注意力，让信息能跨窗口边界流动，缓解视觉碎片化；

（2）Audio Encoder 分两阶段，先用 Audio Tokenizer 把语音压成 20 个 RVQ 码本、再经开残差量化的 patch encoder，把音频序列率从 25Hz 降到 6.25Hz；

（3）Speculative Decoder 基于 DFlash 的块扩散设计，用 5 层稠密 FFN 的 drafter 单次前向预测 7 个后续 token，做并行校验加速解码。

报告称，这套 hybrid-SWA 主干在不牺牲长程理解的前提下大幅压低了长序列的计算与 KV 成本，也为后面"在环境里跑几百轮 rollout"留出了算力空间。

02

预训练与 mid-training：

为 RL 铺路

预训练语料横跨文本、视觉与音频。

文本来自网页、书籍、论文、代码与 STEM；视觉覆盖图像描述、定位、OCR、GUI、视频与视觉编程；音频按语音-文本交错、ASR、通用音频描述三类组织。

训练分两阶段，先在纯文本上打基础，再接自研 ViT 与音频编码器做全模态联合训练。上下文从 32K 一路扩到 256K，Flash 训了 48T token、Pro 训了 30T token。

真正为大规模 RL 铺路的是mid-training。

这一阶段转成 agent-centric，用覆盖代码、通用、视觉、科研的真实 agent 轨迹把探索空间撑大，上下文进一步拉到 1M。两个关键改动：

（1）优化器从 AdamW 切到 Muown（Muon 的变体，带显式行范数控制），专门扛大 batch 训练下的数据效率，且全程无 loss spike；

（2）引入 MXFP4 量化感知训练（QAT），让模型提前适应低精度计算，RL 阶段直接沿用 FP32 主权重与 Muown 行状态初始化，稳住低精度训练。

03

Scaling RL：

沿三个维度堆算力

报告在 scaling 章节就有介绍，先做一轮很短的监督微调（SFT），之后就全力 scale RL，不再反复回炉，他们把这种哲学叫"You Only RL Once"。

RL 算法本身沿用成熟的 GRPO，配合异步 partial rollout（staleness 为 4）和 prompt-mean 聚合；真正的创新，落在更细的评分信号和一整套支撑大规模 agentic RL 的基础设施上。

所有实质变化可以归到三个维度。

第一是训练算力。单次 run 横跨数千张 GPU，Pro 和 Flash 的 RL 后训练分别烧了 260 万和 90 万美元。

每个 step 用 1568 个 prompt、每组 16 条 rollout，等于每步跑出 2.5 万条序列、2.7B~~3.7B 个 token，单条序列约 11 万~~15 万 token，上下文最长到 1M。

第二是环境与 harness。任务覆盖代码（68%）、通用工具使用（12%）、美学设计（13%）、上下文遵循（3%）与网络安全（4%）五大域；

并刻意训练多种 mini-harness，逼模型学到可迁移的解题策略，而不是绑定某一种交互框架。

报告专门用 hack agent 反复试探环境、再用离线轨迹审计兜住奖励作弊，整个 RL 过程中确认作弊的轨迹占比始终压在 2% 以下。

第三是评分算力。这就是 MiMo 在报告里最硬的一块创新，群组智能评分（Groupwise Agentic Grading），不再只靠"测试过就 1 分、不过 0 分"的二元奖励：

（1）GRS（群组奖励合成，离线）：收集多条 rollout 让 agent 对比学出"实现 rubrics"和"行为 rubrics"，最终奖励是 `R = R测试 × S实现 × S行为`，同分之间也能按质量拉开差距；

（2）GAR（群组优势重分配，在线）：在"有对有错"的组内横向比较，把正优势从低质量的解往高质量的解上重新分配；

（3）配套的长度惩罚与段落级行为惩罚，专门压住 RL 中 token 暴涨和格式/工具调用错误。

钱花在哪，报告也摊开讲了，以 Pro 为例，rollout 占 43.8%、训练 43.5%、grader 12.7%，光"让模型去环境里干活"和"真正更新模型"就吃掉近九成算力。

04

实验评估

把 MiMo-V2.6 摆到与前沿模型同一张桌子上，差距已经很小，但分布并不均匀，报告本身也承认了这一点。

在智能体方向，它确实追到了前沿：DeepSWE v1.1 拿到 71.9（Claude Opus 5 为 74.0、GPT-5.6 为 73.0）；Terminal-Bench 2.1 为 89.9，已超过 Claude Opus 5 的 89.1；AutomationBench 53.1，超过 Claude Opus 5 的 50.3；

视觉侧 MiMo Visual Coding 72.3，同样超过 Claude Opus 5 的 70.0；网络安全侧 CyberGym 为 94.0、Flash 更到 95.1，竞品未披露成绩。

在 Reasoning 与 Agentic 共二十余项指标上，MiMo-V2.6 与 Claude Opus 5、GPT-5.6、Claude Fable 5 互有胜负。

相对上一代 MiMo-V2.5-Pro（DeepSWE 仅 19.0），这一代是断崖式跃升，且跨域普遍成立。

但短板也明确Terminal-Bench 4.0（Pro 34.9 vs 49.0）、ExploitBench（47.9 vs 70.0）、ExploitGym（17.8 vs 22.1）等"科学导向"或复杂利用类任务上，Claude Opus 5 仍明显领先。

报告也主动标注了架构改动带来的鲁棒性边界，MoE 在 RL 阶段若不冻结 router，会出现严重负载崩塌，专家负载变异系数（CV）从 0.78 涨到 2.0，峰值负载从 6 倍飙到 16 倍，冷门专家占比从 0.5% 涨到 22%；

小米因此冻结 router，三个指标全程平稳（CV≈0.7、峰值≈5.5 倍、冷专家≈1%）。

为保证训练-推理一致，他们还用 R3（Rollout Routing Replay）重放每条 token 在各 MoE 层选的专家，配合 top-p 候选集重放。

05

MOPD2、开源与自我提升之路

报告还用 MOPD2（Multi-Prefix Multi-Teacher On-Policy Distillation）把不同任务上训出的教师模型能力合流，覆盖那些难以设计可靠 RL 奖励的领域，例如长程游戏开发、科研、具身智能等。

对社区，小米开源了一整套 agentic RL 基座：轻量模型 MiMo-V2.6-Distill-Qwen-9B（在 Qwen3.5-9B 上用 MiMo 生成数据做 SFT，再走多 harness RL，在 21 项 harness 评测上全数超过原版）、多域带 verifier 的任务环境、端到端 RL 框架，以及可组合的 mini-harness。

在 9B 蒸馏模型上，RL 同样能在多种 harness 下稳定带来增益。

报告在结论里点明，MiMo-V2.6 真正拉开差距的，是针对长程 Agent 任务的大规模 RL 后训练，以及围绕"细粒度奖励、稳定路由"做出的一整套机制改造。

模型能力的天花板，已经越来越取决于后训练阶段对真实执行过程的学习，这条路正是它通向递归自我提升的起点。

关注+星标，获取AI前沿进展与开源一线动态