小米开源 MiMo-V2.6：百万 Token 多模态模型背后的超大规模强化学习

小米正式发布并开源 MiMo-V2.6 系列，包括 Pro 和 Flash 两款原生多模态模型。两者均支持 100 万 Token 上下文窗口，可处理文本、图像、音频和视频输入，并采用 MIT 许可证，允许开发者下载、部署及商用。

此次发布不仅带来了新的模型权重，更集中展示了小米在大规模强化学习、智能体训练和开放工具链方面的投入。对于希望低成本部署 AI 智能体的团队来说，MiMo-V2.6 的训练方法、价格和配套资源都值得关注。

MiMo-V2.6 Pro 的模型表现

据第三方评测机构 Artificial Analysis 的综合智能指数，MiMo-V2.6 Pro 获得 46 分。按照发布时的榜单结果，该成绩超过 Kimi K3 和 Qwen3.8 Max，并与同日发布的 xAI Grok 4.7 持平。

这一结果让 MiMo-V2.6 Pro 进入开源模型第一梯队。不过，与 Claude Fable 5.1、GPT-6 Astra 等顶级闭源模型相比，其综合能力仍存在一定差距。第三方榜单会随测试方法和新模型上线而变化，因此更适合作为横向参考，而不是模型选型的唯一标准。

一次超大规模强化学习训练

相比单项跑分，MiMo-V2.6 更值得关注的是其背后的强化学习方案。MiMo 团队负责人 Fuli Luo 曾参与 DeepSeek R1 研发。她表示，V2.6 很可能是开源模型团队迄今开展的单次规模最大的强化学习训练之一。

75 万条训练轨迹覆盖完整智能体流程

MiMo-V2.6 Pro 的训练包含 30 个大步，覆盖约 75 万条训练轨迹，每条轨迹平均包含 11 万至15 万 Token，训练成本约为262万美元。

这些训练数据并非简单的一问一答，而是由完整的 AI 智能体工作流构成。模型需要在长链路任务中持续执行和修正，例如：

• 编写、运行和修改代码；
• 调用外部工具完成任务；
• 检查中间结果并定位错误；
• 根据反馈调整策略；
• 在数万步的执行链中保持目标一致。

这类训练更接近真实智能体的工作方式，也对训练稳定性、奖励设计、基础设施和数据调度提出了更高要求。

MixRL 混合训练不同领域能力

MiMo 团队采用了名为 MixRL 的策略，将编程、视觉、网络安全等多个领域的任务放入同一套大规模强化学习训练中，而不是分别训练后再简单组合。

统一训练有助于模型在不同任务之间迁移推理、工具调用和纠错能力。对于验证困难、反馈周期很长的任务，团队则采用独立训练方式，最后通过 MOPD 方法进行能力合并。

Fuli Luo 认为，这次训练面临的研究创新与工程挑战超过了她此前参与的 DeepSeek R1 项目。其难点不只在算力规模，更在于如何稳定组织超长轨迹、异构任务和复杂奖励信号。

Pro 与 Flash 如何选择

MiMo-V2.6 系列同时提供 Pro 和 Flash 两种定位。Pro 追求更高的综合能力，API 定价为每百万输入 Token 0.435 美元、每百万输出 Token 0.87 美元。

Flash 的价格更低，每百万输入 Token 0.14 美元、每百万输出 Token 0.28 美元。尽管成本明显下降，但 Flash 在多项智能体基准测试中仅比 Pro 低数分。

小米表示，在相近智能水平下，该系列的使用价格约为部分海外模型的二十分之一至六十分之一。实际成本仍会受到任务长度、推理模式、并发规模和缓存策略等因素影响。

Flash 更适合大批量智能体任务

对于追求极致能力、需要处理高难度复杂任务的场景，Pro 更具吸引力；而在以下需要高频、批量运行智能体的场景中，Flash 可能具备更实际的性价比：

• 自动化代码审查与基础修复；
• 企业内部文档整理和信息抽取；
• 批量研究、检索与报告生成；
• 长上下文资料分析；
• 多模态内容理解和处理。

开发者在选型时，应同时使用自有任务评估成功率、延迟和总成本，而不应只比较公开榜单分数。

开源训练框架的价值可能超过模型本身

除了 Pro 与 Flash 的模型权重，小米还同步开源了完整的 RL 训练框架、7000 多个强化学习任务环境，以及一个从 MiMo RL 轨迹中蒸馏得到的 Qwen-9B 小模型。

这套开放资源降低了其他团队研究和复现智能体强化学习的门槛。开发者无需从头训练万亿参数级基础模型，也有机会利用现成任务环境、训练框架和蒸馏数据，在自有小模型上验证类似方法。

从行业影响来看，MiMo-V2.6 的意义不只是一款新的开源大模型。它把超长轨迹强化学习、混合领域训练和智能体环境建设进一步带入开放社区，为后续研究和工程实践提供了一套更完整的参考路径。