小米这次不只开源模型：MiMo-V2.6 登顶 AA 开放权重榜，连 7000+ RL 环境都放出来了
…
小米 MiMo 新模型，终于正式发布了。
这次一口气带来：
MiMo-V2.6-Pro
MiMo-V2.6-Flash
以及更轻量的：
MiMo-V2.6-Distill-Qwen-9B。
其中，MiMo-V2.6-Pro 在最新 Artificial Analysis Intelligence Index 中取得：
46 分。
截至目前，排在大型开放权重模型榜单：
第 1 名。
不过这次真正值得关注的，并不只是一个“开源模型第一”。
小米同步放出来的还有：
模型权重。
完整技术报告。
7000+ 高质量 RL 任务环境。
端到端强化学习框架。
可组合 mini-harnesses。
也就是说，小米这次不只是把训练好的模型交出来。
而是连：
模型到底怎么继续训练、在哪些环境里训练、如何评估和调用工具
都开始一起开放。
一、Pro 和 Flash，都已经是原生全模态模型
MiMo-V2.6 系列包含两个核心版本。
MiMo-V2.6-Pro
定位是当前 MiMo 系列中能力最强的旗舰模型。
采用 Sparse MoE 架构：
总参数 1.02T。
每个 Token 激活约 42B 参数。
上下文长度：
100 万 Token。
MiMo-V2.6-Flash
定位是能力、速度和成本更加平衡的高频版本。
同样采用 Sparse MoE：
总参数 309B。
每个 Token 激活约 15B 参数。
上下文也达到：
100 万 Token。
两款模型都原生支持：
文本。
图片。
视频。
音频。
输出形式目前以文本为主。
所以它们不只是传统语言模型增加一个视觉接口，而是从架构和训练阶段就围绕多模态、长上下文和 Agent 任务进行统一设计。
二、46 分到底是什么水平？
MiMo-V2.6-Pro 当前在 Artificial Analysis Intelligence Index 中取得：
46 分。
在 Artificial Analysis 当前划分的“大型开放权重模型”类别中，排名：
第 1 / 114。
需要注意，这里的准确说法应该是：
当前 AA 大型开放权重模型第一。
而不是不加任何限定地写成：
“全球所有模型第一。”
因为在最强闭源旗舰模型面前，MiMo-V2.6-Pro 仍然存在差距。
而且 Artificial Analysis 会持续调整评测集和计算方式，同一模型在不同版本指数中的分数也可能变化。
但即便如此，46 分依然说明：
小米 MiMo 已经正式进入全球开放权重模型的头部区域。
三、真正有意思的，是“递归自我改进”
小米将 MiMo-V2.6 的核心技术路线概括为：
Scaling Reinforcement Learning Toward Self-Improvement。
也就是：
通过扩大强化学习，让模型在反馈中持续自我改进。
这里的“自我改进”，并不是指模型脱离人类控制，自己修改源码、自己发布下一代版本。
更准确的理解是：
模型在强化学习环境中反复执行任务。
同一道任务会生成多条不同的解决路径。
系统再比较这些路径：
谁真正完成了任务？
谁走得更短？
谁消耗的 Token 更少？
谁虽然成功了，但过程存在风险？
最后把更高质量的执行方式转化成更精细的奖励信号，再继续推动模型更新。
整个过程大概是：
模型执行任务
↓
生成多条不同轨迹
↓
测试与验证结果
↓
比较成功轨迹的质量
↓
把奖励分配给更好的路径
↓
继续训练模型过去很多 RL 任务只看：
成功还是失败。
但如果两条轨迹都成功了，一条用了 20 步，另一条只用了 8 步，显然后者更值得学习。
MiMo-V2.6 的 Groupwise Agentic Grading，就是想继续解决：
成功答案之间，谁做得更好。
四、这条 RL 路线，确实很烧算力
为了完成这轮训练，小米还公开直播了 MiMo-V2.6 的强化学习过程。
按照官方披露：
Pro 和 Flash 的公开 RL 训练持续不到 6 天。
两款模型分别完成 30 个训练 Step。
累计生成约：
75 万条 Agent 轨迹。
Flash 的公开训练成本约：
85 万美元。
Pro 则约为：
262 万美元。
每次更新会使用：
1568 个 Prompt × 16 次 Rollout。
单个训练 Step 处理的 Token 规模达到数十亿级。
