MiMo-V2.6 深度解析：大規模 RL，真的更接近模型自我改進？（2026）

2026 年 9 月 22 日，小米 MiMo 團隊在官方文件站發布〈MiMo-V2.6: Scaling Up Reinforcement Learning for Self-Improvement〉，同步釋出 MiMo-V2.6 Pro 與 Flash 的公開權重、技術報告，以及可處理文字、圖片、影片與音訊輸入的 1M-token 模型規格。

這次發布最值得注意的，不是小米又把參數做大，而是它把一場高算力、混合任務的 agentic RL 後訓練攤在公開儀表板上：兩個模型各跑 30 個更新步驟，並揭露成本、失敗、重啟與評測曲線。我的結論先放前面：這是大規模 RL 工程與開放權重生態的一次重要進展，也有 Artificial Analysis 的外部測量支持模型本身很強；但它還沒有證明 1M 長度下的可靠推理、完整可重現的開源訓練，或模型已達成遞迴式自我改進。

以下會先忠實還原 MiMo-V2.6 做了什麼，再把「六天、75 萬條 trajectory、1M context、MIT、46 分」逐一放回正確範圍，最後說明為什麼這條路值得追蹤，卻還不能直接叫作 RSI。

MiMo-V2.6 發布了什麼？先把規格讀對

Pro 與 Flash 都是稀疏 Mixture-of-Experts（MoE）模型。依官方Pro model card與Flash model card，Pro 有 1.02T 總參數、每個 token 啟用 42B；Flash 有 309B 總參數、啟用 15B。這裡的「啟用」描述每個 token 在一次 forward pass 動用的參數規模，不代表只需儲存 42B 或 15B 權重。

官方規格	MiMo-V2.6-Pro	MiMo-V2.6-Flash	該怎麼讀
總參數／啟用參數	1.02T／42B	309B／15B	稀疏路由降低每 token 計算量，不會讓完整權重縮成同等大小的 dense 模型
context window	1M token	1M token	是可接受的長度上限，不等於每個位置都有相同推理品質
輸入模態	文字、圖片、影片、音訊	文字、圖片、影片、音訊	技術報告描述的模型頭產生文字；媒體成品 demo 另會調用工具
官方部署範例	TP16／EP16、兩個節點	TP8	啟用參數少不等於一般個人電腦可直接承載

「原生全模態」也要拆開看。技術報告把影像、影片、音訊與文字編進同一序列，再交給語言模型頭；Artificial Analysis 模型頁同樣列為四種輸入、文字輸出。因此這是整合式多模態理解與工具編排，不是 checkpoint 本身直接輸出圖片、聲音或影片。

「六天 Live RL」的重點，不只是把 GPU 開滿

behind these 6 days lie half a year of foundational research accumulation and engineering trial and error.

中文：這六天背後，是半年的基礎研究累積與工程試錯。

Xiaomi MiMo，〈MiMo-V2.6: Scaling Up Reinforcement Learning for Self-Improvement〉

這句話其實替「六天練出前沿模型」踩了煞車。小米公開的是最後一場 RL 後訓練 live run，不是從資料蒐集、30T／48T-token 預訓練、mid-training、SFT 到 RL 的全部研發工期。依官方 live dashboard 的最終自報數字，Flash 的這次 RL run 約花 85.4 萬美元，Pro 約 262 萬美元；所以「成本低於 100 萬美元」只適用 Flash，不能套在整個系列，更不能改寫成模型總開發成本。

這場訓練每一步取 1,568 個 prompts，每個 prompt 產生 16 條 rollouts，也就是 25,088 條 trajectories；乘上 30 步，算術結果是每個模型 752,640 條。官方英文頁把「each」與「cumulative total 約 750,000」寫在同一句，容易被讀成兩個模型合計；依批次設定，較一致的讀法是每個模型約 75 萬條、兩者合計約 150.5 萬條。

規模之外，方法才是重點。官方將 RL 任務混合設為 68% 程式碼、12% 通用、13% aesthetic、3% context、4% cyber，並把 rollout、訓練與 grader 同時放大。不同 domain 會使用規則 verifier、測試 harness 或 MiMo-V2.6-SFT grader；其中部分高通過率 code tasks 採 Groupwise Reward Synthesis，其餘 code tasks 再以 Groupwise Advantage Redistribution 調整學習訊號。這不是所有任務共用一種 grader 或 reward。

