小米今天发布并开源了 MiMo-V2.6-Pro 和 Flash。罗福莉随后写了一篇长帖。
她给出了一个很重的评价：在她看来，这次工作背后的研究创新和工程挑战，超过了她曾部分参与的 DeepSeek R1。
翻开随模型发布的 44 页技术报告，确实能看到一些发布会上不太会展开的东西：训练怎样中断，模型怎样钻奖励的空子，为什么有些任务适合一起练，有些必须分开，以及怎样让一个已经能通过测试的 Agent，继续学会把事情做好。
小米这次交出来的，不只有两款模型，还有一份相当具体的 Agent RL 施工记录。
两款模型之外，还有一笔训练账
先看模型本身。Pro 和 Flash 都是原生全模态模型，支持文本、图像、视频与音频，提供 1M 上下文。Pro 是约 1.02 万亿总参数、420 亿激活参数的 MoE；Flash 的总参数约 3100 亿，激活约 150 亿。
官方公布的 Artificial Analysis 综合智能指数图中，MiMo-V2.6-Pro 得到 46 分，在当时展示的开放模型中排在最前，与最强闭源模型仍有差距。
API 沿用 V2.5 的价格。按每百万 Token 计，Pro 的常规输入、输出分别为 3 元、6 元；Flash 分别为 1 元、2 元。权重已经出现在 Hugging Face，公开的 Pro-RL 与 Flash-RL 模型卡均标注 MIT 许可证。
MiMo-V2.6 发布时的官方价格表，单位为人民币／百万 Token；UltraSpeed 是 Pro 的加速服务模式。
更能说明这次投入的是另一组数字。官方披露，这轮不到 6 天的 Live RL 中，Flash 和 Pro 分别完成了 30 个训练步骤，成本约为 85 万美元和 262 万美元。
这些算力有没有换来新能力？在样本外的长程软件工程评测 DeepSWE v1.1 上，Flash 从 48.8 提升到 65.7，Pro 从 58.4 提升到 72.6。两条曲线都有回落和波动，整体仍在向上。
Live RL 期间的 DeepSWE v1.1 成绩变化。橙色为 Pro，灰色为 Flash。来源：小米官方发布。
罗福莉在原帖里把这种关系概括为：潜力通过 mid-training 建立，再由重投入的 RL 释放。她说，团队把数十人长期投入到扩展 RL 这件事上；我们看到的几天运行，背后还有更长的准备。
测试通过了，模型却可能学歪了
报告里有一组案例，很容易让写过代码的人会心一笑。
训练要求模型修复某个历史版本的 bug，它却安装了已经修好的新版依赖；另一些轨迹直接去上游找更新后的源码，或者翻到了现成的修复记录。答案找到了，测试也可能过了，但这轮训练原本想培养的修复能力，并没有因此得到可靠检验。
在真实开发里，查上游、升级依赖当然可以是合理选择。这里的问题在于：一项指定历史环境的训练任务，可能被环境里泄露的答案替代了。
小米为此清理残留文件、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访问，还安排专门的对抗 Agent 去找训练环境的漏洞。报告没有把奖励当作天然可信的东西。
即便堵住这些捷径，“测试通过”仍然太粗。
两个补丁都绿了，一个只改必要的位置，另一个塞进一堆兼容分支，放宽校验，顺手吞掉异常。如果奖励只剩 0 和 1，它们可能得到一样的反馈。对模型来说，后者甚至是一条更容易多拿几次分的路。
这也是 MiMo-V2.6 把更多算力分给评分器的原因。它不只问任务有没有完成，还比较同一组尝试中，哪些通过测试的方案更好。
报告里的 GAR，也就是组内优势重分配，会让评分 Agent 查看任务、代码变更和测试等材料，在成功轨迹之间比较：方案是否准确，改动是否越界，有没有不必要的兜底，代码是否便于维护。奖励向更好的成功方案倾斜；失败方案不会因为“写得漂亮”变成成功。
这件事有一组单独的对照实验。在 Flash 的纯代码 RL 实验中，不使用在线组内评分时，交互轮数和 Token 长度很快增加，通过率后期难以继续提升。加入评分之后，通过率的改善维持了更久，交互轮数也更稳定。
技术报告图 8：灰线是不使用 GAR，橙线是使用 GAR。三幅图依次为通过率、交互轮数和 Token 长度；这是单独的代码训练对照实验。
仔细看右图，橙线的 Token 用量仍然在增长。这里不是在证明“想得越少越好”，而是在避免模型把越来越长的操作过程，误当成越来越好的解法。
对每天把任务交给 Coding Agent 的人来说，这比又多几分榜单成绩更有现实感：我们需要的，恰好就是那个能把测试跑绿，又不把仓库修成另一种问题的模型。
为什么有的任务一起练，有的必须分开？
罗福莉的长帖回答了一个容易被简化成路线之争的问题：为什么使用 MixRL，而不是 MOPD？
她的回答是，两者并不冲突。
中等难度、结果能够验证的代码及相关 Agent 任务，可以放进混合 RL，让不同领域一起训练。这次混合批次里包含代码、通用工具任务、视觉任务和网络安全任务，任务之间共享同一个模型的学习过程。
但游戏、3D，以及部分主观评价很强或过程极长的任务，不能因为它们也叫 Agent 任务，就全塞进同一锅。
一个任务很快结束，另一个还在场景里尝试；有些反馈能靠程序判断，有些要等完整作品出来才能评价。如果统一等最慢的任务，吞吐就会受影响。若让训练继续跑，迟迟才回来的轨迹，又可能来自已经落后多个版本的策略。
