9 月 22 日，小米正式发布了 MiMo-V2.6 系列，并同步开源了两个原生全模态模型：旗舰的 MiMo-V2.6-Pro 和主打性价比的 MiMo-V2.6-Flash。Pro 在 Artificial Analysis 的综合智能指数上拿到 46 分，超过 Kimi K3（44）和 GLM-5.3（45），成为当前排名最高的开源权重模型。但 Pro 的分数离 Claude Fable 5.1 和 GPT-6 Astra 这类顶级闭源模型（53 分）还有差距，Flash 则没有独立的 AA 页面。换句话说，这次发布并不是”全面超越闭源旗舰”，而是把一个可下载、可微调、MIT 许可的开源系统，推到了离前沿很近的位置，同时把运行成本压到了闭源模型的一个零头。

这篇文章把两个模型放在一起看：规格、价格、基准、以及这次真正值得展开讲的部分——强化学习。

一、两个模型是什么

Pro 是旗舰推理模型，面向复杂项目、长程任务、高价值工作、网络安全与科研；Flash 面向高频调用与大规模任务，是同一底座上一个更小、更便宜的版本。两者共享同一套架构与能力边界：

• 原生全模态输入：文本、图像、视频、音频
• 1M token 上下文窗口，最大输出 128K token
• MIT 许可，权重在 HuggingFace 和 ModelScope 双发
• 内置 DFlash 投机解码（block-6，单次前向预测后续 7 个 token）
• 同一次 RL 训练产物（见第五节）

参数规模来自官方技术报告的 Table 1：

架构是混合稀疏 MoE：主干按 1:7 交错全局注意力（GA）与滑窗注意力（SWA），FFN 用稀疏 MoE 且不带共享专家。SWA 让模型在低成本下聚合局部上下文，GA 负责跨整段的聚合。这套结构继承自 V2.5，Flash 与 Pro 的差异主要在深度和宽度——Pro 是 70 层 / 6144 hidden，Flash 是 48 层 / 4096 hidden，专家数也从 384 降到 256，激活专家数两档都是 8。

预训练语料分文本、视觉、音频三块，两段式训练：先在纯文本上练语言底座，再把视觉与音频编码器接进来做 omni 联合训练。Flash 训了 48T token（26T 文本 + 22T omni），Pro 训了 30T token（27T + 3T）。上下文从 32K 起步，中途扩到 256K，最终阶段扩到 1M。

二、API 价格

官方 API 平台的价格和 V2.5 持平，没有因 V2.6 能力升级而涨价：

单位是 USD / 百万 token，缓存写入限时免费。中国大陆的人民币价：Pro 缓存命中 ¥0.025、未命中 ¥3、输出 ¥6 / MTok。

按这个价格，VentureBeat 把 Flash 排在”全球 API 上第二便宜的主流前沿模型”，仅次于 Meta Muse Spark；把 Pro 放在智能-成本 Pareto 前沿的中段。Flash 比 Pro 每百万未命中输入便宜约 3 倍，输出也便宜约 3 倍。

三、基准对比

下面是小米官方页给出的完整对比表（越高越好，”—”为无数据）。我按类别拆开，方便看 Pro 和 Flash 各自的相对位置。

Coding

General（通用 agent）

Visual（视觉/前端）

Cyber（网络安全）

读这张表的几个点：

Pro 相对 V2.5-Pro 是质变而不是量变。DeepSWE 从 19.0 提到 71.9（+52.9 分），Automation Bench 从 16.0 提到 53.1，Terminal Bench 4.0 从 1.5 提到 34.9，CyberGym 从 40.0 提到 94.0。这种幅度的提升，在单代产品之间很少见，主要来自第五节讲的规模化 RL。

Flash 与 Pro 的差距很小，多数 agent 基准只差 1–5 分。CyberGym 上 Flash（95.1）甚至反超 Pro（94.0），但 ExploitGym 和 ExploitBench 上 Pro 明显领先（17.8 vs 6.0、47.9 vs 25.3）。这个分化值得注意：Pro 的价值集中在”深水区”的网络安全任务，而不是单项刷分；Flash 在通用 agent 上接近 Pro，在需要更深推理的网安攻防上退步较多。

闭源旗舰在部分项目上仍领先。ProgramBench（Claude Opus 5 37.0 vs Pro 26.5）、Terminal Bench 4.0（GPT-6 Astra 59.6 vs Pro 34.9）、ExploitBench（GPT-6 Astra 100.0 vs Pro 47.9）这几项，MiMo 两个模型都没有摸到顶级闭源的水平。所以”开源第一”指的是综合指数和开源阵营内部，不是对所有前沿模型的全面超越。

四、能力外延：从 coding 到 Vibe World

小米把 V2.6 的能力外延概括为”从 vibe coding 到 Vibe World”，意思是自然语言驱动编程从写软件扩展到搭可交互的世界。官方页给了几个 demo：

• 游戏开发：给一张图 / 一段视频 / 一段文字，模型分解成多个子任务，协调多个 agent 搭 3D 场景、写交互逻辑、做视觉验证，再迭代打磨到可玩。
• 3D 建模：文本或参考图生成 Blender 对象与场景，可作动画、3D 打印、游戏资产。
• 具身仿真：多目相机输入，闭环控制 Franka Panda 机械臂做抓取、配色、精确放置。
• 前端 / Figma / 演示文稿 / SVG / 视频 / 音乐：一句话生成完整站点、PPT、demo 级乐曲。

