小米MiMo两条公开强化学习训练均停止，合计完成60步

Article

小米MiMo公开RL停了：两条训练烧掉347万美元

动察 Beating AI 快讯，小米 MiMo 公开直播的两条强化学习训练目前均已停止。Pro 和 Flash 最后完整完成的都是 30 个训练 step，两条 run 合计花费 347.47 万美元。其中 Pro 花费 262.07 万美元，Flash 花费 85.40 万美元。

砸钱换来的提升很明显。DeepSWE v1.1 上，Pro 从第 1 步的 58.41 提升到 72.57，涨了 14.16 分；Flash 从 48.67 提升到 65.68，涨了 17.01 分。但两条曲线中间都有明显回落，并非训练越久分数就一路上涨。

另外两个看板评测也在涨。Pro 的内部代码评测从 57.54 升至 65.43，AutomationBench 从 45.2 升至 53.1。

训练过程也没那么顺利。Pro 因专家负载不均触发过 GPU OOM，训练集群和评分器也断连重启过；Flash 因基础设施错误从 step 15 重跑。后期小米还过滤了对 Pro 已经过于简单的任务，并把出现异常 rollout 模式的 cyber 数据集从 Pro 后续训练中移除。

Key points

The following is analysis, separate from reported facts. Verify important claims independently.

这两条训练都已停止；评测分数总体上升，但中间出现回落，训练还遇到显存、断连和基础设施问题。

结果显示，较高训练成本伴随评测提升，但训练过程并非持续上涨且存在基础设施故障。

强化学习训练可以理解为按step推进的训练过程；这里的step、花费和评测分数用于观察训练进展。