小米MiMo-V2.6直播训模型：手把手看懂仪表盘
欢迎来到从零开始学AI！先问你一句，一小时烧掉3万美元，还敢开直播让人围观，你觉得这是自信还是疯了？
小米干了。沉寂了快半年，罗福莉出来官宣，这半年就研究了一件事，强化学习到底能扩展到多远。新模型MiMo-V2.6带了两个版本，Flash和Pro，训练过程直接现场直播。
直播间里能看到什么？花了多少钱、跑了多少步、奖励曲线涨没涨，连哪块显卡出故障，全公开。点进去一看，一眨眼10美刀，一分钟4000多人民币。见过开放权重、开放代码的，开放训练过程的，真是头一回。
先讲概念，什么是强化学习？一句话，让AI在试错中学会拿高分。打个比方，就像训小狗，坐下就给肉干，乱叫就没得吃，几轮下来，它就知道该怎么做了。
模型也一样。同一道题不只答一次，让它试16种不同的解法，再告诉它哪种好。小米这次一个训练Step要处理20多亿Token，1568道题，每道16种尝试，一轮就是2万多条试错记录。
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。智能体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。你记住1568乘以16，半张仪表盘的数字就都有了分母。
关键来了，试错也得讲规模。小米这次沿三个方向加码，第一个就是算量，直接拉满。第二个是环境，让模型同时在代码、通用、网络安全、视觉、对话五类考场里考，工具和规则各不相同。
五类考场同时开考？那模型不会串台吗？
问得好，这恰恰是目的。只刷一种题，模型容易变成偏科生。五张卷子混着考，逼着它长出通用本事。考场就是沙箱，同时开着几千个，官方叫飞行沙箱数，仪表盘上能实时看到开了多少间。
还有个工程细节，整个训练是完全异步的。有的智能体还在做题，有的已经在打分，有的在更新模型，不再排队等。就像后厨同时炒十个菜，谁先熟谁先上。
第三个方向最有意思，给打分本身加算力。代码题还能跑测试用例，可开放任务怎么打分？直播页里举了个例子，一个任务要连做40步，搜资料、写代码、改bug，最后成了。你只说一句干得不错，模型根本不知道前40步里哪步最关键。
所以小米搞了个组内信用分配，同一道题的16种尝试放一起比，细看哪几步真正扭转了局面。等于从只看期末成绩，变成每道大题都给步骤分。
有位围观的大佬翻译得很直接，三个方向，说白了背后都是算力。预训练卷完数据和参数，现在开始卷试错本身了。
概念齐了，咱们打开直播页，从上往下走一遍。最顶上的导航栏只有两样东西，两个任务的合计账单，外加北京、洛杉矶、纽约、伦敦四个时钟。顶栏回答两个问题，烧了多少钱，现在几点。
账单是按秒跳的。9月17日上午那会儿，Pro每秒5.71美元，Flash每秒2.86美元，合计一小时约3万美元，总账单约116万美元。右边还有总览、指标、说明三个标签，加一个明暗主题开关。
往下最先看到的是公告栏，有公告才出现，最新排最前面。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。
看仪表盘的老手都是先看公告再看数。不看这栏，你会把一次显存故障误读成模型学崩了。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。
接下来是训练状态行，从左到右四组信息，名字加进行中标记、超大字号的当前步数、累计耗时加开始时间、阶段进度条。快照里Pro跑到第12步，Flash跑到第17步，Flash起跑晚但步子快。
阶段条最值得看。处在生成轨迹阶段，表示模型正在环境里干活产出尝试。处在训练阶段，表示正在拿尝试更新模型。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。
状态条下面跟着六个格子，全页信息密度最高的地方。左起是平均通过率，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，Flash约0.586，箭头都向上，就是变强了。
接着是当前已花费，数字按秒往上跳。然后是本步Token数和累计Token数，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，Pro约30万，Flash约42.6万。压轴的是训练批量规格，1568个提示词乘以16条轨迹。
再往下是离线评测区，当前只有一块记分牌，DeepSWE编程智能体测试，平均测3次。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，接口里还冒出过第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，训练才一天多，现在看的是涨势。
接下来是18张置顶图表的大方阵，分成四组。奖励与通过率组打头，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。
策略体检组是四张，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。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。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，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，基础设施失败占比记录卡坏了、环境挂了造成的浪费，平均陈旧度记录样本被采集和被拿去训练之间隔了几个策略版本。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。
每个没跑完的任务下面还跟着动态采样区，左边是动态，右边是数据源表。左边是训练过程的施工日志，第几步做完、指标值多少、相对上一步涨跌多少、本步多少Token。右边是当前这一步的实时点名册，哪个数据集收了多少、判了多少分、还在环境里跑的有多少。
再往下是批次组成区，副标题写得直白，每步的样本是由什么构成的。左上角能切换三个维度，按数据源还是按执行框架看，看Pro还是Flash，用数量还是用占比。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。
那成绩单和账单到底怎么样？还在初期，才练了一天多。Pro从0.565涨到0.614，Flash从0.514追到0.603。从Pro开训算起36小时，两款模型烧掉108万美元，平均一小时3万美元，一分钟4000多人民币。一眨眼，10美刀没了。
以前是关起门来烧钱，现在是打开门烧给你看。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。
敢直播训练过程，这份自信本身就值得一个热搜。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，保证看到的全是门道。
感谢收听从零开始学AI，把这期转给那个还在问强化学习是什么的朋友吧。
下期见！