MiMo-V2.6-Pro-RL - 小米 MiMo 系列面向自我改进的旗舰强化学习检查点

MiMo-V2.6-Pro-RL 是小米 MiMo 团队在 Hugging Face 上发布的旗舰检查点（checkpoint），仓库归属 XiaomiMiMo，任务类型为 text-generation，框架标注为 transformers。据项目自述，MiMo-V2.6 系列的目标是「将强化学习扩展到自我改进」（Scaling Reinforcement Learning Toward Self-Improvement），即同时扩展强化学习算力、环境多样性与评分器算力，让模型通过探索与反馈持续拓展能力边界。它面向的是需要长上下文、多模态输入与智能体（agent）能力的开发者与研究者：既包括希望直接调用托管服务的应用方，也包括打算自行部署推理服务的工程团队。

维护者与状态

该仓库由 XiaomiMiMo 维护，创建时间为 2026-09-21，最后更新时间为 2026-09-22，属于新近发布的模型仓库。许可证为 mit。截至 2026-09-24，近 30 天下载量为 4070，点赞数为 450。事实表中未提供正式 release 版本号信息，因此本文不对版本发布节奏作任何推断。

主要能力

以下能力均来自项目自述（模型卡与技术报告摘要），并非第三方评测结论。

• 原生全模态与长程能力：据项目说明，模型在同一套权重内处理文本、图像、视频与音频，上下文长度达 1M tokens，可用于长代码仓库、工具调用轨迹（tool traces）以及多轮会话的智能体运行。
• 「You Only RL Once」混合强化学习：项目自述其做法是把编码、通用智能体、视觉与网络安全等方向混合进同一次强化学习训练，而不是按领域分别训练；同一批次内混合任务与多种执行框架（harness），使能力之间相互强化，并让策略迁移到训练中未见过的框架上。
• 强化学习算力扩展：据模型卡描述，训练采用完全异步的 GRPO（Group Relative Policy Optimization），批次规模为每步 1,568 条 prompt × 16 次 rollout，每次更新涉及数十亿 tokens。
• 分组式智能体评分（自我改进闭环）：项目自述指出，二值化的通过/失败信号无法对「都通过」的解法排序，因此对奖励信号本身做了扩展。其中 Groupwise Reward Synthesis（GRS）离线地从对比性 rollout 中构建任务专属评分细则，并把细则质量与测试结果融合；Groupwise Advantage Redistribution（GAR）在线对通过的轨迹排序，把优势值移向质量更高的解法。项目称该机制以策略自身采样为参照，形成自我改进闭环，并引导模型走向更短路径与更少 token 消耗。
• 对齐强化学习：据项目说明，模型从自我纠错冷启动，会把自身不恰当的回答反思并改写为有依据的下一步；训练过程中通过环境加固、对抗性筛查与验证器交叉检查来抑制奖励黑客（reward hacking）。
• MOPD2 蒸馏：混合强化学习之后，项目采用 Multi-Prefix Multi-Teacher On-Policy Distillation，把自主学生 rollout 与带前缀条件的单轮 rollout（Teacher-Prefix 与 SFT-Prefix）结合，复用教师轨迹与 SFT 演示中的历史，使决策点无需重新生成前序轮次即可参与训练，从而把能力扩展到难以验证的任务上。

在模型结构方面，项目自述其骨干为稀疏 MoE 架构，总参数 1.02T、激活参数 42B，上下文长度 1M tokens，视觉编码器为 681M 参数的 MiMo ViT，音频侧包含 308M 的 AudioTokenizer 与 127M 的音频 patch 编码器，并配有 5 层多 token 预测（MTP）推测解码器。模型卡同时列出了大量基准评测表格，但这些数字属于项目自述，本文不逐项复述，也不对其可信度作判断。

使用入口

模型仓库地址为 MiMo-V2.6-Pro-RL，权重与模型卡均在该页面提供。

据项目说明，部署可参考 SGLang 的 MiMo cookbook，官方给出的 Docker 镜像为 lmsysorg/sglang:latest。模型卡中的 SGLang 启动示例大致如下（多行命令，参数以仓库原文为准）：

sglang serve --trust-remote-code --model-path XiaomiMiMo/MiMo-V2.6-Pro-RL --tp 16 --dp 2 --enable-dp-attention --mm-enable-dp-encoder --ep 16 --moe-a2a-backend deepep --moe-dense-tp-size 1 --mem-fraction-static 0.7 --max-running-requests 128 --chunked-prefill-size 32768 --page-size 64 --swa-full-tokens-ratio 0.3 --speculative-algorithm EAGLE --speculative-num-steps 3 --speculative-eagle-topk 1 --speculative-num-draft-tokens 4 --enable-multi-layer-eagle --reasoning-parser mimo --tool-call-parser mimo --host 0.0.0.0 --port 30000 --nnodes 2 --node-rank --dist-init-addr :20000

项目同时给出 vLLM 路径，建议参考 vLLM 的 MiMo-V2.5 recipe，预构建镜像为 docker pull vllm/vllm-openai:mimov25-cu129，启动命令示例为：

vllm serve XiaomiMiMo/MiMo-V2.6-Pro-RL --tensor-parallel-size 8 --trust-remote-code --gpu-memory-utilization 0.95 --max-model-len auto --reasoning-parser mimo --tool-call-parser mimo --enable-auto-tool-choice --generation-config vllm

模型卡推荐的采样参数为 temperature=1.0 与 top_p=0.95。此外，项目自述该模型也可通过 AI Studio、MiMo Code、Xiaomi MiMo Desktop、小米 MiMo 开放平台 API 以及 OpenRouter 使用。

许可与限制

许可证为 mit，可按照该许可证条款使用，具体以仓库内 LICENSE 文件为准。

关于限制与前置条件，需要以项目自述为准：其一，上述部署命令涉及张量并行、专家并行与多节点配置（例如 --tp 16、--nnodes 2），说明自行部署对硬件规模有较高要求，并非单卡可跑；其二，命令中带有 --trust-remote-code，意味着需要信任并执行仓库中的自定义代码，使用前应自行评估；其三，模型卡中的评测数字、参数规模与架构细节均为项目方自述，本文未做独立验证；其四，模型卡未在本文所引用的范围内说明具体的显存占用、最低硬件门槛与商用限制条款，这些信息需以仓库最新文档为准。