你见过有人把自家"烧钱现场"架起机位、全网直播的吗？
9月17日，小米MiMo团队就这么干了。负责人罗福莉在X上放出一个训练直播页面，把还在进行中的MiMo-V2.6强化学习训练整个摊开给外界看——训练跑了多少步、烧了多少钱、消耗了多少Token、奖励曲线涨没涨，甚至哪个节点的显卡出了故障，全部公开可查。我把36氪、量子位几家的报道翻了一遍，把训练面板上的数字挨个整理了下来，越看越觉得这场直播有意思。
先报账。截至36氪发稿时的面板快照：MiMo-V2.6-Pro跑到step 12，累计训练样本约30.1万条，训练成本约80.6万美元；Flash版本跑到step 17，样本约42.6万条，成本约35.4万美元。两个版本加起来超过116万美元，平均每小时计算成本约3.09万美元——折合人民币20.72万元。量子位算了笔更直观的账：差不多一眨眼就是10美元，一分钟4000多块人民币烧出去。
为什么敢把账本直播出来
行业里开放权重、开放训练代码、开放训练数据的都见过，开放训练过程的，这还真是头一遭。
想明白这件事，得先弄懂小米这半年在干什么。自4月开源MiMo-V2.5之后，团队沉默了近半年。罗福莉说，这段时间只研究一个问题：强化学习还能扩展到什么程度？
打个比方：预训练像让学生把图书馆的书全读一遍，读得越多懂得越多，这条路大家都熟；强化学习则像刷题实战——让模型反复去执行真实任务，做对了给奖励，做错了调整，边干边学。现在前沿团队都在追问：这条"边干边学"的路，能不能像"多读书"一样，靠不断加大投入持续变强？
小米这次把三个方向的规模同时拉大：计算资源、训练环境与任务体系、奖励评估机制。据网易科技的报道，训练每一步约消耗20亿Token，由1568条prompt乘以16次rollout构成，完全异步推进。而从量子位整理的曲线看，训练才跑了一天多，两个版本的能力指标已经在肉眼可见地爬坡——Flash从更低的起点快速追近了Pro。
所以这场直播的真正含义不是"炫富"，而是一个公开的实验记录：把"强化学习能不能scaling"这个问题的实测过程，摊在全行业面前一起看。敢直播，本身就是对方法有信心。
这本账，跟你有什么关系
你可能会说：一小时20万人民币，跟我有啥关系？关系其实很直接——小米用百万美元验证的"边干边学"，缩小一万倍，就是你每天用AI的正确姿势。
很多人用AI是"一锤子买卖"：丢一句指令，拿到结果不满意，就骂模型笨。而强化学习的逻辑恰恰相反：**好结果不是问出来的，是反馈喂出来的。**你给AI布置任务、检查产出、指出偏差、让它再来一轮——这个循环，就是你自己的"奖励机制"。模型团队烧116万美元跑这个循环，你免费就能跑。
具体怎么做？我把训练面板的逻辑翻译成个人版：
- 给明确的任务环境：别问"帮我写点东西"，而是给足背景、受众、格式要求——环境越清晰，AI的第一次输出越接近及格线；
- 看曲线不看单点：一轮不满意很正常，关键是有没有越改越近。改三轮还在原地打转，说明任务描述本身有问题，回去改提示词而不是继续磨AI；
- 沉淀你的harness：小米说算力之外还得有配套的任务环境和执行框架。你的框架就是一套跑通过的提示词和工具组合。我平时会在 spark1.cn/tools/ 里挑现成的工具链直接接进工作流，别人已经调顺的用法，省掉自己从零试错的成本。
大厂的百万美元实验，最终都会变成普通人的日常工具——就像当年贵到只有巨头玩得起的深度学习，今天已经装进了每个人的手机。看懂这场直播的人，等于提前看了几年后AI应用的说明书。
从容，不是等别人教会你，而是把大厂的方法论，缩小成自己今天就能跑的一个循环。
（本文素材综合自36氪、量子位、网易科技等公开报道，训练数据为发稿时面板快照，仍在实时变动。）
💬 评论