开源阵营把筹码押在可验证强化学习上：解读 Xiaomi MiMo-V2.6

当业界仍在争论规模化预训练是否见顶时，小米用一场持续六天的 Live 强化学习实验给出了另一种回答：智能的下一跳，可能不在更大的语料堆里，而在更长、更难、可被验证的交互轨迹中。

Xiaomi MiMo-V2.6 系列（Pro / Flash）发布并开源。它不只是又一个开源权重包——这是一次把 RL 算力扩展与**递归自我改进（RSI）**叙事写进公开训练日程的尝试。对 Anthropic、OpenAI 等前沿实验室而言，真正值得关注的不是榜单分数本身，而是开源阵营正在用可复现的工程路径，逼近过去只属于闭源阵营的训练范式。

事件：六天 Live RL，训练成本写进公开日程

MiMo-V2.6 的发布节奏本身具有新闻性。团队将 RL 训练过程以 Live 形式公开：不到 6 天，Flash 与 Pro 的训练成本分别约为 85 万美元与 262 万美元，各完成 30 步，累计约 75 万条轨迹。

结果侧，训练任务平均通过率相对提升 25%（Flash）与 12%（Pro）；样本外长程软件工程基准 DeepSWE v1.1 分别提升约 17 分（48.8 → 65.68）与 14 分（58.4 → 72.57）。这组数字同时展示了 RL 的样本效率、持续改进能力与样本外泛化——把可复现性从口号变成了交付物。

RL 算力扩展的三条轴

技术路径：RSI 不是玄学，而是可度量的扩展

小米将本次 RL 算力扩展拆成吞吐、任务复杂度与 Grader 算力三条轴。在稳定性侧，团队冻结 MoE Router 以抑制专家负载漂移，并建立覆盖奖励设计、对抗性评测、异常检测与验证器交叉校验的 Reward Hacking 防线。统一轨迹表示、控制面/数据面解耦、混合批次配比优化——这些工程细节往往决定大规模 Agentic RL 是“能训完”还是“训到崩”。

专栏判断： 小米对 RSI 的表述相对克制——不是宣称模型自我改写权重，而是强调“可验证复杂任务 → 规模化 RL → 持续拓展边界”的递归循环。这种定义更接近社区可检验的研究纲领。

从 Vibe Coding 到 Vibe World

科研与创作：通用推理正在吞下专业化任务

科研侧两个案例值得前沿实验室注意：其一，材料 Co-Scientist 围绕 PFAS 吸附的 MOF 设计，完成文献/专利梳理、假设提出、新颖性评估，并调用开源计算工具做“干实验”筛选；其二，在研究员探索策略引导下，模型协助完成 Li–Yorke《周期三蕴含混沌》主定理的 Lean 4 完整形式化，约 6000 余行源码通过内核核验，且未接受 Lean 专项后训练。

创作侧（前端/PPT、端到端视频、管弦乐 Demo）则指向另一信号：审美与工程正被同一套优化目标拉齐。Design Arena 上与 Claude Opus 5、GPT-5.6 Sol 接近的表述若属实，说明“好不好看”正在从软性评价变成可优化指标。

智能—成本曲线：开源模型最锋利的武器

官方口径下，MiMo-V2.6-Pro 在 Artificial Analysis Intelligence Index 取得 46 分，超过 Kimi K3 与 Qwen3.8 Max，成为当前最强开源模型；与最强闭源仍有差距。但真正的产业冲击力来自定价结构：沿用 V2.5 API 价格，智能提升、价格不变。在同等智能水平下，价格约为海外模型的 1/20 至 1/60。

这意味着两件事：对企业买家，开源权重 + 极低推理成本 + 可本地化部署，正在把前沿能力从订阅制产品变成可嵌入基础设施；对前沿实验室，差距仍然存在，但差距的定价权正在被稀释——客户会开始用“单位任务成本”而不是“品牌安全感”做采购决策。

开源交付：把训练配方也交出去

本次开源不止模型权重与技术报告，还包括 7k+ 高质量 RL 任务环境（软件工程、漏洞复现、知识型工作、网页设计开发）、基于 verl / uni-agent / mini-swe-agent 的端到端 RL 训练框架，以及支持 Multi-Harness Training 的轻量可组合 Harness。

以 MiMo-V2.6-Distill-Qwen-9B 为起点的复现数据同样公开：SWE-bench Verified 61.1→66.2，MiMo Cyber Bench 31.3→47.0，Terminal Bench 2.1 37.1→52.8，MiMo Visual Coding 64.0→72.4——11 项评测均较 SFT 基线提升。

这是对前沿实验室的间接提问：当任务环境、奖励管线与 Harness 组合方式都进入公地，闭源优势还能在多长时间内仅靠更大集群与更密闭的数据飞轮维持？

对前沿实验室的三点启示

1. RL 算力扩展正成为新的差异化战场。 预训练规模竞赛并未消失，但叙事重心已转向更长交互、更可信奖励、更强样本外迁移。

2. 可验证性是 RSI 的入场券。 把 RSI 锚定在可验证复杂任务上，回避了权重自我重写等更激进主张，也让 Reward Hacking 防御与验证器交叉校验成为一等公民——与可扩展监督的研究对话空间反而变大。

3. 开源正在复制能力前沿的轮廓。 轮廓复制不等于峰值超越，但足以改变市场结构。竞争焦点将转向延迟与吞吐、垂直集成，以及企业级可控与合规。