认识 MiMo-V2.6：小米把训练过程直播给你看，然后抢了开源第一

9 月 17 日凌晨，小米的罗福莉往社交媒体上挂了两个实时看板。

不是宣传海报，是训练数据看板——从此刻起，全世界可以盯着小米这两款模型的强化学习训练曲线看：通过率、轨迹数、每一步烧掉多少钱。

两轮训练，平均每小时烧掉 3.08 万美元。

我承认我看到这个数字的第一反应是：这是一家手机公司该干的事吗？把一个还没发布的模型的训练过程，原原本本地直播出来，包括它卡住、掉点、恢复的全过程。

六天后，也就是 2026 年 9 月 22 日，小米发布并开源了这套模型——Xiaomi MiMo-V2.6 系列。

然后它拿到了 Artificial Analysis 智能指数 46 分，力压 GLM-5.3（45）和 Kimi K3（44），成为该榜单上分数最高的开源权重模型。

还是那句话：一个做手机、做汽车、做充电宝的公司，把开源大模型第一给拿走了。

什么是 MiMo-V2.6

MiMo-V2.6 是小米于 2026 年 9 月 22 日发布并开源的新一代原生全模态大模型系列，包含旗舰的 MiMo-V2.6-Pro 与高性价比的 MiMo-V2.6-Flash 两款模型，均为稀疏 MoE 架构，支持文本、图像、视频、音频四模态输入与 1M token 上下文，权重以 MIT 协议发布在 Hugging Face，可自由商用。

先把规格摆清楚（以下均为官方模型卡口径）：

项目	MiMo-V2.6-Pro	MiMo-V2.6-Flash
架构	稀疏 MoE，总参数 1.02T / 激活 42B	稀疏 MoE，总参数 309B / 激活 15B
激活比例	约 4.1%	约 4.9%
上下文	1M tokens	1M tokens
输入模态	文本 / 图像 / 视频 / 音频	文本 / 图像 / 视频 / 音频
输出	文本	文本
主干	70 层，60 层滑窗注意力 + 10 层全局注意力	同架构族
专家	384 个路由专家，每 token 激活 8 个	—
视觉	681M 参数 MiMo ViT	同
音频	308M AudioTokenizer + 127M audio patch encoder	同
解码	5 层 MTP 投机解码，一次前向预测 7 个 token	同
许可证	MIT（可商用）	MIT（可商用）

注意"原生全模态"这四个字。现在市面上很多模型的多模态是"后接一个视觉编码器"，而 MiMo-V2.6 从架构上就把文本、图像、视频、音频塞进了同一个主干——音频是这次新增的，上一代没有。

还有一个容易被忽略的细节：**5 层 MTP 投机解码，一次前向预测 7 个 token。**这玩意儿不提升智能，只提升吐字速度，直接影响你等答案的体感。后面讲 UltraSpeed 时会再提到它。

顺手提一句参数口径的坑：Hugging Face 页面上有个"model size"标签，那个是下载体积口径，和官方的 1.02T 总参数不是一回事。 比较参数量时请以模型卡写的 1.02T / 42B 为准，别拿下载标签去跟别人比大小。

它有什么特点

• 万亿参数，只醒 4.1%。 1.02T 决定能力上限，42B 决定单次推理成本。**能力按万亿模型算，账单按 400 亿模型付。**这个套路大家都在用，但小米这次把它和极致定价绑在了一起。

• Artificial Analysis 智能指数 46 分，开源权重第一。 版本是 v4.3.2，由 10 项评测合成（含 AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam）。小米公告里给的是 46.32 分。这是第三方实测，不是厂商自报，可信度高一档。

  但要马上泼一盆冷水：**Grok 4.7 (xhigh) 也是 46 分。**AA 自己的表述是"MiMo-V2.6-Pro 和 GLM-5.3 (max) 是当前智能水平最高的开源模型"——46 和 45 之间，隔着的是测量误差，不是代际。

  "开源第一"这个标题，准确的表述应该是：在 Artificial Analysis 这一个榜单的这一个版本上，暂时第一。 它不是"全球最强模型"。离 Claude Fable 5.1、GPT-6 Astra 这些闭源前沿，仍然有肉眼可见的距离。

