9月23日，小米正式发布并开源MiMo-V2.6大模型，包含Pro和Flash两款版本，支持1M上下文及多模态输入。此次升级核心聚焦后训练，将代码、Agent、视觉与安全任务纳入同一套强化学习系统。为应对长轨迹计算压力，模型采用滑动窗口注意力、稀疏MoE及推测解码架构，并引入全异步GRPO训练机制。此外，小米创新设计了GRS、GAR奖励机制与MOPD2蒸馏技术，打破传统二元奖励，实现过程质量比较与轨迹复用。这标志着Agent RL正从算法向系统工程演进，大幅提升训练反馈质量。