六天烧掉雷军2300万，小米发布新模型，罗福莉：创新和工程难度超过DeepSeek R1

图片经AI处理

出品｜搜狐科技

作者｜常博硕

9月22日，小米正式发布MiMo-V2.6系列，包括旗舰推理模型MiMo-V2.6-Pro和更强调效率的MiMo-V2.6-Flash，同时推出MiMo-V2.6-Pro-UltraSpeed，官方表示其在保持模型质量的前提下，输出速度最高可达到Pro版本的 20 倍。

其中，MiMo-V2.6-Pro是一款万亿参数级模型，支持文本、图像、视频和音频输入，上下文长度达到100万Token，最大输出长度为12.8万Token。它可以进行深度思考、调用工具、联网搜索，也可以处理结构化输出。Flash则是更轻量的版本，总参数约3090亿，激活参数约150亿，同样支持100万Token上下文。

每小时烧20万，小米要上桌

9月17日，罗福莉就在社交媒体上披露了小米MiMo-V2.6的训练细节，并随帖发布了MiMo-V2.6-Pro和MiMo-V2.6-Flash的实时训练数据看板。训练步数、Token消耗量、任务通过率、累计花费，甚至哪个节点的显卡出了故障，全都实时可查，把两款模型的训练过程做成了一场面向全网的直播。

按页面设定的费用速率计算，两轮训练合计每小时约3.08万美元，约合人民币20万。

根据小米最终公布的数据，MiMo-V2.6-Pro和MiMo-V2.6-Flash分别完成30个强化学习Step，累计约75万条轨迹，两轮训练成本分别约为262万美元和85万美元，合计347万美元，折合人民币约2328万元。

模型发布当天，罗福莉在社交媒体上发文表示，MiMo-V2.6很可能是迄今为止任何开源模型团队根据计算量进行的最大的单一RL运行。在推文中她还公开表示：“今天，它（MiMo-V2.6）是排名第一的开源模型。我强烈推荐阅读技术报告。我相信它将成为AgentRL从业者反复打开并每次都发现新内容的论文之一。在我看来，它背后的研究创新和工程挑战超过了DeepSeekR1，后者我曾部分参与。”

从模型结构本身看，小米这次并没有把全部赌注押在“更大的模型”上。

MiMo-V2.6技术报告题为《Scaling Reinforcement Learning Towards Self-Improvement》，小米团队把这项工作的核心概括为：继续扩大强化学习规模，并把它作为模型走向自我改进的一条路径。

从外部结果看，MiMo-V2.6确实完成了一次明显跃升。MiMo-V2.6-Pro 在 Artificial Analysis Intelligence Index v4.3 中获得 46.32 分，超过 Kimi K3 和 Qwen3.8 Max,与马斯克新发的Grok4.7持平，目前是全球开源模型首位。

图片源自Artificial Analysis官网

具体到各项基准测试成绩，Pro在DeepSWE v1.1中获得71.9分，接近DeepSeek V4.1 Flash的74.2、Claude Opus 5与 GPT 6 Astra 的74.0；在Toolathlon-verified中获得76.9 分，高于GPT 5.6 Sol的 74.9。

看模型本身，Pro是一个1.02万亿参数的稀疏MoE模型，但每个Token实际激活的参数约为420亿，Flash是3090亿参数、150亿激活参数。

在底层架构上，Pro的语言骨干共有70层，其中60层采用128 Token窗口的滑动窗口注意力，10层采用全局注意力。

Pro和Flash两者都是稀疏MoE结构，通过局部注意力和少量全局注意力结合，在长上下文场景下降低计算和显存压力。

多模态部分也不是简单外挂几个模型，文字、图像、视频和音频最终进入的是同一套模型体系，而不是多个彼此独立的模型拼在一起。

在推理速度上，MiMo-V2.6继续采用多Token预测机制。官方数据来看，它加入了5层SWA结构的MTP推测解码器，每次前向过程可以提出后续多个Token，再进行并行验证。

当然，小米自己也承认，MiMo-V2.6和目前顶尖的闭源模型依然有差距。不过如果按照性价比来看，MiMo-V2.6非常能打。

搜狐科技整理了目前主流的一些大模型的API价格。

搜狐科技制图，数据源自网络

“You Only RL Once”

DeepSeek R1已经证明，模型在经过足够的强化学习后，可以出现明显的推理能力跃升。但如果把问题继续往前推一步，就会遇到新的瓶颈。如果题目越来越复杂，模型需要执行越来越长的任务，训练就需要更多尝试；任务变得开放之后，过去简单的答对还是答错又开始不够用了。

MiMo-V2.6解决的就是这几个问题。小米在这次训练中同时扩大了三件事。

第一是训练本身的规模。每个RL Step使用1568个样本，每个样本可以进行16次尝试，单Step处理约27亿到37亿Token，最长上下文达到100万Token。因为不同任务的执行时间差异非常大，系统还需要让代码、通用Agent、视觉、网络安全等任务在同一轮训练中并行运行。