• 性价比才是它真正想打的牌。 AA 给出的数字是：每个 Intelligence Index 任务约 $0.13，跑完整套评测花了 $206.66。小米自己的说法是同等智能水平下价格约为海外模型的 1/20 到 1/60，有网友拿它和 Grok 4.7 对比，结论是同等智能下 Grok 4.7 大约贵 29 倍。AA 把它放在智能—成本帕累托前沿上。

  定价维持 V2.5 不变（人民币口径）：

  模型	输入（缓存命中）	输入（未命中）	输出
  MiMo-V2.6-Pro	0.025 元/百万	3 元/百万	6 元/百万
  MiMo-V2.6-Flash	0.02 元/百万	1 元/百万	2 元/百万
  MiMo-V2.6-Pro-UltraSpeed	Pro 的 10 倍	—	—

  缓存命中相当于打了 99% 以上的折扣——对反复读同一份长上下文的负载（代码库检索、长文档问答），这个折扣是决定性的。

• UltraSpeed：快 20 倍，贵 10 倍。 小米同步推出 MiMo-V2.6-Pro-UltraSpeed，官方称同等智力水平下输出速度最高提升 20 倍。AA 实测标准 Pro 是 129.7 output tokens/s、首 token 延迟 2.17 秒；UltraSpeed 定价是 Pro 的 10 倍（$4.35 / $8.70 per MTok）。

  快 20 倍收 10 倍的钱，这笔账是划算的。 但它本质上是一个延迟档位，不是一个更聪明的模型——别为了"更快"多付 10 倍的钱去跑批处理任务。

• 这次最不一样的地方：训练过程是直播的。 6 天，30 个 RL step，约 75 万条轨迹。Flash 花了约 85 万美元，Pro 花了约 262 万美元。每个 step：1568 个 prompt × 16 次 rollout，单步消耗 35 亿到 37 亿 token，训练上下文长度最高拉到 1M。

  在 held-out 的 DeepSWE v1.1 上，Flash 从 48.8 → 65.68，Pro 从 58.4 → 72.57。训练任务平均通过率分别相对提升 25% 和 12%。

  把这些数据公开出来，比发一篇论文有诚意得多——因为它同时公开了成本。262 万美元，这个数字让所有人都能算：一次大规模 RL 到底贵在哪。

• 四种 RL 方法，全都写在模型卡里。 这套命名很整齐，值得记住：

  方法	全称	干什么
  GRPO	Group Relative Policy Optimization	全异步大批量：1568 prompts × 16 rollouts，组内归一化算优势，不需要 critic 网络
  GRS	Groupwise Reward Synthesis	离线对比不同 rollout，为具体任务合成评分标准（rubric），而不是套一个通用打分器
  GAR	Groupwise Advantage Redistribution	在线给"通过了的轨迹"排序，把优势往更优解倾斜
  MOPD2	Multi-Prefix Multi-Teacher On-Policy Distillation	RL 之后的蒸馏阶段，学生自主 rollout 混合教师 prefix

  工程细节也交底了：冻结 MoE Router 以减少训练漂移；针对 reward hacking 设了奖励设计、对抗评估、异常检测、验证器交叉校验四层防护；统一了轨迹表示与惩罚机制。

  罗福莉的原话是，MiMo-V2.6 押注大规模 RL 扩展，团队把它视为探索 RSI（递归自我改进）、通往 AGI 的新一步，并直言其创新和工程难度已经超过了 DeepSeek R1。

  这话听着很大，但你得承认：当一家公司愿意把训练成本、奖励设计和失败防护全部摊在桌面上时，"难不难"这件事变得可以被检验了。 反过来说，如果只发一个分数而不发这些，那才叫营销。

• 开源的不只是权重。 这次一起放出来的有：基于 verl 的 RL 训练框架、7000+ 个分类训练环境（覆盖软件开发、漏洞复现、智力劳动、网页设计）、完整技术报告，以及一个 MiMo-V2.6-Distill-Qwen-9B（在 Qwen3.5-9B 上用 MiMo 生成数据做的 SFT，给社区做 RL 研究的起点）。

  7000 个环境这个数字，我认为是这次发布里对社区最有价值的东西。 权重会过时，但"可复现的 RL 环境"是基础设施。你想在自己垂类里复刻这套流程，缺的从来不是模型，是环境。

• 能力边界也要看清楚，官方表里输的地方不少。 小米自己贴的表（DeepSWE v1.1）：Pro 71.9、Flash 67.9，对比 DeepSeek V4.1 Flash 74.2、Claude Opus 5 74.0、GPT-6 Astra 74.0——是接近，不是超越。GDPval 2.1（Elo）Pro 1673，落后 Claude Fable 5.1（1735）和 Claude Opus 5（1708）。

