小米公开MiMo-V2.6的Flash与Pro两款模型强化学习训练过程，36小时花费超108万美元；罗福莉称过去半年只研究了一件事：强化学习能扩展到多远。
AI解读：小米这次把强化学习训练的全过程放到网页上直播：花了多少钱、跑多少步、奖励曲线变化、哪个节点显卡故障，都能查。训练1天多，两款模型已经烧掉超过108万美元，平均每小时3万美元。
真正值得看的不是烧钱，而是小米选择公开一条路线：预训练Scaling靠数据、参数和算力，强化学习能不能用同样思路扩大规模。罗福莉给出的答案是从训练计算量、环境与执行框架、评分计算量三个方向同时扩展。
对做Agent和强化学习的人来说，公布的细节比“直播”更有用：每个Step约处理20亿Token，1568个Prompt×16条Rollout，系统完全异步执行，代码、通用、视觉、Chat任务可混在同一次RL Run里训练。
评分环节是容易被忽略的成本大头。Agent一条轨迹可能走几十步，最后只给一句成败，模型很难知道哪一步有用；小米提到Agentic In-group Credit Assignment，但没有公布具体算法。
围观者目前能拿到的效果有限：Pro的dynsam/avg@n从约0.565升到0.614，Flash从约0.514升到0.603；DeepSWE v1.1离线评测中Pro和Flash分别为62.24和60.77，对比DeepSeek-Flash v1.1的74.2%。训练还在初期，Pro因为单Step更慢，最新评分尚未更新。
小米新模型的强化学习训练被放到了网页上直播。2026年9月17日，量子位报道称，在该页面上，训练花了多少钱、跑了多少步、奖励曲线涨没涨、哪个节点的显卡出了故障，全部公开可查。
从Pro模型开始训练算起36小时，两款模型已花超过108万美元，平均每小时3万美元。报道形容，一眨眼就是10美元，一分钟就是4000多元人民币。
自4月开源MiMo-v2.5后，小米沉默了近半年。负责人罗福莉出面解释，这期间只研究了一件事：强化学习能扩展到多远。
目前MiMo-V2.6的Flash和Pro两款模型仍在训练初期，刚开始1天多一点。报道称，两者在RL过程中都已经出现比较明显的能力提升：Pro的dynsam/avg@n从第1步的约0.565提升至0.614，Flash则从约0.514提升至0.603；最新公开的DeepSWE v1.1离线评测中，Pro和Flash分别达到62.24和60.77，对比DeepSeek-Flash v1.1为74.2%。Flash从更低的起点快速追近，Pro目前只保持小幅领先；不过Pro训练完一个Step更慢，所以最新的评分还没出来。
小米沿三个维度扩展强化学习
报道称，传统预训练scaling的逻辑是更多数据×更多参数×更多算力→更强模型；现在前沿模型越来越关注RL能不能也这样scaling，也就是持续增加每轮生成多少轨迹、模型面对多少种真实任务环境、为判断这些轨迹好不好投入多少计算，模型能力是否还能持续提高。
小米给出的答案是沿三个维度扩展：训练计算量、环境/执行框架、评分计算量。
每个Step约20亿Token，系统完全异步
第一个维度是把RL本身的计算规模做大。MiMo-V2.6系列每个训练Step大约处理20亿Token，配置为1568个Prompt×每个Prompt 16条Rollout，也就是同一道题让模型尝试多条不同的解题和行动轨迹，再从这些尝试中获得强化学习信号。1568×16意味着一轮可能产生超过2.5万条Rollout。
对于Agent任务，一条Rollout远不只是一问一答：模型可能要经历几十轮思考、工具调用、环境反馈和再次行动，因此一个Step的Token数可以达到数十亿级别。
更重要的是，整个系统采用了Fully Async，也就是完全异步执行。传统RL训练像一条整齐的流水线：先把所有样本生成完，再统一评分，然后训练模型，最后开始下一轮；在大规模Agent RL里很难这样等待。在MiMo系统中，不同任务可以同时处于不同阶段：有的Agent还在环境中执行任务，有的已完成等待判分，有的正在计算Reward，还有新任务正在进入系统。生成、执行、评分和训练不再严格排队，而是组成一套持续运转的异步流水线。
环境与评分同时扩展
第二个扩展方向是Environments and Harnesses，即训练环境和执行框架的扩展。MiMo-V2.6做的是Multi-task Agentic RL：代码、通用任务、视觉、Chat等不同类型的任务，可以被混合到同一次RL Run中训练，而且这些任务还可以运行在不同的Harness里。报道举例说，一个编程Agent的Harness可能允许模型打开终端、修改代码、执行测试、阅读报错，然后继续修改；另一个视觉Agent面对的可能是完全不同的工具、环境反馈和成功条件。MiMo想扩展的除了题目数量，还有模型能够进入多少种环境、使用多少种工具、解决多少种类型的问题。直播页面专门展示Batch Composition，实际上是在告诉外界，每一个训练Step中，模型正在从什么样的任务和环境里获取经验。
第三个方向是Grader Compute，也就是给打分本身增加算力。强化学习需要奖励，但复杂Agent任务的奖励不像数学选择题那样容易得到。代码任务还可以运行Test Case，100个测试通过了多少个，可以形成相对客观的反馈；但面对更开放的Agent任务，仅仅判断最终成功还是失败往往远远不够，负责判断模型做得好不好的评分者，同样开始消耗越来越多计算资源。
报道还提到Credit Assignment（信用分配）问题：假设一个Agent为完成任务连续执行40步——搜索资料、打开网页、阅读信息、编写代码、运行测试、发现错误、修改代码，最终成功完成任务，系统最后只告诉模型“成功，Reward=1”，这个学习信号非常粗糙，因为模型不知道前面的40步中哪些动作真正帮助了成功、哪些步骤毫无必要、哪一次修改扭转了整个任务，又有哪些动作虽然最后没有导致失败却实际上是不好的选择。MiMo在这次训练中特别提到了Agentic In-group Credit Assignment。报道称目前还没有公布具体算法，但结合同一个Prompt生成16条Rollout的训练方式，可以理解其基本目标是利用同组多条Agent轨迹及其结果，获得比简单的最终成败更加细致的强化学习信号。
三个方向构成一套体系
报道总结称，MiMo所说的三个Scaling方向实际上构成一套完整体系：扩展计算量，让模型产生更多经验；扩展环境和Harness，让模型获得更加多样的经验；更多评分计算量，则负责从这些海量经验中提取更加准确的学习信号。
报道还提到，前来围观的一位ViT大佬给出更直接的翻译：三件事，背后都是算力。