小米MiMo-V2.6强化学习训练进展公开

小米MiMo-V2.6正处于RL训练中，团队从三方面扩展规模：计算（每步约2B tokens，1568条prompt×16次rollout，全异步）、环境与harness（多任务agentic RL，单次运行混合多种harness）、评分计算（agentic组内信用分配，结合测试用例与rubric奖励）。团队称已研究RL能扩展到多远，将在未来几周逐步开源细节，并直播训练过程。