Xiaomi открыла публичную страницу, где можно следить за обучением MiMo-V2.6 с RL. Луо Фули, руководительница команды MiMo, сообщила: за час вычислений команда потратила 207 200 рублей. Общие расходы на обучение двух версий модели уже превысили 1,16 миллиона долларов.
Пользователям доступна панель с ключевыми параметрами. На ней отображаются ход обучения и число обработанных токенов. Также видны затраты на вычисления, количество прошедших через модель сэмплов и динамика внутренних метрик. Сейчас обучаются две версии: MiMo-V2.6-Pro и MiMo-V2.6-Flash. Pro прошла 12 шагов, обработала 301 000 сэмплов и потратила 806 349 долларов. Flash прошла 17 шагов, обработала 426 000 сэмплов и потратила 354 499 долларов. Обе версии уже обработали более 25 и 40 миллиардов токенов соответственно.
По данным NYU Shanghai RITS, обучение MiMo-V2.6 проходит в реальном времени. Финальные веса и технический отчет пока не опубликованы.
Как Xiaomi масштабирует обучение MiMo-V2.6
Луо Фули назвала три направления масштабирования RL-обучения. Первое связано с вычислительными мощностями, второе с разнообразием среды, третье с доработкой системы наград. Для одного шага обучения требуется примерно 2 миллиарда токенов, 1568 промптов и 16 параллельных запусков. Это дает возможность одновременно запускать до 25 000 попыток решения задачи. Получая обратную связь, модель тестирует разные стратегии и выбирает наиболее эффективные.
Второе направление связано с расширением среды. MiMo-V2.6 обучается на нескольких типах задач, включая визуальные и кодовые. В выборку также входят универсальные и чатовые задачи. На панели видны датасеты для работы с изображениями, например visual/dataset-jz3d и visual/dataset-gtaV, с кодом, например code/dataset-4qn, и с общими задачами. Модель учится действовать в разных агентных сценариях, а не ограничиваться одной специализацией.
По данным независимых обзоров, публичный показ RL-тренировки MiMo-V2.6 начался 17 сентября 2026 года, продолжив открытый релиз MiMo-V2.5, который состоялся в апреле того же года. Для индустрии масштабных AI-моделей подобный же шаг считается редкостью.
Третье направление касается развития системы оценки. Команда внедрила агентный механизм распределения наград: он объединяет тест-кейсы и рубрики, чтобы точнее оценивать ответы модели. В сложных многоэтапных задачах модель получает отдельную награду за каждый шаг и может вырабатывать более эффективные стратегии. По данным панели, средние значения наград обеих версий стабильно растут. У Pro показатель увеличился с 0,55 до 0,582, у Flash, с 0,52 до 0,570.
Что показывают метрики и зачем Xiaomi раскрывает процесс
Панель дает возможность следить за расходами и изменениями в способностях MiMo-V2.6. Сейчас Pro набирает 63,72 балла на бенчмарке DeepSWE v1.1, а Flash, 60,77. Тест оценивает навыки программирования и работы с кодом. Еще один заметный показатель, длина контекста: обе версии уже работают примерно со 100 000 токенов. Это важно для сложных агентных задач, где необходимо учитывать длинные цепочки действий и результаты работы инструментов.
Большинство компаний публикует итоговые баллы и параметры, тогда как Xiaomi открыла и сам процесс обучения. Теперь любой может наблюдать за изменением метрик и ростом затрат, пока модель постепенно усложняется. Подобный же подход показывает связь между расходами на вычисления, развитием способностей модели и ее адаптацией к разным средам.
В других новостях о мобильных технологиях производители обычно показывают характеристики и итоговые возможности устройств, не раскрывая внутреннюю кухню разработки. Например, об этом писали ранее.
Открытость Xiaomi в вопросе RL-обучения MiMo-V2.6 редка для индустрии, где подобные процессы обычно скрыты. Для пользователей Android это показывает, что компания вкладывается в развитие AI и делится результатами, включая сложности масштабирования. Если Xiaomi продолжит публиковать динамику обучения, пользователи смогут оценивать затраты и темпы развития модели в области агентных технологий.
