หลัวฟู่ลี่อดทนมาครึ่งปี เสี่ยวหมี่ถ่ายทอดสดการเรียนแบบเสริมกำลังของ MiMo-V2.6 โดยตรงเลย

动察 Beating ข่าวด่วน AI เสี่ยวหมี่กำลังถ่ายทอดสดสาธารณะการฝึกฝนการเรียนรู้แบบเสริมกำลังของ MiMo-V2.6 รุ่นถัดไป

หัวหน้าทีม Luo Fuli กล่าวว่าทีมเงียบไปเกือบครึ่งปี มัวแต่ศึกษาว่าการเรียนรู้แบบเสริมกำลังจะขยายขนาดได้มากแค่ไหน ปัจจุบัน V2.6 ยังอยู่ระหว่างการฝึกฝน แผนทางเทคนิคเฉพาะจะเปิดซอร์สเป็นระยะในอีกไม่กี่สัปดาห์ข้างหน้า

ครั้งนี้เริ่มต้นก็ดันขนาดขึ้นสูงมาก แต่ละขั้นตอนใช้ 1568 prompt แต่ละอันสร้าง 16 rollout รวมประมาณ 2 พันล้าน Token ทำงานแบบอะซิงโครนัสตลอดกระบวนการ งาน Agent ด้านโค้ด ทั่วไป วิชัน ความมั่นคงไซเบอร์ และแชท ก็ถูกผสมในการฝึกฝนครั้งเดียวกัน และใช้ harness หลายชุดพร้อมกัน

ภายนอกสามารถเห็นองค์ประกอบงานในแต่ละขั้นตอน ความยาวบริบท เวลาที่ใช้ฝึกฝน และตัวชี้วัดภายในอื่น ๆ ได้แบบเรียลไทม์ Yichuan Wang นักศึกษาปริญญาเอก UC Berkeley สังเกตจากแดชบอร์ดว่าแต่ละขั้นตอนมีประมาณ 1500 งาน งานโค้ดคิดเป็นประมาณสองในสาม ขณะที่มี sandbox ที่ทำงานอยู่พร้อมกันมากกว่า 4 หมื่นแห่ง