小米MiMo团队攻坚强化学习扩展极限 MiMo-V2.6正训练中

相关团队近期透露，其所属的MiMo项目组已有近半年未对外公布进展，这段时间团队将全部精力投入到一项核心研究中：探索强化学习技术的扩展边界究竟能达到何种程度。

目前，该团队研发的MiMo-V2.6版本正处于强化学习训练的关键阶段。

据介绍，本次版本的训练升级主要从三个核心维度进行了扩展优化：

首先是计算规模层面，每个训练步骤能够处理约20亿Token数据，具体配置为1568个Prompt，每个Prompt对应16次Rollout操作，并且全程采用完全异步的运行模式，最大化提升训练效率。

其次是环境与执行框架体系，团队采用了多任务智能体强化学习方案，并且支持在同一次训练运行过程中混合使用多种不同的Harness/执行框架，大幅提升了训练的灵活性与适配性。

最后是评分器计算模块，团队引入了智能体式的组内信用分配机制，同时结合基于测试用例和标准化评分规则的奖励体系，让训练过程中的反馈更加精准有效。

该团队还表示，未来几周内会逐步将本次升级的相关技术细节对外开源，供行业参考使用。

值得关注的是，当前MiMo-V2.6的强化学习训练过程正在进行实时直播，相关内容可通过公开渠道查看。