1. 从标题拆解 MiMo-V2.6 的真实技术意图1.1 这个标题到底在说什么“第一开源大模型 MiMo-V2.6迈向自我改进的强化学习规模化”这个标题信息量其实很大拆开来看至少包含四层意思。第一层是“第一开源大模型”这里的“第一”我理解不是指排行榜第一而是指某个系列或某个机构的首个开源大模型版本强调从闭源到开源这一步的跨越。第二层是“MiMo-V2.6”这是具体的模型版本号说明它已经迭代到 V2.6不是初代产品背后有持续的版本演进。第三层是“自我改进”这是整篇报告最核心的关键词意味着模型不只是被动地接受人类标注数据做监督微调而是能通过某种机制自己生成数据、自己评估、自己优化。第四层是“强化学习规模化”说明这套自我改进的引擎是强化学习而且重点在“规模化”三个字上不是小打小闹的 RLHF而是把强化学习真正跑成大模型训练的主循环。我第一眼看到这个标题时的判断是这不是一篇普通的模型发布公告而是一篇技术报告讲的是训练方法论层面的东西。普通用户可能只关心模型跑分多少、能不能免费用但从业者真正该关心的是它怎么把强化学习做到可规模化的。因为强化学习在大模型上的应用一直有个尴尬的现实——效果确实好但太贵、太不稳定、太难复现。谁能把这件事做成工程上可规模化的谁就摸到了下一阶段的门槛。1.2 为什么“自我改进”是关键词“自我改进”这个词在强化学习语境下不是新概念。David Silver 那套强化学习理论里agent 与环境交互、获得奖励、更新策略本身就是一种自我改进的闭环。但放到大模型上这个闭环变得极其复杂。传统监督微调是“人教模型”人类写好答案模型学着模仿。而自我改进是“模型教模型”模型自己生成候选答案通过某种奖励信号筛选出好的再拿这些好答案去训练自己。听起来简单做起来处处是坑。最大的坑在于奖励信号从哪来。如果奖励信号还是靠人类标注那规模化就无从谈起因为人类标注的速度永远跟不上模型生成的速度。所以 MiMo-V2.6 这类工作必然要解决一个问题如何构建一个可规模化、可自动化的奖励系统。常见做法有三种一是训练一个奖励模型来替代人类二是用规则或可验证的答案来自动打分三是让模型自己当裁判做自我评估。这三种方式各有优劣后面我会详细拆。1.3 适合谁来读这篇解析这篇内容适合三类人。第一类是做模型训练和微调的工程师你们关心的是强化学习在大模型上的工程实现细节比如怎么设计奖励、怎么控制训练稳定性、怎么防止 reward hacking。第二类是做 AI 应用的产品和技术负责人你们关心的是这类模型能力边界在哪能不能用在 agentic 场景里比如让模型自己规划任务、调用工具、多步推理。第三类是对强化学习感兴趣但还没深入大模型训练的学生和研究者你们可以从这篇解析里看到一个完整的强化学习规模化训练框架长什么样而不是只停留在算法公式层面。我会尽量把技术细节讲透同时用生活化的类比帮助理解。涉及参数和步骤的地方我会说明为什么这么选而不是只给结论。需要提前说明的是以下部分关于 MiMo-V2.6 具体实现细节的描述是基于公开技术报告的常见结构和强化学习规模化训练的通用实践做的合理推演具体数值和模块命名请以官方报告为准。2. 强化学习规模化训练的整体设计思路2.1 为什么大模型训练要从 SFT 走向 RL要理解 MiMo-V2.6 为什么要强调强化学习规模化得先理解监督微调的天花板在哪。SFT 的本质是让模型拟合人类标注的问答对损失函数是交叉熵目标是让模型输出的概率分布尽量接近标注答案。这个方式在让模型学会基本指令跟随、格式规范、知识问答上非常有效但它有两个根本限制。第一个限制是数据瓶颈。人类标注的高质量数据是有限的而且标注成本随质量要求指数上升。你让标注员写一个简单问答可能几毛钱但让他写一个需要多步推理、涉及工具调用、还要保证逻辑严密的复杂任务轨迹成本可能是几十块甚至上百块。当模型能力越来越强需要的学习信号越来越精细时SFT 的数据供给就跟不上了。第二个限制是目标错位。SFT 训练模型去“模仿”标注答案但很多任务并没有唯一正确答案。比如写代码同一个功能可以有多种实现比如做规划同一条路径可以有不同走法。