这看上去只是一个算力问题，但真正落地以后，很快会变成一个工程问题。

一个简单的数学任务几秒钟就能结束，一个Coding Agent可能要读完一个代码仓库、修改代码、运行测试，再根据报错重新修改，如果是一些游戏或者3D任务则可能需要更长时间。如果所有任务都按同一种节奏进入训练，快任务会不断等待慢任务，训练资源也很难被充分利用。

因此，小米在报告里花了相当大篇幅讲训练基础设施，包括异步训练、统一轨迹表示、高并发多框架Rollout，以及控制面和数据面的解耦。

第二是训练环境。MiMo-V2.6没有把强化学习限定在数学题或者代码题里，而是把代码、通用Agent、视觉和网络安全等任务混在一起训练。小米希望不同任务之间形成能力迁移，而不是让模型在一个孤立的Benchmark上取得局部提升。

第三件事是怎么给模型打分，这是这份技术报告最精华的地方。

传统强化学习最简单的一套反馈机制是二元的，通过测试就是正奖励，没通过就是负奖励。但Agent任务很容易出现另一种情况。两个程序都通过了测试，一个只改了十几行代码，解决了真正的问题；另一个虽然也通过，却十分冗长，甚至修改了任务范围之外的代码。从“通过”这个指标看，两者没有区别，但从实际工作质量看，完全不是一回事。

MiMo-V2.6因此加入了Groupwise Agentic Grading。它不再孤立评价一个答案，而是把同一道题的一组Rollout放在一起比较，让一个Agent式的评分器去判断解决方案的质量。

其中一部分工作叫Groupwise Reward Synthesis，简称GRS。它先离线从不同轨迹中提炼任务本身的评价标准，再结合测试结果给不同方案提供更细的奖励。

另一部分是Groupwise Advantage Redistribution，也就是GAR。GAR处理的是“大家都做对了以后怎么办”。

小米的做法，是把同一道题产生的多条通过轨迹放到一起比较，然后继续区分解决方案的质量，把更多正向训练信号给那些更精准、更简洁、更符合任务要求的方案。

如果奖励机制只要求“完成任务”，模型很容易找到一条看似有效、实际上并不理想的路线。技术报告中的消融实验显示，在没有GAR的情况下，模型的平均交互轮数和Token长度会快速上升，模型越来越倾向于用更长、更保守的方式完成代码任务，最终通过率的提升也会趋于停滞；加入组内质量评分以后，模型的提升可以继续维持更长时间。

也就是说，MiMo-V2.6真正扩大的一部分，并不是模型参数，而是“反馈系统”，模型可以继续生成更多答案，但只有更好的评分器，才能告诉它哪些答案值得继续学习。

按照技术报告的披露，仅评分器一项就约占MiMo-V2.6-Pro整轮RL成本的12.7%。这意味着，当强化学习进一步规模化以后，需要增加的并不仅仅是训练模型的GPU，还包括给模型做“裁判”的GPU。

报告中还分享了一些小米团队的探索，比如MiMo-V2.6在RL过程中如果继续更新Router，会出现越来越严重的专家负载倾斜：少数专家收到大量Token，大量专家逐渐“闲置”。技术报告给出的实验数据显示，20个Step之后，专家负载的变异系数从0.78上升到2.0，峰值负载从平均值的6倍上升到16倍，冷专家比例从0.5%增加到22%。研究团队随后恢复Router原始权重，负载很快恢复，模型性能并没有因此受到明显影响。于是，小米最终选择在RL阶段冻结MoE Router。

还有一个问题，是哪些任务可以一起训练。

小米这次并没有试图把所有东西塞进一轮RL。对于代码、通用Agent这类可以比较清晰地验证结果的任务，MiMo-V2.6采用MixRL，让多个任务共同进入主RL过程。但对于游戏、3D以及一些非常长、非常主观、很难自动判断对错的任务，小米选择单独训练，再用MOPD2把这些能力整合回主模型。

因此，MOPD2承担了一个“能力合并”的角色。它使用Multi-Prefix Multi-Teacher On-Policy Distillation，把不同来源的教师轨迹、SFT示范和模型自主Rollout重新组织，在关键决策位置训练模型，而不需要把整个前置过程重新生成一遍。

这也是小米首次比较明确地把MiMo-V2.6和RSI，也就是“递归自我改进”联系在一起。

另外，MiMo-V2.6公开的不只有两个模型。小米还同步开源了训练所使用的RL环境和框架，并释放了超过7000个训练环境，同时提供了一个更小的MiMo-V2.6-Distill-Qwen-9B模型，帮助研究者在更低成本下复现这套训练思路。

正如罗福莉所说，MiMo-V2.6只是开始。“在智能易于复制的时代，我们仍然选择通往自我改进和AGI的这条艰难之路。未来的大部分仍未知。但我们愿意继续投入所需的时间、计算资源和热情，一个接一个地面对棘手问题，并将它们彻底解决，直到智能跨越进入一个新范式。”

运营编辑 | 曹倩 审核｜孟莎莎