หลัวฟู่ลี่: ความท้าทายในการวิจัยและพัฒนาของ MiMo-V2.6 ได้เกินกว่า DeepSeek R1 ที่ฉันเคยมีส่วนร่วมแล้ว

动察 Beating ข่าวด่วน AI หลัว ฟู่ลี่ หัวหน้าโครงการ MiMo ของเสียวหมี่ หลังจากเปิดตัว MiMo-V2.6 ได้อธิบายเพิ่มเติมเกี่ยวกับการเสริมการเรียนรู้รอบนี้ เธอกล่าวว่าเธอเคยเข้าร่วมใน DeepSeek R1 และนวัตกรรมงานวิจัยและความท้าทายทางวิศวกรรมที่อยู่เบื้องหลัง MiMo-V2.6 ในมุมมองของเธอนั้นได้เกินกว่า R1 แล้ว

เธอยังอธิบายว่าทำไม MiMo จึงใช้ทั้ง MixRL และ MOPD พร้อมกัน MixRL คือการนำงานที่ตรวจสอบได้ เช่น โค้ด เอเจนต์ทั่วไป วิชัน และความปลอดภัยไซเบอร์ มาผสมผสานและฝึกไปพร้อมกันในการเสริมการเรียนรู้รอบเดียว ส่วน MOPD รับผิดชอบจัดการงานที่ยาวมาก ตรวจสอบยาก หรือมีรางวัลที่ค่อนข้างเป็นอัตวิสัย โดยฝึกแยกก่อน แล้วจึงรวมความสามารถเหล่านั้นกลับเข้าสู่โมเดลหลัก

งานประเภทเกมและ 3D ใช้เวลารันนานเกินไปในแต่ละครั้ง และยากต่อการตัดสินถูกผิดโดยอัตโนมัติ หากนำไปรวมกับงานอย่างโค้ดในการเสริมการเรียนรู้รอบเดียวกัน จะทำให้การฝึกช้าลงอย่างเห็นได้ชัด MiMo จึงฝึกงานประเภทนี้แยกต่างหาก แล้วจึงรวมความสามารถที่เรียนรู้ได้กลับเข้าสู่โมเดลหลักผ่าน MOPD