小米自報 Flash 的 DeepSWE average@3 從 48.67 升到 65.68，Pro 從 58.41 升到 72.57；官方 live dashboard 也留下 OOM、grader 網路故障、資料基礎設施錯誤、expert load imbalance 與重啟紀錄。分數曲線不是一路向上，卻在終點高於起點。這種把失敗一併留下的透明度，比只貼最終排行榜更有研究價值。

46 分與第一名：有外部訊號，但範圍比標題窄

截至 2026 年 9 月 22 日，Artificial Analysis Intelligence Index v4.3.2 對 MiMo-V2.6-Pro 的獨立測量為 46.32 分，並把它排在該站「150B 以上開放權重模型」比較組的第 1 名（共 114 個）。這是發布方以外的重要支持：按這套指標與比較組，MiMo-V2.6-Pro 處在當時的領先群。

但這個「第一」不是全世界所有模型、所有任務的總冠軍。Artificial Analysis 把 MiMo 標為 open weights，而且這套 Index 主要量文字與英文能力；它不能替小米的音訊、影片理解或 1M context 品質背書，也無法證明 46 分是由這 30 步 RL 單獨造成。它能回答的是：在固定版本與比較組內，Pro 的文字推理綜合表現很強。

小米自己的 agent benchmark 表也不是全面橫掃。Pro 在 DeepSWE、Terminal-Bench 4.0 與 ExploitBench 等列有強有弱；更重要的是，Epoch AI 對 DeepSWE v1.1 的獨立審查把它評為 flawed，人工確認至少 23／113 題存在 false-negative 問題。這不會自動抹掉 MiMo 的端點增益，卻意味著 live-run average@3 的 72.57 不該被當成毫無誤差的能力刻度。

1M context 是容量，尚不是 1M 推理品質證明

MiMo-V2.6 的 config 確實把 max_position_embeddings 設為 1,048,576。技術報告也說預訓練從 32K 延伸到 256K，mid-training 最後一段再推到 1M；RL 可接受最長 1M 的序列。不過報告揭露的典型 RL trajectory 長度約 110K–150K，公開評測重點則是 coding、agent、visual coding 與 knowledge benchmark。

因此更準確的說法是：1M 是 config 與報告宣稱的可接受上限，但發布材料還不足以證明在接近 1M 的位置仍維持同等可驗證的檢索與推理品質。這不是說 MiMo 做不到，而是容量與有效使用率本來就是兩個問題。把整個 repository、工具 trace 與多個 session 塞進去之前，仍應分長度測引用命中、位置偏差與最終任務成功率。

MIT 標示的開放權重，不等於完整可重現

Hugging Face 官方 collection已公開 Pro、Flash 與 Distill-Qwen-9B 三個 repository，Pro 與 Flash 的 metadata 都標示 license: mit，權重可直接下載。小米也在 GitHub 提供 uni-agent、verl與mimoagent的 mimo-oss 分支，涵蓋 multi-harness gateway、agentic RL recipes、rollout、環境 adapter 與 grader。

這些是實質開放，不只是 API 宣傳；但「可以下載權重」仍不同於「外部團隊能完整重做訓練」。在 2026 年 9 月 22 日版技術報告裡，預訓練資料披露停留在來源類別，尚未延伸到逐項 provenance、完整 filtering/decontamination 稽核與端到端成本帳。官方稱已釋出超過 7,000 個 RL tasks；但截至同日的 release surfaces，本文能確認框架分支，尚無法把每一批實際 task instance 與固定 commit、license 完整對上。因此本文採用「MIT metadata 標示的開放權重與部分訓練資源」，不把它擴寫成已完整重現的 open-source stack。

這是 self-improvement loop，還不是 RSI

Reinforcement learning is the central training paradigm for advancing large foundation models towards self-improvement.

