一個訓練頁面、128萬美元：小米把大模型的成本那欄，直接攤在直播裡

9月17日凌晨，小米MiMo大模型團隊負責人、前DeepSeek研究員羅福莉在X平臺發文，公開MiMo-V2.6強化學習（RL）階段的即時訓練頁面，並宣布正在研究「強化學習能走多遠」。外界第一次看到小米這一代模型在RL階段的內部訓練狀態，而頁面上最刺眼的欄位，是訓練成本。

先把數字擺上桌

根據澎湃新聞整理羅福莉公開的訓練頁面，兩個版本合計的累計訓練成本已超過128萬美元。其中MiMo-V2.6-Pro訓練時長1天19小時，耗費89萬美元，平均每小時超過2萬美元；MiMo-V2.6-Flash訓練時長1天14小時，耗費39.7萬美元，平均每小時超過1萬美元。

換算下來，這兩條訓練管線同時開跑，每小時燒掉約3萬美元以上。這還只是RL階段的中途數字，訓練仍在進行中，頁面上的成本欄位持續跳動。

羅福莉同時披露了三個擴展方向：其一，計算資源，每步約20億token，配置為1568個提示乘以16次rollout，全程完全異步；其二，環境與測試框架，採多任務代理式RL，在一次運行中混合多個測試框架；其三，評估計算，採代理式組內信用分配，獎勵機制結合測試用例與量規評分。細節承諾在未來幾周逐步開源。

這組數字需要一個基準才讀得出分量。業界普遍引用的估算中，GPT-4級別模型的前訓練成本落在數千萬至一億美元量級，但那是預訓練；到了後訓練與RL階段，單日燒掉百萬美元級算力，在2024年之前仍屬頭部實驗室的專利。小米這次把中段RL運行的每小時成本直接公開，等於讓外界第一次用可核對的口徑，量測一家中國手機廠商在大模型上的單位燒錢速度。

成本結構拆解：RL階段的錢花在哪裡

強化學習階段的成本結構與預訓練不同。預訓練的成本大頭在 dense 的矩陣運算，GPU利用率高、token吞吐可預期；RL階段則由三塊構成：rollout 生成（模型反覆試錯產出軌跡）、獎勵計算（測試用例執行與評分）、以及策略更新。羅福莉披露的「1568個提示×16次rollout、完全異步」，指的正是用異步架構壓低rollout等待造成的GPU閒置，這是2025年以來業界公認的RL訓練降本手法。

每步20億token的消耗量，對照訓練頁面上的樣本數與時長，可以粗估這次運行的瓶頸多半落在環境交互與評估端，而非單純的模型前向計算。這也解釋了為何羅福莉把「評估計算」單列為第三個擴展方向：當獎勵信號需要執行測試用例時，評估本身就成了算力大戶。

換個角度算帳。以每小時約3萬美元的雙管線合計速度，若這次RL運行持續兩周，總成本將落在千萬美元量級。對照小米集團2025年研發支出規劃（雷軍先前宣稱五年研發投入逾千億人民幣、2025年單年約300億人民幣），單次RL運行的算力帳仍屬可承受範圍，但它揭示了一個結構性事實：大模型競爭進入RL階段後，燒錢的單位從「一次訓練」變成「每小時」，資本支出從專案制轉向接近雲端基礎設施的持續性開支。

這與我們先前分析的基座模型成本帳如何改寫開源生態分工是同一條脈絡：當訓練成本以小時計價，能持續投入的玩家數量只會縮減，而投入者會傾向把部分成果開源，換取生態話語權。羅福莉承諾「未來幾周逐步開源細節」，正是這個邏輯的操作。

影響推演：誰受惠、誰承壓

受惠端，首先是算力供應鏈。每小時3萬美元的訓練速度，對應的是大規模GPU叢集的持續滿載。小米旗下模型訓練採購何種算力雖未完全公開，但中國雲端與算力租賃廠商（含快手、位元組自建叢集之外的外部供應商）是直接受益者。其次是強化學習基礎設施工具鏈：異步rollout框架、測試環境編排、獎勵模型評估，這一層軟體棧的需求隨RL普及而上升。

承壓端，是中腰部模型團隊。當頭部玩家把RL階段的單位成本攤在陽光下，等於公布了入場券價格：沒有每小時數萬美元算力預算的團隊，在Agent RL這條賽道上連上桌的資格都沒有。這與DeepSeek調整flash系列定價所攤開的詞元成本帳形成對照：推理端價格戰壓低變現單價，訓練端成本卻在RL階段反向膨脹，兩頭擠壓的是缺乏規模的中型團隊。

對小米自身，這場直播的戰略價值高於技術價值。羅福莉是雷軍從DeepSeek挖來的95後科學家，北京師範大學本科、北京大學計算語言學碩士，先後任職阿裏達摩院（主導多語言預訓練模型VECO）、幻方量化與DeepSeek（參與DeepSeek-V2研發），去年11月12日透過朋友圈正式官宣加入小米。今年3月，雷軍曾宣稱MiMo-V2-Pro在Artificial Analysis全球大模型綜合智慧排行榜位列第八、按品牌排全球第五、超越xAI Grok。這次直播等於用可驗證的成本與進度數據，為這一排名敘事補上過程證據。

收束判斷

直播訓練過程這個動作本身，改變的是資訊不對稱的結構。過去大模型訓練成本是各家實驗室的最高機密，外部只能靠論文腳註與電力數據反推；小米把每小時成本、token消耗、樣本數全部公開，短期是行銷，長期則可能被迫成為行業慣例。一旦「可驗證的訓練透明度」成為競爭維度，模型能力的宣稱就必須附上成本與進度的對帳單。

至於每小時3萬美元值不值，判斷標準只有一個：MiMo-V2.6開源後，其Agent能力是否進入第一梯隊。未來幾周的開源細節，才是這本帳的貸方。在那之前，128萬美元只是一個還在跳動的中場數字。