文丨晓静

编辑丨徐青阳

" 沉寂近半年后，我们一直在死磕一个问题：到底强化学习可以扩展到什么程度。"

9 月 17 日凌晨，罗福莉在社交媒体 X 上公布小米 MiMo-V2.6 的训练细节，并随帖发布了两款模型的训练数据实时看板，向用户 " 直播 "MiMo-V2.6-Pro 和 MiMo-V2.6-Flash 的训练步数、Token 消耗、任务通过率、评测成绩和累计费用。

官方说明，数据直接来自训练日志，且模型仍在训练，新系列即将推出。

按页面设定的费用速率计算，两轮训练合计每小时约 3.08 万美元。用户既能看到成绩上涨，也能看到分数回落、训练重启，以及 GPU 显存问题。

Jina AI 创始人 Han Xiao 称赞公开训练流程的大胆与开放。" 应该把这张动图发给 CFO。"

2025 年 12 月 17 日，MiMo-V2-Flash 上线后，罗福莉专门写了一篇技术说明，讨论混合滑动窗口注意力、多 Token 预测以及多教师在线策略蒸馏。

她解释，团队选择混合滑动窗口注意力，一方面考虑长上下文推理表现，另一方面考虑缓存与现有基础设施的适配。

谈到多 Token 预测时，她特别强调这项技术对高效强化学习的潜力：加快生成，有助于减少小批量训练中长尾样本带来的 GPU 等待。

当时，罗福莉就表示，受时间限制尚未把这项优化放进那轮强化学习训练。

关于后训练，MiMo-V2-Flash 当时采用多教师在线策略蒸馏，将不同领域模型的能力整合到一个模型中。官方技术材料还介绍了大规模代码 Agent 训练环境，以及针对 MoE 训练、推理一致性的优化。

到今年 4 月，罗福莉把讨论推进到了 Agent 的运行方式与商业成本。

4 月 6 日，在一篇长帖中，罗福莉分析了第三方 Harness 的资源消耗。她认为，低价值工具调用和反复携带长上下文，会推高成本；单纯压低 Token 售价，无法解决用户花了钱却仍然完不成任务的问题，因而主张让更节省 Token 的 Harness 与更强、更高效的模型共同演进。

这也解释了小米随后对代码工具的投入。

6 月 11 日，罗福莉宣布开源 MiMo Code，并表示，模型演进需要可靠的 Harness，Harness 也需要模型能力支撑。她同时披露，最初的开发由 5 个人用 14 天完成。

从 2025 年 12 月到今年 9 月，按照时间线来看，能够一定程度的反映罗福莉的思路：先提高推理和后训练效率，再改进模型执行任务的框架，随后扩大多任务强化学习。

罗福莉披露，本轮 MiMo-V2.6 训练扩展了三个方向：计算规模、任务环境与 Harness，以及评分器的计算投入。

具体包括：每步训练约涉及 20 亿 Token，配置为 1568 个提示、每个提示 16 次尝试，采用全异步方式。按这个配置，一批包含 25088 条尝试轨迹。模型要在不同任务环境和执行框架中完成操作，再根据测试用例、评分标准等反馈进行学习。

MiMo-v2.6 系列强化学习训练看板

这些设置把训练难点从答案生成，扩展到了完整的任务过程。

例如，模型修改一段代码后，需要运行测试、读取报错、继续修改。训练系统既要支持这些操作，也要判断修改是否有效。如果环境启动失败，算力消耗可能无法换回有用的样本；如果评分方式有漏洞，模型获得的高分也可能偏离真实需求。

因此，训练成本包含大量生成、工具执行和结果验证，模型参数更新只是整个过程中的一部分。

罗福莉公开的看板中，能看到各种各样的工程问题。

页面展示环境运行数量、基础设施故障造成的样本损失，以及样本生成到进入训练之间相隔的模型版本数。在异步系统中，任务执行和模型更新并行推进，团队需要监测样本是否已经落后于当前模型。

