小米的 MiMo-V2.6 开源届的新星

MiMo 是小米内部的基础模型计划，技术负责人为罗福莉（前 DeepSeek 研究员、前阿里达摩院）。V2.5-Pro 在 AA 指数上为 26 分，V2.6-Pro 一举到 46 分——小米官方口径为「较前代高出 20 分」。考虑到两者之间仅隔约一代，这个跨度在开源权重阵营里是反常的，主要来自 RL 算力的规模化投入而非架构换代。s-AIDeepT✻HiNk.cn

需要明确的边界：46 分是「开源权重模型中的最高分」，不是「全球最高分」。同榜单上 Claude Fable 5.1 与 GPT-6 Astra 均为 53 分，Claude Opus 5 为 51 分。

一、主要参数

该系列包含两个定位明确的原生全模态模型，均支持100万Token上下文窗口，可同时处理文本、图像、视频、音频输入：

• MiMo-V2.6-Pro‌： 旗舰级全模态模型，总参数量1.02万亿，激活参数420亿，面向复杂长程推理、高难度智能体任务，在AA综合智能指数中取得‌46分‌，超越Kimi K3、GLM-5.3，成为当前该榜单排名最高的开源权重模型，较前代V2.5-Pro的26分提升20分。
• MiMo-V2.6-Flash‌： 高效推理模型，总参数量3090亿，激活参数150亿，主打低延迟响应，性能全面超越上一代V2.5-Pro，适配高并发、低时延场景。

二、技术突破

本次升级未更换基座模型，完全通过规模化扩展强化学习（RL）算力实现性能跃升，核心技术创新集中在三个维度：

1. 算力规模扩展‌

单步训练Token量达3.5-3.7B，单次更新使用1568个样本，采用全异步并行架构，Pro与Flash双版本训练历时不到6天，各完成30步，累计生成约75万条训练轨迹，训练成本分别约262万美元与85万美元。

2. 多任务训练体系‌

构建覆盖Code、General、Visual、Cyber四大方向的多任务训练环境，支持单次运行混合多测试框架，大幅提升模型在软件工程、网络安全、视觉编码等场景的泛化能力。

3. 精准奖励机制‌

通过组内信用分配与大规模Grader算力，为长程RL任务提供更精准的奖励信号，解决复杂任务训练中奖励稀疏的痛点，长程软件工程评测基准DeepSWE v1.1得分较前代大幅提升。

三、开发经过

小米罕见地把「生产训练过程的失败日志」一并公开。RL 仪表盘从 9 月 15 日起实时外放了六天：

两条运行合计约 75 万条轨迹、约 75.3 万训练样本、合计账单约 347 万美元，均在六天内结束。

公开日志中的故障记录包括：

• Pro 在第 17 步因「专家负载不均衡导致 GPU OOM」重启，调整了训练并行策略；
• Pro 训练集群与 grader 部署之间出现网络连通问题，重启后移除了 cyber 数据集，因为「在 rollout 日志中观察到一些坏模式」；
• Pro 因单节点显存问题再次重启；
• Flash 在第 15 步重启，原因是某一数据集上的基础设施错误约三小时未被检测到。

这部分信息的价值高于跑分本身。过去业界公开的 RL 训练叙事几乎都是平滑曲线，工程团队真正关心的 OOM、专家负载漂移、grader 与 trainer 的网络边界问题，此前只能靠自己踩坑获得。小米把这部分当作发布物料，客观上降低了其他团队复现大规模 Agentic RL 的试错成本。s-AIDeepT✻HiNk.cn

四、技术原理或方法

RL 算力的三个扩展维度：

1. 更大的 Batch 与更高吞吐

全异步架构，单次更新 1,568 个样本，支持 1M 上下文长度训练，单步训练 token 达 2.7–3.7B。

2. 更多任务与复杂环境

覆盖 Code、General、Visual、Cyber 的多任务训练体系，并混合多个 Harness（Multi-Harness Training），提升在未见框架上的泛化。

3. 更大的 Grader 算力

通过 Group 内相对比较，为长程 RL 任务提供更精准的奖励信号——不只是判断「做没做对」，而是对「做对了的多条路径」排序，把奖励向更短路径、更少 token 的轨迹倾斜。

稳定性措施（这部分是工程上真正的门槛）

• 训练规模扩大后冻结 MoE Router，抑制专家负载漂移；
• 建立覆盖奖励设计、对抗性评测、异常检测与验证器交叉校验的 Reward Hacking 防线；
• 统一轨迹表示与惩罚机制以细化学习信号；控制面与数据面解耦以支持海量轨迹迁移；混合批次中稳定各任务样本配比；对齐训练与推理引擎的一致性。

