第三方 · 逐块拆解

看懂 mimo.xiaomi.com/rl

这是小米 MiMo 团队把自己的大模型强化学习(RL)训练过程实时“直播”出来的公开监控面板。 本页面把网站上的每一个仪表盘、每一个参数都翻译成大白话,并附上抓取时的真实数据作为例子。 数据抓取时间:2026-09-19 17:44 前后(北京时间)——原站是活的,数字会一直变,但结构和含义不变。

网址 mimo.xiaomi.com/rl/#overview 运营方 小米 MiMo 团队 刷新频率 每 10 秒轮询一次 口号 “Open is what we value.” 性质 训练日志的可视化,非官方文档

01这个网站是什么

一句话:小米把自家下一代模型 MiMo-v2.6 的两条强化学习训练线(pro 和 flash),从训练集群日志里直接抽出来,做成网页给全世界围观。 这种“把 RL 大 run 直播出来”的做法在大公司里非常少见——大部分实验室只发最终评测分数,中间过程(涨了多少、崩了几次、为什么重启)通常是不公开的。

官网 About 页原文(about 标签页):

“We are streaming our RL big runs. The mimo-v2.6 series is coming soon.”

翻译:“我们正在直播 RL 大规模训练。MiMo-v2.6 系列即将到来。”——也就是说,这个网站既是训练进度直播,也是 v2.6 发布前的预热宣传。

页面结构:一共就 3 个标签页

标签页网址锚点里面有什么
overview(默认)#overview公告栏、两条训练线的状态卡、三个外部评测榜、18 张核心指标图、动态采样器实时日志、训练数据构成
metrics#metrics全部指标的总目录:约 2000 个指标按树形排列,可以搜索、逐个画图
about#about上面那段话 + 官方 X(推特)账号 @XiaomiMiMo 链接

此外 URL 还支持 #metrics/actor(直达某个指标分组)和 #chart/<指标名>(直达单张图),可以直接把某张图分享给别人。

顶部和底部的小部件

02看懂面板前,先懂 6 个概念

整个网站所有的图,都围绕下面这个循环。RL 训练的一个 step(步),就是把循环跑一遍:

① 采样 rollout让模型当“agent”,在沙箱环境里把每个任务(prompt)完整做 n=16 遍
→
② 判分 judge跑测试 / 执行代码 / 规则判定,每条尝试打分(多数任务是 0 或 1)
→
③ 动态筛选 dynsam丢掉“16 遍全对”和“16 遍全错”的题,只留有学习信号的
→
④ 拼训练批次凑够 1,568 道“可学的”题 × 16 条轨迹 ≈ 25,000 条样本
→
⑤ 训练 actor用策略梯度(PPO 风格)更新模型权重,进入下一个 step

prompt / rollout / n

prompt = 一道任务题(写代码、修 bug、操作浏览器等)。rollout = 模型做题的完整过程记录(又叫 trajectory 轨迹)。 每道题做 n 遍(本站是 16 遍),所以卡片上写 1,568 × 16 seqs:每步 1,568 道题、共约 25,000 条轨迹。

avg@n —— 全站最重要的指标

一道题 16 遍里对了 8 遍,它的通过率就是 0.5;把本步所有题的通过率求平均,就是 dynsam/avg@n。 它相当于“模型现在的做题水平”,每步算一次,画成曲线就是学习曲线。它被选作两条 run 卡片上的“头条数字”。

为什么要“动态筛选”

全对的题学了没收获(没梯度),全错的题学不动(也没梯度),只有“有时对有时错”的题才最值得练。 这个筛选器叫 dynamic sampler(动态采样器,缩写 dynsam),是站上大量 dynsam/… 指标的来源。题不够时它会多采样一些来补,这带来“accepted 比 target 多”等现象(见 §3.5)。

任务域 / 数据源 / harness / 沙箱

题目分 5 个域:code(代码)、general(通用)、cyber(网络安全)、visual(视觉/图形界面)、chat(对话)。 每个域下有若干匿名化的数据源(如 code/dataset-obg8)。harness 是跑 agent 的脚手架框架;sandbox 是执行任务的隔离环境(跑代码、开浏览器都要真的沙箱)。

