OpenAI 不敢公開的，小米公開了：大模型 RL 訓練全程直播！

今天凌晨，小米羅福莉，把 MiMo-V2.6 的強化學習訓練過程搬上了直播！上午 8 點 13 分，帳單停在 1,113,375 美元。還在跳。

當 Anthropic 和 OpenAI 還在跟你玩捉迷藏時，小米向我們展示了訓練 AI 可以更透明。

羅福莉表示，小米MiMo近半年沉默。我們用這段時間研究一個問題：強化學習（RL）能擴展到多遠。

這次MiMo-V2.6 目前正處於其 RL 運行的中途。他們擴展了三件事：計算資源（每步約 20 億 token，1568 個提示 × 16 次 rollout，完全非同步）、環境和測試框架（多工代理式 RL，在一次運行中混合多個測試框架），以及評估計算（代理式組內信用分配，帶有測試用例和基於量規的獎勵）。

他們將在未來幾周逐步開源細節。

然後後訓練過程的儀表盤直接公開了！基哥是第一次見！

有開發者盯著儀表板掐表：總費用半分鐘漲了 287 美元。

折算下來每秒約 8.5 美元，每小時 3 萬美元。

儀表盤自己把單價都報了：Pro 檔每步成本除以 token 總量，約 34 美元/百萬 token；Flash 檔約 9 美元/百萬 token。

這次直播的不是發佈會 PPT，是一線大廠的 RL 訓練 telemetry，這種東西，OpenAI、Anthropic 的內部同款，普通人從來只能在論文裡看靜態截圖。

Pro：第 11 步，已訓 1 天 13 小時，燒掉 77.4 萬美元，吃掉 228 億 token。

Flash：第 17 步，已訓 1 天 8 小時，燒掉 33.9 萬美元，吃掉 378 億 token。

每步訓練批是 1568 條 prompt，每條 16 個採樣序列。

每條樣本平均要跑 47 到 53 輪智能體循環，平均上下文長度 8.7 萬到 10.4 萬 token。這不是讓模型做選擇題，是把它扔進程式碼、終端、網頁任務裡跑長鏈操作，跑完再打分。

passrate：零嘗試通過率只有 14.6% 到 14.9%，一次重試後也不過 21.8% 到 25.2%。這些頂級模型面對真實長鏈任務，四分之三的嘗試是失敗的。

另一欄是 notices：四個小時前，團隊主動公告"Pro 因單節點 VRAM 問題正在重啟"；評測結果隨出隨發。

叢集同時掛著 2.2 萬到 3.8 萬個平行環境，基礎設施錯誤率壓在 0.5% 左右。每步耗時兩個半小時，其中生成佔一個半小時、訓練佔一個小時，兩條流水線重疊著跑。

核心機密其實藏在 "dynamic sampler" 裡。

feed 區暴露了他們的採樣機制：step 12 的 pro 實際 accepted 2,200/1,568。超采了 1.4 倍，judge 了 2,110 條，從 6,217 個候選裡篩。

12 個資料來源（code×9、cyber、general×2，名字全是雜湊過的）各有 accepted/target 配額，比如 yfch 目標 54 實際收了 56-364 條。

這就是 MiMo 技術報告裡 RL 範式的線上版：動態配比 + 超額採樣 + 按源配額重組訓練批。

儀表盤自己的 benchmark 曲線顯示，DeepSWE v1.1 上 Pro 是 62.24 分，Flash 是 60.77 分。什麼水平？同一個 benchmark，昨天那個匿名模型 Union Alpha 實測 73 分，GPT-6 Astra 74 分。

曲線在後段還在爬，Flash 的斜率尤其陡。

小米這波操作，開發者都在鼓掌。這就是最好的入門教材，做 RL 的人能即時看到非同步訓練的 KL/staleness 控制資料，想自建訓練 infra 的團隊第一次有了公開成本基準。

別人把燒錢藏進財報，小米把燒錢做成內容。

領舞的是去年 11 月入職的 MiMo 大模型負責人羅福莉。95 後，北大碩士，達摩院做過 VECO，在 DeepSeek 參與過 V2。她今年給的關鍵詞是"自進化”。

小米要讓大家相信：這家公司在大模型上是認真的，錢管夠，過程敢亮。

1.6 兆美元的全球 AI 軍備賽裡，111 萬美元的訓練直播算不上大手筆。但它把"透明度"捲到了新高度。 (奇偶工作室)

彙整鉅亨號中所有使用「RL訓練」關鍵字，所發布的內容 (依照時間排序，最新在前，舊的在後)`

小米羅福莉直播燒雷軍的錢！RL訓練全程，每小時燒20萬元，75%的嘗試失敗，全部不打碼