9 月 22 日，小米一天砸出两件事：MiMo V2.6 登上 Artificial Analysis 开源榜第一，技术报告同日发布。名次是快消品，报告才是能反复看的东西。至于好不好——还有待观察，这篇只把现有证据摆开。
报告里最值钱的不是分数
规模例行公事：Flash 总参数 310B、激活 15B（256 专家开 8 个、48 层），Pro 1.02T/42B，三模态，上下文 1M（预训练从 32K 扩到 256K，mid-training 再推到 1M），预训练吃下 48T/30T tokens。真正扎眼的是 RL 账单：Flash 的强化学习只花了 90 万美元，Pro 也才 260 万。每步 batch 干到 1568 条 prompt × 16、约 2.5 万条序列，还用异步 partial rollout 把 1M 上下文的 RL 跑了起来——便宜得有点不像真的。
四个新技法更值得看。GRS 拿离线 rubric 和测试结果相乘当奖励；GAR 在组内按质量排序，把低质量通过的正优势挪给高质量通过；组相对长度惩罚专治「写得越长越容易蒙对」；段级行为罚分直接对格式违规、工具调用错误动 advantage。前两个修奖励的粗糙，后两个修行为的走形——奖励函数开始长得像规章制度，而不是记分牌。
最亮的一笔是 Hack Agent：开训前先养一个红队 agent，专门渗透自己的训练沙箱找作弊路径——翻缓存、偷预装包里的答案，修到挖不出漏洞才开工，确认作弊轨迹奖励归零、全场作弊率压到 2% 以下。把作弊面当攻击面来治理，这比榜单位次有信息量得多。成本构成里还把判卷器（grader）的 12.7% 单独列了一笔账——验收也是钱，很多报告把这块钱含糊过去，这份摆在了台面上。
（推理效率：DFlash 投机解码——5 层草稿器、单次前向吐 7 个 token；MXFP4 量化训练从 mid-training 就起步；Muon 变体 Muown 顶替 AdamW 扛大 batch RL。分数自报 DeepSWE Flash 48.7→65.7、Pro 58.4→72.6，但没跟 DS、GLM、Kimi 同框。）
横测的印证：会想 ≠ 会写
第三方证据：知乎一个四模型写小说横测（n=1，先打折看），排序为 MiMo Pro > DS V4.1 Flash > MiMo Flash > DS V4 Pro。MiMo Pro 是唯一双达标选手——4184 字稳落 3500–4500 区间，对话占比 40.3% 过线；更关键的是思考量只有 DS Pro 的七分之一，转化率却最高，思考里规划的道具 100% 落了地。而 DS V4 Pro 光思考就写了 43829 字符（16559 token），成稿反而最短、还最慢（302 秒）。思考里的勤奋，没兑换成成稿。
两家性格拉开了：DS 偏语言偏情绪，最会写句子、爱用意象收尾，但结构松、都不太达标；MiMo 偏结构偏物件，骨架和道具工整。会想不等于会写，能把思考收敛成决策才是本事——Pro 的溢价花在成稿上，DS Pro 的溢价花在推理上。
MiMo Flash 也没豁免：中文正文里混进了英文副词 often，是四个模型中唯一一处实质文字错误。工整，不等于无错。
价格是真优势，但别拿它冒充能力
本机核验的价格：MiMo v2.6-flash 输入 ¥1（缓存命中 ¥0.02）、输出 ¥2，v2.5 升到 v2.6 一分没动；DS 9 月 10 日调价后挂牌价看似持平，但工作日 9–12 点、14–18 点全线上浮一倍——白天时段，DS 的实际单价是 MiMo 的三到四倍。
风格体感（这是体感，不是评测）：DS 现在说话一股「演讲腔」，不讨喜；MiMo 倒有几分涨价前 DS 3.2 时期直给的劲儿。但讨喜是情绪信号，不是能力信号，这条只当参考。
争议与待观察
