Xiaomi MiMo-V2.6が開いた訓練工程。重みと鍛え方を分けて評価する

六日間の強化学習は、開発全体の六日間ではない

9月22日に発表されたMiMo-V2.6は、ProとFlashから成る。テキストだけでなく画像、動画、音声を入力に扱い、テキストを出力するモデルで、重みはMITライセンスで公開された。

Xiaomiは、六日未満の強化学習で、各モデルに30ステップ、約75万の実行過程を生成させたと説明する。費用はFlashが約85万ドル、Proが約262万ドル。この数字は強化学習の段階の費用であり、事前学習や人件費などを含めた全開発費ではない。

公式発表は、この短い期間の前に半年の基礎研究と試行錯誤があったことも記す。目立つ日数と金額だけを取り出して、同じ予算で誰でも同等のモデルを作れると理解するのは適切ではない。訓練の前提と、公開された範囲を対応させて読む必要がある。

多様な仕事を混ぜ、採点にも計算資源を使う

強化学習は、実行の結果を評価し、その情報を使ってモデルを更新する工程だ。今回の説明では、コード、汎用作業、視覚情報を使う操作、サイバー関係の課題を同じ訓練の枠へ入れ、複数の実行基盤に対応する。

一回の更新に使う課題は1,568件で、複数の実行過程を比較する。単に合格か不合格かを見るだけでなく、成功例どうしの質や手順を区別し、よりよい学習信号を作ることが狙いだ。採点役へ計算資源を配分する点が、自己改善の設計に関わる。

ただし、採点を強めれば必ず正しい能力が育つわけではない。採点の抜け穴を利用して点数だけを上げる報酬ハッキングが課題になる。Xiaomiは、報酬の設計、対抗的な評価、異常の検知、検証器どうしの照合などを組み合わせると説明している。

外部へコードや手順を開く価値は、この設計を検討し直せることにある。どんな成功を褒めているかが見えれば、別の課題でも意味のある改善かを調べられる。一方、公開されたという事実だけで、採点の偏りが解消したことにはならない。

重み、訓練コード、環境は異なる公開物

重みは学習後の状態、訓練コードは更新を進める手順、環境はモデルが試行する課題や道具に当たる。三つがそろうと、結果だけを見る場合より追試の入口が増える。

Xiaomiは技術レポート、RLのコード、実行基盤などを公開し、七千を超える環境も公開対象として挙げた。開発元のGitHubや公開モデルでは、実際に利用できる成果物とライセンスを確認したい。発表で公開対象とされた全要素が、自分の用途ですぐ再現できるとは限らない。

元記事は、小さい蒸留モデルを起点にした試験も紹介している。大規模モデルと同じ計算を用意できなくても、方法を縮小して検討する入口になりうる。ただし、規模を変えれば同じ改善幅になるという保証はない。

指数の版と、訓練中の値を区別する

ProはArtificial Analysisの総合指数で46点を記録したとされる。開発元は、その時点のオープンウェイトモデルで高い位置にある一方、最上位のクローズドモデルとの差が残ることも説明する。

元記事が注意するように、以前のモデルの点数と比較する場合は、評価指標の版をそろえる必要がある。数字が小さくなっても、課題が変わっていれば性能が落ちたとは言えない。同じ名前の指数でも、測る内容は更新されうる。

DeepSWE v1.1についても、Proの訓練の途中で示された58.4から72.6への改善と、公開版の表の71.9は異なる値だ。過程の到達点、最終モデルの評価、別の実行環境での結果を、一つの最高スコアとして混ぜないことが大切になる。

「多くのエージェント評価で同等」との説明も、すべての課題で同じ性能を保証しない。自社で必要なのが長いコード修正か、画面の操作か、画像を読む仕事かによって、重視する試験は変わる。

低い単価と、高速モードの条件を確認

公式発表では、通常のAPI価格をV2.5から据え置く一方、Proには別料金のUltraSpeedを用意する。最大の速度倍率は、そのモードと対象条件での値であり、通常料金の仕事全体が同じ倍率で終わることを意味しない。

日本の組織で検討する場合、APIと自社運用を分けて見積もる必要がある。重みを自分の環境で動かせばデータの経路を選べる一方、計算機、保守、更新、監視を引き受ける。ライセンスの開放性は、運用費がなくなることではない。

以下は編集部の提案だ。まず短い同一課題を複数回試し、成功だけでなく、再試行、出力量、人の修正時間まで残す。訓練の方法を評価する場合は、採点基準を変えても改善が残るかを見る。特定の採点器へ適応しただけかを区別しやすくなる。

MiMo-V2.6が加えた判断材料は、完成品の性能だけではない。どう学ばせたかを外から検討する材料が増えた点にある。公開の範囲を確認し、小さな検証から再現性と運用の条件を調べたい。

確認日：2026年10月19日。運営会社：RO合同会社の公式HP。