Xiaomi обучает MiMo-V2.6 на двух миллиардах токенов в реальном времени

Xiaomi запустила публичную трансляцию процесса RL-обучения моделей MiMo-V2.6, обрабатывая около двух миллиардов токенов за один цикл. Архитектура полностью асинхронна: система берёт 1568 промптов и генерирует по 16 роллаутов на каждый. В обучение включены несколько доменов — от генерации кода и кибербезопасности до мультимодального зрения и поведения чат-агентов.

Дашборд отображает метрики моделей Mimo-v2.6-flash и Mimo-v2.6-pro в реальном времени, включая распределение задач и тайминги шагов. Xiaomi планирует опубликовать подробную документацию в открытом доступе в ближайшие недели.