「递归自我改进」(RSI)常被想象成 AI 一夜之间自我迭代、超越人类的奇点引擎。但实际上，Yampolskiy (2015) 将其分成了明确的层级：最低级 AI 辅助人类写训练代码，最高级系统自主修改自身架构。2026 年的行业实践大多集中在中间层——模型生成训练数据、改写 prompt、修复自己的代码。MiMo-V2.6 的「RL 扩展」正是落在这个层级：它在训练框架内通过大规模 RL 让模型学会做更难的任务，但尚未脱离人类设计的 Harness。一个关键的理论锚点是 Schmidhuber 的 Gödel Machine——它数学上严格，但实际不可运行；绕开这个矛盾的方法是用「经验验证」代替「形式证明」。

MiMo-V2.6 的宣传亮点是「AA 综合智能指数 46 分，超越 Kimi K3 和 Qwen3.8 Max」。但注意这个榜单的局限：AA 指数不是 LMArena 的用户盲测，而是一个综合多项基准的加权评分。更重要的是，据小米团队公开的成本直播，Pro 版本仅训练 2 天就烧掉约 89 万美元，双版本合计超 128 万美元。小米大模型负责人罗福莉将其概括为「一条艰难的强化学习扩展之路」。对比 DeepSeek-R1 登上 Nature 封面时公开的成本——基础模型训练约 600 万美元，R1 RL 训练仅 29.4 万美元——不到 MiMo 单次 RL 成本的 1/3。同一张「开源」牌，成本差异揭示了不同的资源禀赋与路线选择。

文章提到 MiMo-V2.6 能在 Lean 证明助手中完成数学形式化证明。这个方向的关键变量不在模型推理能力本身，而在 Lean 生态的成熟度。菲尔兹奖得主邓煜在访谈中指出，AI 作为研究助手「已足够」，但无法独立完成长篇技术证明——因为他担忧 AI 依赖算力堆叠、缺乏严谨的数学基础。陶哲轩也认为 AI 能帮助证明，但人类数学家仍有不可替代的价值。当下的焦点不是「AI 能不能证明定理」，而是「证明步骤的验证链能否自动化」：Lean 社区正在把大量已知定理形式化，这为 RL 提供了大规模的可验证奖励源。拐点可能出现在某个知名猜想被 AI 辅助完成形式化证明的时刻——这个事件不在模型参数里，在 Lean 的代码仓库里。

MiMo-V2.6 的核心叙事是「把更多算力投入 RL 环境，模型就能更好」。但上海 AI 实验室徐兴成的研究给出了一个数学上的警告：强化学习存在「策略悬崖」——奖励函数与最优策略之间的映射是非连续的，微小的奖励设计偏差可能导致策略的剧烈崩塌。这意味着「更大 batch、更多任务、更大 Grader」这三个扩展方向，每一步都在增加奖励模型的复杂度，而复杂度越高，隐藏的「悬崖」就越密。一个值得追问的开放问题是：当 RL 算力从「千万级美元」继续膨胀到「亿级」，Grader 自身的奖励黑客（reward hacking）风险是否会成为下一个瓶颈？这决定着 RSI 能「递归」多远。