9 月 23 日 MiMo-V2.6 发布当天， community 看到的是跑分；10 月 8 日小米 LLM-Core 团队把技术报告挂上 arXiv（编号 2610.11959），大家才看到这套跑分背后的完整工程账本。这篇报告最难得的地方不是成绩，而是把「规模化 RL 到底在扩展什么」拆成了三个可以被独立度量和复制的维度：训练算力、环境复杂度、评分器算力。再加上罕见坦诚的成本披露和全套开源，它可能是今年最值得精读的 RL 后训练教材。
一、模型与底座：先铺路，再飙车
MiMo-V2.6 系列有两个主模型：Pro 是 1.02T 参数的 MoE，激活 42B；Flash 是 310B 参数 MoE，激活 15B。架构底座是混合 SWA（sliding window attention）的混合架构，全模态设计——视觉编码器 MiMo-ViT 加音频编码器联合训练，能同时理解图像、视频与音频。
预训练侧的细节透露了「为 RL 留余地」的思路：RL 之前先做一段宽语料的多模态 mid-training，提供充分的探索空间；上下文从 32K 起步、训练中段扩到 256K。Flash 吃了 48T token（26T 文本 + 22T 全模态），Pro 吃了 30T。这些铺垫的共同目的只有一个：让后面 RL 阶段的探索空间足够大、底座足够稳。
这份账本的价值在于可复制性。1,568 的 batch、16 的组大小、每步 2.7B 到 3.7B 的 token 消耗，每一个数字都能直接抄进自己的训练配置里当起点。以往各家报告要么不披露、要么只给模糊的区间，MiMo-V2.6 是把「规模化的配方」当成卖点来写的——对正在规划自训流程的团队，省去了大量试错。
二、第一根轴：把每一步训练推到 1M 上下文
RL 训练算力的扩展不是「多买卡」三个字。报告给出的配置是：1,568 个 prompt、组大小 16，每步并行 rollout 2.5 万条序列，单步消耗 2.7 到 3.7B 训练 token——摊到每条序列约 11 万到 15 万 token，上下文上限推到 1M。支撑这一切的是全异步训练流水线，数千 GPU 单次运行。
成本披露得非常直接：Pro 的 RL 后训练花了 260 万美元，Flash 花了 90 万美元。 效果曲线同样直接：DeepSWE v1.1 的 average@3 得分，Pro 从 58.4 一路爬到 72.6，Flash 从 48.7 到 65.7，且随累计成本持续上升未见平台期。对纠结「RL 还能不能再投」的团队，这两条曲线就是答案。
三、第二根轴：环境与 harness 的多样性
第二个扩展维度是 RL 环境的广度与复杂度，横跨四个域——代码、通用、视觉、网络攻防——并且在同一套任务上混用多种 agent harness。报告明确指出：同时变化 harness 和任务能提升泛化，这与近期「harness 多样性防过拟合」的一系列研究结论互相印证。
这一段也是全篇工程密度最高的部分：代码任务从多来源构建，经过严格的评估阶段保证监督信号准确；执行检查、rollout 审计、对抗性测试三道工序用于训练前后持续提升奖励可靠性。
四、第三根轴：把算力花在评分器上
最有意思的是第三根轴。传统 RLVR 的奖励是二元测试通过与否，同组候选拿一样的分，信号稀薄。MiMo-V2.6 引入群组智能评分（groupwise agentic grading）：用更强的评分流程对同组候选做细粒度对比，为长程任务提供更准确的奖励信号，并显式引导模型走向更短、更省 token 的解法。grader 的算力开销被正经计入成本结构——报告的图里训练、rollout、grader 三分成本，等于宣告「评分器也算生产力工具」。
五、稳定性：三板斧防住规模化 RL 的两大死因
规模化 RL 的两大死因是训练漂移与 reward hacking。小米的三板斧：
- 冻结 MoE router——路由结构不动，RL 只优化其余权重，杜绝奖励信号引发的路由震荡；
- 多层 reward hacking 防御——训练前用 hack-agent 迭代筛查每个环境的可钻空子性，训练中离线轨迹审计持续监控，发现即回流改进环境；报告的图显示经过几轮清理后可被黑掉的环境占比明显下降；
- 统一轨迹表示加惩罚机制——为混合任务的大 batch 训练提供一致的学习信号。
基础设施侧同样完整：统一轨迹数据结构、多框架高并发 rollout、控制面与数据面解耦、训练推理一致性保障。
六、成绩单与开源包
对比表里 MiMo-V2.6-Pro 与 Claude Opus 5、GPT-5.6 Sol、Claude Fable 5 同台：DeepSWE v1.1 拿 71.9（Opus 5 为 74.0），Terminal Bench 2.1 拿全场最高的 89.9，OSWorld 82.0 基本持平，CyberGym 94.0、MiMo Cyber Bench 80.2 显示攻防域基础扎实；短板是 ExploitGym 17.8 与 ExploitBench 47.9，离前沿还有可见差距。相比上代 MiMo-V2.5，提升幅度是代际级的。
9B 蒸馏模型的数字曲线本身就值得细看：SFT 阶段只把 SWE-bench Verified 从 60.0 拉到 61.1，而 RL 阶段继续推到 66.2；MiMo Code Bench 的变化更夸张，从 19.5 经 SFT 到 51.6、再经 RL 到 59.9；Terminal Bench 2.1 从 27.0 到 37.1 再到 52.8；攻防域的 MiMo Cyber Bench 从 5.7 一路到 47.0。SFT 与 RL 的贡献占比因域而异，这条曲线本身就是「RL 在哪些任务上还有油水」的实证参考。
开源部分诚意十足：轻量版 MiMo-V2.6-Distill-Qwen-9B（RL 后 SWE-bench Verified 66.2、Terminal Bench 2.1 拿 52.8，对比基座 Qwen3.5-9B 的 60.0 与 27.0），四域带验证器的任务环境，端到端 RL 训练框架，以及可组合 mini-harness。训练动态也一并公开。
对研究者，这是少见的可以完整复现的规模化 RL 案例；对工程师，9B 蒸馏模型是眼下单卡能跑的最好的开源代码 Agent 底座之一；对所有关注「模型自我提升」这条主线的人，这份报告把一个模糊的口号拆成了三根可拧的旋钮——这才是它最大的价值。