  其他：Toolathlon-verified 76.9、Automation Bench v1.0.6 53.1、Terminal Bench 4.0 仅 34.9、CyberGym Pro 94.0 / Flash 95.1（GLM-5.3 为 84.5）。

  **Terminal Bench 4.0 的 34.9 是个真问题。**这个基准测的正是"在终端里反复试错直到搞定"，是 Coding Agent 烧预算最狠的地方。安全类评测则明显分裂——CyberGym 很强，但 ExploitGym / ExploitBench / SEC Bench Pro 落后于 Claude / GPT 系列。

• 第三方实测也挑出了毛病。 智东西在 OpenCode 里上手测了一轮：多模态和编程水平"尚可"，但存在长时间思考、反复查找目录文件的问题；有开发者反馈 Flash 在 OpenCode 中会不断循环执行命令和读取文件。让 Flash 做小米汽车官网 Demo，页面质量不错、交互流畅，结果搜索嵌进去的图片是奔驰、宝马、奥迪。让 Pro 写赛车游戏，花了 64 分钟，赛道不清晰、初始建模还埋在地下。

  那张"图片是奔驰宝马奥迪"的截图，我会记很久。 它说明的不是模型不会写代码，而是它没有"我是谁"这个约束——这类问题靠 RL 提分是提不上去的，得靠产品层补。

用在哪儿

3D 与游戏内容生成。 给它一段视频、一张图或一句话，它能自己拆任务、协调多个 Agent 搭 3D 场景、实现交互逻辑，并根据渲染结果做视觉检查和迭代。在 Blender 里可以按文本或参考图生成 3D 资产，进而用于动画、3D 打印和游戏开发。

Computer Use 与具身控制。 这是我觉得最骚的一个 demo：模型接收多视角相机画面，持续推理决策，再通过视觉反馈控制 Franka Panda 机械臂，完成物体抓取、颜色匹配和精确放置。模型不再只是"生成文本"，而是接进了一个闭环。

设计与前端。 能产出带版式结构、组件、交互元素和动效的完整前端界面或演示文稿，并可与 Figma 及图像、视频生成工具配合。

视频与音乐。 小米展示的一支产品宣传片，从视觉设计、镜头与动效编排，到音乐创作和卡点剪辑，全部由模型完成。音乐是这代新增能力——官方称强化了音乐理解、审美判断和乐理运用，demo 里有一首叫 Night Road 的管弦乐作品，模型自己完成作曲并转成 MIDI。

科研：这次最硬的两个案例，而且官方明说没有专门做过科研 RL 训练。

• 材料科学：小米让 MiMo-V2.6-Pro 设计一种用于吸附 PFAS（全氟和多氟烷基物质） 的全新金属有机框架（MOF）。在材料专家引导下，模型完成网络检索、文献与专利梳理、提出假设与新颖性评估，再调用开源计算工具搭建仿真环境、计算 MOF 与 PFAS 的结合强度，最终筛选出三种候选框架，交由湿实验验证。这项能力已经用在小米内部的新材料研发里。
• 数学：对 Li 与 Yorke 经典论文《周期三蕴含混沌》的主定理做 Lean 4 形式化。研究者设计探索策略后，模型通过 subagent 协作推进定理陈述与证明，最终项目包含 6000 多行 Lean 代码，通过 Lean 内核完整验证，且没有留下未完成的证明占位符——而模型没有接受过任何 Lean 专项后训练。

6000 行 Lean 代码通过内核验证，没有 sorry 占位符，这件事的含金量比榜单分数高。 因为 Lean 内核是唯一一个不会给你面子的评委：过就是过，不过就是不过，没有"大致正确"这回事。 这种可机器验证的任务，正是大规模 RL 最理想的训练场——这也解释了小米为什么敢把 RL 算力堆到这个量级。

不适合的场景也说清楚：追求极致交付效率的短周期工程任务（实测会"长考"、爱翻目录）、终端重度试错类 Agent（Terminal Bench 4.0 只有 34.9）、以及你现在就想在一台机器上自托管——1.02T 参数的 MoE，权重体积不是闹着玩的。

