小米团队复盘 MiMo-V2.6 大规模强化学习扩展实践

小米团队发布开源模型 MiMo-V2.6 并系统复盘大规模强化学习扩展实践，为开源社区提供了长程推理与环境构建的工程化经验。

• 团队开展了大规模单次强化学习计算训练，采用 MixRL 框架针对代码及 Agentic 等中等难度可验证任务进行针对性优化。
• 针对难以直接自动化验证或超长周期的任务采用分轨训练策略，并基于 MOPD 算法合并至统一模型。
• 同步开源了从 MiMo 强化学习轨迹中蒸馏的 Qwen 模型、包含 7000 个环境的多样化测试集及完整的强化学习训练框架。
• 影响/看点：全套训练流程与环境集的开源可能降低学术界与开发者复现复杂强化学习的门槛，其实际推理优势能否拓展至端侧与多样化业务场景仍有待进一步验证。
• 资料依据：
• X：罗福莉（2026-09-21）：https://x.com/_LuoFuli/status/2102162926802968749
• GitHub 官方仓库（2026-09-21）：https://github.com/XiaoMi/MiMo-V2.6

本内容由 AI 生成，仅供参考，请注意甄别