bibibi.cc正在加载…
罗福莉称，MiMo-V2.6的研发挑战已超过她参与过的DeepSeek R1。
罗福莉：MiMo-V2.6的研发挑战已超过我参与过的DeepSeek R1
动察 Beating AI 快讯，小米 MiMo 负责人罗福莉在 MiMo-V2.6 发布后进一步解释了这轮强化学习。她称，自己曾参与 DeepSeek R1，而 MiMo-V2.6 背后的研究创新和工程挑战，在她看来已经超过 R1。
她还解释了 MiMo 为什么同时使用 MixRL 和 MOPD。MixRL 是把代码、通用 Agent、视觉和网络安全等可验证任务混在同一轮强化学习里一起训练；MOPD 则负责处理超长、难验证或奖励较主观的任务，先单独训练，再把这些能力整合回主模型。
游戏、3D 这类任务一次运行时间太长，而且不好自动判断对错。如果和代码等任务放在同一轮 RL 里，会明显拖慢训练。MiMo 因此把这类任务单独训练，再通过 MOPD 把学到的能力合回主模型。
罗福莉曾参与DeepSeek R1。
罗福莉称，MiMo-V2.6背后的研究创新和工程挑战，在她看来已经超过DeepSeek R1。
MiMo同时使用MixRL和MOPD进行强化学习。
MixRL将代码、通用Agent、视觉和网络安全等可验证任务混在同一轮强化学习中训练。
MOPD处理超长、难验证或奖励较主观的任务，先单独训练，再将能力整合回主模型。
游戏、3D任务一次运行时间太长，且不好自动判断对错。
MiMo将这类任务单独训练，再通过MOPD将学到的能力合回主模型。
以下为辅助分析，与已报道事实分开展示；重要信息请进一步核实。
罗福莉介绍，MiMo-V2.6把不同类型的任务分开处理：较容易验证的任务一起训练，运行时间长或难判断对错的任务先单独训练，再合回主模型。
这说明MiMo-V2.6的强化学习流程会按任务是否容易验证、运行是否耗时来安排训练方式。
可以把它理解为：容易批改的作业一起练习，难批改或耗时的作业单独练习，最后把能力合并。
正在加载事件时间线…