小米正式发布了开源原生全模态大模型 MiMo-V2.6 系列。旗舰规格 MiMo-V2.6-Pro 采用稀疏 MoE 架构，总参数量约 1.02T、激活参数约 42B（即 1T-A42B），支持 100 万 tokens 上下文窗口，并在 Artificial Analysis 智能指数中以 46 分升至开源模型榜首，单任务基准测试成本压至 0.13 美元。伴随模型发布的，还有原 DeepSeek 核心工程师罗福莉等团队成员公开的强化学习实时看板。
但在社交网络迅速发酵的“300 万美元训出前沿大模型”叙事，存在明显的认知错位。把后训练阶段的算力消耗等同于造出大模型的全套开销，不仅误读了真实账本，更掩盖了当前大模型演进重心正在发生的实质转向。
拆解 262 万美元账本：预训练退位，智能体强化学习接棒
外界流传的极低成本，对应的是 Pro 版本强化学习（RL）后训练阶段耗费的 262 万美元，轻量版 Flash 在该阶段的支出则约为 85 万美元。两款模型在不到 6 天内完成了 30 步迭代。
这笔账单绝非从零构建基座的全部开销。海量多模态数据的预处理、清洗以及千亿级 MoE 底座的预训练算力沉没成本，并未计入这 262 万美元之中。脱离既有的成熟预训练权重去谈极低造价，在工业界毫无实操意义。
决定模型能力跃迁的主战场，正在从不计成本的蛮力预训练转向高密度的后训练自进化。
这笔支出的真正价值，在于验证了大规模智能体强化学习（Agentic RL）作为后训练加速器的成立。过去业界习惯将算力大头押注在通读互联网网页的预训练上，而小米的账本展示了另一种分配路径：用高强度针对性强化学习激活大容量稀疏模型，在数天之内将基座模型的复杂任务能力拉升至前沿梯队。
把后厨端上桌面：异步 GRPO 与高吞吐下的工程硬仗
支撑这轮模型快速进化的关键，是小米自研的异步 GRPO（Group Relative Policy Optimization）强化学习系统。系统在单步更新中整合了 1,568 个 prompts，每个 prompt 并行展开 16 次 rollout，单步更新产生的执行轨迹最高达到 25,088 条，单步吞吐量稳定在 35 亿至 37 亿 tokens 之间。
在这套流水线下，Pro 与 Flash 在整整 30 步迭代中累计消化了约 75 万条轨迹。数据反馈直接映射在下游代码能力上：Pro 在严苛的 DeepSWE v1.1 基准测试得分从 58.4 跃升至 72.6，Flash 则从 48.8 提升至 65.7。
相比亮眼的测试分数，更罕见的动作是训练团队上线了实时监控看板。看板没有滤掉工程瑕疵，而是直接暴露了真实的系统崩溃现场：多次因节点显存溢出引发的训练骤停、MoE 专家网络分配严重不均导致的计算倾斜、判分节点与训练节点之间的跨网络通信超时，以及若干次被迫回滚的作废尝试。
以往大模型发布会大多只展示平滑上扬的学习曲线，把杂乱无章的工程代价藏在公关辞令之后。将未修饰的训练遥测公之于众，一方面确立了技术硬实力，另一方面也向行业表明：前沿强化学习从来不是写好损失函数就能自动收敛的算法黑盒，而是一场依赖高容错调优与重度系统工程的贴身肉搏。
7000 个交互环境之外：测试防线与真实业务温差
技术开源的彻底程度是 MiMo-V2.6 引发社区关注的另一诱因。小米此次直接采用了 MIT 开源协议，不仅同步公开了模型权重、全套端到端 RL 训练框架，还放出了 7000 多个任务交互环境代码，甚至开源了作为对照的 Qwen-9B 蒸馏构件。该构件在经过小米强化学习套件清洗训练后，SWE-bench Verified 得分从 61.1 抬升到了 66.2。
但这并不意味着开源模型可以毫无阻力地接管生产业务。开源社区的兴奋很快迎来了实际落地的冷静审视。
一方面，公开监控看板代表着极高的工程透明度，但透明度不等于跑分绝对保真。7000 多个交互环境的代码虽然开源，但底层任务的数据生成链路、去重清洗细节以及环境防作弊策略尚未全部开放审计。如果环境构建缺乏严格的训练集与测试集物理隔离，评测结果就难以彻底摆脱针对特定沙盒过拟合的嫌疑。
另一方面，早鸟开发者在实操接入中也指出了温差。MiMo-V2.6-Pro 在多步工具调用和长代码排查上反应迅速，但在实际生产链路中，模型往往倾向于产生冗长的高密度推理 tokens，导致实际处理延迟与推理算力消耗高于预期，部分交互依然需要复杂的 prompt 人工引导。此前 MiMo-V2.5 留给部分工程师的稳定性顾虑，仍需要时间在真实生产环境中消化。
- 建议.计划将 1T-A42B 模型引入生产管线的研发团队，应先自建私有业务闭环沙盒，重点核算实际推理 tokens 吞吐与长程调用的稳定性，切忌直接按基准榜单指标预估生产承载力。
- 风险.若缺乏第三方机构对评测沙盒、防数据污染机制进行严格交叉审计，模型在榜单上的强势表现与真实复杂场景表现之间的落差，仍将是技术选型的主要潜在代价。