小米MiMo-V2.6强化学习直播页解读：手把手看懂训练仪表盘

一句话总结：这个页面是小米MiMo-V2.6两次强化学习训练的实时仪表盘，所有数字都从训练器日志直读；这篇不聊观点，只带你从页面最顶上开始，一个指标一个指标往下看，看懂每个数是什么意思。

如果你刚打开MiMo RL直播页会有点懵：满屏英文指标、跳动的数字、两个并排的训练任务。别慌，你可以把它当成F1维修区的遥测大屏。下面就是你的解说员，顺序和页面完全一致。行文里中文是人话翻译，后面跟的反引号英文就是页面上的原名，照着找就行。

最顶上：导航栏的总账单和四个时钟

页面最顶的导航栏只有两样东西：两个训练任务的合计账单 total cost，以及北京、洛杉矶、纽约、伦敦四个时钟。

合计账单是跳动的，算法很直白：每秒单价乘以已跑秒数。我核对接口时（北京时间9月17日9点50分左右），Pro每秒5.71美元，Flash每秒2.86美元，合计每小时约30834美元，总账单约116万美元。旁边再加从训练器日志直读的副标题，点明这是两次强化学习训练的实时记录。右边三个标签是总览 overview、指标 metrics、说明 about，外加一个明暗主题开关。说白了，顶栏回答两个问题：烧了多少钱，现在几点。

公告栏：先看通知再看数

往下最先看到的是公告栏 notices，有公告才出现，按最新排在最前面。当前有两条：一条说Pro因为单个节点的显存问题正在重启，另一条说刚更新了双方的离线评测分数，后续还会继续贴。

看仪表盘的老手都是先看公告再看数。公告告诉你数字背后的事：曲线断了是因为重启，分数变了是因为刚判完卷。你想啊，不看这栏，你会把一次显存故障误读成模型学崩了。

训练状态行：名字、步数、计时器和阶段条

每个训练任务都有一行状态条，从左到右是四组信息：名字加进行中标记 in progress、超大字号的当前步数 step、累计耗时加开始时间 started ... UTC、阶段进度条 phase。

以快照为例，Pro跑到第12步，Flash跑到第17步，Flash起跑晚但步子快。计时器显示从开跑到现在的累计时长，开始时间按UTC标注，Pro是9月15日18点32分，Flash是当天23点16分。阶段条最值得看：处在 rollout 表示模型正在环境里干活产出尝试，处在 training 表示正在拿尝试更新模型，进度条就是本步走了多远。快照里Pro处在生成轨迹阶段约26%，Flash处在训练阶段约69%。你可以理解成先让学生做卷子再讲卷子，阶段条告诉你现在是做卷子时间还是讲卷子时间。

六个关键数字：从标题指标到账单

状态条下面跟着六个格子，这是全页信息密度最高的地方，一个个过。

左起格是标题指标 dynsam/avg@n · Δ vs step 1，也就是平均通过率：同一道题试16次、通过的占比再平均，后面跟着相对第1步的变化箭头。快照里Pro约0.609，相对第1步0.565涨了约0.044；Flash约0.586，相对第1步0.514涨了约0.072，箭头向上就是变强，向下就是回落。

接着是当前已花费 cost so far，数字按秒往上跳。然后是本步Token数 tokens · step 和累计Token数 tokens · total，快照里Pro本步约23.3亿、累计约250亿，Flash本步约27.4亿、累计约405亿。再往后是累计训练样本数 samples trained，Pro约30万，Flash约42.6万。压轴的是训练批量规格 train batch size × n：1568个提示词乘以16条轨迹，意思是每步固定喂1568道题，每道题试16种解法。说真的，记住1568乘以16，全页一半的数字就都有了分母。

科普：提示词、轨迹和Token是什么关系

一道题叫一个提示词 prompt，模型解一次叫一条轨迹 rollout，轨迹里的每个字按Token计费。1568道题乘以16次尝试等于超过2.5万条轨迹，而Agent的一条轨迹不是一问一答，可能包含几十轮思考、工具调用和环境反馈，所以单步能堆到20多亿Token。题量乘以尝试次数再乘以每条轨迹的长度，就是账单的形状。

离线评测：DeepSWE记分牌

再往下是离线评测区 benchmarks，当前只有一块记分牌：DeepSWE v1.1，括号里写着测试方法 mini-swe-agent, avg@3，也就是迷你编程智能体平均测3次。卡片标题是评测名加测试方法，每个模型一行最新分加一条随步数变化的曲线，曲线上每个点都是一次考试。

分数是Flash第12步60.77分，从第1步48.67分涨上来；Pro第8步62.24分，接口里还出现了第10步63.72分。离线评分总比训练步数慢半拍，判卷子本来就需要时间。看这个榜要看斜率不要看名次：Flash从更低起点快速追近，Pro保持小幅领先，训练才1天多，现在看的是涨势。

