Xiaomi ถ่ายทอดสด RL run ของ MiMo v2.6 แบบเรียลไทม์ — เปิดทั้งกราฟ pass rate, ค่าไฟรายวินาที และ log ที่ node ล่ม ให้คนทั้งโลกดู

เมื่อ 16 ก.ย. 2026 เวลา 04:00 UTC (11:00 น. ตามเวลาไทย) ทีม MiMo ของ Xiaomi เปิดหน้าเว็บ mimo.xiaomi.com/rl ขึ้นมาเงียบ ๆ แล้วเริ่ม ถ่ายทอดสดการเทรน reinforcement learning ของโมเดลที่ยังไม่ปล่อย คำโปรยบนหน้าเว็บบอกตรงไปตรงมาว่า “Two reinforcement-learning runs, mimo-v2.6-pro and mimo-v2.6-flash, read directly from the trainer’s logs.” — ไม่ใช่ตัวเลขที่ฝ่ายมาร์เก็ตติ้งคัดมาให้ แต่เป็นค่าที่ดึงจาก log ของตัวเทรนเนอร์โดยตรง

นี่คือสิ่งที่วงการแทบไม่เคยเห็น แล็บใหญ่ทุกเจ้าปล่อย “training curve” หลังจบงานเสมอ — เป็นกราฟสวย ๆ ในรายงานเทคนิค ที่เลือกแกนและช่วงมาแล้ว MiMo เลือกทำตรงข้าม: เปิดหน้าปัดให้ดูตอนที่ run ยังวิ่งอยู่ รวมถึงตอนที่มันพัง หน้า about ของเว็บเขียนไว้สองบรรทัดเท่านั้น — “We are streaming our RL big runs. The mimo-v2.6 series is coming soon.” และท้ายเว็บมีข้อความว่า “Open is what we value.”

ตัวเลขที่เปิดให้ดูจริง ๆ มีอะไรบ้าง

ตัวเลขทั้งหมดด้านล่างเป็นภาพ ณ 17 ก.ย. 2026 เวลา 00:02 UTC (07:02 น. ตามเวลาไทย) ดึงจาก endpoint api/status ของหน้าเว็บเอง ซึ่งเป็นค่าที่หน้าเว็บใช้เรนเดอร์ตรง ๆ:

mimo-v2.6-pro — เริ่ม run เมื่อ 15 ก.ย. 10:32 UTC เดินมาถึงสเต็ปที่ 11 กำลังอยู่ในเฟส rollout ของสเต็ป 12 มีการรีสตาร์ตไปแล้ว 5 ครั้ง เทรนสะสม 22.75 พันล้านโทเคน จาก 275,968 sample และเปิด sandbox สะสม 1,558,692 ตัว

mimo-v2.6-flash — เริ่มช้ากว่าไม่กี่ชั่วโมง (15 ก.ย. 15:16 UTC) แต่เดินเร็วกว่า ถึงสเต็ปที่ 16 แล้ว รีสตาร์ตแค่ครั้งเดียว เทรนสะสม 37.8 พันล้านโทเคน จาก 401,408 sample และเปิด sandbox สะสมถึง 4,558,928 ตัว

ตัวชี้วัดหลักที่ทั้งสอง run ใช้คือ dynsam/avg@n ซึ่งหน้าเว็บอธิบายเองว่าคือ “สัดส่วนของความพยายาม n ครั้งที่สำเร็จ เฉลี่ยข้ามทุก prompt ในสเต็ปนั้น” ฝั่ง pro ขยับจาก 0.5647 ที่สเต็ป 1 มาเป็น 0.6142 ที่สเต็ป 11 ส่วน flash ไต่จาก 0.5137 มาเป็น 0.6025 ที่สเต็ป 16 — น่าสนใจตรงที่เส้นไม่ได้สวย มันขึ้น ๆ ลง ๆ จริง ๆ (pro ตกที่สเต็ป 2, 5 และ 10 ก่อนจะดีดขึ้น) ซึ่งเป็นสิ่งที่กราฟในรายงานเทคนิคมักถูกทำให้เรียบไปแล้ว

แต่ที่โหดกว่านั้นคือ ตัวนับค่าใช้จ่าย โค้ดหน้าเว็บ (js/app.js บรรทัด 738) เรนเดอร์มันด้วยเครื่องหมาย $ ตรง ๆ: pro คิดที่ 5.71 ดอลลาร์ต่อวินาที และ flash ที่ 2.855 ดอลลาร์ต่อวินาที รวมกัน 8.565 ดอลลาร์ต่อวินาที หรือราว 30,800 ดอลลาร์ต่อชั่วโมง / ประมาณ 740,000 ดอลลาร์ต่อวัน ณ เวลาที่ snapshot นี้ถูกเก็บ pro สะสมไปแล้ว 770,856 ดอลลาร์ และ flash 336,750 ดอลลาร์ — รวมเกินหนึ่งล้านดอลลาร์ในเวลาไม่ถึงสองวัน และมันยังนับขึ้นอยู่ทุกวินาทีขณะที่คุณอ่านบรรทัดนี้

