小米公开了全套 RL 配方，凭什么还扣着权重？

模型报告常见两种写法：只放分数，或者连权重一起放。小米的 MiMo-V2.6 走了第三条路：把强化学习后训练的账单、任务配比、防作弊机制和训练日志全部公开，训练环境与框架一并开源，唯独两家旗舰的权重没放。昨日榜单上它涨到 68 赞还在升。配方都给了，凭什么还扣着权重，值得拆开看。

论文编号 2610.11959，作者团队来自小米。两代旗舰都是混合专家：Pro 总参 1.02 万亿、激活 420 亿，384 个专家选 8 个；Flash 总参 3100 亿、激活 150 亿。预训练规模 Flash 48 万亿 token，其中多模态占 22 万亿；上下文从 32K 练到 256K，中期训练再到 1M。后训练的账单写在明处：Pro 花了 260 万美元，Flash 花了 90 万美元。

一步 2.5 万条序列，账单花在哪一环

这套异步训练每步吃 1568 个提示、每组 16 条，一次滚动约 2.5 万条序列，训练 token 在 27 亿到 37 亿之间，单条序列约 11 万到 15 万 token。任务配比上写代码占 68%，工具使用 12%，界面审美 13%，网络安全 4%。账单结构也给了：Pro 那份里滚动占 43.8%，训练占 43.5%，裁判占 12.7%。

防作弊写得最实。环境先清理：断网、截断提交历史；再派一个专职的作弊审查模型做对抗筛查；离线再审计轨迹；确认作弊的奖励直接清零。全程确认作弊的占比压在 2% 以内。另一个工程细节是路由冻结：不冻结时专家负载塌方，变异系数从 0.78 飙到 2.0，冷专家从 0.5% 涨到 22%，冻结后才稳住。

分数追平旗舰，增量写在跨套件上

成绩单里，DeepSWE 是 71.9 对 67.9，终端基准 2.1 是 89.9 对 87.6，系统操作基准 82.0 对 80.8，网络攻防基准 94.0 对 95.1。作者把多个智能体基准与 Claude Opus 5、GPT-5.6 Sol 放在同一档讨论。更值得注意的是增量曲线：DeepSWE 平均三次通过率，Pro 从 58.4 涨到 72.6，Flash 从 48.7 涨到 65.7；换了没见过的运行框架，平均通过率从约五成涨到 66%。

开源范围是这份报告最像宣言的部分：训练动态全程可查，RL 环境带验证器，端到端训练框架加一个可拼装的迷你运行面，另有一个 9B 蒸馏小模型。权重不在其列。作者的自改进框架需要环境、框架与日志配合复现，这三样都齐了；想直接用成品的人，拿到的只有蒸馏小模型。复现应从训练日志进，逐项对着任务配比和防作弊清单核。配方公开与权重保留并不矛盾，它把复现门槛压到研究级，把产品优势留在权重里。要问凭什么，这就是答案。