小米直播 MiMo-V2.6 RL 训练：单步约 20 亿 token 全程异步

小米把 MiMo-V2.6 背后的强化学习训练过程实时直播，地址为 mimo.xiaomi.com/rl/。该 RL 运行单步处理约 20 亿 token，使用 1568 个提示词、每个提示词做 16 次 rollout，全程异步执行。训练在单次运行中混合多种 harness 做多任务智能体 RL，奖励来自基于测试用例和 rubric 的组内信用分配。负责人 Fuli Luo 表示团队扩展了算力、环境和评分器算力三方面，相关细节将在未来几周分批开源。