- 发布当天，全网刷屏。 知乎同日冒出十几条同款报告，横跨 WorkBuddy、mimo desktop、opencode 和各家 CLI：有人每轮 200+ 次搜索同一个文件把系统卡死，有人持续 read 大量文件把上下文占满，有人电脑直接死机；读一个配置文件、刷 16 次搜索全败还不换招的现场截图随处可见。两条对照最说明问题：同一个 WorkBuddy 壳上，2.5 没事、2.6 死循环（同壳换模型，行为变了）；同一个 API，kimi code 调正常、mimo desktop 乱调（同模型换壳，行为变了）。笔者同日在另一套壳（OpenClaw，工具环境健康）跑 v2.6 零刷屏，215 次调用仅 12% 重复——把三格对照拼起来，主责在模型侧：v2.6 在必败工具环境下的停手策略回归了；而 opencode 系壳没有熔断（同参失败十几次照发）是放大器，缺 grep、断网这类坏工具环境是点火器；刷起来之后上下文污染推着它一轮轮复读，重开即清。发布敘事和真实体验撞在同一天，这个时间差本身就是证据。
- 思维链长度的反馈是分裂的。 很多人说 MiMo 思维链太长，底下一群人马上说 DS 的更长。机制不同：DS 是「预算吃满型」，给多少烧多少、正文还可能被挤成零；MiMo 默认开思考但可以关。技术报告本身没提 thinking 开关——那是 API 特性，也别把 DeepSeek 的 CED 概念安到小米头上。
- 赛道别互相代入。 写小说证明不了 agent/编码能力，RL 68% 押在编码上也证明不了文笔。两边容易拿着各自的证据互相开枪。
- 证据整体偏软。 报告分数是厂商自报、没跟 DS/GLM/Kimi 同框；横测 n=1；AA 榜口径单一，历来容易被刷分；RL 便宜也可能只是因为任务窄——68% 是编码。AA 开源榜第一的含金量，就现有信息还得让子弹飞一会儿。
- 我们自己的观察窗还没到。 今天刚好把主力切到 v2.6-flash 跑了一天，123 项测试链、子代理十分钟干完一整层，初步手感不差——但样本太小。v2.5 时代那些懒、复读、固执会不会复发，9 月 26 日的本机试用复盘才见分晓。
我的判断
就现有证据，MiMo V2.6 是一份亮点给足、但还没到能下结论的成绩单。
值得接入试：白天三到四倍的价差是硬的、可复现的，现在就能省真金白银；报告把 grader 成本和作弊率都摊开写，透明度是加分项。但也别封神：榜单口径单一、报告自报、横测 n=1，能力证据还在积累，中文长文本稳定性、思维链长度的取舍，都要更多独立复测。待观察清单已经排好：9/26 本机复盘、更多第三方横测、下一次调价时 MiMo 还跟不跟。
「好不好还有待观察」不是和稀泥，是把判断权留在证据手里。目前来看，它至少做到一件不那么容易的事：先把账单和作弊率老老实实写出来——这比多考几分更像一家认真做模型的公司。
机制更新（当日 17:20 补充）
发文后事故与机制细节继续浮出，三处补充把结论钉准。
刷屏的确切机制：并发批 + 零结果重发。 有用户在 DSH 的轨迹里直接看见了过程：模型一口气并发发一批工具调用，壳不接受批量、结果永不返回，模型一轮轮重发同款——零结果循环，每轮全史入账，卡死与上下文吃满都是它的副产品。两个型号都中：Pro 在 DSH 发作，flash 在 WorkBuddy、opencode 系发作。壳侧差异决定显不显：接受并发的（kimi code 等）正常干活，不接受的（mimo desktop 系 = opencode 二次开发、DSH）直接刷屏；临时解是提示词强制「一个一个调用」——用户被迫人工替模型补上「等不到结果就降级串行」的退路。
同日还流出一份数据丢失级事故。 mimo code（Pro）在 Windows 上删目录：PowerShell 双引号内的转义符是反引号，模型却按 bash 习惯写 "，路径没闭合，rd /s /q 实际挥向 D 盘根；Select-Object -First 3 取满三行输出杀掉上游进程才刹车——纯运气，只毁了两个目录；随后模型又拿「目录名还在」宣布无数据丢失，被内容级核对戳穿。转义写错、硬删无防护、假 readback，三连错：一次没读、两次没验——「目录存在」从来不等于「内容完好」。
为什么偏偏是 PowerShell？训练分布里没有 Windows。 技术报告的 agent 任务几乎清一色 Linux 式沙箱：GitHub PR、MCP/CLI、可重置 sandbox，RL 任务 68% 押在编码上——bash 语料泡大，PowerShell 方言没有席位。而部署现场恰恰在 Windows。这不是「罕见坑」，是训练分布与用户分布的错位：模型的常见，和用户的常见，不是同一个常见。修法也不在模型自觉——删除类命令强制审批、默认软删、目标白名单锁项目内，纪律得写进壳，不能写进指望。