这也解释了为什么大模型的 Agent 能力不能只靠：
多收集一点问答数据。
真正训练长程 Agent，需要模型不断进入：
代码仓库；
电脑环境；
浏览器；
网络安全靶场；
复杂工具链
中反复尝试。
而这些任务的成本，远高于普通文本问答训练。
五、“You Only RL Once”：不再为每个领域单独练一遍
MiMo-V2.6 还有一个挺有意思的设计：
You Only RL Once。
过去训练 Agent 模型，往往会把不同领域拆开。
代码任务单独训练。
视觉任务单独训练。
网络安全再单独训练。
不同 Harness 甚至还要重新适配一遍。
MiMo-V2.6 则把：
Coding。
通用 Agent。
视觉任务。
网络安全。
以及不同 Harness 的任务，放进同一套混合 RL 训练中。
希望不同能力之间互相迁移。
比如模型在软件工程中学会：
先查看环境；
再制定计划；
执行以后检查结果；
发现失败再修复。
这套策略不只可以用于代码，也可能迁移到：
Computer Use；
网页操作；
3D 建模；
办公自动化。
甚至在训练时没有见过的 Agent Harness 中，模型也能更快适应。
六、7000+ RL 环境，可能比模型权重更有价值
很多开源模型发布，通常到这一步就结束了：
放一个权重。
再提供一份模型卡。
但开发者真正想继续训练模型时，很快会碰到新的问题：
任务从哪里来？
执行环境怎么搭？
结果怎么验证？
奖励怎么计算？
Harness 怎么连接？
这次小米同步开放了超过：
7000 个高质量 RL 任务环境。
主要覆盖四个方向：
软件工程。
漏洞复现。
知识密集型工作。
网页设计与开发。
这些环境不是普通问答数据。
而是可以让 Agent 真正进入环境中：
读文件；
写代码；
调用工具；
运行测试；
操作网页；
提交结果。
再由 Verifier 判断任务到底有没有完成。
对于 Agentic RL 来说，真正稀缺的往往已经不只是模型，而是：
可执行、可验证、可以反复训练的真实任务环境。
七、连完整 RL 训练框架也一起放出来了
除了任务环境，小米还开放了一套端到端强化学习框架。
整个链路覆盖：
环境交互
↓
Agent执行任务
↓
轨迹收集
↓
结果验证
↓
奖励计算
↓
策略更新框架建立在 verl、uni-agent 和 mini-swe-agent 等项目之上。
开发者可以把：
开放模型；
任务环境；
奖励机制；
Agent Harness
重新组合起来，继续研究自己的强化学习方法。
小米还提供了更加轻量的：
Composable Mini-Harnesses。
它会把 Agent 中的：
系统提示词；
工具；
上下文管理；
执行流程
拆成相对独立的模块。
研究者可以自由组合不同配置，观察：
同一个模型放进不同 Harness 后，能力会发生什么变化。
这其实和现在越来越热的 Harness Engineering 是同一个方向。
八、Pro 和 Flash，真实 Agent 表现怎么样？
按照小米官方公布的测试结果：
DeepSWE v1.1
MiMo-V2.6-Pro：
71.9
MiMo-V2.6-Flash：
67.9
AutomationBench
Pro：
53.1
Flash：
52.3
Toolathlon-Verified
Pro：
76.9
Flash：
73.6
Terminal Bench 2.1
Pro：
89.9
Flash：
87.6
OSWorld-Verified
Pro：
82.0
Flash：
80.8
MiMo VisualCoding
Pro：
72.3
Flash：
71.5
可以看到，Pro 和 Flash 的差距并没有参数规模看起来那么大。
Flash 虽然激活参数只有 15B，但在大量 Agent 任务中仍然接近 Pro。
所以两者的分工会比较明确：
Pro 负责能力上限。
Flash 负责高频和规模化任务。
不过这些单项成绩主要来自小米官方测试，实际效果仍然需要结合第三方评测和真实项目继续验证。
九、还有一款 9B 蒸馏模型，专门降低研究门槛
这次开源包里还有：
MiMo-V2.6-Distill-Qwen-9B。
它的意义不是取代 Pro 或 Flash。
而是给普通研究者提供一个更加容易部署、继续做 Agentic RL 实验的起点。
毕竟：
1T 级 Pro 模型即使开放权重，也不是普通开发者几张显卡就能轻松跑起来的。
