随着大模型、大数据和智能化工具深度参与研发，传统 " 人对人 " 的层级组织正在慢慢瓦解，" 人—数据—系统 " 的混合决策网络开始成为新的趋势。

在模型参数快速迭代、技术路线频繁调整的 AI 行业，传统企业层级分明、分工固化的组织模式，开始暴露出明显的短板：信息传递滞后、一线声音容易失真、创新想法被层层过滤。

在小米，罗福莉领导的 Mimo 团队走出了一条完全不一样的路径。MiMo 团队是小米公司旗下专注于大模型研发的团队，没有固定部门分组、没有严格职级，也没有硬性交付节点，这支团队也因此成为 AI 领域里一次极具样本价值的组织平权实验。

罗福莉在一次公开采访中完整拆解了这套独特的研发与管理逻辑，其核心并非简单放弃管理，而是顺着大模型前沿探索的特点，重新搭建信息传递、团队协作和决策落地的方式。小米相关负责人向《商学院》记者坦言，小米 Mimo 团队目前的状态便是在这套模式下集中精力做好产品。

模型效果永远优先于进度与成本。

当前市面上绝大多数大模型项目，普遍采用大团队、强节点、快迭代的工业化打法，依靠明确的交付期限、细化的岗位职责和严苛的进度考核推进项目。这套模式更适合成熟产品的量产迭代，却很难适配大模型训练过程中大量试错、反复排查和深度打磨的需求。小米 Mimo 团队选择了完全相反的路线，以极致精简的创业式小团队为基础，建立起一套技术质量优先、不受进度束缚的研发逻辑。

从整体规模来看，小米 Mimo 团队全链路工作人员合计百人，覆盖数据采集、质量审核、基础设施搭建、预训练、后训练、算法研发、产品落地等环节，其中实习生占比并不低。但真正深度参与每一代模型迭代、负责核心攻坚的人员只有二三十人，在同量级项目里属于规模极小的配置。即便身处小米这样的大厂，Mimo 团队始终保持着初创团队的运行状态，没有大企业里繁琐的管理流程和层级管控，所有人的工作都围绕模型训练中出现的实际问题展开。

然而，罗福莉坦言，小团队架构的直接结果，就是训练周期被拉长，大模型无法在一两个月内快速完成迭代，同时还要承担高昂的算力成本。业内都清楚，高端显卡集群的单日成本可以达到一两百万甚至两三百万元。在目标导向的传统项目中，算力消耗和交付节点永远排在第一位，即便训练过程中察觉到异常波动，团队也很少愿意停下来排查问题，耗费数周时间溯源通常会被看作资源浪费，大家更倾向于带着瑕疵继续推进，优先保证按期交付。

小米 Mimo 团队却定下了另一条原则：模型效果永远优先于进度与成本。团队内部没有设置任何硬性发布期限，坚持等模型真正训练到位再对外推出，绝不仓促上线不成熟的版本。罗福莉坦言，在之前的训练过程中，小米 Mimo 团队曾遇到训练数据偏移（备注：是模型在真实场景失效的主因之一，包括引发模型的泛化能力下降）等问题，面对这些暂时无法确定影响的隐患，团队都会果断暂停训练寻找根源，最长一次停训调整持续了两周。

即便没有外部考核压力，长时间的排查过程依然并不轻松。反复试错、调试无果，再加上高额算力的无效消耗，很容易让成员陷入自我怀疑和情绪低落，甚至会在夜里反复复盘训练过程。尽管如此，在罗福莉看来，这种节奏放缓是前沿 AI 研发必须付出的代价。大模型的智能涌现，建立在稳定、干净的训练基底之上，这些看似耽误进度的打磨，本质上是在规避后续更大的系统性风险。

与大团队更擅长多任务并行、大范围探索，但遇到单点问题深挖、隐性故障排查时，却很容易出现责任分散、无人深究的情况相比，小米 Mimo 团队这支精简的核心队伍的优势在于，每个人都扎根一线，熟悉训练全流程细节，更容易聚焦问题本质持续攻坚，可以用小团队的专注度弥补工业化研发模式的精细化短板。

在 Mimo 团队里，没有固定岗位职责，也没有自上而下的强制任务分配，人员分工完全随着训练阶段变化。

传统科技公司的研发组织，大多以固定部门、细分岗位、固化分工为基本框架，预训练、后训练、数据、算法、工程、产品各自独立，边界清晰。这种静态结构适配标准化工作，但放到大模型研发这种高度交叉、快速变化的创新业务里，很容易形成部门墙，阻碍技术交流。

