把后训练过程直播出来：一次百万美元班底的透明实验

看板上有啥

小米把 MiMo v2.6 的强化学习后训练过程放到了公开网页上，并且是实时刷新。页面上最上方是总花费：一百万零三千九百四十美元；下面是 pro 与 flash 两条线并排跑。

指标密得像机舱仪表盘：采样接受的进度、判定通过的比例、奖励均值、熵损失与策略损失、梯度范数、训练与推理之间的分布差异、每一步的耗时、累计 token 量（pro 约 206 亿、flash 约 352 亿）。页面还会滚动出每条样本的处理日志，连“某个节点显存出问题、本轮重新开始”这样的运维意外都照实写上。

为什么这件事少见

行业惯例是发一张结果漂亮的模型卡，过程是黑箱。成本是机密，波动是噪音，失败最好别被提起。

把成本、失败和曲线摊开，效果是双向的：对外，其他团队第一次能把“训练一个模型到底要花多少代价”从传说变成可比较的数字；对内，公开意味着团队自己也失去了“这次只是意外”的含糊空间。

更有参考价值的一栏

页面里有一块“批次构成”：训练提示词里，代码类来源约占 68%，通用类约 12%，视觉类约 13%，安全类约 4%，对话类只占约 3%。

对做应用的团队来说，这些比例比任何一句“我们的数据质量很高”都有用。它至少回答了那个最常见的问题：一个通用能力不错的模型，它的时间与算力到底花在了哪类任务上。

透明的边界

但要看清楚，直播的是指标，不是配方：数据来源、奖励模型怎么设计、清洗规则怎么定，仍然留在内部。

所以透明不等于可复制。它的真正作用是把同行的解释成本抬高了——当有人愿意把过程挂出来，含糊其辞就变得更难被接受。

一句话

对做 AI 落地的团队，这件事的启发不在模型本身，而是：过程数据本身就是资产。训练日志、评测记录、失败样本，平时看着零散，攒够一段时间就成了别人抄不走的经验。它们的价值，往往比再多调一轮参数高。