Xiaomi åpner 7000 RL-oppgaver, Anthropic anklager dem for Claude-destillasjon

Xiaomi har lagt ut hele verktøykassen for forsterkningslæringen bak MiMo-V2.6 som åpen kildekode. To uker tidligere navnga Anthropic selskapet i en trusselrapport for det Anthropic kaller ulovlig destillasjon av Claude, skriver The Decoder.

Ifølge analysefirmaet Artificial Analysis scorer MiMo-V2.6-Pro 46 poeng på deres Intelligence Index, det høyeste blant åpent tilgjengelige modeller, til 0,435 dollar per million tokens inn og 0,87 dollar ut. Artificial Analysis regner én testoppgave til rundt 0,13 dollar. Xiaomi krediterer selv spranget til en kraftig utvidet runde med forsterkningslæring, skalert langs tre akser: mer data per treningssteg, flere varierte oppgavemiljøer og mer regnekraft til å vurdere løsningene. Kjøringen tok under seks dager og kostet rundt 2,62 millioner dollar for Pro og 0,85 millioner for Flash. På kodetesten DeepSWE gikk Pro fra 58,4 til 72,6, Flash fra 48,8 til 65,7.

Dette er hva som faktisk ligger ute sammen med modellene:

1. Den tekniske rapporten og hele treningsrammeverket
2. En mindre modell beregnet på videretrening
3. Rundt 7000 ferdige treningsoppgaver med automatiske gradere for programvareutvikling, cybersikkerhet, kontorarbeid og webdesign, pluss rundt 1000 oppgaver for musikkomposisjon

Oppgavene kommer fra blandede kilder. Noe av koden stammer fra ekte GitHub-pull-requests fra ansatte og fra brukerforespørsler, mens andre oppgavebeskrivelser er generert av en språkmodell. Cyberoppgavene bygger på OSS-Fuzz, og kontormiljøene er bygget opp syntetisk.

Anthropics trusselrapport gjennomgår misbruk av Claude oppdaget mellom desember 2025 og august 2026, og navngir sju kinesiske labber: Alibaba, Moonshot AI, DeepSeek, Zhipu, Xiaomi, MiniMax og SenseTime. Xiaomi står oppført under saksnummeret GTG-16008 med over 400 000 utvekslinger observert i løpet av 20 dager i mars og april 2026. Ifølge rapporten spilte Xiaomi brukersamtaler og kodeøkter fra sine egne MiMo-modeller gjennom OpenClaw og OpenCode til Claude, for å berike treningsdata til framtidige modeller. Til sammen skal de sju labbene ha stått for rundt 190 millioner utvekslinger.

To ting er sanne på én gang for deg som bygger. 7000 graderte RL-oppgaver med åpent rammeverk er en reell ressurs du kan trene egne modeller på, og opprinnelsen til treningsdataene bak modellen som nå topper lista over åpne modeller er omstridt.