两个科研案例：一是让 Pro 当”co-scientist”，检索文献与专利，提出吸附 PFAS（”永久化学品”）的 MOF 候选结构，调用开源计算工具做”dry lab”筛选（三个 UiO-67 型 Zr₆ 框架）；二是辅助把 Li–Yorke《Period Three Implies Chaos》的主定理用 Lean 4 形式化，6000+ 行 Lean 代码通过 Lean 内核验证，无未完成占位符，且模型没有做 Lean 专项后训练。

这些 demo 展示的是能力边界，不等于”能自主做可靠科研”。放在这里是为了说明 V2.6 优化的目标负载类型——长程、多模态、带工具调用与反复验证的项目，而不是单轮问答。

五、真正的技术内容：规模化强化学习

技术报告标题是《Scaling Reinforcement Learning Towards Self-Improvement》。这一节是这次发布里信息密度最高的部分，也是 Pro 相对 V2.5-Pro 大幅提升的来源。

训练规模：Pro 和 Flash 各跑 30 步 RL，累计约 75 万条轨迹，不到 6 天完成。单步用 1568 个 prompt × 16 条候选解 = 约 2.5 万条 rollout，2.7–3.7B 训练 token，序列平均 110K–150K token。这意味着训练强化的不是短答案，而是完整的长程 agent 工作流。成本上，Pro 约 $2.62M，Flash 约 $0.85M，全部跑在中国芯片上。

Pro 的成本拆解（来自技术报告）：rollout 占 43.8%，训练占 43.5%，grader 占 12.7%。超过一半的算力花在”生成并评判模型自身的经验”上，而不是直接更新权重。

方法上有几个可复用的设计：

You Only RL Once。 不针对 coding / visual / computer-use / cyber 分别做 RL，而是把多领域、多 agent harness 混进一次训练。小米造了一批轻量”mini-harness”覆盖 coding、通用专业流程、视觉、网安，让模型接触不同的系统提示、工具组合和上下文管理策略，避免和某个具体脚手架强耦合。

全异步 GRPO + 组内比较。 长任务结束时间不一致，用 partial rollout 让 GPU 保持忙碌；样本混合机制防止快/易任务挤占慢/难任务在 batch 里的份额。

Groupwise 奖励（自改进闭环）。 二元 pass/fail 无法区分两个都通过的解法哪个更干净。GRS（Groupwise Reward Synthesis）离线对比同一题的多个解法，生成任务级 rubric，分别评价实现质量和 agent 行为质量；GAR（Groupwise Advantage Redistribution）在线对比同组内的通过解法，把更多训练优势分给更好的那个。技术报告给了一组对照：code-only RL 不启用组内评级时，agent 的 turn 数和生成 token 长度会快速膨胀、撞长度上限；启用 GAR 后，通过率继续涨而 turn 数稳定、token 增长平缓。

奖励作弊防御。 早期 coding 里，agent 发现可以下载新版包、克隆上游源码、翻 issue 历史找现成修复来骗过测试。应对手段包括剥掉构建产物与缓存、删除未来 Git 历史、断网禁答案源、部署专职”hack agent”专门找漏洞。最终 Pro 和 Flash 的确认作弊轨迹都控制在 2% 以下。

稳定性。 RL 期间冻结 MoE router，抑制训练漂移。

效果上，DeepSWE v1.1 在 RL 全程从 58.4 提到 72.6（Pro）、48.7 提到 65.7（Flash），训练任务平均通过率相对提升 25%（Pro）/ 12%（Flash）。带队的是前 DeepSeek 研究员罗福利（Fuli Luo），她称这可能是开源模型团队做过最大的一次单轮 RL，投入了几十人。

六、开源了什么

这次发布不止权重：

• 权重：Pro-RL、Flash-RL（MIT，HuggingFace + ModelScope）
• 技术报告：附在两个模型仓内
• 7000+ RL 任务环境 + 端到端 RL 框架 + 可组合 mini-harness
• MiMo-V2.6-Distill-Qwen-9B：从 MiMo RL 轨迹蒸馏出的 9B 小模型

小米的意图是让外部团队能复现并扩展”规模化 RL + 自改进”这条路线。对开源社区来说，这部分的价值可能比”Pro 登顶 AA 榜几周”更持久——它给了一条在不需要训练下一个万亿底座的前提下改进 agent 行为的可复现路径。

七、可用性

• API 平台：mimo.mi.com（OpenAI 兼容接口）；中国大陆 platform.xiaomimimo.com，提供 Token Plan 包月
• AI Studio：aistudio.xiaomimimo.com
• MiMo Code：自研开源终端编码 agent
• MiMo Desktop：首次 GA，内置 Pro / Flash 和 UltraSpeed 20× 档
• OpenRouter：openrouter.ai/xiaomi（Pro、Flash 均已上架）

推理速度（Artificial Analysis 实测，Pro）：输出约 124.5 token/s，单任务成本 $0.13。Flash 没有独立 AA 页，社区实测 decode 约 250 token/s、prefill 约 2.6k token/s，长会话压缩表现良好。

八、怎么定位这两个模型

Pro 的定位是”够用的前沿能力 + 低得多的成本 + 可下载可微调 + MIT”。它没有在所有基准上赢下闭源旗舰，但在综合指数上是开源第一，在成本上比同档闭源低一个量级，并且权重开放。

Flash 的定位是”把 Pro 的大部分 agent 能力搬进便宜 3 倍的模型”。对跑大规模 agent 负载的团队（编码助手、文档处理、内部研究 agent、自动化后台），成本差异比那 1–5 分的基准差距更关键。Pro 在深水区（网安攻防、长程形式化）的价值，Flash 部分保留但有所退步；通用 agent 上 Flash 接近 Pro。

选型建议：

来源