รายละเอียดระดับ infra ที่ปกติเป็นความลับ

สิ่งที่ทำให้หน้านี้มีค่ากับวิศวกรมากกว่าแค่ “กราฟไต่ขึ้น” คือชุด metric ที่ถูกปักหมุดไว้ ซึ่งเผยรูปร่างของงาน agentic RL ขนาดใหญ่ออกมาทั้งหมด ดึงจาก api/series ของ run pro:

• หนึ่งสเต็ปกินเวลา 6,850–9,570 วินาที หรือราว 1.9–2.7 ชั่วโมง ต่อหนึ่งสเต็ป การเทรน RL ระดับนี้ไม่ได้วัดกันเป็นนาที
• ความยาว context เฉลี่ยต่อ trajectory ไต่จาก 72,178 โทเคน ที่สเต็ป 1 ขึ้นไปแตะ 93,700 โทเคน ที่สเต็ป 9 — โมเดลเรียนรู้ที่จะคิดยาวขึ้นเรื่อย ๆ ระหว่างถูกเทรน
• จำนวนเทิร์นของ agent ต่อหนึ่ง trajectory อยู่ที่ 43–61 เทิร์น นี่ไม่ใช่ RL แบบถามครั้งเดียวตอบครั้งเดียว แต่เป็น agent ที่วนใช้เครื่องมือหลายสิบรอบต่องาน
• มี sandbox วิ่งพร้อมกันราว 22,300–31,100 ตัว ตลอดเวลา
• อัตราที่ sequence หายไปเพราะ infra พัง อยู่ที่ 0.34%–0.88% — Xiaomi เปิดแม้กระทั่งอัตราความล้มเหลวของระบบตัวเอง
• แต่ละสเต็ปใช้ 1,568 prompt และเทรนจาก 25,088 sample ซึ่งหารลงตัวพอดีที่ 16 ตัวอย่างต่อหนึ่ง prompt

ชุดข้อมูลถูกจัดเป็น 5 หมวด — code, general, cyber, visual, chat — และใน endpoint api/live จะเห็นชื่อ dataset รายตัว (เช่น code/dataset-bvg7, cyber/dataset-9aui) แต่ชื่อจริงถูกแทนที่ด้วยรหัสสุ่ม เป็นเส้นที่ Xiaomi ยังไม่ข้าม: เปิดโครงสร้าง แต่ไม่เปิดว่าเทรนด้วยข้อมูลอะไร

ที่ซื่อสัตย์ที่สุดคือช่อง notices ประกาศล่าสุดสองรายการคือ “we have updated the latest deepswe results for flash step 12 & pro step 8. we will keep posting as the offline evaluation results come out.” (16 ก.ย. 17:58 UTC) และ — อีกสองชั่วโมงถัดมา — “the mimo-v2.6-pro run is restarting due to a vram issue on one node.” (16 ก.ย. 20:08 UTC) แล็บที่ยอมประกาศต่อสาธารณะว่า node ตัวเองเจอปัญหา VRAM ระหว่าง run ที่กำลังถ่ายทอดสด นับนิ้วได้ว่ามีกี่เจ้า

คะแนน DeepSWE และสิ่งที่ยังไม่บอก

หน้าเว็บมีแถบ benchmark หนึ่งชุดคือ DeepSWE v1.1 วัดผ่าน mini-swe-agent แบบ avg@3 โดยคะแนนขยับตามสเต็ปของ run:

• pro: 58.41 (สเต็ป 1) → 60.47 (สเต็ป 4) → 62.24 (สเต็ป 8)
• flash: 48.67 (สเต็ป 1) → 57.23 (สเต็ป 5) → 60.18 (สเต็ป 10) → 60.77 (สเต็ป 12)

สิ่งที่น่าสังเกตคือ flash ไต่ขึ้นมาราว 12 จุดใน 12 สเต็ป ขณะที่ pro ซึ่งเริ่มจากฐานที่สูงกว่าอยู่แล้ว ขยับได้ประมาณ 4 จุดใน 8 สเต็ป — และตอนนี้ช่องว่างระหว่างสองโมเดลเหลือไม่ถึง 2 จุด ทั้งที่ pro น่าจะเป็นตัวที่ใหญ่กว่ามาก (ค่าใช้จ่ายต่อวินาทีสูงกว่าเท่าตัว)

แต่ต้องอ่านด้วยความระวังสามข้อ หนึ่ง คอมเมนต์ในโค้ดของหน้าเว็บเองระบุว่าคะแนนเหล่านี้เป็น “Hand-filled benchmark scores per run and step” คือกรอกด้วยมือจากผล offline eval ไม่ได้ไหลอัตโนมัติจาก log เหมือน metric อื่น สอง dynsam/avg@n ซึ่งเป็นตัวเลขหัวหน้าหน้าเว็บ วัดบนชุดข้อมูลเทรนของ Xiaomi เอง ไม่ใช่ benchmark สาธารณะ — เอาไปเทียบกับโมเดลอื่นไม่ได้เลย สาม Xiaomi ไม่บอกอะไรเลยเกี่ยวกับขนาดโมเดล สถาปัตยกรรม จำนวนพารามิเตอร์ ฮาร์ดแวร์ที่ใช้ หรือแม้แต่ว่า mimo-v2.6 จะเป็น open weight หรือไม่ มีแค่คำว่า “coming soon” กับ “Open is what we value.” ท้ายเว็บ ซึ่งยังไม่ใช่คำมั่นสัญญา