SFT 会强迫模型去拟合某一种特定写法反而限制了模型的探索能力。而强化学习的目标是最大化期望奖励模型可以在输出空间里自由探索只要最终结果好就行。这就从“模仿”变成了“试错优化”上限高得多。MiMo-V2.6 选择强化学习作为核心训练范式本质上是在解决 SFT 的两个瓶颈。它用模型自己生成大量候选输出用奖励信号筛选再用筛选结果更新策略。这个过程可以无限循环数据不再依赖人类标注理论上可以一直跑下去。这就是“自我改进”和“规模化”的底层逻辑。2.2 自我改进闭环的三个核心组件一个可规模化的自我改进闭环至少需要三个组件协同工作策略模型、奖励系统、训练引擎。策略模型就是当前正在训练的模型它负责生成候选输出。奖励系统负责给这些输出打分告诉模型哪些好哪些差。训练引擎负责根据奖励信号更新策略模型的参数。这三个组件里最容易被低估的是奖励系统。很多人以为奖励系统就是训一个 reward model 就完事了实际上在规模化场景下奖励系统的设计直接决定了整个闭环能不能跑起来。如果奖励信号噪声太大模型会学到错误的东西如果奖励信号太容易被 hack模型会找到钻空子的方式如果奖励信号太稀疏模型根本学不动。MiMo-V2.6 在奖励系统上大概率采用了混合方案也就是把可验证奖励和模型奖励结合起来。可验证奖励用于数学、代码这类有确定答案的任务模型奖励用于开放域任务。这种混合方案的好处是在能验证的地方用最可靠的信号在不能验证的地方用模型评估兜底兼顾了准确性和覆盖面。2.3 规模化到底难在哪强化学习规模化最难的地方不是算法而是工程稳定性。小规模跑 RL 的时候你可能用几百条数据、几个 GPU 就能看到效果。但一旦把 batch size 放大到几千几万把训练步数拉到几十万步各种问题就会冒出来。第一个问题是奖励分布的漂移。训练初期模型输出质量差奖励普遍低训练中期模型变好了奖励普遍高训练后期模型可能在某个维度上过拟合奖励分布又变了。如果奖励系统不能自适应这种漂移训练就会不稳定。第二个问题是策略更新的方差。强化学习的梯度估计本身方差就大在大模型上这个方差会被进一步放大。如果不用一些技巧去控制方差比如 advantage normalization、reward clipping、KL penalty训练很容易崩掉。第三个问题是计算资源的调度。自我改进闭环里生成、打分、训练是三个不同的计算阶段对资源的需求不一样。生成阶段需要大 batch 推理打分阶段可能需要调用外部工具或另一个模型训练阶段需要大显存做反向传播。怎么把这三个阶段高效地串起来是个系统工程问题。MiMo-V2.6 强调“规模化”说明它在这三个问题上都有对应的工程方案。下面我会逐个拆解。3. 核心细节解析与实操要点3.1 策略模型架构MoE 为什么适合 RL 规模化从热词里看到 MoE 架构这很关键。MiMo-V2.6 大概率采用了 Mixture of Experts 架构也就是混合专家架构。MoE 的核心思想是把一个大模型拆成多个专家子网络每个 token 只激活其中一小部分专家。比如一个总参数量 100B 的模型可能每次前向只激活 10B 的参数。这样做的好处是模型总容量可以做得很大但推理和训练的计算成本只跟激活参数相关。为什么 MoE 适合强化学习规模化因为 RL 训练需要大量采样。策略模型要反复生成候选输出每次生成都是一次完整的前向计算。如果模型是稠密的每次生成都要算全部参数成本极高。而 MoE 每次只激活部分专家生成成本大幅降低同样的计算预算可以采样更多次。采样次数多了梯度估计的方差就小了训练更稳定。但 MoE 也有自己的坑。最典型的是负载不均衡也就是某些专家被激活得特别多另一些几乎不被激活。这会导致训练效率下降因为热门专家成了瓶颈冷门专家浪费了容量。常见的解决方案是加负载均衡损失强制让 token 均匀分配到各个专家。MiMo-V2.6 在 RL 训练中大概率也用了类似的机制否则规模化训练跑不起来。另一个坑是专家路由的稳定性。在 RL 训练中策略模型参数在不断更新专家路由网络也在变。