小米还公开过一条故障通知：Pro 训练因一个节点的显存问题而重启。这真实的反映了训练效率取决于模型算法，也取决于系统运行的稳定性。

X 用户 elie（@eliebakouch）特别关注看板公开的每批数据与 Harness 构成，以及大量内部训练指标。他认为这些信息能帮助研究者观察模型究竟在什么任务上学习、训练资源怎样分配。

截至北京时间 9 月 17 日早间核查时，官方公布的 DeepSWE v1.1 代码评测结果中，Flash 从第 1 步的 48.67 升至第 12 步的 60.77；Pro 从第 1 步的 58.41 升至第 10 步的 63.72。页面标明，评测采用 mini-swe-agent，口径为 avg@3。

中间有明显波动。Flash 第 10 步达到 60.18，第 11 步降至 54.13，第 12 步又回升。Pro 前几步也多次下降。公开数据还不足以解释每次变化，但已经能看出，投入与成绩之间并非每一步都同步增长。

网友 Zain 看到看板后，兴奋地提到训练开始约一天，DeepSWE 就到了 60% 左右。这样的评论反映了开发者对提升速度的关注；后续能否维持增幅，仍要继续观察。

看板首页的训练平均通过率，需要与 DeepSWE 评测分开看。官方对 avg@n 的定义，是计算每道采样任务在多次尝试中的成功比例，再对任务取平均。任务构成、难度和基础设施故障，都可能影响这个数字。

文章和社交平台上若只截取一条上涨曲线，很容易忽略这些条件。更有价值的判断，需要比较相同评测设置下的多个检查点，并等待最终模型在真实任务中的表现。

Pro 和 Flash 同时公开训练，也让产品分工变得可观察。两轮运行采用相同的提示数量与尝试次数配置，页面设定的费用速率相差一倍。Flash 的代码成绩已有提升，Pro 在已展示的后续检查点上仍有更高分数。由于训练步数不同，现阶段不能直接得出严格的性价比排名。

但这组数据值得持续跟踪：更低成本的模型能覆盖多少复杂任务，更高成本的模型又能在哪些任务上拉开差距？答案会影响用户怎样选择模型，也会影响小米怎样定价。

罗福莉此前解释过 MiMo API 降价的逻辑，包括缓存优化、模型架构和推理系统效率。

据透露，滑动窗口注意力的分层 KV 缓存优化提高了缓存容量；混合注意力架构也降低了部分推理计算开销。

当时，罗福莉曾透露，降价后的生产推理服务接近满负荷运行，仍能基本实现收支平衡。

如果说之前的降价逻辑与技术和系统效率有关，那么这一次直播所反映的问题则是训练投入的回报。

按照小米 MiMo 官方接口设定的费用速率，每小时 30834 美元，两轮训练累计展示的费用约 115 万美元。不过，页面未完整说明硬件折旧、能源、人力等成本。这个数字可以用来观察本轮训练的投入尺度，无法代表完整的研发支出。

实际上，普通用户最终承担的成本，还包括推理调用、工具执行、失败重试和人工检查。这意味着训练阶段增加投入，只有在模型交付后提高成功率、缩短任务流程或减少人工接管，才可能转化为商业价值。

不同的产品和入口，不同的场景和用户需求都有所差异。开发者关注调用成本与稳定性，直接使用 Agent 的人更关心任务能否完成。

罗福莉历次发言反复涉及的推理效率、上下文管理、后训练和 Harness，都与这些要求有关。

某种程度上可以把小米的技术站位概括为：面向 Agent 任务建设基础模型，并同时优化模型架构、训练系统和运行框架，让能力提升具备可承担的成本。

只不过，这条路线对团队提出了双重要求。

模型要在困难任务上继续提高成功率，系统也要减少无效生成、重复调用和资源等待。更强的模型若需要过长时间或过多重试，使用价值会受到限制；便宜的服务若无法可靠完成任务，同样难以留住用户。

公开训练看板增加了小米研发过程的透明度，也让这些要求更容易被检验。

接下来值得关注的，是相同评测条件下的持续进步、Pro 与 Flash 的能力差距，以及最终 API 和 Agent 产品能否把训练收益交付给用户。

每小时 3 万美元最终换来什么，需要由模型上线后的任务完成质量和成本回答。