MiMo-V2.6-Pro-RL：面向自我改进的强化学习旗舰模型

Xiaomi MiMo 系列的旗舰 checkpoint MiMo-V2.6-Pro-RL 出现在 Hugging Face Trending 榜单，任务为 text-generation，热度分 489、点赞 499、下载 42062。技术报告称该系列目标是把强化学习计算、环境多样性与评分计算一起扩展，走向自我改进，并支持文本、图像、视频、音频的原生全模态与 1M token 长上下文。

此前的做法通常按编码、通用 agent、视觉、安全等方向分别做 RL，而该报告称用一次混合 RL 同时覆盖这些领域，并把不同任务与多种 harness 混在同一批次。这意味着能力可能跨域相互增强，并迁移到训练中未见过 harness，同时把评分信号从二元通过/失败升级为组内排序。

机制上有三点：一是在超大批次上做完全异步 GRPO，每步 1568 个 prompt × 16 次 rollout，单次更新消耗数十亿 token，用算力换探索；二是把环境多样性和 grader 计算一起放大，让反馈信号本身可扩展；三是 Groupwise Reward Synthesis，由 agentic grader 在同一组内比较多次 rollout，从而在多个通过解之间排出优劣，形成自我改进循环。

对产品与研发的直接含义是：1M token 上下文可容纳长仓库、工具调用轨迹和多轮 agent 会话，适合做长周期任务与工具编排；单次混合 RL 减少了按领域分别训练的工程开销；组内排序式评分要求团队重新设计评测与数据管线，把可区分的奖励信号而非仅通过率作为核心指标。

• 在 agent 产品中接入 1M token 上下文，验证长仓库与多会话工具轨迹的端到端任务完成率
• 把评测从通过/失败改为同一 prompt 多次 rollout 的组内排序，用于模型选型和回归测试
• 测试模型在训练未见过的 harness 上的迁移表现，评估是否可替代按领域微调的多模型方案
• 围绕文本、图像、视频、音频统一输入设计单一模型的产品形态，减少多模型拼接成本

• 模型作者在证据中标注为未知，实际发布方与 MiMo-V2.6 系列的关系未被确认
• 开源许可、权重可获取性与商用限制未在证据中说明
• 报告的完整技术细节与 Groupwise Reward Synthesis 的验证结果尚未在证据中给出
• 热度分、点赞与下载量等指标缺少同类模型对比基线，无法判断相对位置