小米 MiMo-V2.6 登顶开源第一，以及它主动公开的那台“电表”。当分数不再是唯一的胜负手，智能的单位成本成为新的战场。

事件 · 2026 年 9 月 22 日，小米发布并开源 MiMo-V2.6 系列
核心指标 · AA 综合智能指数 46 分（开源第一）

• 46 分　AA 综合智能指数
• 347 万美元　RL 后训练总成本
• 56.5%　算力花在“生产与评判经验”上
• $0.13　单个评测任务成本（Kimi K3 为 $2.00）

📌 本文看点

• 01　347 万美元买到了什么
• 02　价格战打的是锚点下移
• 03　那台电表的另一面

01　一台本不该公开的表

9 月 17 日凌晨，小米 MiMo 大模型团队负责人罗福莉把一段文字和一个链接挂上了社交平台。

文字很短：沉默近半年，我们在研究一个问题——强化学习到底能走多远。

链接指向一个实时训练看板。点进去，是 MiMo-V2.6-Pro 和 Flash 两个版本正在跑的强化学习过程：跑到第几步、消耗了多少 token、任务通过率怎么变、累计花费多少美元——全部实时刷新。甚至连训练中哪台机器的显卡掉线、哪个环节中途重启过，都没有藏。

在主流大模型实验室里，这些数字通常属于“永不公开”的清单。

有开发者盯着看了半分钟，费用跳涨 287 美元。换算下来，每秒约 8.5 美元，两个模型合计每小时约 3.1 万美元，折合人民币二十余万元。

“每小时烧掉雷军 20 万”随后成了传播最广的一句话。但这句吐槽恰好错过了重点——真正刺眼的不是花了多少，而是小米选择把这笔账摆在台面上，让人围观。

五天后的 9 月 22 日，小米正式发布并开源 MiMo-V2.6 系列。训练收尾，总账也来了：Pro 版 262 万美元，Flash 版 85 万美元，合计 347 万美元；不到六天，各跑 30 步，累计约 75 万条轨迹。

如果只盯着分数，这是一次登顶。但把这几件事放在一起看，它更像一次定价权的宣示：智能这一度电该卖多少钱，小米递出了自己的报价单。

⏱ 这轮训练的时间线

• 09 / 15　强化学习训练启动。Pro 与 Flash 两条 run 同时开跑，单步 1568 个 prompt × 16 条 rollout。
• 09 / 17　实时训练看板对外公开。此时累计成本约 135 万美元，两模型合计约每小时 3.1 万美元。
• 09 / 22　发布并开源，公布总账。不到 6 天、各 30 步、约 75 万条轨迹，合计 347 万美元。

02　先纠一个偏：是“开源第一”，不是“全球第一”

先说结论：小米这次拿下的，是开源权重模型的第一，不是全球第一。这两个第一之间，隔着 7 分。

在第三方评测机构 Artificial Analysis 的综合智能指数（Intelligence Index v4.3.2）上，MiMo-V2.6-Pro 拿到 46 分。榜单顶端是 Claude Fable 5.1 和 GPT-6 Astra，各 53 分；再往下是 Claude Opus 5 的 51 分。46 分让 MiMo 站在了“所有可下载模型中分数最高”的位置，前方四个身位全部是闭源。

同样值得注意的是：xAI 的 Grok 4.7 在同一天发布，也是 46 分上下。所以严格说，这是一次并列抵达，而不是断层领先。小米自己的官方通稿也承认了与 53 分梯队的差距——这一点值得肯定，比大多数厂商的自宣诚实。

但 46 分这个数字有一层特殊价值，是它后面所有数字都没有的：它是唯一一个由第三方独立测出来的数。

这一句话，同时是小米这次最硬的地方，也划出了它可信度的边界。因为除它之外——DeepSWE、Terminal-Bench、AutomationBench、CyberGym、MiMo Visual Coding，全部是小米用自己的评测框架、跑自己的模型、对比别家的模型得出的结果。截至发稿，没有任何一家外部机构复现过这条曲线。

行业里有句老话：看厂商跑分像看相亲照，滤镜厚度全凭良心。这次不同的是，小米把原图也一并交出来了——只是原图需要你自己去洗。

03　347 万美元买到的，其实不是“更高的分数”

这是我认为整件事里最被忽略、也最有信息量的一块。

小米在技术报告里把 Pro 版强化学习的钱花在哪，摊开讲了。结果是这样的：

• 43.8%　生成轨迹 rollout
• 43.5%　更新权重 training
• 12.7%　评审打分 grader

• 生成轨迹 rollout：让模型去真实环境里干活，产出可供学习的经验。
• 更新权重 training：真正改变模型参数——这是传统意义上“训练”的部分。
• 评审打分 grader：给长程任务提供细粒度奖励信号，判断活干得好不好。

