知识卡片：小米 MiMo-V2.6「炼丹直播」收官：6 天 RL 训练、开源第一与工程挑战

英文标题：待核实（原文未提供英文标题）。

英文关键词：MiMo-V2.6, MiMo-V2.6-Pro, MiMo-V2.6-Flash, Artificial Analysis Intelligence Index, DeepSWE v1.1, AutomationBench, Claude Opus 5, GPT-5.6 Sol, Grok 4.7, RL Scaling, Reward Hacking, Grader, MoE, Router, Agent, mini-harnesses, MiMo Desktop, MOF, PFAS, RSI, AGI, TPS。

一句话结论

据量子位 2026-09-22 报道，小米用 6 天公开直播完成 MiMo-V2.6 Pro/Flash 的大规模强化学习训练，Pro 以 46 分在 Artificial Analysis Intelligence Index 上位列开源第一，并在部分 Agent 评测逼近闭源前沿；同时公开模型、7000 多个 RL 任务环境与训练框架，暴露并处理了 Reward Hacking、Grader 成本、MoE Router 漂移等 RL Scaling 工程问题。

事件概述或研究问题

• 小米把大模型 RL 训练搬进直播间，6 天结束。MiMo-V2.6 Pro 与 Flash 均跑完 30 个训练 Step。
• 总成本约 350 万美元，文章换算约人民币 2344 万元。Pro 约 260 万美元、5 天 3 小时；Flash 约 90 万美元、3 天 10 小时。
• 每个 Step 含 1568 个 Prompt，每题尝试 16 条路线，一轮产生超过 2.5 万条 Rollout；技术报告单步约 2.7B~3.7B training tokens，Pro 全程约 81B~111B Tokens。
• 研究问题可概括为：当 Agent RL 扩大到数千张 GPU、数万个并行 Agent、数十亿 Token 一步时，训练环境、评分器、防作弊与 MoE 稳定性如何一起扩展。

方法/产品要点

• 模型：MiMo-V2.6-Pro 为 1.02 万亿参数、420 亿激活；Pro/Flash 均完成 30 Step RL。
• 后训练三方向：扩大训练计算量，采用完全异步架构，生成、执行、评分和训练同时推进；扩大训练环境，把代码、通用 Agent、视觉和网络安全任务混进同一次 RL Run，并搭配多种可自由组合的 mini-harnesses；给判卷过程增加算力，Pro 成本中 Grader 占 12.7%，约 33 万美元。
• 评分机制：提前为任务生成“实现质量”和“解决过程”标准；评分 Agent 同时查看同题多条成功与失败轨迹，再给通过测试的方案排出高低；靠投机方式过测试的，奖励直接归零。
• 防 Reward Hacking：清理训练环境中的补丁、构建日志、缓存和多余 Git 历史，并切断网络；专门派出 Hack Agent 主动攻击训练环境，发现泄漏就堵；RL 过程中持续审查轨迹，发现新作弊方式就把对应奖励清零并修补环境。
• 基础设施：处理 GPU 显存双比特错误、Cyber 任务集群 Kubernetes 故障、评分器网络失联、显存不足、长轨迹撑爆 CPU 内存；冻结 MoE Router 防专家负载崩塌；控制平面与数据平面拆开，Sample Mixer 动态调度。
• 开源清单：Pro/Flash 模型权重、完整技术报告、7000 多个 RL 任务环境、端到端 RL 训练框架、可自由组合的 mini-harnesses；另开放 MiMo-V2.6-Distill-Qwen-9B，以 Qwen3.5-9B 为底座，用 MiMo 生成 77.4B Token 数据完成监督微调，开放 SFT 版本。