03Overview 页:逐块拆解

这是默认页,从上到下依次是:公告栏 → 两个 run 状态卡(含事件时间线)→ benchmarks 评测榜 → 一排核心指标图 → 每个 run 的动态采样器日志 → batch composition 数据构成。

3.1 notices —— 事故公告栏

训练出事时团队会在这里贴通知,并注明是哪条 run、发生在哪一步。例如抓取时最新的公告大意是: “pro 线在第 17 步因 GPU 显存溢出(OOM)重启”。其他常见公告包括网络故障、下架某个 cyber 数据集等。 这个栏目的存在本身就很说明问题:大规模 RL 训练极其依赖基础设施,出事故是常态,公告栏让每次事故可归因、可复盘。

3.2 两个 run 状态卡 —— 整个网站的“驾驶舱”

页面主体是两张大卡片,一条线一张。下面用 pro 卡片的真实数据做标注:

● in progress(进行中)mimo-v2.6-prostarted(开始于)2026-09-15 18:32(北京时间)
① 当前进度step 24 · training 阶段 · 约 76% · 已进行约 2h 52m
② 头条指标dynsam/avg@n = 0.6217 ▲0.0570(Δ vs step 1,起点 0.5647)
③ cost so far 花费$1,902,172(约 190 万美元,$5.71/秒)
④ tokens · step 242.64B(本步训练的 token 数)tokens · total52.99B(累计)
⑤ samples trained 累计样本577,024 条轨迹
⑥ train batch size × n1,568 × 16 seqs(每步题数 × 每题次数)
字段大白话
in progress / stopped这条训练线还在跑 / 已经停止。抓取时 pro 还在直播,flash 已于 9-19 上午 10:22(北京时间)跑完停止。
step N · phase · %跑到第几步。一个 step 约 3–4 小时;phase 显示当前在 rollout(采样做题)还是 training(权重更新)阶段,以及本步完成百分比。
dynsam/avg@n ▲▼头条成绩 = 本步平均通过率;▲/▼ 后面的数是相对第 1 步的总进步量。这是判断“模型有没有在变强”的第一入口。
cost so far这条 run 累计的算力花费(美元),按秒累加。
tokens · step / total本步 / 累计训练的 token 量。pro 每步约 26 亿 token,可见单步训练规模之大。
samples trained累计参与训练的轨迹(做题记录)条数。
batch size × n每步题数 1,568 × 每题 16 次尝试。
restarts(在 totals 里)累计重启次数。pro 抓取时已重启 11 次、flash 5 次——再次说明大 RL 训练的脆弱性。

卡片下半部分还有一条事件时间线(新事件在上):

3.3 benchmarks —— 三张外部评测榜

光看 avg@n 只知道“自己做题越来越顺”,还需要第三方考卷验证。面板放了三个公开/内部基准,每个 benchmark 一张图,pro 和 flash 各一条线,横轴是 step。分数是团队手工跑评测后填进来的(不是训练日志自动产出),所以点与点之间可能跳步。

Benchmark考什么pro 起步 → 抓取时flash 起步 → 抓取时
DeepSWE v1.1
mini-swe-agent, avg@3
软件工程任务:真实仓库里修 bug、写功能(SWE-bench 风格),用 mini-swe-agent 框架跑,每题跑 3 次取平均58.41 → 67.46(step 18)48.67 → 64.90(step 25)
In-house Coding Bench
avg@3
小米自建的代码能力基准,每题 3 次取平均57.54 → 63.6753.83 → 61.93
AutomationBench v1.0.6
avg@3
“自动化操作”基准:让 agent 操作图形界面/浏览器完成任务的执行力45.20 → 49.8044.80 → 51.60

