小米 MiMo 两条强化学习训练已停止，合计花费 347.47 万美元

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

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。

评测分数整体上升，但中途都有回落

从结果看，投入带来的提升较为明显。DeepSWE v1.1 上，Pro 从第 1 步的 58.41 提升到 72.57，上升 14.16 分；Flash 从 48.67 提升到 65.68，上升 17.01 分。

不过，两条曲线中间都出现了明显回落，并不是训练时间越长，分数就会一路上涨。

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

训练过程中出现多次异常

训练过程并不顺利。Pro 曾因专家负载不均触发 GPU OOM，训练集群和评分器也出现过断连重启；Flash 则因基础设施错误从 step 15 重跑。

在后期训练中，小米还过滤了对 Pro 已经过于简单的任务，并将出现异常 rollout 模式的 cyber 数据集从 Pro 后续训练中移除。