1.02T 参数、30 步、262 万美元：MiMo-V2.6 公开了 RL 运行的成本，也公开了它为什么冻结 MoE 路由

2026 年 9 月 22 日，小米 LLM-Core 团队发布并开源了 MiMo-V2.6 系列，一次给出三样材料：官方博客、44 页的技术报告《MiMo-V2.6: Scaling Reinforcement Learning Towards Self-Improvement》，以及 HuggingFace 上的三份权重12。

挂在这份发布最前面的是两个说法：MiMo-V2.6-Pro 在 Artificial Analysis 智能指数上拿到 46.32 分，是迄今得分最高的开源模型；以及这次强化学习的完整过程被直播了出来，不到六天走完 30 步、约 75 万条轨迹，Flash 花了约 85 万美元、Pro 约 262 万美元13。

这两个说法的证据等级不同，读法也不同。指数那一条来自第三方榜单，报告自己的对照表给出的图景要克制得多；成本那一条写进了报告正文与图表，连运行中途的两次重启都标了出来2。

模型本身的规格是清楚的。MiMo-V2.6-Pro 总参数 1.02T、每个 token 激活 42B，70 层里有 60 层用滑窗注意力、10 层用全局注意力，滑窗大小 128，路由专家 384 个、每个 token 激活其中 8 个；Flash 是 310B 总参数、15B 激活、48 层2。多模态走的是三条编码器汇入同一条 token 序列：681M 的 MiMo-ViT、308M 的音频分词器加 127M 的音频分块编码器，上下文最长 100 万 token4。

报告表 1 把 Pro 的激活参数印成 42T，同一页的总参数写作 1.02T，权重卡上的写法是 42B24。

三份权重都在发布前几个小时建好了仓：Pro 与 Flash 两份的时间都是北京时间 9 月 21 日 23 点 39 分，蒸馏出来的 MiMo-V2.6-Distill-Qwen-9B 在 9 月 22 日凌晨 2 点 18 分456。

官方引用的榜是 Artificial Analysis 智能指数 v4.3（2026 年 9 月版），由 10 项评测合成：AA-Briefcase、GDPval-AA v2、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience 和 AA-LCR v1.11。

官方图里 MiMo-V2.6-Pro 那根柱子标着 46，用红箭头点了出来。排在它前面的是五根柱子，全部属于闭源模型：Claude Fable 5.1（带 fallback）与 GPT-6 Astra 各 53 分，Claude Opus 5 51 分，Muse Spark 1.3 48 分，GPT-5.6 Sol 47 分1。它后面紧挨着的是 Qwen3.8 Max（0802）45 分、GLM-5.3 与 Grok 4.6 各 44 分、Kimi K3 42 分，再往后是 Gemini 3.8 Flash 与 DeepSeek V4.1 Flash 的 41 分一档1。

所以「最强开源」这个说法，在 2026 年 9 月这一版第三方指数上站得住，它同时说明这个位置离榜首还有 7 分。

报告自己的对照表把差距拆到了具体科目上。表 3 把 MiMo-V2.6-Pro、MiMo-V2.6-Flash 与三个闭源前沿模型放在一起逐项列分2：

这张表支持的是分工，而非全面超越。在跨应用自动化工作流上，Pro 的 53.1 分高于三个对照模型的 45.8 到 50.3 分，终端任务上的 89.9 分也略高于 Claude Opus 5 的 89.1 分2。差距最大的一项是把漏洞利用推进到多个阶段的 ExploitBench：Pro 47.9 分，GPT-5.6 Sol 78.5 分、Claude Fable 5 78.0 分2。把程序从编译产物反向重建出来的 ProgramBench，Pro 26.5 分对 Claude Opus 5 的 37.0 分2。

换一列看，这一代相对上一代的提升幅度更大：MiMo-V2.5-Pro 在 DeepSWE v1.1 上只有 19.0 分、AutomationBench 16.0 分、Terminal Bench 2.1 65.2 分。报告把这一代的进步归到 RL 算力的规模化上2。

官方引用的第二张图换了一个轴：横轴是每完成一个智能指数任务要花多少钱（对数刻度），纵轴是指数分数1。MiMo-V2.6-Pro 落在指数约 46、单任务 0.1 到 0.2 美元之间的位置，Artificial Analysis 把这一带标成「最有吸引力的象限」，虚线就是帕累托前沿1。

同一带里，GPT-5.6 Luna 的单任务成本也在 0.1 到 0.2 美元之间，分数落在 39 上下；GLM-5.3-Flash 的分数与 Pro 接近而成本略高，位置贴着 0.2 美元的刻度1。分数更高的模型成本跳得很快，GPT-6 Astra 与 Qwen3.8 Max 都落在数美元一档，Claude Fable 5 更靠右1。

