4月刚开源V2.5 Pro并登顶开源榜首，小米团队随即转入长达半年的沉寂。这次直播揭开了『沉默期』的唯一课题：RL Scaling。V2.5 Pro的参数配置（309B总参/15B激活）在推理侧已经打平GPT-5.4等闭源模型，但团队发现真正的瓶颈不在问答能力，而在『Agent能否在真实多步骤任务中持续自我改进』。为此，他们把V2.6的RL训练从单任务、同步采样升级为全异步多任务流水线——每步处理20亿Token、混合代码/通用/视觉等多类环境，背后是小米自研的万卡集群和HySparse注意力架构支撑。这道坎跨过去了，MiMo才算真正进入『Agent训练时代』。

MiMo-V2.6专门强调了一项技术：Agentic In-group Credit Assignment。为什么这件事如此关键？传统RL训练代码模型只需判『测试跑通=+1，不通=0』，但Agent任务的轨迹可能有40+步——搜索、读网页、写代码、跑测试、改bug、再跑，直到最后才出结果。如果只用『最终成败』这一个标量奖励去调整个轨迹上所有参数的梯度，学习信号极度稀薄。正确的做法是把同Prompt生成的16条Rollout相互对比，推断『哪一步真正扭转了局势』。小米用的『组内信用分配』思路，与清华大学SAO方法（单Rollout异步优化+价值模型）同属解决该问题的前沿阵营——谁做得更细，谁就能从同样的算力里榨出更多智能。

当小米在为『每步20亿Token』的大规模RL Scaling烧进百万美元时，行业里存在截然相反的技术路线：腾讯优图推出的training-free GRPO，不修改模型参数，仅用上下文空间做四步迭代学习——优化6.7B模型只需8-18美元，在数学推理和网页搜索场景都能看到明显提升。麻省理工的TLT系统则把GPU空转时间用来训练轻量级『草稿模型』，变废品为动力。这两条路和MiMo的『暴力扩展』形成鲜明对比：一个大算力硬扛从头训，一个巧算力只改推理现场。前者的上限更高，后者对中小企业更友好——两条路并不互斥，但资源有限团队更适合从『巧算力』路径起步。

每小时烧3万美元，业界大佬ViT集体评论『三件事，背后都是算力』——但真正制约RL Scaling的未必是算力够不够，而是『谁能当裁判』。小米的Score计算扩展（用做更多推理来评估每一步好坏的评分器）已经点出这个方向。更前沿的观点来自多方验证：Andy Karpathy指出单纯『成功/失败』的标量奖励效率极低，模型需要能『复盘反思』的监督信号；GLM-5.2的实践中，RL训练时的『在线反作弊』需要大模型裁判跟进模型能力的增长而持续升级。小米V2.6的直播奖励曲线虽然初现爬升趋势，但一旦DeepSWE这类离线评测的『奖励黑客』问题出现，验证器无法进化，RL Scaling就会撞上比算力更硬的天花板。

Grok 3用20万GPU宣示『预训练Scaling仍成立』，小米V2.6则在RL Scaling上豪掷每小时3万美元——两个方向的拥挤让人追问：RL Scaling究竟是在预训练Scaling『撞墙』后的替代，还是自身的独立增长曲线？今天的行业共识是『RL Scaling的性价比更高』，因为后训练用同样的算力能把模型智商从85提到95，而预训练从80提到85可能已经要翻倍资源。但一个更深的问题被提出来了：RL训练并不给模型引入『基础模型采样分布外』的新知识——清华研究显示，RL只是把输出分布偏向更优路径，推理能力的上限并未超过基座模型本身。如果这句成立，那么RL Scaling终归是『优化』而非『扩展』，真正的突破还是要回到底座模型的预训练Scaling或者蒸馏。