10月8日，小米MiMo团队发布技术报告《MiMo-V2.6: Scaling Reinforcement Learning Towards Self-Improvement》，把一套大规模智能体强化学习训练的全过程摊在纸面上。报告同时放出两个模型：MiMo-V2.6-Pro和MiMo-V2.6-Flash，两者都采用稀疏混合专家架构，面向代码智能体、工具调用这类需要多步推理的任务。
两个模型的体量差得不小。Pro的总参数量为1.02万亿，每次推理激活其中420亿；Flash的总参数量为3100亿，激活150亿。这个配比是稀疏混合专家架构的常规做法，模型做得很大，但每次只让一小部分参数参与计算，用来压住推理开销。报告的重点不在模型本身，而在训练方法，也就是怎么用强化学习把智能体的能力往上推。
训练被拆成三块：轨迹采样、评判和训练。每个强化学习步骤先采样1568个提示词，每条提示词同时生成16条轨迹，算下来一步就能产出约2.5万条智能体轨迹。这些轨迹合计27亿到37亿个Token，平均每条序列11万到15万Token，训练上下文最长到100万Token。这种量级意味着每走一步，都要有配套的算力和环境撑着。
任务构成也公布得很细。正式强化学习批次里，代码与竞赛编程任务占68%，是绝对的大头；通用工具使用和视觉设计分别占12%和13%；上下文遵循占3%，网络安全占4%。训练用GRPO算法，配合异步的部分轨迹生成。看得出权重压在代码上，这也和小米把智能体能力往编程场景引的方向一致，视觉设计和工具使用则各留了一块。
最直观的数字是钱。报告披露，MiMo-V2.6-Pro这一轮强化学习后训练的成本约260万美元，Flash约90万美元。这个价格放在前沿模型训练里不算夸张，但它衡量的是单个模型的一次后训练；报告想传递的信息是，规模化的智能体强化学习已经贵到需要认真算账，想靠堆算力把能力推上去，成本曲线会很陡。
把训练配方和成本一起公开，在当前并不常见。国内厂商更习惯只报结果分数，很少把每一步花多少Token、跑多少条轨迹写清楚。这份报告的价值在于可复现的参考：如果团队要自己做智能体强化学习，它能提供一组起点数字。同时它也划出了门槛——单次后训练两百万美元级别，加上环境和评测的开销，不是小团队随手能复制的规模。
申请创业报道，分享创业好点子。点击此处，共同探讨创业新机遇！