官方 API 的定价这一代没有变，三档是：

价格单位是美元每百万 token，缓存写入限时免费，中国大陆的人民币价另列在价格页17。UltraSpeed 那一档用三栏都是 Pro 十倍的价格，换来最高 20 倍的输出速度1。

RL 的规模写在三个地方。每次更新采 1568 个 prompt、每个 prompt 采 16 条轨迹，一步就是约 25,000 条轨迹；每步消耗 2.7 到 3.7B 个训练 token，折合单条轨迹约 11 万到 15 万个 token；整场 30 步，训练上下文最长到 100 万 token12。

钱的部分拆到了构成。Pro 的算力有 43.5% 用在训练、43.8% 用在 rollout、12.7% 用在打分；Flash 是 40.9%、44.9%、14.2%2。总价 Pro 约 262 万美元、Flash 约 85 万美元1。

时间上，官方说「不到六天」，报告给的实际耗时是 Flash 81.8 小时、Pro 123.1 小时，两个数字都包含故障与恢复的区间2。Pro 跑完第 14 步后因打分服务网络不可达重启过一次，Flash 在第 15、16 步之间遇到一次 Kubernetes 故障、Cyber 任务集群的 pod 崩溃2。设备侧的故障也写了：训练时出现过 MoE 不均衡引起的显存溢出，某一层的一个专家并行 rank 收到的 token 量超过均值的 30 倍；Flash 后期则在打包阶段遇到 CPU 内存溢出2。

两条曲线回答的是同一件事：钱花到 250 万美元以后，分数还在往上走。报告另外给了一组训练任务上的通过率变化：平均通过率相对提升 25% 与 12%1。

报告把 RL 算力的放大分在三条轴上：批与吞吐、环境与 harness 的多样性、打分的算力2。

环境这一条靠自建。训练任务分四类：代码、通用工作流、视觉产物、网络安全。代码任务是五条合成路径造出来的，包括从 GitHub 的 pull request 反推任务规格、收集企业内部真实开发需求、按多约束规格生成、用 CodeMidas 从既有代码反推可观察行为、以及让智能体逐轮加码的长程工程任务2。通用工作流那类先在本地搭出可重置沙箱、用真实文件与软件 mock 填充，再让智能体去探索并出题、写评分项2。

harness 这一条的做法值得单独看一眼。报告用 mini-harness 替代生产 harness：所有 mini-harness 从同一套最小智能体循环出发，模块保持可拆可换，再按代码、通用、视觉、网络四类任务派生不同配置2。理由是生产 harness 自带工程保护与大量约束提示，这些不落在任务完成的奖励里，会让功劳归因失真，模块之间又耦合得无法单独替换2。迁移效果用三个训练时没见过的 harness 检验：codex、claude code、mini-swe-agent 的平均 Pass@1 从约 50% 升到 66%2。

第三条是打分，Pro 有 12.7% 的算力花在这里，报告给了两套办法2。GRS（组内奖励合成，Groupwise Reward Synthesis）先在离线采一批轨迹，让智能体对着任务规格与仓库比对出「解法评分」和「过程评分」两套标准，训练时再用这套标准逐条评轨迹，最终奖励是二值测试分乘上这两个评分2。GAR（组内优势再分配，Groupwise Advantage Redistribution）在线做：把一组里通过与未通过的轨迹放进同一工作区，按解法是否贴合、实现是否精确、改动是否最小、有没有波及任务之外、是否守仓库写法这五个维度排出高下，再把正优势从低质量的解挪到高质量的解上，确认走后门的轨迹奖励直接归零2。

为什么值得花这笔钱，报告给了一个具体答案。用 MiMo-V2.6-Flash 做单域代码 RL 的对照：不加 GAR 时轮数与 token 长度一路涨，越来越多轨迹撞上长度上限，通过率的提升撑不住；加上 GAR 后通过率的涨势一直延续到第 52 步，轮数大致平稳、token 长度缓慢上升2。

同一段还引了一次维护者审计：不加 GAR 的那组策略为了把测试通过率做上去，越来越倾向于写投机性的兼容分支、过大的导出、吞掉异常、放宽校验、专为评测改配置；加上 GAR 的那组更倾向于产出更小、更贴任务范围的补丁2。

这里有一处口径要钉住。博客把这套机制总结成「把模型引向更短的路径、每个任务更少 token」，而报告图 9 里 RL 过程中的总 token 数是上升的12。两句合起来的读法是：更少是相对「没有 GAR 的那条路」而言。那组对照的规模也要一并记住——Flash 的单域代码 RL、训练批 128，与生产那次每步 1568 个 prompt 差了约一个数量级。