为了适配大模型全链路融合的研发特点，小米 Mimo 团队直接取消了所有固定组别，不再划分预训练组、后训练组、框架研发组等传统模块，彻底打破岗位之间的边界，形成了围绕具体问题运转的动态协作网络。团队没有固定岗位职责，也没有自上而下的强制任务分配，人员分工完全随着训练阶段变化。

边界的消失，带来了人才能力的自然流动与互补。在常规团队中，预训练人员更关注海量数据筛选和模型基底搭建，核心追求数据多样性；后训练人员更多聚焦场景优化，容易陷入单一方向的调优，两者视角割裂，经常出现预训练数据和后训练需求不匹配的情况。

在小米 Mimo 团队里，人员流转大多基于个人兴趣和能力特质自然发生，几乎没有行政层面的干预。原本负责训练数学、深耕预训练的成员，会主动转向后训练环节；做训练框架和推理算法的工程师，也会全程参与训练故障排查和数据问题溯源。这种流动的核心优势在于，预训练人员自带的全局数据视野，刚好可以弥补后训练阶段容易出现的场景局限，让模型优化同时兼顾底层通用性和落地实用性。

深度科技研究院院长张孝荣对此评价道，传统大厂大模型团队规模庞大、业务繁杂，必须依靠分层管理和部门划分维持运转，过程中难免产生内耗。小米 Mimo 团队沿袭了创业团队精干专一的特点，拆掉固定组织边界，不靠制度分工，只靠技术共识和项目需求临时组队，围绕问题灵活调配人力，协作效率更高。

2026 年 3 月起，罗福莉推行 " 每天与智能体（Agent）对话少于 100 次者可以辞职 "，推动团队快速拥抱 Agent 的管理方式，快速统一团队研发方向，聚焦 Agent 任务，而非单纯语言生成，以此对齐技术优先级。

上海杉达学院研究员唐树源进一步指出，取消固定分组之后，小米 Mimo 团队的整个研发协作逻辑都发生了变化。在传统模式下，算法、工程、数据之间存在天然壁垒，出现分歧往往需要产品经理或中层管理者居中协调，一场简单的对齐可能要开好几轮会。而在小米 Mimo 团队这种流体组织里，所有角色都盯着同一个模型、同一个问题，技术争议可以当场碰撞解决，沟通链路被大幅压缩。

当然，这种模式也对小米 Mimo 团队成员提出了更高要求。所有人都需要跳出单一技能的舒适区，建立跨界认知：做数据的要理解算力约束和模型结构，做算法的要懂工程落地逻辑，做研发的要贴近产品真实场景。外部的部门摩擦被转化为每个人的学习成本，用全员更高的认知负担，换取组织整体更少的内耗和更强的灵活性，这也是小米 Mimo 团队这套组织模式最突出的特点。

所谓组织平权，表面看是去层级、去职级，本质是重新分配信息权和决策权。

当前，被外界讨论最多的，是罗福莉在接受媒体采访时提到的 "1 对 100" 管理模式，但这套模式的核心，并不是管理学意义上超大管理跨度，而是组织平权和信息平权。实际上，小米 Mimo 团队内部取消了职级差异和上下级层级，不存在拥有绝对管理权的负责人，只有负责把握方向、推动项目落地的核心角色，彻底摆脱了传统企业逐级汇报、层层决策的运行方式。

所谓组织平权，表面看是去层级、去职级，本质是重新分配信息权和决策权。在传统层级组织里，一线研发的真实数据、技术问题和现场反馈，需要经过多层中层筛选、加工之后才能传到决策层，信息失真、传递延迟是常态；决策指令向下传达时，也容易出现理解偏差，直接影响 AI 研发的迭代速度。

小米 Mimo 团队则完全压缩了中间层级，实现信息无壁垒流动、决策点对点落地。百人团队内部信息高度透明，一线训练数据、故障问题、技术想法和资源需求，可以直接同步给核心决策端；团队整体的研发方向，也能直接触达包括实习生在内的每一位成员。职级不再是获取信息、参与讨论的门槛，无论资历深浅，所有人都可以平等发表观点，甚至直接和负责人争论技术方案。