五、完整开源内容

开源内容：小米不仅开放两个主模型的权重与技术报告，还同步释放了：完整的技术报告、训练环境与 RL 代码、7k+ 高质量 RL 任务环境（软件工程、漏洞复现、知识型工作、网页设计开发四类）、端到端 RL 训练框架（基于 verl / uni-agent / mini-swe-agent）、轻量可组合的 mini-harnesses。s-AIDeepT✻HiNk.cn

• 7000+高质量RL任务环境，覆盖软件工程、漏洞复现、知识型工作、网页设计开发四类智能体任务；
• 端到端RL训练框架，基于verl、uni-agent和mini-swe-agent构建，覆盖环境交互、轨迹采集、奖励评估与策略优化全流程；
• 轻量可组合的训练组件，将系统提示、工具与上下文管理解耦，支持社区自由组合配置，探索新的训练方向；
• 开源轻量化蒸馏模型MiMo-V2.6-Distill-Qwen-9B，在11项核心评测中全面超越SFT基线，其中SWE-bench Verified从61.1提升至66.2。

结论：MiMo-V2.6-Pro 把「开源权重 × 46 分 × MIT × $0.13/任务」这个组合第一次推到了帕累托前沿上，但它与 53 分的闭源旗舰之间仍有 7 分的绝对差距。这个差距在简单的代码补全任务上可能不重要，在长程、高不确定性的 Agent 任务上仍然是决定性的。s-AIDeepT✻HiNk.cn

六、定价与配套产品

该系列沿用V2.5的API定价策略，性价比优势显著：

• Flash版本：每百万Token输入1元、输出2元；Pro版本：每百万Token输入3元、输出6元，同时提供99%缓存折扣，同等智能水平下使用成本仅为海外主流模型的1/20至1/60。
• 同步上线MiMo Desktop桌面客户端（支持Windows与Mac），Pro版本新增UltraSpeed超高速模式，最高可实现约20倍的输出速度提升。s-AIDeepT✻HiNk.cn

定价（每百万 token，与 V2.5 持平）

对使用方的实际含义：如果 workloads 是对延迟不敏感的批处理，用标准 Pro；如果是对响应速度敏感的实时交互，UltraSpeed 的输入价格是标准的 10 倍，需要按任务价值算账，而不是默认切换。

七、应用场景与案例

1. 从 Vibe Coding 到 Vibe World（3D 空间推理 + CUA）

• 3D 开放世界游戏：输入图片/视频/文字后，模型拆解为多任务，多智能体协作完成 3D 场景搭建、交互逻辑编写与视觉验证，并根据渲染结果迭代修正。
• Blender 3D 建模：按文字描述或参考图生成可用于动画、3D 打印、游戏开发的资产。
• 具身智能：在具身仿真中直接以多视角相机画面为输入，通过视觉反馈闭环控制 Franka Panda 机械臂完成抓取、颜色匹配与精准放置。
• Computer Use：理解复杂 GUI，使用办公与生产力工具完成检索、编辑、数据处理，并根据视觉反馈自查与调整。

2. 科研

• 材料 Co-Scientist：协助小米前沿材料团队提出数种 MOF（金属有机框架）材料设计方案，目标是吸附 PFAS（全氟和多氟烷基物质，「永久性污染物」）。模型检索梳理文献与专利、提出假设、评估新颖性，随后调用开源计算工具自动搭建模拟环境、计算 MOF 与 PFAS 的结合强度并筛选候选，供湿实验验证。s-AIDeepT✻HiNk.cn
• 形式化数学：在 Lean 4 中完成 Li–Yorke 经典论文《周期三蕴含混沌》原始主定理的完整形式化，最终形成 6000 余行 Lean 源码，完整证明通过 Lean 内核核验，无未完成证明占位。注意：模型未接受过针对 Lean 的专项后训练。

3. 内容创作

前端网页、Figma 设计稿、幻灯片、SVG、视频、音乐；端到端视频创作（视觉设计、镜头与动效编排、配乐合成、节奏卡点）；调用 MiMo-V2.5-TTS 合成旁白并与画面对齐；创作含约十种乐器的管弦乐作品并自主转换为 MIDI。Design Arena 上 Pro 与 Claude Opus 5、GPT-5.6 Sol 接近。

操作建议：如果是自托管场景，Pro 需要多机多卡（小米建议用 SGLang 或 vLLM 的特定张量并行配置），Flash 与 9B Distill 是更现实的入门点。9B Distill + 7k RL 任务环境 + 端到端框架这套组合，对想做垂直 Agent 微调的团队来说，价值可能高于 Pro 权重本身。s-AIDeepT✻HiNk.cn