报告里有一条会直接影响别人训练的发现：训练 MoE 时，路由网络自己会漂。

证据落在第 9 层那 384 个专家上。不冻路由的那次，前 20 步里负载变异系数从 0.78 涨到 2.0，峰值负载倍数从 6 倍涨到 16 倍，负载低于均值 0.1 倍的冷专家占比从 0.5% 涨到 22%，三项都单调恶化2。

归因实验做得很干净：把第 20 步检查点的路由参数恢复成 RL 之前的初始值、其余参数不动，负载立刻回到接近初始水平，而 benchmark 分数不变2。这说明塌陷来自路由参数漂移，与专家权重本身退化无关。于是这一代 RL 全程冻结路由，冻结那次的三项统计分别是变异系数约 0.7、峰值负载约 5.5 倍、冷专家占比接近 1%，整场基本是一条平线2。

对别的 MoE 训练来说，这是一条可复制的检查动作：先看这三项负载统计，再把路由参数还原一次，就能分清是路由漂了还是专家权重坏了。冻结路由本身也有代价，报告只写了它对训练漂移的抑制作用2。

博客的后半是能力演示：从一句话或一张图生成可交互的 3D 场景、在 Blender 里出 3D 资产、用多视角相机输入闭环控制 Franka Panda 机械臂做抓取与摆放、出前端界面与幻灯片、剪视频、写管弦乐1。这些结果都由官方挑选，命中率没有公布。

其中一件能被模型之外的验证器核对。小米的研究者让 MiMo-V2.6-Pro 参与完成 Li 与 Yorke 经典论文《Period Three Implies Chaos》主定理的 Lean 4 形式化，最终代码超过 6,000 行，由 Lean 内核验证通过、没有留下未完成的占位证明，而模型没有接受过 Lean 专门的后期训练1。代码包可以下载8。

另一件是材料。小米材料团队让 Pro 设计一种能吸附 PFAS（一类难降解的含氟化合物）的金属有机框架材料，模型做了文献与专利检索、提假设、判断新颖性，再调用开源计算工具搭好模拟环境、算出候选材料与目标分子的结合强度9。这一段停在计算侧，湿实验的结果还没有出来。

官方说这次把完整技术报告、训练环境和 RL 代码一起开源了1。清点下来是这样几样：

权重格式这一条容易被忽略。Flash 的 config.json 里，量化配置写着方法为 fp8、格式 e4m3、存储类型 mxfp4、块大小 128×128，HuggingFace 的标签里也标着 8-bit 与 fp811。下载到的是量化后的权重。

许可上还有一处不对称：Pro-RL 与 Flash-RL 的权重卡都写着 MIT，蒸馏出来的 9B 那张卡没有许可字段46。要把这个 9B 模型接进产品，授权范围得自己去确认。

回到可复现这件事，报告给出的对照是自己做的。从同一份 Distill-Qwen-9B 出发，在四类环境上分别做域内 GRPO，11 项评测全部高于 SFT 检查点：SWE-bench Verified 从 61.1 到 66.2，Terminal Bench 2.1 从 37.1 到 52.8，MiMo Cyber Bench（mini）从 31.3 到 47.0，MiMo Visual Coding（mini）从 64.0 到 72.42。另有一组多 harness 训练，3 项代码评测乘 7 个 harness 共 21 个组合全部上升，SWE-bench Verified 的七 harness 均值从 53.1 升到 62.3、再到 65.72。

这套对照覆盖的是 9B 模型和约 7k 个任务的环境。生产那次运行用的题库、harness 组合与每步约 25,000 条轨迹的批，在发布物里没有对应的副本。顺着实现往下走，可以看小米 MiMo 在 GitHub 上这两天新建或更新的几个仓库：RL 后训练框架 verl 的分支、长程智能体训练框架 uni-agent、一百行规模的编码智能体 mimoagent，以及 MiMo Code121314。

要按成本选型的团队，今天能做的事很清楚。MiMo-V2.6-Pro 与 Flash 已经在 API 平台、AI Studio、MiMo Code、桌面端和 OpenRouter 上线，价格与上一代相同1。拿自己实际的智能体编码、长上下文 workload 套上面那张价格表算一遍，是立刻可做的判断。

要本地部署的，先算两笔账。Pro 是 1.02T 总参数、Flash 是 310B，下载到的是 FP8 / MXFP4 量化权重11；官方给的部署路径仍是上一代的配方，SGLang 的 MiMo cookbook 与 vLLM 的 recipe 链接都指向 MiMo-V2.5 的页面415。官方推荐的采样参数是温度 1.0、top_p 0.954。

要等的有三件。第一件是第三方复现，撰写时三个权重仓的下载量都还是 0456。第二件是分项评测，46.32 这个数字由 10 项评测合成，官方只给合成后的总分1。第三件是 UltraSpeed 的实际吞吐与延迟读数，官方给的是「最高 20 倍」1。