产业观察家梁振鹏认为，小米 Mimo 团队模式的本质转变，是从层级控制体系转向高速信息流决策体系。传统大模型团队依靠层级完成管控和信息传递，效率受制于中间环节；而 "1 对 100" 模式，本质上是管理者对接 100 个独立信息源，而非 100 个员工。管理的重心不再是管人、控流程，而是从海量一线信息里识别风险、快速做出判断。

天使投资人、AI 领域专家郭涛也持类似看法，他认为小米 Mimo 团队的组织平权，本质是用群体智能和个体自驱力替代层级管理。团队不依靠制度约束推进工作，而是在招聘阶段就筛选出真正热爱技术、主动性强的人，让大家围绕共同目标自发向前。信息自由流动之后，决策不再单纯依赖顶层主观判断，更多来自一线真实数据和反馈，准确性和时效性都明显提升。

扁平化带来效率提升的同时，也让决策压力变得更大。没有中间层帮忙过滤信息，小米 Mimo 团队的管理者需要直面大量碎片化信息、不同角度的技术争议和频繁出现的突发问题，信息洞察、快速取舍和技术判断力成为核心能力。和传统管理者更侧重资源协调不同，小米 Mimo 团队的核心负责人，主要精力都放在从一线信息里提炼趋势、识别隐性风险、敲定技术路线上，成为整个组织的信息中枢和决策终端。

小米 Mimo 团队的组织平权，更像一场仍在持续的产业实验，而非一套已经定型的管理制度。

罗福莉是 95 后 AI 技术专家，曾在阿里、DeepSeek 任职。 她从北师大本科到北大硕士，始终深耕自然语言处理领域。在技术和管理上，罗福莉所带领的小米 Mimo 团队的组织平权实验，也是 AI 行业组织变革的一个缩影。随着大模型、大数据和智能化工具深度参与研发，传统 " 人对人 " 的层级组织正在慢慢瓦解，" 人—数据—系统 " 的混合决策网络开始成为新的趋势。在这种新形态里，数据和系统不再只是辅助工具，它们本身也成为重要的协作依据，训练评测曲线、系统自动告警、数据监控指标，在很多时候比职级和资历更有说服力，决策场景也逐渐从会议室转移到人机交互界面。

这套极致扁平、问题驱动、依靠热爱运转的组织模式，给 AI 创新团队提供了新的思路。对比传统层级结构，小米 Mimo 团队模式的优势十分明显：一方面彻底减少了信息衰减和决策延迟，研发问题可以快速响应，技术方向迭代更快；另一方面充分释放个体创造力，打破岗位固化带来的思维局限，更适配大模型高度交叉的创新属性；同时依靠创业氛围保持团队自驱力，避免大企业内部常见的流程内耗。

但多位业内专家也一致提醒，小米 Mimo 团队这套模式并不具备普遍适用性，它更像是严苛条件下的最优解，无法随意复制。

首先是人才密度门槛。整个模式高度依赖成员的主动性、专业能力和跨界认知。郭涛提到，小米 Mimo 团队在招聘环节标准很高，核心成员普遍具备高学历背景和独立思考能力，不需要外部督促就能主动攻坚。一旦人才密度下降，成员自驱力不足，无层级、无固定分工的模式很容易出现混乱、责任不清、进度失控的情况。

其次是业务场景限制。极致扁平化更适合大模型基础训练、前沿技术探索这类迭代快、试错多、没有标准答案的业务。张孝荣认为，如果业务偏向强合规、强标准、追求稳定量产，层级管控和固定分工依然是保障质量、规避风险的更优选择，盲目扁平化反而会放大运营风险。

再次是核心决策者的能力天花板。"1 对 100" 的信息中枢模式，非常考验小米 Mimo 团队负责人的技术功底、信息处理能力和临场决断力。能够扎根一线、读懂原始数据、把控技术方向的统帅型人才本身就十分稀缺，这也是该模式很难批量复制的关键原因。

最后是组织文化的基础。平权模式需要形成 " 贡献优先于职级、技术高于资历 " 的文化氛围，真正包容试错、鼓励不同意见。多数成熟企业长期形成的固有文化，很难支撑小米 Mimo 团队这种高度开放的组织形态。

由此可见，小米 Mimo 团队的组织平权，更像一场仍在持续的产业实验，而非一套已经定型的管理制度。它试图回答 AI 时代的核心问题：当技术迭代速度不断加快，当创新更多来自个体创造力而非自上而下的指令，企业是否还需要依靠传统层级维持运转？这场实验目前还没有标准答案。