Luo Fuli altı ay boyunca bekledi, Xiaomi MiMo-V2.6 pekiştirmeli öğrenmeyi doğrudan canlı yayınladı.
动察 Beating AI hızlı haber: Xiaomi, yeni nesil MiMo-V2.6'nın pekiştirmeli öğrenme eğitimini halka açık canlı yayında gerçekleştiriyor.
Sorumlu Luo Fuli, ekibin yaklaşık yarım yıldır sessiz kaldığını ve pekiştirmeli öğrenmenin ne kadar genişletilebileceğini araştırdıklarını belirtti. Şu anda V2.6 hâlâ eğitiliyor ve spesifik teknik çözümler önümüzdeki haftalarda açık kaynak olarak paylaşılacak.
Bu sefer başlangıçta ölçek çok yüksek tutuldu. Her adımda 1568 prompt kullanılıyor, her biri 16 rollout üretiyor, toplamda yaklaşık 2 milyar Token, tamamen asenkron çalışıyor. Kod, genel, görsel, siber güvenlik ve sohbet gibi Agent görevleri de aynı eğitimde karıştırılıyor ve aynı anda birden fazla harness kullanılıyor.
Dışarıdan kişiler her adımdaki görev bileşimini, bağlam uzunluğunu, eğitim süresini ve diğer iç metrikleri gerçek zamanlı olarak görebiliyor. UC Berkeley doktora öğrencisi Yichuan Wang, panele dayanarak her adımda yaklaşık 1500 görev olduğunu, kod görevlerinin yaklaşık üçte ikisini oluşturduğunu ve aynı anda aktif olan sandbox sayısının 40 bini aştığını gözlemledi.