บริบทที่ช่วยได้คือ MiMo-V2.5-Pro ตัวก่อนหน้าเป็นโมเดล 1.023 ล้านล้านพารามิเตอร์ (นับจาก index ของ safetensors บน Hugging Face) ที่ Xiaomi เปิด weight ภายใต้ MIT เมื่อ 27 เม.ย. 2026 และสาย MiMo ปล่อย weight มาตั้งแต่รุ่นแรก — แต่ประวัติไม่ใช่การรับประกัน และโพสต์นี้จะไม่เดาแทน

มุมมอง AI Curator

สิ่งที่ Xiaomi ทำไม่ใช่การเปิดโมเดล แต่เป็นการ เปิดต้นทุน ซึ่งในทางหนึ่งมีค่ากับนักพัฒนาไทยมากกว่า weight เสียอีก

ที่ผ่านมาเวลาเราคุยกันว่า “ทำ RL post-training เองได้ไหม” เราคุยกันบนความว่างเปล่า ไม่มีใครรู้ว่า agentic RL run หนึ่งกินอะไรบ้าง เพราะรายงานเทคนิคทุกฉบับข้ามช่องนั้นไป ตอนนี้เรามีตัวเลขจริง: หนึ่งสเต็ปกินสองชั่วโมง, ต้องมี sandbox สองหมื่นกว่าตัววิ่งพร้อมกัน, trajectory หนึ่งยาว 90,000 โทเคนและวน 50 เทิร์น, และบิลเดินที่แปดดอลลาร์ครึ่งต่อวินาที ตัวเลขสุดท้ายนี้แปลว่า run เดียวของ Xiaomi ในหนึ่งวัน กินงบเท่ากับงบวิจัย AI ทั้งปีของมหาวิทยาลัยไทยขนาดกลางหลายแห่งรวมกัน — และมันจะวิ่งต่อไปอีกหลายสัปดาห์

ข้อสรุปเชิงปฏิบัติจึงชัดและเจ็บ: การเทรน frontier RL ด้วยตัวเองไม่ใช่ทางเลือกของทีมไทย ไม่ใช่เพราะเราไม่เก่งพอ แต่เพราะโครงสร้างต้นทุนมันอยู่คนละจักรวาล สิ่งที่ควรลงแรงคือชั้นถัดขึ้นมา — การ fine-tune เฉพาะทางบน weight ที่คนอื่นเผาเงินเทรนมาแล้ว, การสร้าง eval ภาษาไทยที่เชื่อถือได้, และการทำ RL environment/sandbox สำหรับงานเฉพาะโดเมนไทย ซึ่งข้อหลังนี้แหละที่หน้าเว็บของ MiMo บอกใบ้ว่าเป็นคอขวดจริง: เขาใช้ sandbox สี่ล้านครั้งใน run เดียว งานสร้างสภาพแวดล้อมให้ agent ฝึกมีมูลค่าไม่แพ้ตัวโมเดล

อีกมุมที่ไม่ควรมองข้ามคือ นี่เป็นการเคลื่อนไหวเชิงกลยุทธ์ที่ฉลาดมาก Xiaomi ไม่ใช่เจ้าที่ใครนึกถึงเป็นอันดับแรกเวลาพูดถึงโมเดลจีน — DeepSeek, Qwen, GLM, MiniMax ครองพื้นที่ข่าวไปหมด การถ่ายทอดสด run ที่ยังไม่จบ ทำให้ MiMo ได้พื้นที่สนทนายาวเป็นสัปดาห์ก่อนโมเดลจะออกด้วยซ้ำ และเป็นพื้นที่ที่ซื้อไม่ได้ด้วยเงินโฆษณา มันคือ marketing ที่จ่ายด้วยความโปร่งใส ซึ่งแพงกว่าและน่าเชื่อถือกว่า

คำถามที่ยังค้าง — และเป็นคำถามที่ควรจับตาในอีกไม่กี่สัปดาห์ข้างหน้า — คือถ้ากราฟเริ่มแบน หรือ run ใดพังจนต้องยกเลิก Xiaomi จะยังเปิดหน้าปัดไว้หรือจะปิดเงียบ ๆ ความโปร่งใสที่เลือกแสดงเฉพาะตอนที่ตัวเลขสวย ไม่ใช่ความโปร่งใส และนั่นคือบททดสอบจริงของคำว่า “Open is what we value.”

แหล่งข่าว

• mimo-v2.6 RL — live dashboard, Xiaomi MiMo
• Xiaomi MiMo บน X (@XiaomiMiMo)
• MiMo-V2.5-Pro บน Hugging Face (รุ่นก่อนหน้า, เม.ย. 2026)
• การอภิปรายบน Hacker News (16 ก.ย. 2026)