小米直播大模型训练：一小时烧 3 万美元，罗福莉解释了这半年在做什么
大厂日爆 · 2026-09-18T10:56:01
小米把 MiMo-V2.6 的强化学习训练做成了公开直播：烧了多少钱、跑了多少步、奖励曲线涨没涨、哪个节点显卡故障，页面上都能查。从 Pro 开始训练算起，36 小时两款模型花了超过 **108 万美元，平均每小时 3 万美元**。 负责人罗福莉在 X 上解释，沉寂这半年只研究了一件事：**RL 能扩展到多远**。她给出三个方向：计算量（每个训练 Step 约 20 亿 Token，1568 个 Prompt × 16 条 Rollout，全程 Fully Async）、环境与 Harness（代码、通用任务、视觉、Chat 混在同一次 RL Run 里训练）、评分算力（用同组多条轨迹做信用分配，而不是只给一个最终成败信号）。 效果已初步显现：Pro 的 dynsam/avg@n 从约 0.565 升到 **0.614**，Flash 从约 0.514 升到 **0.603**；最新 DeepSWE v1.1 离线评测里，Pro 和 Flash 分别是 62.24、60.77。 罗福莉说细节会陆续开源，训练过程可在 mimo.xiaomi.com/rl 围观。