MiMo-V2.6论文：扩展RL算力推动模型自我提升

MiMo-V2.6论文作者发布了一个面向自我提升的全模态模型系列，沿三条维度扩展强化学习算力：在最长 1M token 上下文下进行每步处理 1,568 个样本、2.7–3.7B token 的异步训练；构建覆盖代码、通用、视觉和赛博领域的智能体环境；以及通过分组智能体评分给出更长链任务的奖励信号。 为稳定训练，作者冻结了 MoE 路由器并加入多层防奖励作弊机制。 作者称已将训练动态、RL 环境和 RL 框架开源，以供复现和后续研究使用。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。