9月17日消息，小米上线了 MiMo-V2.6 的强化学习训练公开页，把 mimo-v2.6-pro 和 mimo-v2.6-flash 两个训练 run 的花费、单步 token 数、通过率曲线和节点故障记录挂在网页上。页面从9月16日12时开始推流，两个 run 处于训练中，页面对 MiMo-V2.6 系列的描述是 coming soon。
公开页按步更新成本、曲线和故障
Pro run 的起点是9月15日18时32分，Flash 的起点是当晚23时16分。截至9月17日上午，Pro 完成 12 个训练步，Flash 完成 17 个。
每步采样 1568 个 prompt，每个 prompt 生成 16 条 rollout，合计 25088 条轨迹。小米 MiMo 团队负责人罗福莉在 X 上说，单步 token 的量级是 20 亿。公开页记录的单步 token 数落在 17.9 亿至 28.1 亿的区间，Pro 第 12 步为 23.28 亿，Flash 第 14 步为 28.05 亿。
花费以每秒速率给出。Pro 每秒 5.71 美元，Flash 每秒 2.855 美元。Pro 累计 80.1 万美元，Flash 累计 35.2 万美元，两者相加 115.2 万美元，折算成小时是 3.08 万美元。
中断记录出现在页面上。Pro 重启 5 次，Flash 重启 1 次，其中一条通知写明 Pro 因一个节点的显存问题重启。
进度字段显示生成、判分和训练处于并行状态。Pro 第 13 步接收 712 个 prompt，其中 693 个完成判分，目标为 1568 个。公开页对 avg_staleness 的说明是采样与训练之间相隔的策略版本数，同一步内存在等待判分的样本与推进中的训练。
小米把扩展拆成算力、环境与 harness、评分算力
算力一项对应每步 20 亿 token、1568 个 prompt 乘 16 条 rollout，以及异步执行的方式。异步的代价写在页面字段里：不同样本的采样时刻与训练时刻相隔数个策略版本。
环境一项是多任务 agentic RL。公开页按数据源把 prompt 分成 code、general、cyber、visual、chat 五组，并设 harness 维度按 rollout 统计。同一次 run 里的任务运行在不同执行框架中，编程类任务可以开终端、改代码、跑测试、读报错，视觉类任务面对另一套工具和成功条件。页面上任务用匿名数据集编号标注，具体任务名与 harness 名目前属于未公开项。
评分一项是 agentic in-group credit assignment，奖励来自测试用例与评分标准。罗福莉用的说法是 grader compute，即为打分环节投入算力。算法细节留待后续公开。
罗福莉说，相关细节会在未来几周公开。上一代 MiMo-V2.5 系列的路径类似：今年4月23日开启公测，之后以 MIT 协议开放权重。
通过率在涨，训练内指标不等于排名
页面头条指标是 dynsam/avg@n。按公开页的定义，对每一步采样的每个 prompt，统计其 n 次尝试中成功的比例，并对 prompt 求平均。
Pro 在第 1 步为 0.5647，第 11 步升到 0.6142，第 12 步回落到 0.6088。Flash 从第 1 步的 0.5137 升到第 16 步的 0.6025，第 17 步回落到 0.5857。两条曲线在上升过程中出现回落。
两个 run 的步数不同，比较要按步对齐。第 12 步上，Pro 为 0.6088，Flash 为 0.5770，差距从第 1 步的 0.051 收窄到 0.032。
这个指标的来源是训练集，属于训练内统计。页面上的第二类指标是 DeepSWE v1.1 的离线结果，备注写明 mini-swe-agent 与 avg@3：Pro 第 10 步 63.72，Flash 第 12 步 60.77。
分数受 harness 影响，对照前需要交代口径。DeepSeek V4.1 Flash 在 DeepSWE v1.1 上得 74.2，这是 mini-SWE 口径，据 OrcaRouter 汇总的 Datacurve Pass@1 榜，74.2 排第二，排在首位的 Muse Spark 1.3 为 75.40。同一份汇总引 DeepSeek 自己的数据说明，同一个模型换成别的 harness，分数从 74.2 掉到 65.5，跨度 8.7 分。63.72 与 74.2 的对照因此有前提：小米的分数是 avg@3，DeepSeek 的是 Pass@1，两个数字的口径不同，直接相减会失真。 公开字段引出的技术取舍
公开页放出了 2019 项指标标签。critic 一族覆盖 advantages、returns 和 score，partial/avg_staleness 记录采样与训练之间相隔的策略版本数。
这两类字段对应训练方法上的选择。8月17日挂上 arXiv 的论文 Le Critique 讨论过同一组问题：group-relative 方法靠一个 prompt 采样多条 rollout 降低梯度方差，代价是信用落到序列一级，掉队的 rollout 会阻塞训练，吞吐下降、策略偏离加大。学习价值函数在理论上覆盖这两个问题，代价是额外的工程复杂度与推理开销，论文因此提出 PVF 与 TETHER 两种改法。
指标名说明不了实现方式，公开页给出的字段不含消融数据。
预算怎么切分，是公开页留下的另一个问题。同一份预算下，扩 prompt 数、扩每个 prompt 的 rollout 数、扩评分算力服务的目标不同；页面给出的配置是 1568 乘 16，其他配置的对照结果属于未公开项。
这次公开的是训练过程本身
小米这次公开的对象是训练过程本身。权重、代码或数据集的开放此前出现过多次，这次挂上网的是成本斜率、通过率曲线、重启次数和判分进度，这类内容过去留在训练日志里。
对做同类 agentic RL 的团队，公开页提供了可以对照的工程量级：单步 20 亿 token，上千个 prompt，每个 prompt 16 条轨迹，页面给出的单步耗时预期是 9063 秒，花费按秒计。这些数字出自厂商自己的页面，属于自报口径。
训练中断与节点故障被写进对外内容，外部能看到这类系统的稳定性侧面。5 次重启带来的算力损失，以及重启对通过率曲线的影响，属于未披露项。
这些数字推不出 MiMo-V2.6 的能力水平。通过率是训练集内指标，DeepSWE 分数来自单 harness 与少步数，两者随训练继续变化。罗福莉所说的扩展极限，是这次训练要回答的问题，当前页面上的数字覆盖的是训练进度。
AI 速览
