Responsable du modèle IA de Xiaomi : la concurrence en IA passe à l’ère des agents, l’auto-évolution est un événement clé vers l’AGI

Le responsable de l’équipe des grands modèles de Xiaomi, Luo Fuli, a accordé une interview approfondie sur la plateforme Bilibili le 24 avril (numéro de la vidéo : BV1iVoVBgERD). La durée de l’interview est de 3,5 heures ; c’est la première fois qu’elle expose publiquement, en tant que responsable technique, ses points de vue techniques de manière systématique. Luo Fuli a déclaré que la compétition autour des grands modèles est passée de l’ère Chat à l’ère Agent, et a indiqué que « l’auto-évolution » serait l’événement clé pour l’AGI au cours de la prochaine année.

De l’ère Chat à l’ère Agent : jugements techniques clés

（Source : Bilibili）

D’après les propos de Luo Fuli dans l’interview sur Bilibili, elle indique que, en 2026, le centre de gravité de la compétition des grands modèles se déplacera de la qualité de conversation générale vers la capacité d’exécution autonome continue sur des tâches complexes. Pendant l’interview, elle a déclaré que, pour l’instant, les modèles de premier plan peuvent s’optimiser de façon autonome sur des tâches spécifiques, et exécuter de manière stable pendant 2 à 3 jours sans nécessiter d’intervention humaine pour des ajustements. Elle a souligné, pendant l’interview, que la percée de la capacité « d’auto-évolution » signifie que les systèmes d’IA commencent à disposer d’une capacité d’autoréparation, et a également cité les trajectoires techniques d’Anthropic ainsi que des variables techniques comme Claude Opus 4.6, et leur impact sur l’ensemble de l’écosystème de l’IA.

Ajustement du mix de puissance de calcul de Xiaomi et évaluation de l’écart de génération de Pre-train

D’après les révélations de Luo Fuli dans l’interview, Xiaomi a déjà effectué d’importants ajustements dans sa stratégie de répartition de la puissance de calcul. Elle explique que, dans l’industrie, le mix de puissance de calcul couramment utilisé est Pre-train:Post-train:Inference = 3:5:1, tandis que la stratégie actuelle de Xiaomi est passée à 3:1:1, ce qui réduit fortement la proportion d’entraînement après pré-entraînement, tout en augmentant simultanément l’investissement de ressources au stade d’inférence.

Dans l’interview, elle explique que ce changement provient de la maturité de la stratégie Agent RL Scaling : l’entraînement postérieur ne nécessite plus d’empiler massivement de la puissance de calcul, et l’augmentation des ressources côté inférence reflète les besoins en réactivité immédiate des scénarios où l’Agent est déployé.

Concernant le problème d’écart entre les générations de Pre-train dans les grands modèles nationaux, Luo Fuli a déclaré, pendant l’interview, que cet écart s’est réduit, passant des 3 années passées à quelques mois ; l’axe central de la stratégie actuelle se déplace vers Agent RL Scaling. Le parcours professionnel de Luo Fuli comprend l’Institut de recherche DingTalk (Alibaba DAMO), la quantification Huanfang et DeepSeek (développement central de DeepSeek-V2), et elle a rejoint Xiaomi en novembre 2025.

Spécifications techniques de la série MiMo-V2 et classement en open source

D’après l’annonce de la série MiMo-V2 publiée par Xiaomi officiellement le 19 mars 2026, cette fois-ci, trois modèles seront dévoilés en une seule fois :

MiMo-V2-Pro : nombre total de paramètres en milliards, paramètres activés 42B, architecture d’attention hybride, prise en charge d’un contexte jusqu’à un million, taux d’achèvement des tâches 81 %

MiMo-V2-Omni : scénarios d’Agent multi-modal

MiMo-V2-TTS : scénarios de synthèse vocale

D’après l’annonce, MiMo-V2-Flash déjà open source occupe la deuxième place du classement mondial des modèles open source, avec une vitesse d’inférence atteignant 3 fois celle de DeepSeek-V3.2.

FAQ

Comment Luo Fuli définit-elle « l’auto-évolution », et pourquoi pense-t-elle que c’est l’événement le plus clé pour l’AGI ?

D’après les propos de Luo Fuli lors de l’interview sur Bilibili du 24 avril 2026 (BV1iVoVBgERD), elle a indiqué que, pour l’instant, les modèles de premier plan peuvent s’optimiser de façon autonome sur des tâches spécifiques et exécuter de manière stable pendant 2 à 3 jours sans intervention humaine, et qu’elle qualifie « l’auto-évolution » comme l’événement le plus crucial pour le développement de l’AGI au cours de la prochaine année.

Quelles ajustements concrets Xiaomi a-t-elle effectués sur le mix de puissance de calcul, et quelle est la logique derrière ?

D’après les révélations de Luo Fuli dans l’interview, le mix de puissance de calcul de Xiaomi est passé de Pre-train:Post-train:Inference = 3:5:1, couramment utilisé dans l’industrie, à 3:1:1, ce qui réduit fortement la proportion d’entraînement postérieur ; elle explique que cet ajustement découle de l’amélioration de l’efficacité de l’entraînement postérieur après la maturité de la stratégie Agent RL Scaling, ainsi que des besoins des scénarios de déploiement d’Agent en capacités de réponse immédiate côté inférence.

Quel est le classement en open source de MiMo-V2-Flash, et comment se présente sa performance en vitesse ?

D’après l’annonce officielle publiée par Xiaomi le 19 mars 2026, MiMo-V2-Flash, déjà open source, occupe la deuxième place du classement mondial des modèles open source ; sa vitesse d’inférence est 3 fois celle de DeepSeek-V3.2, et le taux d’achèvement des tâches de l’édition phare MiMo-V2-Pro est de 81 %.