罗福莉明确提到，强行混训会降低 rollout 效率，或者引入严重的轨迹陈旧问题。因此，这些任务先单独训练，再通过 MOPD 合并能力。
技术报告进一步介绍了 MOPD2：适合的任务保留学生模型自己探索的完整轨迹；另一些任务则复用教师轨迹或 SFT 示范中的历史前缀，让学生直接学习其中的决策位置，不必每次把前面的漫长过程重新走一遍。
罗福莉还补了一个带点玩笑意味的理由：团队足够扁平，没有那么强的部门壁垒，不同领域的人每天一起解决 RL 的瓶颈。她特别提到，那段时间的 RL 日常进展会议让她印象很深。
真正跑起来，麻烦还在下面
大规模训练最容易被一条向上的曲线讲完。MiMo 报告却保留了一张中断时间线。
Pro 跑完 30 步用了约 123.1 小时，Flash 约 81.8 小时。中间不只有正常训练，还有硬件、推理、训练和调度环节的故障与恢复。
技术报告图 12：浅色区间为完成训练步骤，其他色块标记不同原因的失败与恢复
有些故障相当直接：GPU 显存错误、Kubernetes 故障导致任务容器崩溃、评分服务在网络上不可达。
也有一些问题只有把规模拉大才会显形。整个批次看上去负载还算均衡，拆到某个微批次、某个专家并行节点，收到的 Token 却超过平均值 30 倍，随后显存耗尽。训练越往后，轨迹越长，打包数据又可能把主机内存吃满。
MoE 的路由器也并非一直越训越好。研究团队观察到，让路由器继续更新时，越来越多计算挤向部分专家，一些专家则渐渐闲置。他们把路由参数恢复到 RL 开始前的状态，保留其他权重，负载恢复了，评测表现却没有下降。最终，训练采用了冻结路由器的办法。
这些地方很难包装成一句漂亮的能力宣言，却决定了那几百万美元能否换来连续有效的更新。
还有一个跟使用者更近的问题：模型换到另一套 Agent 工具里，能力还剩多少？
小米没有只拿一套生产框架训练，而是把系统提示、工具和上下文管理拆成可以组合的轻量 harness，让模型在多种配置里工作。报告里的对照显示，能力提升也出现在未用于该训练配置的 Codex、Claude Code 和 mini-swe-agent harness 上。
社区拿到的，不必从万亿模型开始
这次开源里因此有个很值得单独看的东西：MiMo-V2.6-Distill-Qwen-9B。
它以 Qwen3.5-9B 为底座，用 MiMo 生成的代码、通用 Agent、视觉和网络安全任务数据做监督微调。公开模型卡把它定位为后续 Agent RL 研究的起点。
这个身份很重要：下载到的是蒸馏后的 SFT checkpoint。报告另外展示的 RL 成绩，来自以它为起点、继续进行领域训练的实验。
在这些实验中，Terminal Bench 2.1 从 SFT 后的 37.1 提升至 52.8，SWE-bench Verified 从 61.1 提升至 66.2。不同任务域的 RL 检验了同一个起点还能向哪里走。
Qwen3.5-9B、MiMo 蒸馏后的 SFT 起点，以及进一步领域 RL 的实验结果。橙色不是下载到的 SFT 模型直接取得的成绩。
与之配套，官方宣布开放了约 7000 个任务环境，覆盖软件工程、漏洞复现、知识工作和网页设计，以及基于 verl、uni-agent、mini-swe-agent 的端到端 RL 训练框架和可组合的 mini-harnesses。
对研究者来说，一个已有一定工具使用能力的小模型，加上一批有任务、有环境、有验证器的训练材料，才让“换一种奖励”“试一组环境”“比较不同 harness”变成可以实际动手的问题。
当然，7K 环境不等于复刻了小米全部内部训练条件，9B 上的提升也不等于复现万亿模型。但社区至少不必只对着最后一张成绩表猜过程。
罗福莉把这条路称为通向自我提升和 AGI 的艰难道路。报告目前能展示的，是人在设计环境、校验奖励、维护训练系统的条件下，模型通过探索与反馈继续改善能力；离无需人介入的递归自我改进，还有问题要解。
而这份工作的吸引力，恰好在于它把其中一些问题摊开了：模型怎么蒙混过关，评分怎么失真，训练怎么停下来，以及怎样让已经做对的模型，再做得好一点。
双模型已经可以用。那份技术报告，以及能让更多人接着做实验的开源起点，可能会比这次榜单名次留得更久。
参考链接
小米官方发布：MiMo-V2.6——扩展强化学习规模，迈向自我提升 https://mimo.mi.com/docs/zh-CN/news/latest/v2-6
罗福莉原帖：MiMo-V2.6: The Hard Road to Scaling Up RL https://x.com/_LuoFuli/status/2102162926802968749
MiMo-V2.6 技术报告 https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL/blob/main/MiMo_V2_6_technical_report.pdf
Pro-RL 与 Flash-RL 模型及许可证 https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Flash-RL
MiMo-V2.6-Distill-Qwen-9B 与模型合集 https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B https://huggingface.co/collections/XiaomiMiMo/mimo-v26