也就是说，超过一半的算力，没有用在“让模型变聪明”上，而是用在“让模型去环境里干活，再把干过的活评价一遍”。

这个结构的变化，比 46 分重要得多。它意味着后训练时代的成本重心，已经从“模型”迁移到了“环境和评分器”。过去衡量一家公司的 AI 实力，看有多少张卡；往后要看能造出多少个可验证的任务环境，以及能不能稳定地给这些任务打分。

这也解释了小米为什么开源得如此“反常”：不只是权重（MIT 协议）。还有完整技术报告、七千余个带校验器的 RL 任务环境（覆盖软件工程、漏洞复现、知识型工作、网页设计开发四大类）、端到端 RL 训练框架（基于 verl、uni-agent、mini-swe-agent）、可组合的轻量 Agent 框架，以及一个在 21 项评测上全面超过原始基线的小模型 MiMo-V2.6-Distill-Qwen-9B。

「权重告诉你这轮训练产出了什么；环境告诉你这轮实验怎么做一遍。后者才是能长期沉淀的资产。」

但边界也要说清楚：开放的是任务环境、奖励逻辑和训练代码，评分器（grader）本身的权重并没有一起发布。配方给了，主考官没给全。这是国内厂商第一次把 Agentic RL 的核心生产要素打包开放，但它还不是一次完整的奖励模型释放。

04　价格战打的不是“便宜”，是“锚点在下移”

小米这次最直观的冲击力来自价格：Pro 版每百万 token 输入 3 元、输出 6 元；Flash 版输入 1 元、输出 2 元。较上一代一分未涨，而智能水平大幅提升。官方给出的对标口径是：同等智能水平下，价格仅为海外模型的 1/20 至 1/60。

这句对标成立，但它有个前提容易被忽略：单价便宜，不等于实际开销便宜。Agent 类任务是多轮调用，一个任务动辄几十次工具往返，token 消耗按轮次放大。纸面单价和真实账单之间，隔着一整套调用架构。

更该注意的是一个反例。

有独立分析者在拆解小米的评测表时发现：DeepSeek V4.1 Flash 在 DeepSWE 上的得分是 74.2，高于 MiMo-V2.6-Pro 的 71.9；在 AutomationBench、Agents’ Last Exam、Terminal-Bench 2.1 上也同样领先。而它的成本是每个评测任务 0.27 美元。

这意味着一件事：“斩杀线”并没有被某一家单方面重划，它在国产模型之间来回拉锯。就在几个月前，开发者还在把 DeepSeek V4 Flash 当作性价比基准；今天小米把这条线又往下推了一格，但推线的动作，是多家在轮流做的。

所以真正发生的变化不是“谁第一”，而是这个：

「同等级智能的价格锚点，正在被连续、快速地下拉。46 分这一档的单位任务成本，从 Kimi K3 的 2 美元，被压到 MiMo-V2.6-Pro 的 0.13 美元。」

榜单上的名次每周都在动，但价格中枢的单向下移，是一条更确定的趋势线。这才是“集体向上”里真正有分量的部分——不是谁站得更高，而是高处越来越便宜。

05　那台电表的另一面

公开训练账本，是一次漂亮的公关，也是一次有风险的自我暴露。作为观察者，至少有三处裂缝需要指出。

第一，计数器无法被外部审计。看板是自报的，外部看不到 GPU 集群的原始账单。而且被丢弃的算力没有计入总账——公开信息显示，Pro 在约第 17 步发生过重启，Flash 从约第 15 步重启。所谓“30 步、347 万美元”，是幸存下来的尾巴，前面被烧掉的算力没有出现在任何一行明细里。真实成本高于账面成本，这是技术上的必然。

第二，公开的数字之间对不上。实时看板上 Pro 版 DeepSWE 是 72.57，正式模型卡上变成了 71.9——数字下降了；Flash 从 65.68 升到 67.9，上升了。同一轮训练、两次评测，差异量级几乎等于两个模型之间的差距。另外，模型卡说投机解码的 drafter 是 5 层、单次预测 7 个 token，但同仓库的 config 文件写的是 3 层；权重文件报告的参数量也和模型卡口径对不上，官方未做解释。

第三，披露存在明确的结构性缺口。这次没有 system card，没有具名的红队合作方，没有训练数据截止时间。小米自己的产品页在直接抓取时返回不了任何规格与安全信息——对做合规尽调的人来说，这个一手来源是不合格的。

我很欣赏这次公开。它把“过程透明”推到了国内厂商从未有过的位置，Hacker News 上最高赞的评论说的也是同一件事：这是我见过最好的教学工具，它甚至写了那些没做好的部分。

但需要区分两件事：过程透明，和结果可验证，不是一回事。看板能让你看见它怎么跑，不能让你确认它跑出了什么。真正能结算的，是第三方用不受小米控制的框架复跑一遍最终权重——而这个，至今没有出现。

