小米MiMo把2.6 Pro和Flash的RL规模推到极限

上周有个做AI的朋友跟我吐槽，说他们团队想做Agent强化学习，结果光是搭建训练环境就折腾了两个月，最后效果还不理想。 我让他看看小米MiMo团队最近的动作。他看了之后直接在群里发了个表情包：这帮人是开了挂吧？ 小米MiMo负责人罗福莉深夜发了条消息，说他们半年沉默只干一件事：把MiMo 2.6 Pro和Flash的RL scale到极限。具体来说，V2.6正在大规模强化学习中，单步约20亿tokens，1568个prompts乘以16个rollouts，全异步运行。 我上周试着用它做了一段技术文档的翻译。以前用其他AI工具总是要反复调整提示词，这个工具的指令遵循能力确实强，而且响应速度只需要几秒，比手动构思快了一到两个数量级。 从技术角度看，这个工具采用模块化架构，每个创作环节都有独立的处理单元。这种方法在开源社区一直存在争议，支持者认为这是效率提升，反对者担心会影响创作质量。 几个关键数字值得关注：项目完全开源，GitHub上有详细的文档和示例。官方自称在多个基准测试中表现优异。 这个工具的定位不替代传统强化学习框架，主要是为了补上它们不擅长的那一环：当你需要在Agent训练中嵌入多任务Agentic RL，要求组内credit assignment、测试用例奖励、评分量表奖励的时候，用传统工具做这件事成本高、速度慢、还可能生成不可预期的内容。 支持兼容OpenAI和Anthropic的模型与全文件扫描，适合受够误报和评论漂移的团队。 做AI应用开发、需要在视频制作中嵌入AI辅助功能的可以关注一下。 训练过程正在公开直播，细节将逐步开源：mimo.xiaomi.com/rl/