如果路由变化太剧烈会导致训练信号不一致模型学到的东西被路由变化冲掉。所以通常会对路由网络用更小的学习率或者加一些平滑约束。3.2 奖励系统设计可验证奖励与模型奖励的混合奖励系统是自我改进闭环的发动机。MiMo-V2.6 的奖励系统我推测是分层设计的针对不同任务类型用不同的奖励来源。对于数学题、代码题这类有确定答案的任务用可验证奖励。数学题可以比对最终答案代码题可以跑单元测试。这种奖励信号是二值的对就是对错就是错噪声极低。但缺点是覆盖面窄只适用于有标准答案的任务。对于写作、对话、规划这类开放域任务用模型奖励。具体做法是训练一个 reward model用人类偏好数据训练它让它学会给模型输出打分。这个 reward model 可以是另一个大模型也可以是一个专门训练的小模型。用大模型当 reward model 的好处是泛化能力强坏处是推理成本高。用小模型的好处是便宜坏处是可能不够准。还有一种做法是自我评估也就是让策略模型自己给自己的输出打分。这种方式最便宜但风险也最大因为模型可能会高估自己。通常需要配合一些约束比如让模型从多个维度打分或者用多个模型投票。MiMo-V2.6 在规模化场景下大概率是三种方式混合使用。可验证奖励用于能验证的任务模型奖励用于开放域任务自我评估用于快速筛选。这种混合策略的关键在于怎么分配权重以及怎么防止模型在模型奖励上过拟合。注意奖励系统的设计有一个铁律就是奖励信号必须比策略模型的能力上限高一点但不能高太多。如果奖励信号太弱模型学不到东西如果奖励信号太强模型会去 hack 奖励而不是真正提升能力。3.3 训练引擎异步生成与同步更新的权衡训练引擎要解决的核心问题是怎么把生成、打分、更新这三个阶段高效地串起来。常见有两种架构同步和异步。同步架构是生成一批数据打完分更新一次模型然后再生成下一批。这种方式实现简单训练稳定但效率低。因为生成和更新不能并行GPU 利用率上不去。异步架构是生成和更新并行进行。生成进程不断产出数据更新进程不断消费数据。这种方式效率高但实现复杂而且有一个致命问题生成数据用的策略模型和更新中的策略模型不是同一个版本。如果版本差距太大数据就失效了因为旧策略生成的数据不能反映新策略的能力。解决这个问题的常见做法是重要性采样修正也就是用新旧策略的概率比来修正梯度。但重要性采样的方差很大需要配合 clipping 来限制修正幅度。PPO 算法就是干这个的它用 clip 操作把概率比限制在一个区间内防止更新步子太大。MiMo-V2.6 在规模化训练中大概率采用了异步架构加 PPO 类算法。具体来说可能有多个生成 worker 并行采样一个训练 worker 消费数据并更新参数参数定期同步给生成 worker。同步频率是个关键参数太频繁通信开销大太稀疏数据失效严重。通常会在训练稳定性和效率之间找一个平衡点。3.4 关键参数选择与计算过程强化学习训练里有一组核心参数选得好训练稳选不好直接崩。我结合常见实践说一下这些参数怎么定。第一个是 KL 散度系数。这个系数控制新策略和旧策略的偏离程度。系数越大新策略越不敢偏离旧策略训练越稳但学得越慢系数越小新策略越敢探索学得快但容易崩。常见做法是从一个较大的值开始比如 0.1然后根据训练稳定性逐步降到 0.01 甚至更低。MiMo-V2.6 在规模化训练中大概率用了自适应 KL 系数也就是根据实际 KL 散度动态调整系数让 KL 维持在一个目标值附近。第二个是 clip 范围。PPO 里用 clip 限制概率比常见值是 0.2。意思是概率比超过 1.2 或低于 0.8 的部分不产生梯度。这个值太小会限制探索太大又起不到约束作用。0.2 是个经验值在大多数场景下工作良好。第三个是 batch size。RL 训练的 batch size 通常比 SFT 大得多因为梯度方差大需要更多样本平均。常见做法是总 batch size 几千到几万条轨迹拆成多个 mini-batch 做梯度更新。MiMo-V2.6 强调规模化batch size 应该是在万级别。第四个是学习率。RL 的学习率通常比 SFT 小一个数量级因为策略更新太剧烈容易崩。