Xiaomi Mimo 2.6 live post-training dashboard
Mimo-v2.6-pro и mimo-v2.6-flash — это два параллельных RL-обучения модели от Xiaomi, запущенные 15 сентября 2026 года. На момент обновления pro-версия находится на шаге 13 (из 16), flash — на шаге 15. Оба обучения используют динамический сэмплинг (dynsam) с размером батча 1,568 × 16 последовательностей. Про-версия уже потребила $861,441 и 2.49B токенов на текущем шаге, flash — $382,043 и 2.69B токенов. Общая стоимость проекта превысила $1.24 млн, а суммарное количество обработанных токенов достигло 35.2B для flash и 27.6B для pro.
По метрике DeepSWE v1.1 mini-swe-agent (avg@3) pro-версия опережает flash: 63.72 против 60.77. Динамика показателей улучшается: dynsam/avg@n вырос с шага 1 на +0.059 у pro и +0.083 у flash. Однако наблюдаются компромиссы: у pro снижается grad_norm и растёт entropy_loss, у flash — наоборот, растёт pg_loss и падает entropy_loss. Средняя длина контекста у pro составляет 99.6k токенов (+6.5k от шага 1), у flash — 107k (−4.7k). Время на шаг у pro увеличилось (+5м), у flash уменьшилось (−10м), что отражает разные нагрузки на trainer_ops и outer_gen. Недавние перезапуски были связаны с инфраструктурными ошибками в датасетах и проблемами VRAM на узлах. Офлайн-оценка результатов продолжается.