18张置顶图表：按页面顺序一张张过

接下来是18张置顶图表的大方阵，页面顺序固定，点任何一张都会弹出大图和统计。分成四组讲完，每组先报原名。

奖励与通过率组打头，一共四张：dynsam/avg@n、 Critic 平均奖励 critic/rewards/mean、全军覆没占比 dynsam/passrate/zero、全对占比 dynsam/passrate/one。平均通过率和平均奖励是双胞胎，一个看16次尝试里通过的占比，一个看拿去训练的轨迹平均得分，互相印证。全军覆没和全对记录16次全错和全对的题各有多少，训练变强的样子就是前者越来越空、后者越来越多。

策略体检组是四张：策略熵 actor/entropy_loss、策略梯度目标 actor/pg_loss、梯度范数 actor/grad_norm、推理与训练一致性 train_infer_diff/new_infer/kl。策略熵是模型每一步的纠结程度，熵高说明还在到处试，塌到接近零说明只会一招了。策略梯度目标控制每次更新的步子别迈太大，梯度范数是更新的力度，突然爆炸式上涨往往意味着训练要出事。一致性指标衡量推理引擎和训练器对同一个Token的分歧，分歧大了说明两套系统各说各话。普通读者记住一句话就行：奖励涨、熵没塌、梯度没炸，就是健康的一步。

规模与耗时组回答系统撑不撑得住，一共六张：单步Token数 perf/total_num_tokens、上下文长度 ctx_total_length/mean、平均回合数 dynsam/agg_turn/mean、整步耗时 timing_s/step、生成环节耗时 timing_s/outer_gen、训练器环节耗时 timing_s/trainer_ops。前三个合起来描述活越干越复杂，后三个拆开告诉你时间花在哪，生成环节拖后腿多半是环境和沙箱的问题。

基础设施组是最诚实的一组，一共四张：基础设施失败占比 dynsam/infra_error/seq_rate 记录卡坏了、环境挂了造成的浪费，飞行沙箱数 env/active 显示同时开着多少个考场，平均陈旧度 partial/avg_staleness 记录样本被采集和被拿去训练之间隔了几个策略版本，可测提示词数 dynsam/num_measurable 说明本步有多少题是有效考试。异步流水线不停转的代价就是样本可能是旧版本策略采的，陈旧度就是在量化这个时差。

实时采样：动态采样器的两张表

每个没跑完的任务下面都跟着动态采样区 dynamic sampler，左边是动态 feed，右边是数据源表 data sources。

动态按最新排在前面，只收最近40条，分三种。采样报告长这样：收录比 accepted/target、已判分 judged、通过率 pass、样本数 n、剩余 remaining 外加部分完成 partial 和判分中 rewarding 的数量、预热任务数 prewarm。步骤完成行写着第几步做完、指标值多少、相对上一步涨跌多少、本步多少Token。重启行只有一句话：训练器重启了。说白了，左边是训练过程的施工日志。

右边是当前这一步的数据源表，标题写着步骤号加收录比，也就是 step N · accepted X/Y。表格每行一个数据集：收了多少、目标多少、进度条、剩余 remaining、已判分 judged、飞行中 in flight，底部还有合计 total 行。已判分空着的格子表示还没轮到判，飞行中表示正在环境里跑。这一桌就是1568道题的实时点名册。

批次组成：每步的样本拼盘

再往下是批次组成区 batch composition，副标题写得直白：每步的样本是由什么构成的，也就是 what each step's samples are made of。左上角能切换三个维度：按数据源 data source 还是按执行框架 harness 看，看Pro还是Flash，用数量 count 还是用占比 share。

数据源视图是代码、通用、网络安全、视觉、对话五类任务的堆叠图加占比表，表格列是类别、数据源数、提示词数、占比、占比变化，每类占多少、相对上一步涨跌几个百分点。执行框架视图则按智能体运行环境拆分。堆叠图看趋势，表格看最新一步的精确配比。这一区回答的是模型这一步到底上了哪几门课、每门课多少节。

页脚和其他入口：指标页、说明页与弹窗

容易错过的还有三处。指标页是全部指标的搜索树，支持按关键字过滤 filter tags，点任何指标出大图，弹窗里有最新值、涨跌、最小、最大、平均和有效点数。说明页是项目的自我介绍。页脚只有一句话：开放是我们珍视的东西，外加官方账号链接。等某个任务跑完，页面还会多出时间线区 timeline，按最新排回放每一步和每次重启。现在两个任务都没跑完，所以你看不到它。

结语：从上到下看一遍，你就超过九成围观者

顶栏看钱，公告看事，状态行看进度，六个格子看家底，记分牌看考试，18张图看体检，采样区看施工日志，拼盘区看课表。

下次你打开这个页面，别只盯着奖励曲线往上翘，从上到下走一遍：账单跳多快，公告说什么，阶段处在哪，批量是多少，通过率涨跌几个点，故障单有几张？答得上来，你对强化学习的理解就已经超过只看分数的人了。