06　差距在收窄，但收窄的形状是不平的

这一代最值得记录的进步，其实不是总分。

Artificial Analysis 的一条长期观察：开源与闭源头部之间的追赶时间在系统性缩短——纯规模扩张时代用了约 18 个月追 36 分，推理时代用 8.5 个月追 12 分，到了 Agent 时代，只需要约 5 个月追 5 分。每一代，开源追平当期领先闭源模型所需的时间大约减半。

而 MiMo-V2.6 让“追平”第一次带上了局部反超的意味。在它自己的评测表里，有三项已经超过 Claude Opus 5；相对上一代 MiMo-V2.5-Pro 在 DeepSWE 上仅 19.0 的成绩，这是断崖式的跃升，并且跨域普遍成立。

Terminal-Bench 4.0、ExploitBench、ExploitGym——这三项的共同点是“面向未知的探索”：在陌生环境里定位真实漏洞、构造可用的攻击链、处理科学导向的复杂推理。

把这个分野说白一点：“在已知环境里把活干完”，国产已经追上甚至局部反超；“在未知环境里发现新问题”，仍然是闭源的主场。

这与一份同期提交给美国国会的证词相互印证：中国开源模型在 agentic coding 这类定向商业负载上表现最强，已经摸到前沿；但在物理、生物等开放式科学评测上，落后幅度更大。

所以“集体向上”是真的，但“向上”的分布极不均匀。而这个分布，比总分更值得企业采购者关注。

07　真正的瓶颈，换了一个地方

回到小米给这次发布定的调子：这是探索 RSI（递归自我改进）的关键一步——以可验证的复杂任务为基础，把强化学习算力规模化，让模型在持续的探索与反馈中自己学会。

技术报告里那套东西是有分量的：让 Agent 自己去代码库里逆向生成任务（自己出题）、用组内奖励合成与优势重分配做多维度打分（自己当考官）、放一个专职 Hack Agent 疯狂攻击训练环境以堵住奖励作弊（自己找漏洞）——作弊轨迹占比全程压在 2% 以下。工程细节也足够扎实：不冻结 MoE 路由会引发专家负载崩塌，负载变异系数从 0.78 飙到 2.0、峰值负载从 6 倍涨到 16 倍，冻结后才稳定下来。

但小米自己在报告里也承认了边界：模型不能自主生成下一代模型，闭环自我迭代并未实现。RSI 是方向，不是现状。

那么当下真正的卡点是什么？我认为是可验证任务的供给。

七千余个任务环境听起来很多，但它们是人工构造的标准化任务，与互联网原生的真实复杂任务之间仍有明显落差。这决定了三个必须回答的问题：开放出去的这套环境，社区能多快再生产出新任务？在同一个任务集上持续迭代，模型会不会过拟合到分布外的真实任务上跳水？在其他实验室用不同配置复现时，这条能力增益曲线还在不在？

大规模 RL 的可复现性，一直是这个行业的痛点。递归自我改进的叙事是否成立，最终由后两个问题裁决。

不要按榜单选型

小米这次做对了两件事：第一，把第三方能测的那一个数字（46 分）放在最前面；第二，把第三方测不了的那些过程，尽可能摊开。这两件事合起来，构成了一个相对诚实的发布——不完美，但比“跑分屠榜”要可信得多。

至于 MiMo-V2.6 本身值不值得用，我给三条判断：

一、看独立数字，不看厂商表格。46 分可以信，71.9、53.1、89.9 这些要打问号，直到有人复跑。

二、按“每个成功任务的总成本”算账，不要按“每百万 token 的单价”算。Agent 场景下，重试次数、多轮调用、缓存命中率对总成本的影响，远大于单价差异。上线之前，用自己的真实业务负载跑两周。

三、Flash 可能是大多数团队的起点，而不是 Pro。它在多数指标上与旗舰只差几分，内存占用约为三分之一，CyberGym 上甚至反超。Pro 的优势集中在 Terminal-Bench 4.0 和漏洞利用类任务——那是另一类需求。

最后，关于大势。经过 MiMo-V2.6 这一轮，“开源第一”这个位置的含金量，已经不再是“能跑”或者“够便宜”，而是“和闭源头部只差 7 分，还便宜一个数量级”。这个变化不是某一家公司带来的，是 DeepSeek、Qwen、GLM、Kimi、MiMo 轮流推出来的。

而这一轮真正被改写的，不是榜首的名字。

「是把“智能”这件事，第一次放上了可以按度计价的计价器。而这台计价器的读数，正在以每一代减半的速度往下走。」

数据来源：Artificial Analysis Intelligence Index v4.3.2、小米 MiMo-V2.6 技术报告与官方发布材料、Nathan Lambert 国会证词（2026-09-21）等公开信息。其中 46 分为第三方独立评测；其余厂商自测分数标注为待独立复现。