一句话说清

这是小米 MiMo 团队给 MiMo-V2.6 的强化学习（RL）训练开的一个「实时直播看板」。它不是模型发布页，也不是宣传页，而是把正在跑的训练任务的真实运行日志挂在公网上——花了多少钱、跑了多少 token、哪台机器挂了、某个数据集这轮通过了多少条，任何人都能随时刷新看。

页面的官方描述只有一句：Training metrics of the mimo-v2.6-pro and mimo-v2.6-flash reinforcement-learning runs, live from the trainer's logs.（两个 RL 训练任务的指标，直接从训练器的日志里流出来。）

背景：半年的沉默，一个问题

9 月 17 日，小米大模型负责人罗福莉（@_LuoFuli，前 DeepSeek）在 X 上发了一条推文。将近半年没有动静，她说团队把时间花在同一个问题上：

「强化学习到底还能扩多远？」

而这次给出的答案不是一篇论文，而是一场正在进行的直播。她说这轮训练主要在三个方向做了规模化：

• 算力：每步（step）约 20 亿 token，配置是 1568 条提示词 × 16 条 rollout，完全异步；
• 环境与 harness：多任务智能体 RL，一次训练里混跑多套 harness（评测/执行套件）；
• 打分算力：智能体组内信用分配（in-group credit assignment），奖励信号来自测试用例 + 评分细则（rubric）。

她同时表示，这套工程实现的细节会在未来几周分批开源。也就是说，现在先让你看过程，代码稍后再给。

页面怎么看：三个标签页

整个看板只有三个页签：

overview	两个 run 的状态卡片（进度、花费、token、样本数、在线得分），数据集来源分布，以及实时滚动的采样队列日志
metrics	训练曲线面板，约 2000+ 项监控指标，可切换 step / 时间轴、线性 / 对数坐标、是否平滑
about	项目背景说明

曲线里橙色是 mimo-v2.6-pro，蓝色是 mimo-v2.6-flash，下文配图沿用这套配色。

直播间里此刻在播什么

我写这篇文章时（2026-09-17 上午，UTC+8）从页面接口取了一份实时快照。这个页面是活的，数字一直在动，下面这些只代表那一瞬间：

指标	mimo-v2.6-pro	mimo-v2.6-flash
参数量（总 / 激活）	1T / 42B	309B / 15B
训练进度	已完成 12 步，第 13 步 rollout 中	已完成 17 步，第 18 步 rollout 中
累计算力开销	$813,947	$358,299
单步 token	2.33B	2.74B
累计 token	25.1B	40.5B
累计训练样本	301,056	426,496
累计沙箱数	1,645,220	5,178,352
硬件故障重启次数	5	2
dynsam/avg@n（相对第 1 步）	0.609（+0.044）	0.586（+0.072）
DeepSWE v1.1（avg@3）	63.72（第 10 步）	60.77（第 12 步）
折算每小时开销	约 $20,556	约 $10,278

