小米MiMo-V2.6公开大规模RL训练细节

小米MiMo-V2.6正进行大规模强化学习训练，并公开了训练细节。其RL扩展了三个维度：计算（每步约2B tokens，1568 prompts × 16 rollouts，全异步）、环境与harness（多任务智能体RL，单次运行混合多种harness）以及评分计算（智能体组内信用分配，基于测试用例和评分标准的奖励）。相关细节将在未来几周逐步开源。