罗福莉重磅官宣：沉默半年后，小米MiMo团队把大规模强化学习（RL）训练直接摊开直播，每步狂吞20亿tokens，探索AI自我进化的极限边界！

小米MiMo团队负责人罗福莉发文指出，他们坚信强化学习（RL）是实现模型自我改进最可扩展、最高效的路径之一。过去近半年几乎沉默，团队专注研究一个核心问题：RL到底能扩展到什么程度。目前MiMo-V2.6正处于RL训练中期，团队在三个维度大幅扩大规模：计算量（每步约20亿tokens，由1568条prompt × 16次rollout构成，完全异步推进）、环境与工具链（多任务agentic RL，多种harness混合在一次运行中）、以及评分计算（agentic组内信用分配，结合测试用例和基于rubric的奖励）。他们将在未来几周逐步开源细节，并同步直播训练过程。AI研究者Nathan Lambert评价这是目前公开的最酷大规模RL资源之一。