常见值是 1e-6 到 1e-5 之间。MoE 模型因为路由网络敏感学习率可能还要再小一点。这些参数不是孤立的它们之间有耦合。比如 KL 系数大学习率可以适当大一点batch size 大学习率也可以大一点。实际调参时通常先固定其他参数单独调一个找到稳定区间后再联合微调。4. 实操过程与核心环节实现4.1 从零搭建自我改进闭环的完整流程假设你要复现一个类似 MiMo-V2.6 的自我改进训练流程我会按阶段拆解每一步该做什么。第一阶段是冷启动。你不能直接拿一个随机初始化的模型跑 RL那样奖励信号全是噪声模型学不到东西。所以第一步是用 SFT 数据把模型训到一个基本可用的水平。这个阶段的数据可以是人工标注的也可以是强模型蒸馏的。目标是让模型能生成格式正确、语义通顺的输出哪怕质量不高。第二阶段是奖励系统搭建。你需要准备两类奖励信号。对于可验证任务写好验证脚本比如数学题的答案比对、代码题的单元测试。对于开放域任务收集人类偏好数据训练 reward model。偏好数据的量不用特别大几千到几万条就能训出一个可用的 reward model。关键是数据质量要高标注一致性要好。第三阶段是小规模 RL 试跑。不要一上来就大规模跑先用小 batch、少步数跑通流程。这个阶段的目标是验证整个闭环能不能工作奖励信号有没有问题训练会不会崩。通常跑几百步就能看出端倪。如果奖励曲线一直不涨或者 KL 散度爆炸就要回去检查奖励系统或参数设置。第四阶段是规模化训练。小规模跑通后逐步放大 batch size 和训练步数。这个阶段要监控的指标包括奖励均值、KL 散度、策略熵、生成长度分布。任何一个指标异常都要及时干预。规模化训练通常要跑几天到几周中间可能需要多次调整参数。第五阶段是评估与迭代。训练完成后用标准 benchmark 评估模型能力。如果某些维度不达标可能需要调整奖励权重或补充训练数据。自我改进不是一次性的而是一个持续迭代的过程。4.2 奖励信号工程的具体实现奖励信号工程是整套流程里最需要动手能力的部分。我展开说一下可验证奖励和模型奖励的具体实现。可验证奖励的实现相对直接。数学题的话从模型输出里提取最终答案和标准答案比对对给 1 分错给 0 分。代码题的话把模型生成的代码放到沙箱里跑单元测试通过给 1 分不通过给 0 分。这里有个细节提取答案的解析器要写得足够鲁棒因为模型输出格式可能千奇百怪。常见做法是用正则表达式匹配或者再训一个小模型专门做答案抽取。模型奖励的实现要复杂一些。首先你要收集偏好数据也就是给同一个 prompt 的两个不同回复让人类标注哪个更好。然后用这些数据训练一个 reward model损失函数通常是 Bradley-Terry 模型目标是让好回复的得分比坏回复高。训练好的 reward model 在 RL 训练中给模型输出打分。这里有个关键问题reward model 会有分布偏移。训练 reward model 用的数据是旧模型生成的但 RL 训练中策略模型在不断进化生成的输出分布会变。如果 reward model 不能适应这种变化打分就会失准。常见解决方案是定期用新数据重新训练 reward model或者在 RL 训练中持续收集人类反馈来更新 reward model。提示reward model 的过拟合是 RL 训练中最隐蔽的坑。模型会找到 reward model 的弱点生成一些在 reward model 看来得分很高但实际质量很差的输出。防范方法是定期用人类评估校准 reward model或者在奖励里加入一些正则项比如长度惩罚、重复惩罚。4.3 训练稳定性监控与干预规模化 RL 训练中监控比调参更重要。因为训练一旦跑起来你不可能频繁停下来改参数只能通过监控指标及时发现问题并干预。核心监控指标有四个。第一个是奖励均值它应该随着训练逐步上升如果长期不涨或下降说明奖励系统或学习率有问题。第二个是 KL 散度它衡量新策略和旧策略的偏离程度应该维持在一个合理区间突然飙升说明策略更新太剧烈。