让 AI 写代码、看图或操作工具时，只告诉它“任务完成了”，就像老师只打及格或不及格：模型知道结果，却不清楚哪种解法更好。MiMo-V2.6 的看点，是把这种反馈训练扩展到文字、图像和声音，并让模型在代码、通用任务、视觉和网络安全环境中反复练习。
团队采用强化学习（RL——模型尝试行动，再按结果得到奖励并调整策略），并引入“分组评分”：不再给所有通过测试的答案同样分数，而是在一组解法中比较质量与行为，奖励更准确、更省步骤的方案。训练还能以异步流水线推进，单步处理 1,568 个样本，上下文最长达 100 万 token；此前的中期训练则先用针对性数据扩大模型可探索的能力范围。
作者报告称，两款 MiMo-V2.6 会随强化学习训练推进，在多类任务上持续改善。这条路线值得记住，因为它把全模态能力、智能体环境和大规模反馈训练接到了一起；但这里的“自我改进”仍是研究方向，报告展示的是持续训练带来的提升，并非模型已能脱离人为设计的环境与评分自行升级。