三条曲线全部单调上升、flash 涨幅普遍更大(它起步分低、训练更激进),这就是这个网站最想让你看到的一件事:RL 真的在做有效功。

3.4 核心指标图(pinned metrics)—— 18 张默认展示的图

每张图卡片包含:指标名(如 actor/entropy_loss)、一句话官方说明、曲线(pro/flash 两条线,颜色即状态卡上的颜色)、右上角最新值 ± 变化量。交互:

18 个固定指标的完整解读见 §5 指标速查表。最值得盯的三张:dynsam/avg@n(成绩)、actor/entropy_loss(策略多样性是否还在)、train_infer_diff/new_infer/kl(训练/推理引擎是否一致)。

3.5 dynamic sampler —— 动态采样器实时日志

每个 run 下方有一块“直播弹幕”,滚动显示采样器每隔约 20 秒上报一次的心跳,外加一张分数据源进度表。心跳行长这样:

▲ 7 分钟前 · step 24
accepted 2,416/1,568 · judged 2,283 · pass 0.637 (n=6,226) · remaining 454 +958 partial +274 rewarding · prewarm 329
字段大白话
accepted 2,416/1,568本步已收下 2,416 道“可学的”题,目标是 1,568 道。accepted 大于 target 是正常的:上一步做了一半的题会结转(carryover)进这一步,多收的题留给下一步用。
judged 2,283已经判完分的题数(判分 = 跑测试/执行代码,需要排队,所以 judged 总是略小于 accepted)。
pass 0.637 (n=6,226)目前所有已判分尝试的总通过率 63.7%,分母 n=6,226 是已判分的尝试(rollout)条数。
remaining 454还差 454 道题凑齐目标;其中 +958 道正在“做了一半”(partial,跨 step 的未完成题),+274 道正在判分(rewarding)。
prewarm 329已为下一步预热好的题数(提前采样,让下一步开局不用等)。

心跳下面是data sources 表,把上面总数按 25 个数据源拆开:

source 数据源accepted / target进度条remainingjudgedin flight
code/dataset-obg8335 / 154
0308142
code/dataset-sin0226 / 154
019784
general/dataset-561036 / 31
0—27
code/dataset-yfch54 / 55
1—494

数据源名(dataset-xxxx)是匿名化后的内部 ID。这张表能看出“哪个题库供题慢”:比如上面 code/dataset-yfch 还差 1 道题,但背后有 494 条 rollout 正在跑——典型的“这道题又难又慢”。judged 为 — 表示该源的判分还没回来。

3.6 batch composition —— 每一步的“伙食结构”

这块回答:喂给模型的每一步训练数据,都是由哪些题构成的?副标题写着 “what each step's samples are made of”,数据从 dynsam/*/num_accepted 推导,抓取时共 25 个数据源。包含:

注意页面自己的脚注:刚重启完的那几步报告的是“消耗前的题池”,所以那一两步的构成 ≈ 结转的旧题 + 按比例摊的新题,别把那一步的突変当成真实配比变化。

04Metrics 页:2000 个指标的总目录

overview 只展示团队挑选的 18 张图;metrics 标签页把家底全部摊开——抓取时 pro 线共有 2,029 个指标(flash 类似)。布局:

顶层分组地图(数字 = pro 线的指标个数)