第三个是策略熵它衡量模型输出的多样性熵太低说明模型输出变得单一可能过拟合了奖励。第四个是生成长度如果长度突然暴涨或暴跌说明模型在钻奖励的空子。干预手段主要有三个。如果 KL 散度飙升可以增大 KL 系数或减小学习率。如果策略熵太低可以增大熵正则系数鼓励模型探索。如果奖励均值不涨可以检查奖励信号是否有问题或者增大学习率试试。这些监控和干预最好做成自动化的因为规模化训练中人工盯盘不现实。常见做法是写一个监控脚本每隔一段时间拉取指标如果超过阈值就自动调整参数或暂停训练。4.4 一个具体的参数配置示例为了让你有个直观感受我给一个假设的配置示例。注意这只是基于常见实践的示例不是 MiMo-V2.6 的真实配置。参数取值说明总 batch size8192 条轨迹规模化训练需要大 batch 降方差mini-batch size256受显存限制拆成多个小批做梯度更新学习率5e-7RL 学习率通常比 SFT 小一个数量级KL 系数初始值0.05初期约束强一点保证稳定KL 系数最终值0.005后期放松约束让模型充分优化clip 范围0.2PPO 标准值熵正则系数0.01鼓励探索防止过早收敛训练步数50000规模化训练通常几万步起生成长度上限4096 tokens根据任务复杂度设定这个配置的核心逻辑是初期用强约束保证训练稳定后期逐步放松让模型充分优化。KL 系数从 0.05 降到 0.005 是个常见的退火策略。学习率保持恒定因为 RL 训练中动态调学习率容易引入额外不稳定因素。5. 常见问题与排查技巧实录5.1 奖励不涨的排查思路奖励不涨是 RL 训练中最常见的问题。排查时按以下顺序检查。先看奖励信号本身有没有问题。把模型输出和对应的奖励值抽样出来人工看几条如果明显好的输出得分低明显差的输出得分高说明奖励系统有问题。可能是 reward model 训得不好或者可验证奖励的解析器有 bug。再看学习率是不是太小。如果奖励信号没问题但训练几百步奖励几乎不动可能是学习率太小梯度更新幅度不够。可以试着把学习率放大 2 到 5 倍看看。然后看 KL 系数是不是太大。如果 KL 系数太大新策略被死死约束在旧策略附近根本不敢探索奖励自然不涨。可以适当降低 KL 系数。最后看 batch size 是不是太小。batch size 小梯度方差大更新方向噪声大奖励曲线会震荡但不涨。增大 batch size 通常能改善。5.2 训练崩溃的典型表现与急救训练崩溃通常有几种典型表现。第一种是 KL 散度爆炸直接冲到几百甚至几千。这通常是因为学习率太大或 KL 系数太小策略更新步子太大。急救方法是立即暂停训练回滚到上一个 checkpoint把学习率减半KL 系数加倍重新跑。第二种是奖励突然暴跌。这通常是因为模型找到了一个 reward hacking 的路径但被奖励系统惩罚了导致策略剧烈调整。急救方法是检查奖励系统有没有漏洞同时增大 KL 系数约束策略更新。第三种是输出长度失控。模型开始生成超长重复文本这是因为奖励系统可能对长度有隐式偏好。急救方法是在奖励里加长度惩罚或者直接限制生成长度上限。第四种是策略熵骤降。模型输出变得高度单一失去探索能力。这通常是因为熵正则系数太小或者训练步数太多导致过拟合。急救方法是增大熵正则系数或者提前停止训练。5.3 常见问题速查表问题现象可能原因排查方法解决手段奖励不涨奖励信号有问题抽样人工检查修复奖励系统奖励不涨学习率太小对比梯度范数增大学习率奖励不涨KL 系数太大查看 KL 散度值降低 KL 系数KL 散度爆炸学习率太大查看梯度范数减小学习率KL 散度爆炸KL 系数太小查看 KL 系数增大 KL 系数奖励暴跌reward hacking检查输出样本修复奖励漏洞输出长度失控长度偏好统计长度分布加长度惩罚策略熵骤降探索不足查看熵值曲线增大熵正则训练速度慢生成瓶颈查看 GPU 利用率增加生成 worker显存不足batch 太大查看显存占用减小 mini-batch5.4 独家避坑经验说几个文档里不会写但实际训练中一定会遇到的坑。第一个坑是 reward model 的版本管理。