总结于文章：https://mp.weixin.qq.com/s/XKRqHP-2sdWmLTbTWuNwkA
小米MiMo团队在12月16日晚上发布并开源了MiMo-V2-Flash。团队在官方博客中介绍，这是一款强大、高效且超快速的基座语言模型，在推理、编程和智能体场景中表现尤为出色，同时也是处理日常任务的优秀通用助手。
1.模型形态：推理效率成为核心
MiMo-V2-Flash采用混合专家（Mixture-of-Experts，MoE） 架构，总参数规模为309B，但在实际推理过程中，仅有约15B参数被激活。
MiMo-V2-Flash支持最高256k的上下文长度，使其能够完成跨数百轮Agent交互和工具调用的任务。与这一指标同样重要的，是它实现这一能力的方式。团队围绕极致推理效率设计模型结构，主要有两个方面创新：Hybrid SWA架构（混合滑动窗口注意力）和3层MTP推理。这一设计并不追求理论上的最优表达能力，而是针对KV Cache的显存与计算成本进行了现实取舍。
罗福莉介绍：“MTP一开始是被提出来用于做推理加速的，后面DeepSeek将它用于提升基座模型的能力，我们也在训练的时候去加入了MTP层进一步提升基座模型的潜能。微调的时候加入了更多层的MTP，用很少量的算力就提升了MTP层的接受率。”
根据技术报告，MTP在不显著影响生成质量的前提下，可将推理速度提升最高约3倍。
2.训练方法：全新的后训练范式MOPD
小米MiMo团队在MiMo-V2-Flash的后训练阶段，创新提出了多教师在线策略蒸馏（Multi-Teacher Online Policy Distillation，MOPD）范式，正是针对这一问题提出的解决方案。
但这在推理和Agent场景里会出现问题，比如学生模型只学“答案”，不学“过程”；学生模型在真实推理中走偏、犯错，不按教师模型的路径走。此外Agent场景中的工具调用、多轮决策、长时规划， 这些都不是“看一个标准答案”就能学会的。
而MOPD的核心思路，是让学生模型先按照当前策略生成推理或Agent行为轨迹，再由多个教师模型在这些on-policy 轨迹上进行token级指导。
问题：如何实现token级别指导？ 强化奖励吗？ 和deepseek math v2有点像？
这种方式使学生模型学习的对象从理想化的“标准答案”，转变成自身在真实状态空间中的行为分布。
罗福莉还分享了一件让她意外的事情：“当学生模型很快超越教师模型的时候，能不能让这个学生替换成教师，继续自我迭代提升？”
根据官方博客，MOPD采用了解耦设计，支持灵活地集成新的教师模型和ORM，并自然而然地实现“教与学”的闭环迭代：通过蒸馏得到的学生模型可以演化为更强的教师模型，从而实现能力的持续自我提升。
值得一提的是，MOPD训练稳定且极其高效——要达到教师模型的最高性能，仅需传统SFT+RL流程不到1/50的计算资源。
MOPD提供的是一种相对平滑、稳定的中间训练阶段，用于在进入高噪声的强化学习之前，对模型行为进行约束和塑形。这种设计降低了强化学习在长时序任务中可能出现的策略崩坏风险，也使模型在复杂环境中的探索更加可控。
3.罗福莉与小米：一次面向Agent时代的下注
而从行业视角看，MiMo-V2-Flash代表着大模型路线的一种分化趋势：在预训练Scaling逐渐逼近边际收益的背景下，围绕推理系统、Agent能力与工程可行性的探索，正在成为新的竞争维度。
这一方向并不依赖于极端的算力投入，而更强调系统设计、训练方法与工程能力的协同。这种路线，也更贴近大模型在产业环境中的真实需求。
有趣的是，今天罗福莉表达了类似的观点：“算力和数据也并非最终的护城河，真正的护城河，是科学的研究文化与方法，是将未知问题结合模型优势转化为可用产品的能力。”
她认为，大模型本质上是用了算力的暴力美学，直接去攻克了最顶层的语言，但是它跳过了中间的非常多的步骤，比如对世界的感知、模拟，以及作为实体与环境产生交互。
“单纯Scaling Up参数量不够，”罗福莉说，“要让大模型回到‘演化课堂’，补上它跳过的关键学习步骤。”
在MiMo-V2-Flash发布之前，罗福莉和MiMo有一次对话，她想让MiMo”深入阐述物理世界导向：强调多模态和真实世界交互才是通往真正智能（AGI）的关键，而非仅靠文本。
MiMo的回答是：“智能根植于存在，而非符号。”
