You Only RL Once：小米開源 MiMo-V2.6 Pro 與 Flash，代理任務成績直逼 Claude Opus

9 月 21 日約 15:39 UTC，Hugging Face 上的 XiaomiMiMo 組織悄悄將三個儲存庫設為公開：MiMo-V2.6-Pro-RL、MiMo-V2.6-Flash-RL 與 MiMo-V2.6-Distill-Qwen-9B。沒有發表會、沒有直播、沒有倒數。過去一週小米透過公開儀表板直播強化學習訓練過程——熵曲線、基準檢查點、甚至一次坦承的 VRAM 當機——的那個模型，權重就此以 MIT 授權開放任何人下載。

這為近年開源權重史上最不尋常的一次發布週期畫下句點。多數前沿實驗室是在出貨後才發布一份精心整理的技術報告；小米則是在發布前一週，讓所有人公開看著模型變強。現在成品全部攤在陽光下：兩個稀疏混合專家（MoE）模型、一個蒸餾學生模型，以及足以自行部署的架構細節。

這次釋出了什麼

旗艦 MiMo-V2.6-Pro-RL 是總參數 1.02 兆、啟動參數 420 億 的稀疏 MoE——規模與前代 V2.5 相當，但這次是原生全模態：文字、影像、視訊、音訊走進同一個模型，上下文長度 100 萬 token。視覺由 6.81 億參數的 MiMo ViT 編碼器處理（28 層：24 層滑窗 + 4 層全域注意力），音訊由 3.08 億參數的 AudioTokenizer 搭配 1.27 億參數的音訊 patch 編碼器（每 patch 四幀）負責。一個 5 層的多 token 預測（MTP）起草器每次前向傳遞預測 7 個後續 token，用於投機解碼。

兄弟作 MiMo-V2.6-Flash-RL 保留全模態設計但大幅壓縮：總參數 3,090 億、啟動 150 億，256 個路由專家每次觸發 8 個，同樣支援 100 萬 token 上下文。兩個模型共用混合骨幹——Pro 版為 70 層，其中 60 層滑窗注意力、10 層全域注意力——稀疏 FFN 中沒有共享專家。

第三個釋出項目最容易被忽略：MiMo-V2.6-Distill-Qwen-9B，從旗艦蒸餾而來的 90 億參數學生模型，外加 RL 訓練環境本身。對一個看慣了「實驗室給權重、不給鷹架」的社群來說，把訓練環境一起公開，可能才是這次投放更大膽的那一半。

成績單

模型卡裡的評測表對企圖心毫不掩飾。代理編碼方面，MiMo-V2.6 Pro 在 DeepSWE v1.1 拿下 71.9——距 Claude Opus 5（74.0）僅 2.1 分，領先 GPT-5.6 Sol（73.0）與 Claude Fable 5（70.0）。但真正的故事是與前代的對比：MiMo-V2.5 Pro 在同一基準只有 19.0。一個世代，進步 52.9 分。

通用代理呈現同樣格局。Toolathlon-Verified 上 Pro 拿 76.9，對比 Opus 5 的 80.6；AutomationBench v1.0.6 拿 53.1，領先表上所有閉源對手（Opus 5 為 50.3）；Agents’ Last Exam 與 Opus 5 同為 31.6；Terminal Bench 2.1 拿 89.9，小勝 Opus 5 的 89.1。某些項目差距仍然明顯——ExploitBench 閉源模型拿 78.5 而 Pro 為 47.9，Terminal Bench 4.0 仍是閉源強項（49.0 對 34.9）——但趨勢無可誤認：在代理任務上，開源前沿已逼近到誤差範圍內。

第三方量測也支持這個說法。Artificial Analysis 給 Pro 模型 46 分智慧指數，為開源權重模型史上最高。在小米內部測試環境，DeepSWE 為 72.57（Pro）與 65.68（Flash）。

You Only RL Once

真正有趣的工程在於能力怎麼煉出來的。團隊的說法是「將強化學習規模化以邁向自我改進」，模型卡描述的配方確實少見：

• 單一混合 RL 執行涵蓋編碼、通用代理、視覺與資安四大領域——「You Only RL Once」——而非按領域分開做後訓練。多個測試環境的任務混進同一批次，讓能力互相強化、策略可遷移到訓練時沒見過的環境。
• 全非同步 GRPO 搭配超大批次：每步 1,568 個提示 × 16 個 rollout，每次更新數十億 token。
• 群組代理評分構成自我改進迴路。二元通過/失敗無法為「都通過」的解法排序，所以小米連評分器一起規模化：Groupwise Reward Synthesis 離線從對比 rollout 建立任務專屬評分規則，Groupwise Advantage Redistribution 線上為通過的軌跡排序，把優勢移向更高品質的解法。以模型自身樣本為裁判，這個迴路促使模型走向更短路徑、更少 token。
• 對齊的 RL 從冷啟動開始——模型從自我修正出發，把自己未對齊的回合改寫成有根據的下一步——訓練全程以環境強化、對抗篩選與驗證器交叉檢查防守 reward hacking。
• MOPD2：混合 RL 之後的多前綴多教師同策略蒸餾，結合學生自主 rollout 與前綴條件化的教師／SFT rollout，讓難以驗證的任務也能訓練決策點，不必重新生成整段歷史。

資安成績暗示混合訓練確實外溢到純編碼 RL 觸及不到的地方：CyberGym 94.0/95.1（Pro/Flash）、MiMo Cyber Bench 80.2/77.2，對比 V2.5 Pro 的 40.0 與 0.0。

自己跑

SGLang 與 vLLM 的部署配方都已公開。Pro 的 SGLang 參考配置不算親民——tensor parallel 16、expert parallel 16、DeepEP all-to-all、雙節點、多層 EAGLE 投機解碼——但 Flash 版 150 億啟動參數讓認真的單節點設備也能負擔，預建的 vllm/vllm-openai:mimov25-cu129 映像檔可直接沿用。建議取樣參數：temperature 1.0、top-p 0.95。模型也透過小米 Open Platform API、AI Studio、MiMo Code 終端代理、MiMo Desktop 與 OpenRouter 提供服務；Xiaomi 平台上的 UltraSpeed 版本宣稱推理吞吐最高 20 倍。

為什麼重要

這次發布不只是一次權重傾倒，原因有二。第一，MIT 授權、零使用限制，讓一個逼近前沿的代理模型直接進入可商用區——時間點正好卡在 Harvey、Abridge、Decagon、Ramp 等企業 AI 新創因閉源模型 token 經濟學壓垮毛利、公開轉向開源權重的當口。一個在 Agents’ Last Exam 與 Claude Opus 5 打平的 46 分全模態代理，現在是「可以拿來蓋產品」的選項，而非研究標本。

第二，這次發布完成了一場透明化實驗。一週的 RL 直播已是創舉；連 RL 環境都隨權重一起釋出，代表社群有機會重現整個迴路，而不只是拿到模型。前代的成績單也幫了忙：MiMo-V2.5 Pro 在本地 LLM 圈建立了真實採用，Reddit 對 V2.6 的反應則是預期中的組合——對基準成績興奮，同時提醒「實際表現可能因情境而異」。

開源權重競賽一直是中國實驗室之間的跳蛙遊戲——Kimi、Qwen、DeepSeek、StepFun，現在又輪到小米。9 月 21 日起，領先徽章暫時別在 MiMo-V2.6 Pro 身上。能戴多久沒人說得準；以這個節奏，答案是幾週，不是幾個月。