小米直播烧钱训练大模型：1小时3万美元

小米新模型强化学习训练开启现场直播，训练成本实时公开：从Pro模型开始训练算起36小时，两款模型已花费超过108万美元，平均每小时3万美元。页面上训练花费、步数、奖励曲线、显卡故障等信息全部公开可查。这种开放训练过程的做法引发围观。

目前MiMo-V2.6的Flash和Pro两款模型训练仍在初期，但已显现能力提升：Pro的dynsam/avg@n从第1步约0.565提升至0.614，Flash从约0.514提升至0.603；最新DeepSWE v1.1离线评测中，Pro和Flash分别达到62.24和60.77，对比DeepSeek-Flash v1.1为74.2%。Flash从更低起点快速追近，Pro保持小幅领先，但Pro训练完一个Step更慢，最新评分尚未出炉。

自4月开源MiMo-v2.5后，小米沉默近半年。负责人罗福莉解释，这期间只研究一件事：强化学习能扩展到多远。小米给出答案：沿三个维度扩展——训练计算量、环境/执行框架、评分计算量。

计算量方面，MiMo-V2.6系列每个训练Step约处理20亿Token，配置为1568个Prompt×每个Prompt 16条Rollout，一轮可能产生超2.5万条Rollout。Agent任务一条Rollout可能经历几十轮思考、工具调用和环境反馈，最终一个Step的Token数可达数十亿级别。系统采用Fully Async完全异步执行，生成、执行、评分和训练不再严格排队，而是组成持续运转的异步流水线。

环境方面，MiMo-V2.6做Multi-task Agentic RL，代码、通用任务、视觉、Chat等不同类型任务可混合到同一次RL Run中训练，并可运行在不同Harness里。直播页面专门展示Batch Composition，告诉外界每个训练Step中模型正从什么任务和环境获取经验。

评分方面，复杂Agent任务的奖励不易获得。代码任务可运行Test Case形成客观反馈，但更开放的Agent任务仅判断最终成败远远不够。关键问题是Credit Assignment：假设Agent连续执行40步最终成功，若只告诉模型“成功，Reward=1”，模型并不知道哪些动作真正帮助成功、哪些步骤毫无必要、哪次修改扭转任务。MiMo特别提到Agentic In-group Credit Assignment，结合同一Prompt生成16条Rollout的方式，利用同组多条Agent轨迹及结果，获得比最终成败更细致的强化学习信号。

三个Scaling方向构成完整体系：扩展计算量让模型产生更多经验；扩展环境和Harness让模型获得更多样经验；更多评分计算量负责从海量经验中提取更准确的学习信号。能否把模型与环境交互、产生经验、评价经验再到学习经验的整个RL循环，也变成一台可持续扩大规模的机器？围观大佬给出更直接翻译：三件事，背后都是算力。