小米近期开启了一场极具话题性的直播：公开其MiMo-V2.6模型强化学习训练的全过程。打开页面，与其说是技术现场，不如说是一场“烧钱”秀。数据触目惊心：每分钟消耗约4000元人民币，36小时内两款模型已烧掉超过108万美元，平均每小时高达3万美元。若换作其他公司，这场景恐被调侃为“误闯天家”，但小米却坦然面对，将其称为“误闯米家”。页面实时公开训练成本、步数、奖励曲线变化及硬件故障信息，这种对训练过程的透明化操作极为罕见，引得围观群众纷纷叫好。
目前，MiMo-V2.6的Flash和Pro两个版本正处于初期训练阶段（约1天）。尽管如此，性能已现端倪：Pro的dynsam/avg@n指标从初期的0.565提升至0.614，Flash则从0.514升至0.603。在DeepSWE v1.1离线评测中，Pro与Flash分别取得了62.24和60.77的分数，虽然仍落后于DeepSeek-Flash v1.1的74.2%，但Flash凭借较低的起点实现了快速追赶，而Pro目前仅小幅领先，且因单步训练耗时较长，最新评分尚未出炉。
自今年4月开源MiMo-v2.5以来，小米团队已沉寂近半年。近日，负责人罗福莉透露，这期间团队专注于攻克一个核心问题：强化学习的扩展边界究竟有多远。传统预训练的Scaling Law（扩展法则）早已成熟，即“更多数据×更多参数×更多算力=更强模型”。如今，业界前沿模型正试图将这一逻辑复刻至强化学习领域，即通过增加轨迹生成量、丰富任务环境、加大评分计算投入，来持续提升模型能力。小米对此给出的答案是，将在三个维度上进行扩展：训练计算量、环境与执行框架、以及评分计算量。
第一个维度是计算量的扩展。MiMo-V2.6在单步训练中处理约20亿Token，具体配置为1568个Prompt，每个Prompt生成16条Rollout。这意味着模型对同一问题会进行多次尝试，而非单一回答，单轮即可产生超过2.5万条轨迹。对于Agent任务，一条Rollout往往包含数十轮交互，涉及思考、工具调用及环境反馈，使得单个Step的Token数可达数十亿。更关键的是，系统采用了“完全异步”执行模式。不同于传统流水线必须等样本全部生成后再评分，MiMo实现了生成、执行、评分和训练的无缝衔接。不同任务可同时处于不同阶段：有的在执行，有的在等待判分，有的在计算奖励，形成持续运转的异步流水线。
第二个维度是环境的扩展，涵盖训练环境与执行框架。MiMo-V2.6致力于多任务Agent强化学习，将代码、通用任务、视觉、对话等不同类型任务混合在同一轮次中训练。每种任务可能运行在特定的Harness（执行框架）上。例如，编程Agent的Harness允许其操作终端、修改代码并运行测试；而视觉Agent则可能拥有另一套工具集和交互逻辑。因此，MiMo的扩展不仅在于增加“题目数量”，更在于丰富模型接触的环境类型、工具种类及问题解决方式。直播页面中的“Batch Composition”栏目，正是实时展示模型在每一步训练中从何种环境与任务中汲取经验。
第三个维度是评分计算的扩展，即增加给分所需的算力。复杂Agent任务的奖励机制远非选择题般简单，代码任务可通过运行测试用例获得客观反馈，但在开放性任务中，仅判断“最终成败”往往不够。此外，更关键的是“信用分配”问题。若Agent完成40步操作才成功，仅告知“Reward=1”过于粗糙，模型无法分辨是哪一步起决定性作用。MiMo提出了“Agentic In-group Credit Assignment”，旨在利用同组多条轨迹的对比，更细致地判断哪些行为应获奖励、哪些应受惩罚，从而生成更精准的学习信号。至此，MiMo的三大扩展方向形成闭环：通过扩展计算量增加经验数量，通过扩展环境丰富经验类型，通过增强评分计算提升经验质量。面对“能否将RL循环也变为可规模化机器”的质问，围观者ViT大佬给出了直白的总结：这三件事，归根结底都是算力。