小米直播大模型强化学习训练，一天烧掉500万

有人刷科技资讯时刷到一条爆料：小米正在直播大模型的强化学习训练过程，还把每天花了多少钱都列出来了。

强化学习（RL，一种让模型通过不断试错获得提升的训练方法），一直是大模型研发里最神秘的环节之一。外界只知道它烧钱，却很少能看到一线团队的实际训练细节。

小米MiMo团队沉默了近半年，这次直接把正在进行中的MiMo-V2.6强化训练过程全公开了。

@_LuoFuli 认为：过去半年团队只研究一个问题——强化学习到底能扩到多大规模。这次升级了三个方向：算力规模，单步处理约20亿token，1568条prompts每条同时跑16次推演，全异步运行；训练环境，一次运行混合多个任务的智能体强化学习；评估算力，用智能体组内分配，结合测试用例和评分标准给出奖励。后续会逐步开源所有细节。

@wquguru 统计了目前的烧钱速度：两个模型同时训练，一天烧掉约7.4万美元，折合人民币500多万元，平均每小时3000美元；Pro版本训练一步约6万美元，需要2到3小时；截至爆料时已经训练37小时，总共花了11万美元。这个花费还只是强化学习阶段，不包含之前的预训练。

@Kay2289123 认为：这次公开的训练方法和在线训练轨迹，比任何第三方解读都管用，想做强化学习方向的人直接可以拿它当学习路线。如果把大模型比作生日蛋糕，预训练是做蛋糕胚，监督微调是抹奶油，强化学习的探索就是上面那颗点睛的草莓。

过去大模型厂商的研发细节大多藏在论文里，读者只能看到结论，看不到过程里的试错和调整。

这次把整个训练过程连花费都公开，等于把研发厨房直接开放给所有人看。不管是想学技术的从业者，还是好奇大模型到底烧多少钱的普通人，都能直接看一手信息。

只是没人知道，这种公开会让更多人跟进，还是会让其他厂商更加保密？