Xiaomi открыла публичный дашборд RL-дообучения MiMo-V2.6 Pro и Flash

Команда MiMo от Xiaomi запустила публичный стрим-дашборд посттренинга MiMo-V2.6 с параллельными запусками Pro и Flash. В открытом доступе — шаги обучения, кривые награды, пропускная способность токенов и накопленные расходы; за ~1,5 дня суммарные затраты превысили $1 млн.

• Каждый шаг обрабатывает около 2 млрд токенов на 1568 промптах с 16 асинхронными роллаутами
• Расходы: Pro ~$20 000/час, Flash ~$10 000/час, суммарно свыше $1 млн за ~1,5 дня
• Пайплайн полностью асинхронный: генерация, среда, оценка и обновление весов идут раздельно
• Руководитель команды Ло Фули обещал открыть технические детали в ближайшие недели