深度拆解 MiMo-V2.6：1M 上下文只是表面，2.5 万条轨迹才是底牌

代码、视觉、安全共用一套 RL，奖励机制也被重新设计。    作者丨郑佳美    编辑丨岑   峰                                                                                                       刚刚，小米正式发布并开源 MiMo-V2.6。Pro 拥有 1.02T 总参数、42B 激活参数，Flash 为 309B 总参数、15B 激活参数，两款模型支持 1M token 上下文，并覆盖文本、图像、视频和音频输入。如果只看这些数字，第一反应或许会觉得这又是一次模型规模升级。但这次小米投入更多篇幅讨论的，其实是模型完成预训练之后，能力还能怎样继续往上推。这也是为什么后训练成了 MiMo-V2.6 的核心部分。小米把代码、通用 Agent、视觉和网络安全任务放进同一套强化学习系统，单次 RL 更新使用 1568 个 prompt，每个 prompt 生成 16 条 rollout。和普通问答不同，Agent 在这些任务里不是生成一段文本就结束，而是要不断读取环境、搜索信息、调用工具、执行操作，再根据返回结果调整下一步行动。训练对象因此不再只是最终答案，而是一整条包含状态、决策和反馈的行为轨迹。雷峰网当强化学习开始围绕这种长轨迹展开，问题自然也变了。模型不仅要承担更长上下文和持续生成带来的计算开销，还要同时处理大量执行时间完全不同的任务，等轨迹数量真正上来以后，单纯依靠成功或失败这样的奖励，又很难判断两条都完成任务的路径，哪一条更值得模型学习。所以 MiMo-V2.6 后面的架构、异步训练和奖励设计，基本