Luo Fuli: MiMo-V2.6'nın Ar-Ge zorlukları, katıldığım DeepSeek R1'inkileri aştı

动察 Beating AI hızlı haber: Xiaomi MiMo sorumlusu Luo Fuli, MiMo-V2.6'nın yayınlanmasının ardından bu pekiştirmeli öğrenme turunu daha ayrıntılı açıkladı. Kendisinin DeepSeek R1'de yer aldığını, ancak MiMo-V2.6'nın arkasındaki araştırma yeniliği ve mühendislik zorluklarının onun görüşüne göre R1'i aştığını belirtti.

Ayrıca MiMo'nun neden hem MixRL hem de MOPD kullandığını açıkladı. MixRL; kod, genel Agent, görsel ve siber güvenlik gibi doğrulanabilir görevleri aynı pekiştirmeli öğrenme turunda birlikte eğitmek anlamına geliyor; MOPD ise aşırı uzun, doğrulanması zor veya ödülü görece öznel olan görevleri ele alıyor: önce ayrı ayrı eğitiliyor, ardından bu yetenekler ana modele entegre ediliyor.

Oyun, 3D gibi görevlerin tek bir çalıştırma süresi çok uzun ve doğru-yanlış otomatik olarak değerlendirilmesi zor. Bu tür görevler kod gibi görevlerle aynı RL turuna konulursa eğitimi belirgin şekilde yavaşlatır. Bu nedenle MiMo bu tür görevleri ayrı ayrı eğitiyor, ardından MOPD aracılığıyla öğrenilen yetenekleri ana modele geri birleştiriyor.