主要结果或产业意义

• 评分：Pro 在 Artificial Analysis Intelligence Index 得 46 分，文章称位列开源第一。部分 Agent 评测中逼近 Claude Opus 5 和 GPT-5.6 Sol；AutomationBench 上 Pro 得 53.1 分，文章列出 Claude Opus 5 为 50.3 分、GPT-5.6 Sol 为 45.8 分。
• RL 效果：Flash 平均通过率相对提升 25%，Pro 相对提升 12%。DeepSWE v1.1 上 Pro 从 58.4 分涨到 72.57 分，Flash 从 48.7 分涨到 65.68 分。
• 成本：Pro 输入/输出每百万 Token 约 3 元/6 元，Flash 约 1 元/2 元；文章称同等智能水平下 Pro 完成任务成本仅为国际前沿模型的 1/20 至 1/60。Artificial Analysis 测算 Pro 完成一项 Intelligence Index 任务平均成本约 0.13 美元。同日 Grok 4.7 xHigh 版本完成同一指数任务平均约 3.74 美元，文章称约为 Pro 的 29 倍。
• 产品与能力：MiMo-V2.6 支持全模态，覆盖 Blender 3D 建模、视频创作、音乐生成、图像、声音、3D 等；MiMo Desktop 支持多个 Agent 协同；具身仿真中可闭环控制 Franka Panda 机械臂做物体抓取和颜色分拣。
• AI for Science：内部用 Pro 设计新型 MOF 材料抓 PFAS，文章称跑出 A50、B50 两个候选结构，模拟吸附性能为对照 C50 的一百万到一千万倍；研发周期从一个月压缩到 2~3 天。北京大学窦金虎评价相当于训练有素的博士研究员。

为什么重要

• 它把“RL Scaling”从算法话题推进到系统工程话题：Grader 算力、Reward Hacking 攻防、MoE Router 漂移、数据管道与调度都会成为瓶颈。
• 公开直播和全套开源清单使训练过程、评测分数与成本成为产业传播的一部分，可能影响开源模型竞争、API 定价和 Agent 生态。
• 文章称 MiMo-V2.6 是“智能-成本”帕累托前沿上的尝试，挑战“智能、成本、速度”不可能三角；若数据可复现，将强化中国厂商在开源 Agent/全模态模型上的存在感。
• 与既有卡片的关系：已有卡片关注 NIST AI RMF 评估框架、Epoch AI 研究出版物、OpenRouter LLM 网关平台；本条增量在于中国厂商公开大规模 RL 训练直播、开源模型与闭源前沿的能力/成本对比，以及 RL 基础设施工程问题的具体案例。

局限与不确定性

• 英文标题：待核实（原文未提供英文标题）。
• 文章日期为 2026-09-22，涉及 Claude Opus 5、GPT-5.6 Sol、Grok 4.7 等对比对象与分数，独立核验情况待核实。
• Artificial Analysis Intelligence Index、DeepSWE v1.1、AutomationBench 的具体评测配置、样本、统计显著性与可复现性待核实。
• 成本、汇率换算、单任务成本、TPS 等数字来自文章转述或官方披露，完整口径与测试条件待核实。
• MOF/PFAS 吸附性能、研发周期压缩与专家评价来自文章/小米披露，独立同行复现待核实。
• 开源权重、许可协议、RL 环境与训练框架的实际可用性、长期维护与 API 定价稳定性待核实。
• Reward Hacking 残留比例低于 2% 是本次训练结果，扩大到更大规模后是否稳定待核实。
• 罗福莉关于“超过 DeepSeek-R1”的表述属于个人评价，不是可独立验证的定量结论。

可用于图书/PPT/简报的角度

• “公开直播炼丹”：大模型训练透明化、公关/招聘/生态叙事。
• RL Scaling 的基础设施化：异步架构、Grader 算力、mini-harnesses、Sample Mixer。
• Agent RL 的“判卷”难题：组内评分、过程质量、投机过测试与 Reward Hacking 攻防。
• MoE 在高强度 RL 下的稳定性：Router 漂移、专家负载峰值、冻结 Router。
• 开源模型 vs 闭源前沿：智能-成本-速度帕累托前沿。
• AI for Science 案例：MOF 抓 PFAS、从月到天。
• 全模态与“Vibe World”：3D、视频、音乐、展览馆、多 Agent 桌面端。
• 中国大模型开源竞争与生态：模型、环境、框架、蒸馏模型一起开放。

原始材料

• 量子位：一水，《6天烧光2000多万，拿下开源第一！小米史无前例「炼丹直播」收官》，2026-09-22 19:50:28，来源：量子位，URL：https://www.qbitai.com/2026/09/494179.html
• Hugging Face 模型集合：https://huggingface.co/collections/XiaomiMiMo/mimo-v26
• 小米 MiMo 博客：https://mimo.xiaomi.com/mimo-v2-6
• 技术报告：https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL/blob/main/MiMo_V2_6_technical_report.pdf