9月17日午前、小米 MiMo モデルチームのリーダーで、元 DeepSeek 研究員の Luo Fuli が X プラットフォームに投稿し、初めて自社最新の大規模モデル MiMo-V2.6 の強化学習（RL）トレーニングの進捗を公開し、リアルタイムトレーニングページも同時に公開して、大規模モデルの RL ステージの全過程を公開配信しました。この取り組みは、小米が現実世界と汎用人工知能（AGI）への探求において新たな突破期に入ることを示しており、関連技術の詳細は今後数週間以内に段階的にオープンソース化される予定です。

技術構造上、MiMo-V2.6 は大規模なマルチタスクエージェント（Agent）の RL 実験を行っています。チームは3つの側面から全面的な拡張を進めています。計算リソース面では、単一ステップで約20億トークン（1568のPrompt × 16回のrollout）の完全な非同期並列処理が可能となっています。環境面では、一度の実行で複数のフレームワークを混合して使用できる代理型 RL をサポートする環境が構築されています。評価面では、テストケースと基準報酬を持つ内部信用割当メカニズムが採用されています。

ライブページではトレーニングの進捗、トークン消費量とコスト指標がリアルタイムで表示されています。その中で、MiMo-V2.6-Pro バージョンのトレーニングは約1日19時間かかり、費用は89万ドル、MiMo-V2.6-Flash は1日14時間で39万7000ドルの費用がかかり、両バージョンの合計トレーニング費用はすでに128万ドルを超えています。

雷軍が以前 DeepSeek から注力して引き抜いた「95後」のAI科学者であるロ・フーリー氏は、アリババダモ研究院の多言語事前学習や DeepSeek-V2 の開発を主導した人物で、昨年11月に正式に小米に加入し、MiMo 大規模モデルチームを率いています。今年3月には、前世代の1兆パラメータモデル Mimo-V2-Pro が Artificial Analysis によるグローバル大規模モデル総合知能ランキングで第8位（ブランドランキングでは第5位）に登場しています。

今回の MiMo-V2.6 は、透明化されたライブ配信とエンジニアリングの詳細のオープンソース化を通じて、小米が RL Scaling Law（強化学習拡張法則）における深い蓄積を示し、先端的大規模モデルトレーニングが「ブラックボックスでの試行錯誤」から「エキスパート級のプロセスのオープンソース化」へと范式が変化することを促すことになります。