分组数量管什么
actor/*257策略模型(被训练的那个模型)本身:损失、熵、梯度范数、学习率、各种裁剪比例,以及按 code/chat/general/cyber/visual/agentic 分域、按数据集分的细项,还有梯度里零元素占比、本次更新是否成功等健康检查
critic/*324奖励与价值侧:rewards(奖励)、advantages(优势,衡量“这次比平均好多少”)、returns(回报)、score(得分)的均值/最大/最小,同样按域和数据集细分
ctx_prompt_length / ctx_response_length / ctx_total_length81+81+108每条轨迹的输入长度 / 生成长度 / 总上下文长度(min/mean/max 及分域)。能看出不同域的任务多“长”——visual、code 的上下文明显更长
dynsam/*83动态采样器:avg@n、全对/全错占比、通过率九桶分布、基础设施错误率,以及每个数据源的 num_accepted / num_measurable(3.6 的构成图就是用它画的)
env/*15沙箱环境池:正在运行的沙箱数等(环境不够 = 采样排队)
partial/*337跨步部分 rollout:上一步没做完、拖到下一步的轨迹,包括平均“过期度”(staleness,采样时用的模型比训练时旧几个版本)
penalty/*535各种惩罚项(格式不对、超长、重复等扣分)的统计,数量最多
train/*、training/*191+2训练批次构成:按 harness 框架统计的 rollout 数等
train_infer_diff/*11训练器与推理引擎的一致性:同一批 token 两边算出的对数概率差(KL)。理论应≈0,偏高说明数值实现有分歧
timing_s/*3三块墙钟耗时:整步 / 生成 / 训练器运算
perf/*1吞吐:每步训练 token 总量

数字格式是自动套的:时间类显示成时长(如 3h 12m)、比例类显示 0–1 或百分比、大数用 K/M/B 缩写、学习率用科学计数法。

05指标速查表(官方说明全翻译)

下面是官网配置里给每个核心指标写的官方说明的翻译,加上白话解读。其中 18 个就是 overview 默认展示的图。

指标名官方说明(译)白话解读
dynsam/avg@n ★平均通过率:本步采样的每道题,其 n 次尝试的成功比例,再对题目求平均模型当前做题水平,全站头条指标
dynsam/avg@n_no_infra剔除因基础设施故障而失败的尝试后的 avg@n把“机器背锅的分”扣掉后的真实水平;两者差距大 = 基础设施在丢分
critic/rewards/mean ★本步参与训练的轨迹的平均奖励模型这批“作业”的平均得分
actor/entropy_loss ★策略在每个 token 上的平均熵模型的“犹豫程度”。健康状态 = 缓慢下降;骤降 = 思维固化(坍缩),骤升 = 崩了
actor/pg_loss ★裁剪后的策略梯度目标主损失函数值,波动属正常,本身趋势不那么重要
actor/grad_norm ★裁剪前的全局梯度范数每步更新的“力气”。量级稳定最好;尖峰常和训练不稳/重启同时出现
actor/lr—学习率,看阶梯式衰减 schedule
train_infer_diff/new_infer/kl ★同一批 token 上,推理引擎与训练器的对数概率之间的 KL 散度“考卷和平时训练是不是同一套语言”。应贴 0;持续走高 = 两套系统数值不一致,会悄悄伤效果
ctx_total_length/mean ★每条轨迹的总上下文长度(prompt + 回答),单位 token任务变难、agent 变话多时它会上
ctx_response_length/mean每条轨迹生成的 token 数模型平均“写多长”
dynsam/agg_turn/mean ★每条轨迹的 agent 轮数平均每个任务要跟环境交互几轮,反映任务复杂度
perf/total_num_tokens ★本步训练的 token 总量每步的训练量(约 26–37 亿),稳步上升 = 步子越迈越大
timing_s/step ★整个 step 的墙钟耗时一步 3–4 小时;变长通常是环境或判分变慢
timing_s/outer_gen ★rollout 生成的墙钟耗时其中“做题”占多久
timing_s/trainer_ops ★训练器(前向/反向/更新)的墙钟耗时其中“学习”占多久;两者之和≈step 耗时
dynsam/passrate/zero ★没有任何一次尝试成功的题的占比“全错题”比例。升高 = 题太难 / 环境坏 / 判分失灵,这类题会被丢掉不训练
dynsam/passrate/one ★所有尝试都成功的题的占比“全对题”比例。升高 = 题变简单了(好事),但它们不再提供学习信号
dynsam/passrate/hist9_ratio按通过率分九桶(全错→全对)的题的分布占比理想形状 = 中间桶堆积(大量“有时对有时错”的可学题)
dynsam/num_measurable ★本步“通过率可度量”(非全对非全错)的题数;按数据源细分在 dynsam/<source>/num_measurable真正进入训练的题量
dynsam/infra_error/seq_rate ★因基础设施故障而损失的序列占比机器背锅率,应≈0
env/active ★正在运行的沙箱环境数环境池水位,掉了说明环境不够用
partial/avg_staleness ★采样到训练之间平均相差的策略版本数过期度:数字越大,用的“旧模型经验”越多,一般应很小
train/harness/*/training/rollouts训练批次中各 agent 框架贡献的 rollout 数batch composition 里 harness 视图的数据源

