摘要
MiMo-V2.6 是 Xiaomi MiMo Team 的 omni-modal MoE 模型系列，以一次混合 coding、general、visual 与 cybersecurity 的大规模 Agentic RL run 训练，并报告 OSWorld-Verified 与多类长程工具任务结果。（来源：MiMo-V2.6: Scaling Reinforcement Learning Towards Self-Improvement）
核心内容
基本信息
- 实体类别：多模态 Agent 模型与 Agentic RL 训练栈
- 关键名称或版本：Pro（1.02T/42B activated）、Flash（310B/15B activated）、Distill-Qwen-9B
- 时间范围：alphaXiv 标注首次发布于 2026-09-21
重要事实
- 系列以异步 GRPO、groupwise grading、多 mini-harness 和混合任务 rollout 更新模型策略，属于严格 Agentic RL。（来源：MiMo-V2.6: Scaling Reinforcement Learning Towards Self-Improvement，pp.1-3、9-23）
- 作者报告 Pro/Flash 的 OSWorld-Verified 为 82.0/80.8；该数字尚未独立复现，也没有把收益归因到具体 GUI observation/action 设计。（来源：MiMo-V2.6: Scaling Reinforcement Learning Towards Self-Improvement，p.26）
关系与影响
MiMo-V2.6 把 Computer-Use Agent 评测纳入通用 Agent 训练，并把 harness diversity 当作训练维度；它提示 CUA 能力可能来自环境、verifier、harness 与 policy 的联合扩展，而不是单一 grounding 模块。（综合：MiMo-V2.6: Scaling Reinforcement Learning Towards Self-Improvement）
分歧与变化
技术报告使用 “self-improvement” 叙述，但当前证据是一次持久模型权重更新，不是执行过的模型-harness/环境递归共进化。因此本知识库将其标为严格 Agentic RL，不标为严格 RSI。（综合：MiMo-V2.6: Scaling Reinforcement Learning Towards Self-Improvement）
相关页面
- 概念：Agentic RL、Computer-Use Agent、Harness Engineering
- 实体：OSWorld
- 主题：Browser and Computer-Use Agents、LLM Agent Self-Improvement
来源
- MiMo-V2.6: Scaling Reinforcement Learning Towards Self-Improvement
- https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL
待核实问题
- 论文结果、训练栈、环境和 verifier 尚待独立复现；CUA 训练数据占比与安全接管协议未公开到可核查粒度。