📖 AI 总结

小米MiMo团队发布MiMo-V2.6技术报告，首次系统性地将Agentic RL在Rollout、环境与Grader三个维度同步规模化。模型包含Pro（总参数1.02T、激活42B）与Flash（总参数310B、激活15B）两个版本，均采用MoE架构并混合滑动窗口与全局注意力，支持百万级上下文训练。每个RL步生成约2.5万条轨迹，Token量达27亿至37亿，Pro单次后训练成本约260万美元，其中Grader占比达12.7%。针对传统二元奖励在长程任务中的不足，团队引入分组奖励合成与分组优势重分配机制，并部署Hack Agent主动搜寻作弊路径，配合轨迹审计清零Reward Hacking。该工作揭示了大模型通过规模化强化学习走向自我改进的可行路径，同时暴露了成本结构与奖励设计上的新挑战。