羅福莉：MiMo-V2.6の研究開発の難しさは、私が参加したDeepSeek R1を超えている

動察 Beating AI 速報、小米 MiMo 責任者の羅福莉氏は MiMo-V2.6 のリリース後、この強化学習についてさらに説明した。彼女は自身が DeepSeek R1 に参加したことがあり、MiMo-V2.6 の背後にある研究革新とエンジニアリングの課題は、彼女の見解ではすでに R1 を超えていると述べた。

彼女はまた、MiMo がなぜ MixRL と MOPD を同時に使用するのかを説明した。MixRL はコード、汎用 Agent、視覚、サイバーセキュリティなどの検証可能なタスクを同じ強化学習ラウンドで一緒に訓練するものであり、MOPD は超長文、検証が困難、または報酬が比較的主観的なタスクを処理する役割を担い、まず個別に訓練し、その後これらの能力をメインモデルに統合する。

ゲームや 3D といったタスクは 1 回の実行時間が長すぎ、しかも正誤を自動的に判断するのが難しい。コードなどのタスクと同じ RL ラウンドに置くと、訓練が明らかに遅くなる。そのため MiMo はこのようなタスクを個別に訓練し、MOPD を通じて学習した能力をメインモデルに統合している。