初体验

三条路，从最省事到最硬核。

第一条，零代码。 直接用 MiMo Desktop（这次同步结束早期访问、发布正式版，Pro 和 Flash 内置，也支持填自己的 API Key）、AI Studio 或 MiMo Code。想先看效果不想折腾，走这条。

第二条，走 API。 OpenRouter 已经上架，模型 ID 已经确认存在（上下文均为 1048576）：

OpenRouter model ID	说明
xiaomi/mimo-v2.6-pro	旗舰
xiaomi/mimo-v2.6-flash	高性价比
xiaomi/mimo-v2.6-pro-ultraspeed	20 倍速档

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_OPENROUTER_API_KEY",
    base_url="https://openrouter.ai/api/v1",
)

resp = client.chat.completions.create(
    model="xiaomi/mimo-v2.6-flash",   # 或 xiaomi/mimo-v2.6-pro
    messages=[
        {"role": "user", "content": "看一下这张架构图，指出三个最可能的性能瓶颈。"}
    ],
)
print(resp.choices[0].message.content)

第三条，自托管。 权重在 Hugging Face（同时上架 ModelScope）：

# 仓库名
XiaomiMiMo/MiMo-V2.6-Pro-RL        # 旗舰，MIT
XiaomiMiMo/MiMo-V2.6-Flash-RL      # 高性价比，MIT
XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B   # 9B 蒸馏版，做 RL 研究的起点

想亲手跑 RL 实验的话，小米把基于 verl 的训练框架和 7000+ 环境一起开源了，Distill-Qwen-9B 就是给你当起点的。

四个坑，提前说：

一是参数量决定硬件。Pro 是 1.02T 的 MoE，Flash 是 309B——这不是"两张 4090 就能跑"的东西。真想本地玩，从 Distill-Qwen-9B 入手，那才是给你准备的玩具。

二是别把 HF 的下载体积标签当参数量（前面说过）。

三是 Flash 在 Agent 场景会打转。第三方实测提到它在 OpenCode 里循环执行命令、读文件。如果你要接 Agent，先用你自己的任务集跑一遍，别直接上生产。

四是 UltraSpeed 是延迟档位，不是更强的模型。快 20 倍、贵 10 倍，只在对延迟敏感的场景才划算。

进阶

如果这篇文章你只记住一件事，我希望是这个判断：

MiMo-V2.6 真正的亮点不是"开源第一"，而是它把"大规模 RL 到底怎么做的"变成了一份可复现的公开材料。

榜单第一这个位子，下周可能就换人——46 分和 45 分之间的距离，扛不住任何一次榜单改版。但7000 个训练环境、基于 verl 的 RL 框架、30 步训练的每一步成本、以及四层 reward hacking 防护，这些是留下来能用的东西。行业里大家都在说"RL scaling"，但愿意把账单和失败防护一起交出来的，没几家。

冷水照例要泼，而且这次要泼在点上：

**46.32 分是第三方实测没错，但"开源第一"只在 AA 这一个榜单的 v4.3.2 版本上成立，且和 Grok 4.7 同分。**小米自己贴的对比表里，DeepSWE v1.1 的 71.9 落后于 DeepSeek V4.1 Flash（74.2）、Claude Opus 5（74.0）、GPT-6 Astra（74.0）——是"接近前沿"，不是"超过前沿"。

**Terminal Bench 4.0 的 34.9 才是更要紧的短板。**终端试错是 Coding Agent 的真实主战场，这个分数意味着它在最烧钱的地方效率不占优。单位价格便宜，和单位任务便宜，从来不是一回事。

我的建议很具体：**先用 Flash 跑一批你自己的真实任务（尤其是带工具调用的长程任务），重点看两件事——一个任务总共走了多少步、以及它会不会在同一个目录里反复打转。**这两件事决定它值不值那个价，比任何榜单分数都准。

再往深一层，我强烈建议你去读那份技术报告里的训练基础设施部分：为什么大规模 RL 必须全异步、为什么要冻结 MoE Router、为什么奖励信号要靠"组内对比"而不是绝对打分。这三个问题，是 2026 年所有做 Agent 后训练的团队都在踩的坑——小米把答案写出来了，还把账单贴上了。

至于"RSI / 递归自我改进"这条路线走不走得通，我的看法是：**现在下结论都太早。**但至少这一次，小米给的不是一句口号，是一堆可以自己跑一遍的东西。

更多开源技术干货和学习资料，关注公众号「遇码」，领取专属福利。