两条曲线分别是两套模型每步的在线通过率和离线代码能力。注意 pro 的点更少——它的离线评测结果发布得比 flash 慢（页面通知里明确说会陆续补发）。

训练数据这边，单步 1586 条提示词里，代码任务占了将近七成：

花钱的效率上，两类模型的差距比绝对金额更值得看：

那些天书一样的指标，翻译成人话

metrics 页有两千多个指标名，其实核心就这些：

• dynsam/avg@n：dynamic sampler 的在线平均通过率，整轮训练最重要的一个数。系统按各数据集的实时通过率动态调整采样权重，数值越高说明模型越能做对；后面的「Δ vs step 1」是相对训练起点的净增益。
• rollouts：推演轨迹。Agent 和环境交互一次生成的完整序列，1568 × 16 就是每步 2.5 万条轨迹。
• harness：Agent 训练/评测套件，把环境执行、工具调用、结果打分整条链路封装起来。这次是「一次训练混跑多套 harness」，不再一个 run 只练一种任务。
• credit assignment：信用分配。一条几十步的轨迹最后只有一个奖励，哪一步该记功、哪一步该背锅，就是它在解决。
• rubric-based rewards：奖励不只来自测试用例跑没跑通，还有一份人工写的评分细则，用来给「写得对不对」这种事打软分。
• accepted / target：已接收样本 / 目标样本。你会看到 1344/1568 这种数，偶尔甚至超过 1568——那是超额采样，用来给异步流程留缓冲。
• partial / avg_staleness：全异步架构的专属指标。生成 rollout 的模型和正在更新的模型不是同一个版本，两者之间的时间差就是 staleness。它是这套架构换吞吐必须付的代价。
• actor / critic：PPO 的两个网络。actor 出策略，critic 估价值。配套的 pg_loss、entropy_loss 控制探索性和梯度，KL 则约束新旧策略别跑偏太远——防止训练崩掉。

真正稀罕的地方：不是发榜，是公开过程

大模型做 RL 训练，历来是各家最保密的部分。理由是现成的：算力成本敏感、方法还没定型、开源等于把作业给人抄。行业惯例是只开放结果——DeepSeek、Kimi、Qwen 基本都开源权重或发论文，但训练过程照样关着门。

小米这次反过来了：先公开过程，代码晚点再给。看板上甚至有一条系统通知，直白地写着 pro 的训练因为某个节点显存故障正在重启。换别家，这种事故是绝不会对外说的。

这种透明至少有三层价值：研究者第一次能实时看到 RL scaling 的真实动态，而不是事后看一条被修饰过的曲线；batch 级数据公开，等于把「训练到底扎不扎实」交给外面检验；再就是新鲜感本身——不少人说，光看着一个模型在训，就已经挺有意思了。

从这份快照里能读出什么

几点我觉得比数字本身更有意思：

• Flash 从 RL 里吃到的好处明显更多。dynsam 在线通过率从 0.514 涨到 0.586（+0.072），DeepSWE 从 48.67 涨到 60.77（+12.1 分）；而 pro 分别是 +0.044 和 +5.3 分。起点越高，RL 能往上推的空间越窄——这个规律在这个规模上依然成立。
• Pro 的单位算力成本是 Flash 的约 3.7 倍。pro 花了 $813,947 处理 25.1B token（约 $32.4/百万 token），flash 花 $358,299 处理 40.5B token（约 $8.8/百万 token）。Flash 用不到一半的钱，处理了 1.6 倍的 token。Agent RL 的成本随模型规模上升得非常陡。
• 代码任务是绝对主力，但不是全部。67.3% 是 code，剩下的是视觉 13.0%、通用 12.0%、网络安全 4.8%、对话 3.0%。一共 25 个数据源——单看一片多域混合，而不是只练写代码。
• 全异步是这轮工程的主线。rollout 和参数更新完全解耦，换来的是硬件利用率，代价是新出现的 staleness 指标需要盯着。这是 2026 年 Agent RL 的主流选择，但配套的漂移管控才是难点。
• 这轮训练已经烧掉约 117 万美元（pro + flash 合计，截至本文快照）。按页面自己的口径，这还只是已经跑完的步数产生的实际开销，后面的路还长。

值不值得跟

值得，但别急着看榜单——这个页面上没有任何 benchmark 之外的性能结论，也没有发布日期和参数细节之外的承诺。真正决定这轮实验成色的，是团队说的那几周之后分批放出来的工程细节。

如果你在做 Agent 或者后训练，建议重点盯三件事：多套 harness 怎么在同一个 run 里混跑、rubric 打分的奖励怎么和测试用例组合、以及异步带来的 staleness 怎么控。这三块，恰恰是现在公开资料最少的地方。

---

数据来源：mimo.xiaomi.com/rl 公开接口实时快照，采集时间 2026-09-17 10:30（UTC+8）；背景信息来自罗福莉 @_LuoFuli 的公开发言。页面是活的，数字随时在变，文中数值仅代表采集时刻。