小米 MiMo-V2.6 正在直播进行强化学习

翻译：
沉默了将近半年。我们把这段时间都用来研究一个问题：强化学习（RL）究竟还能扩展到什么程度。

MiMo-V2.6 目前正处于 RL 训练过程中。我们主要扩展了三个方面：
第一，计算规模。现在每一步大约处理 20 亿 token，包含 1568 个 prompt × 16 次 rollout，并采用全异步执行。
第二，环境和 harness。我们实现了多任务的 agentic RL，并且可以在同一次训练中混合使用多个不同的 harness。
第三，grader 的计算规模。我们使用了 agentic 的组内信用分配（in-group credit assignment），奖励信号同时基于测试用例和 rubric（评分标准）。接下来的几周里，我们会逐步把这些技术细节开源出来。

RL 训练过程正在实时直播：mimo.xiaomi.com/rl/
原文：
Nearly half a year of silence. We spent it studying one problem: how far RL can scale.

MiMo-V2.6 is in the middle of its RL run right now. Three things we scaled: compute (~2B tokens per step, 1568 prompts × 16 rollouts, fully async), environments and harnesses (multi-task agentic RL, mixed across multiple harnesses in one run), and grader compute (agentic in-group credit assignment, with test-case and rubric-based rewards). We'll open-source the details piece by piece over the coming weeks.

Streaming the run: mimo.xiaomi.com/rl/