小米正式釋出並開源 MiMo-V2.6。Pro 版本擁有 1.02T 總引數、42B 啟用引數，Flash 版本為 309B 總引數、15B 啟用引數，兩款模型均支援 1M token 上下文，並覆蓋文本、影像、影片和音訊輸入。與單純強調規模不同，小米此次把更多篇幅放在預訓練之後的能力提升路徑上，後訓練成為 MiMo-V2.6 的核心環節。
小米將程式碼、通用 Agent、視覺和網路安全任務放進同一套強化學習系統，單次 RL 更新使用 1568 個 prompt，每個 prompt 生成 16 條 rollout，一次更新對應約 25088 條軌跡。這些任務中的 Agent 並非生成一段文本就結束，而是需要持續讀取環境、搜尋資訊、呼叫工具、執行操作，再根據返回結果調整下一步行動。訓練物件因此從最終答案擴充套件為包含狀態、決策和反饋的整條行為軌跡。
在架構層面，MiMo-V2.6-Pro 的 70 層 Transformer 中有 60 層採用 Sliding Window Attention，視窗僅 128 token，另外 10 層使用 Global Attention。這種設計讓絕大多數層只處理附近資訊，長距離通訊由少量全域性層承擔，使 1M 上下文不必讓每一層、每個 token 都與完整上下文互動。引數側採用稀疏 MoE，每個 MoE 層有 384 個 routed expert，每個 token 只調用其中 8 個，從而在維持專家容量的同時控制單 token 計算量。模型還加入 5 層 MTP speculative decoder，官方模型卡給出的設計是一次前向預測後續 7 個 token。
這些取捨在 RL 階段意義更明顯。一次訓練同時生成數萬條 rollout、每條軌跡持續幾十輪，任何單 token 計算量的增加都會被迅速放大。當單條軌跡能以更低成本持續生成，RL 才有空間把 rollout 數量推上去，而計算壓力也隨之從模型內部蔓延到整個訓練系統。
25088 條軌跡不會按統一節奏結束：有的程式碼任務幾輪操作就找到問題，有的會反覆執行測試、讀取報錯再修改；網路安全任務可能經歷多次環境驗證，視覺 Agent 又有不同執行鏈路。若採用嚴格同步方式，已完成任務的計算資源需要等待少數仍在執行的軌跡。MiMo-V2.6 使用 fully asynchronous GRPO，把 rollout、環境執行、grader 和模型更新拆開執行，生成側完成一條軌跡後可繼續領取任務，訓練側消費已準備好的資料。
在資料組織上，小米沒有為程式碼、通用 Agent、視覺和網路安全分別訓練獨立策略，而是把多領域任務以及不同 Agent harness 混入同一次 RL，稱為 You Only RL Once。這些任務環境不同，但共享大量決策結構，例如判斷當前狀態缺什麼資訊、該呼叫哪個工具、執行結果是否符合預期、失敗後應繼續搜尋還是修改方案。多個 harness 則改變 system prompt、工具定義和上下文組織方式，使模型更難把某一種固定介面當成解題捷徑。
反饋層面，傳統可驗證 RL 依賴 binary reward，但放進幾十步甚至更長的 Agent 軌跡後，大量過程差異會被壓成同一個數字。MiMo-V2.6 因此把 grader 從結果檢查器進一步變成組內比較器。GRS（Groupwise Reward Synthesis） 會同時觀察同一道任務產生的多條 rollout，從差異中構造 task-specific rubric，把過程質量與測試結果結合；GAR（Groupwise Advantage Redistribution） 則在多條軌跡都完成任務時繼續比較，把更多 advantage 分配給質量較高的方案。官方提到，該過程結合環境加固、異常篩查和 verifier cross-check 來處理 reward hacking。
針對缺少穩定自動 verifier 的開放式 Agent 任務，MiMo-V2.6 在混合 RL 之後加入 MOPD2（Multi-Prefix Multi-Teacher On-Policy Distillation），複用 Teacher trajectory 和 SFT demonstration 中已有的歷史，把軌跡擷取到某個中間狀態，再讓學生從這裡繼續 rollout。例如一條任務需要 40 步到達關鍵決策位置，訓練該位置時不必反覆生成前面 39 步，歷史狀態可直接作為 prefix，訓練資源集中到後續決策。
整體來看，MiMo-V2.6 展示的方向是：Agent 能力提升越來越依賴整個訓練閉環的吞吐和反饋質量。引數繼續擴大仍有價值，但到了 Agent 階段，訓練系統能生產多少有價值的行為軌跡、又能從這些軌跡中轉化出多少有效學習訊號，已成為難以忽略的變數。