中文：強化學習是推動大型基礎模型走向自我改進的核心訓練方法。

LLM-Core Xiaomi，〈MiMo-V2.6: Scaling Reinforcement Learning Towards Self-Improvement〉技術報告

這裡的關鍵字是 towards。MiMo-V2.6 的 loop 確實讓 policy 產生 trajectories、grader 與 verifier 回饋、RL 再更新權重；而且 grader 本身也是 MiMo 系列模型。這比靜態資料上的一次性微調更接近「模型參與改善模型」。

但外迴路仍由人設計：人決定任務比例、環境、harness、verifier、reward、訓練演算法與 30 步排程。技術報告主張的是在這套固定流程中放大 RL，並未把成果描述成 MiMo 已自主改寫學習方法、選研究方向，再設計與訓練自己的下一代。Anthropic 對 recursive self-improvement 的研究說明把更完整的版本描述為 AI 自主設計與開發後繼者；依這個較嚴格定義，MiMo 展示的是人類設計訓練框架內的自我改善，不是 RSI 已經完成。

AlphaLab 判讀：真正的突破是規模與透明度，不是終點標籤

一、把混合任務 agentic RL 放大，確實是工程貢獻

一個模型同時在 coding、通用工具使用、視覺創作、長 context 與 cyber 環境收集長 trajectory，會碰到不同 harness、grader 延遲、rollout 長尾、GPU 記憶體壓力、expert imbalance 與 reward hacking。MiMo-V2.6 不只報最後分數，也交代凍結 router、增加 grader compute、修正 reward 與處理故障的過程。這份工程訊號值得肯定，即使你對排行榜保持懷疑。

二、終點變好，不代表每項宣傳都由 RL 證明

30 步後的內部 pass rate 與 DeepSWE 終點都上升，顯示這場 run 在發布方量測下帶來改善；但持續用 DeepSWE 看曲線，會讓它成為開發指標，而不是最後才揭曉的盲測。現有第三方 Artificial Analysis 測的是完成後的模型，不是「相同模型、相同資料、只移除這套 RL」的訓練對照實驗，因此不能把 46 分、多模態能力與所有 agent 成績都歸因於這六天。最穩健的結論是「大規模 RL 與強模型一起出現，且發布方量到改善」，不是「六天 RL 已證明通往 RSI」。

三、開放權重提高可檢查性，也把部署現實帶回來

公開權重讓研究者可以量化、微調、檢查行為，這比只提供黑箱 API 多出重要的選擇權；可是 1.02T／309B 的完整權重、MoE 通訊與長 context KV cache 都很重。42B／15B active 是每 token 計算路徑，不是儲存與記憶體需求。若你的目的只是比較任務品質，先測 API；只有具備分散式推論資源、資料治理或客製化需求時，自架評估才合理。

我同意的部分：這次發布示範了開放權重模型如何承接昂貴、長軌跡、跨環境的 RL 後訓練；小米公開 live run、失敗與成本邊界，讓外界能更具體地討論「把 RL 放大」到底要解哪些系統問題。

我保留的部分：46 分支持的是特定版本的文字型綜合評測；公開材料對 1M 的支持主要是 config 與訓練排程，而不是接近上限的品質曲線；六天成本只涵蓋這次 RL run，「towards self-improvement」也不是 RSI 達成證明。這些限制不會讓發布失去價值，反而把真正值得複現的問題標得更清楚。

如果要採用 MiMo-V2.6，先做這四個測試

1. 固定 harness，比任務成功率。用同一組 tools、權限、timeout、重試、token budget 與驗收規則，讓 MiMo-V2.6 對照你目前的模型；否則比較到的是系統，不只是模型。
2. 把 context 分桶。分成短、100K 左右、250K 以上與接近上限，記錄引用位置、遺漏、矛盾與答案可驗證性，不以「請求成功送出」當長 context 通過。
3. 算成功任務成本。納入 input、output、grader、工具、失敗重試與人工修正，再除以真正通過驗收的工作數；不要拿 85 萬美元的訓練 run 成本代替自己的推論經濟性。
4. 分開評估 API 與自架。先用 API 決定模型是否值得；再依資料敏感度、吞吐、延遲、TP／EP 拓撲與完整權重負載評估部署，別從 active parameters 推導硬體需求。

如果你正在做多模型路由，可以把 MiMo-V2.6 放進「長 context、agentic coding、成本敏感」的候選組，再用AI 模型路由與評測實戰把品質、延遲與每次成功任務成本接在一起。真正重要的不是它在一張榜上排第幾，而是你的工作能否在相同驗收條件下更穩定地完成。