小白爱摸鱼
@chaozuoye
小米把 MiMo-V2.6 的 RL 训练栈整个开源了——不是只丢权重，是环境、奖励、轨迹、训练代码一起给。仓库：github.com/XiaomiMiMo/ver…
公开的训练细节足够有料：6 天 Live RL（Flash／Pro 各 30 step，累计约 75 万条轨迹）；每步 1568 个 prompt 的超大 batch、约 35–37 亿 token、最长 1M 上下文；训练成本首次明码标价——Flash 约 85 万美元、Pro 约 262 万美元；效果侧给的是样本外长程 SWE 的涨幅（DeepSWE v1.1：Flash 48.8→65.7、Pro 58.4→72.6），9B 蒸馏起点的复现数字也一并列了。
开源清单：7780 条覆盖软件工程、漏洞复现、知识型工作、网页开发的 RL 环境，端到端框架（verl＋uni-agent＋mini-swe-agent），以及可执行 Docker 环境与可验证奖励。
"训练成本公开"这一项，今晚大概是最贵的一个数字。85 万与 262 万美元把"RL 训练"从形容词变成了名词——此前各家对成本讳莫如深，外界只能靠猜；把账单亮出来，行业才算有了一把尺：同样的涨幅，你的团队花得起吗？这也让"开源环境"的价值更清楚——环境与奖励是最耗人力打磨的部分，交出来等于把最贵的人力沉没成本送给了社区。
"不只是权重"这句话是这份开源真正的分量所在。今晚聊过 Agentic RL 该开源什么——只开模型权重，别人只能复现结果、不能复现过程；小米这次把7780 个环境、可验证奖励、Docker 化的执行现场一并放出，等于把"怎么训"的整条流水线摊开。
这与"traces 当燃料"、"公共数据得先对"两条接起来，正是训练线连日讨论的落地版：模型的差距会追平，基建的差距才是护城河——而把基建开源出去的团队，赌的是别人追得上环境、追不上节奏。
"可验证奖励"值得单独说一句。RL 的老问题是奖励难以判定——写得松，模型学会作弊；写得严，训练寸步难行；可验证的规则式奖励是把"判卷"交给机器的第一步，也是今晚"完成判定"那格在训练侧的回声——只有判卷可靠，学习才真的发生。
给想用的人一句落地的：先别碰那 75 万轨迹——挑一个最贴近你场景的环境类别（比如网页开发），用 9B 蒸馏起点复现一条最短的提升曲线；跑通了，你手里就有了一套"成本、涨幅、复现路径"的完整参照，再决定是自训还是等它出下一版权重。