★ = overview 默认展示(pinned)的 18 个指标之一。

0630 秒判断“训练健不健康”

看哪里健康的样子要警惕的样子
dynsam/avg@n台阶式上升连跌多步(配合公告看是不是换了数据)
actor/entropy_loss缓慢下降后趋稳直线下坠=策略坍缩;突然飙升=崩溃
actor/grad_norm量级平稳反复尖峰 → 常伴随 OOM 重启
train_infer_diff/new_infer/kl贴近 0 的平线持续抬升 → 训练/推理实现有分歧
passrate/zero 与 one都在低位zero 升高=题太难或环境坏;one 升高=题太简单,学习信号变稀
infra_error/seq_rate≈ 0抬头 = 基础设施在丢样本
timing_s/step平稳(3–4h)越走越长 = 环境/判分排队,吞吐被卡
notices + restarts偶尔一次连续多次 = 基础设施不稳(pro 前 8 步重启 4 次就是实例)

07抓取时点的数据快照(2026-09-19)

以下数字是我抓取时的实况,用于让你对“正常值”有体感。原站会持续更新,请以官网实时数据为准。

mimo-v2.6-promimo-v2.6-flash
状态● in progress 正在第 24 步stopped 第 30 步后于 9-19 10:22 停止
开始时间09-15 18:3209-15 23:16(北京时间)
dynsam/avg@n(step 1 → 最新)0.5647 → 0.6217(+0.057)0.5137 → 0.6435(+0.130)
每步规模1,568 题 × 16 次 ≈ 25,088 轨迹同左
累计 token / 轨迹 / 沙箱任务52.99B / 577,024 / 3,081,79281.40B / 752,640 / 6,859,919
花费(费率)$1,902,172($5.71/s)$854,044($2.855/s)
重启次数115
单步沙箱任务数37,888170,368(更激进的环境并发)

有意思的对比:flash 每步用 5 倍的沙箱任务量(170k vs 38k)、训练更“卷”,avg@n 提升也更大(+0.130 vs +0.057),且总花费反而更低。两条线像是一次公开的“大小模型 RL 成本收益对照实验”。

08术语表

术语含义
policy 策略正在被 RL 训练的模型本身;“策略”= 从任务到行为的映射
rollout / trajectory模型作为 agent 在环境里完整做一遍任务的全过程记录
prompt一道任务题
n / avg@n每题尝试次数 / 每题通过率再对题目取平均
reward / judge奖励(判分,多为 0/1)/ 判分器(跑测试、执行代码、按规则打分)
dynamic sampling动态采样:只保留“部分成功”的题进入训练,全对全错的丢掉
carryover / partial跨步结转的题 / 做了一半拖到下一步的轨迹
staleness过期度:采样用的模型版本落后于训练版本多少步
prewarm为下一步提前准备好的题
sandbox沙箱:隔离的执行环境(跑代码、开浏览器),跑一次任务消耗一个
agent harnessagent 脚手架:驱动模型与环境交互的框架(循环、工具调用等)
entropy 熵策略的随机性/多样性,是防止模型“越练越死板”的仪表
KL 散度两个概率分布的差异;此处用于监控训练器与推理引擎是否一致
PPO / pg clip近端策略优化:带裁剪的策略梯度算法,防止单步更新过猛
TIS clipfrac截断重要性采样(修正训练/推理概率差)被裁剪的比例
advantage 优势某条轨迹比“平均水线”好多少,策略梯度的核心信号
OOM显存/内存溢出,GPU 上最常见的崩溃原因