小米MiMo大模型团队负责人罗福莉在X平台发文，首次对外披露MiMo-V2.6的强化学习（RL）训练进展。罗福莉表示，自MiMo-V2.5开源之后，团队近半年核心研究方向聚焦一个核心命题：强化学习究竟可以扩展到什么程度。目前MiMo-V2.6正处在强化学习训练中途阶段，团队从三大维度做规模化扩容：计算资源、训练环境与任务体系、奖励评估机制。
一、三大扩容方向技术细节
计算资源扩容
每一步训练约处理20亿Token；训练配置为1568个提示词（Prompt），每个提示词生成16条Rollout样本，采用全异步训练架构，单批次可产出25088条模型执行轨迹，大幅提升训练并行度。
训练环境与任务体系（多任务智能体RL）
采用多任务Agent强化学习方案，单次训练运行中混合接入多个测试框架，不再局限单一任务类型，让模型在多样化任务环境中学习，提升复杂任务、工具调用的泛化能力。
奖励评估机制升级（Grader Compute）
引入Agentic组内信用分配机制，配套测试案例与基于评分标准的奖励函数。简单来说，强化学习打分环节本身投入更多算力，精细化评估模型每一步动作的贡献，而不是只看最终结果好坏，优化智能体长链路任务的学习效果。
罗福莉同时透露：未来几周，团队会逐步开源本次训练的相关技术细节。
二、训练直播看板：MiMo-V2.6-Pro / MiMo-V2.6-Flash
随推文，罗福莉放出MiMo实时训练直播页面（mimo.xiaomi.com/rl/），对外直播大规模Agent强化学习实验全过程。看板实时展示训练步数、Token消耗、训练成本、样本数量、内部评测指标变化，包含两个版本：MiMo-V2.6-Pro、MiMo-V2.6-Flash。
训练页面数据直接取自真实训练日志，模型仍在训练，分数会出现正常波动、训练重启、显存故障等真实训练现象；
累计训练成本已经超过125万美元，训练峰值成本约每小时3.08万美元。
训练页面显示MiMo-V2.6系列模型即将推出。
三、核心背景解读
MiMo系列模型一直主打Agent智能体方向，上一代MiMo-V2.5已经具备强大工具调用、长上下文能力。本次V2.6重点不是基础基座预训练，而是强化学习规模化实验，核心目标探索如何依靠扩大RL规模，提升大模型完成真实复杂任务的能力，属于面向Agent时代的后训练技术探索。
这次公开实时训练过程，在国内大模型厂商中属于比较少见的开放做法，直接对外展示大模型强化学习昂贵、充满不确定性的真实训练过程。
四、一句话摘要
小米MiMo负责人罗福莉公开MiMo-V2.6正在进行大规模Agent强化学习训练，近半年研究强化学习的可扩展性，在计算、多任务训练环境、奖励打分三个方向扩容，开放实时训练看板，后续几周逐步开源技术细节。