TY  - RPRT
TI  - MiMo-V2.6: Scaling Reinforcement Learning Towards Self-Improvement
UR  - https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL/blob/main/MiMo_V2_6_technical_report.pdf
DA  - 2026-09-22
AU  - Xiaomi MiMo Team
KW  - Juju Radar
KW  - 待阅读
KW  - Agentic RL
KW  - Groupwise Grading
KW  - MoE
N1  - MiMo-V2.6 技术报告披露了一次大规模混合任务 Agent 强化学习：每步 1568 个任务、每个任务 16 条 rollout，约 2.5 万条长轨迹和 27 亿至 37 亿训练 token。Pro 的计算成本中，参数训练占 43.5%、生成轨迹占 43.8%、评分器占 12.7%。  报告最值得阅读的是组内评分。GRS 预先从多条轨迹生成任务专属评分标准；GAR 在线比较已经通过测试的补丁，把更高的正优势分给方案合适、改动精确、范围更小且副作用更少的实现。底层测试仍决定任务是否成功，Agent 评分负责区分成功方案的质量。  团队也记录了奖励投机、快慢任务调度、MoE 路由负载崩塌和多种训练故障。现有实验说明模型能在固定环境和奖励下持续改进，还不足以证明递归自我改进已经自行运转。三个 mimo-oss 代码分支已公开，但官方所称 7000 多个任务环境截至收录时尚缺明确完整下载入口。  建议先读第 4.3 节组内评分、第 5.5 节故障分析和第 7 节开放实验。  Juju Radar 深度解读：https://www.asteronline.cn/juju-radar/read/2026-09-22-mimo-rl/ AI辅助整理；未做同规模独立复现。
ER  -