单次RL后训练烧掉260万美元、每步37亿Token，小米披露MiMo-V2.6“规模化强化学习”路线

摘要

小米 MiMo 团队公开 MiMo-V2.6-Pro（总参数 1.02T、激活 42B）与 Flash（310B / 15B）两个 MoE 模型，并披露一套规模化 Agentic RL 流程：每个 step 采样 1568 个 prompt、各生成 16 条 rollout，合计约 2.5 万条轨迹、27 亿至 37 亿 token。Pro 单次 RL 后训练成本约 260 万美元，用于评判 Agent 行为的 Grader 已占 12.7%，适合关注 RL 成本与奖励设计的人。

近 7 天热度