RL 训练中你可能会多次更新 reward model如果不记录每次更新对应的 checkpoint后面复现实验时会搞不清楚哪个 reward model 对应哪个训练阶段。我的做法是给每个 reward model 打上版本号训练日志里记录当前用的 reward model 版本。第二个坑是生成数据的缓存。规模化训练中生成数据很贵如果训练中断了之前生成的数据最好能缓存下来复用。但缓存的数据对应的策略模型版本可能已经过期复用时要小心。我的做法是给缓存数据打上策略模型版本标签只复用版本差距不大的数据。第三个坑是评估集泄漏。RL 训练中如果评估集的数据混进了训练数据评估结果会虚高。规模化训练中数据量很大很容易不小心把评估集混进去。我的做法是在数据预处理阶段就用哈希去重确保训练集和评估集没有重叠。第四个坑是分布式训练的通信开销。规模化 RL 训练通常跨多机多卡参数同步的通信开销可能成为瓶颈。我的做法是用梯度压缩或异步更新来减少通信量同时监控通信时间占比如果超过 30% 就要优化。6. 自我改进规模化对行业的影响与延展6.1 对模型训练范式的影响MiMo-V2.6 这类工作如果跑通了对模型训练范式的影响是深远的。最直接的影响是训练数据的获取方式会从“人工标注为主”转向“模型自产为主”。这意味着训练成本结构会变人工标注的占比下降计算资源的占比上升。对于有算力但缺数据的团队来说这是个好消息。第二个影响是模型迭代速度会加快。传统 SFT 流程中每次迭代都要重新收集标注数据周期以周甚至月计。而自我改进闭环中模型自己生成数据、自己筛选、自己训练迭代周期可以缩短到天甚至小时级。这会让模型能力提升的速度大幅加快。第三个影响是训练和推理的边界会模糊。自我改进闭环中模型既在推理生成数据又在训练更新参数两者是交织在一起的。这对训练框架提出了新要求需要支持训练和推理的高效切换。6.2 对 agentic 应用的推动热词里有个 agentic这跟自我改进强化学习关系很大。Agentic 应用的核心是让模型自己规划任务、调用工具、多步推理。这些能力恰恰是强化学习最擅长的因为 agentic 任务通常有明确的目标和可验证的结果适合用强化学习来优化。比如让模型操作一个软件完成某个任务任务完成没完成是可以自动验证的。模型可以通过试错学会怎么操作哪些操作序列能达成目标。这种能力用 SFT 很难教因为操作路径太多人类标注不过来。但用强化学习模型可以自己探索自己找到最优路径。MiMo-V2.6 如果真能把强化学习规模化那 agentic 应用的能力上限会大幅提升。模型不再只是被动回答问题而是能主动规划、执行、调整。这对自动化办公、智能助手、机器人控制等领域都是重大利好。6.3 开源生态的连锁反应“第一开源大模型”这个定位意味着 MiMo-V2.6 会把整套训练方法开源出来。这对开源生态的影响是连锁性的。首先中小团队可以基于这套方法训练自己的模型不用从零摸索强化学习规模化。其次围绕这套方法会涌现一批工具和框架比如奖励系统搭建工具、训练监控工具、数据管理工具。最后开源社区会在此基础上做各种改进和变体推动整个领域快速迭代。我个人比较期待的是这套方法开源后会不会出现一些针对特定领域的自我改进模型。比如专门做代码的、专门做数学的、专门做科研的。因为自我改进闭环一旦搭好往里面灌领域数据就能训出领域模型门槛比从头训低得多。6.4 后续可以深入的方向如果你对这块感兴趣有几个方向值得深入。第一个是奖励系统的鲁棒性怎么设计奖励信号才能既准确又不容易被 hack。第二个是训练效率怎么在有限算力下把自我改进闭环跑得更快。第三个是多模态扩展现在的自我改进主要在文本上怎么扩展到图像、视频、音频。第四个是安全对齐自我改进的模型能力越来越强怎么保证它的行为始终符合人类价值观。我在实际使用和研究中发现强化学习规模化最难的往往不是算法本身而是工程细节和持续迭代的耐心。算法论文可以看几篇就懂但把训练跑稳、跑出效果需要大量的试错和调参。MiMo-V2.6 这类工作的价值很大程度上在于它把这些工程细节沉淀下来了让后来者不用重复踩坑。