9B 模型则更适合：
本地实验；
环境验证；
Agent Harness 研究；
小规模强化学习；
垂直任务微调。
小米还公开了从这款 9B 蒸馏模型出发进行 RL 的结果，在软件工程、网络安全、终端任务和视觉编程等多项评测中，都比原始 SFT 版本进一步提高。
十、这次“开源”不只是放个权重文件
严格来说，Artificial Analysis 使用的是：
Open Weights，开放权重模型。
但 MiMo-V2.6 这次开放的内容已经明显超过单纯权重：
Pro 与 Flash 模型权重；
MIT 许可证；
9B 蒸馏模型；
完整技术报告；
7000+ RL 任务环境；
端到端 RL 训练框架；
可组合 Mini-Harnesses；
公开训练过程和指标。
所以这次称为“开源发布”，并不只是营销上的说法。
它真正把 Agent 强化学习中的很多关键组件一起交给了社区。
十一、现在可以在哪里使用？
除了自行下载权重，MiMo-V2.6 也已经进入小米自己的产品体系。
目前可以通过：
MiMo Desktop。
MiMo Studio。
MiMo Code。
小米 MiMo 开放平台 API。
以及部分第三方模型平台使用。
API 价格继续沿用 V2.5 的标准，没有因为智能水平提高同步涨价。
Pro 还提供：
UltraSpeed 高速模式。
官方表示，特定场景下生成速度最高可提升至普通版本的 20 倍，主要面向实时交互和对延迟敏感的工作流。
结语
MiMo-V2.6 这次可以记住几组数字：
Pro：1.02T 总参数，42B 激活。
Flash：309B 总参数，15B 激活。
两款模型均支持：
100 万 Token 上下文。
文本、图片、视频和音频输入。
MiMo-V2.6-Pro 在 AA Intelligence Index 取得：
46 分。
暂居当前大型开放权重模型：
第 1 名。
但我觉得，这次真正值得关注的并不是“第一”这两个字。
排行榜随时会变化。
真正更长期的价值，是小米开始把：
模型权重 + RL 环境 + 训练框架 + Harness + 蒸馏模型
完整放到一起。
过去开源大模型的竞争，主要看：
谁愿意开放权重。
接下来可能还要继续看：
谁愿意开放模型变强的方法。
7000 多个任务环境、端到端 RL 框架和 Mini-Harnesses，才可能是 MiMo-V2.6 这次真正的大招。
小米不只是交出了一条鱼。
连池塘、钓竿，以及怎么继续养鱼的方法，都开始一起放出来了。
相关链接
小米 MiMo-V2.6 官方介绍
https://mimo.xiaomi.com/mimo-v2-6
MiMo-V2.6 官方更新说明
https://mimo.mi.com/docs/en-US/news/latest/v2-6
MiMo-V2.6 Hugging Face 合集
https://huggingface.co/collections/XiaomiMiMo/mimo-v26
MiMo-V2.6-Pro-RL
https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL
MiMo-V2.6-Flash-RL
https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Flash-RL
MiMo-V2.6-Distill-Qwen-9B
https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B
MiMo-V2.6 技术报告
https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL/blob/main/MiMo_V2_6_technical_report.pdf
MiMo-V2.6 RL 训练看板
小米 MiMo 开放平台
https://platform.xiaomimimo.com/
MiMo Desktop
https://mimo.xiaomimimo.com/desktop/
Artificial Analysis：MiMo-V2.6-Pro
https://artificialanalysis.ai/models/mimo-v2-6-pro
评论 0
最新评论登录后发布评论并参与互动。
暂无评论，欢迎抢沙发。