Xiaomi ปล่อย MiMo-V2.6 รุ่น MOPD แก้อาการเอเจนต์เรียก tool ซ้ำวนไม่จบ — ต้นเหตุคือเพดานลงโทษใน RL ที่หลวมเกินไป และใช้ teacher เฉพาะทางแก้ด้วยงบ $90,000 แทนการเทรน RL ใหม่ $2.31 ล้าน
หนึ่งสัปดาห์หลัง Xiaomi ปล่อยน้ำหนัก MiMo-V2.6 Pro และ Flash ทีม MiMo ยอมรับในบล็อกเมื่อ 27 ก.ย. 2026 ว่าปัญหาที่ผู้ใช้เจอบ่อยที่สุดคือ tool-call repetition คือเอเจนต์ส่งคำสั่งเรียก tool เดิมหรือคล้ายเดิมซ้ำ ๆ ทั้งที่ข้อมูลและสภาพแวดล้อมไม่เปลี่ยน ดูเหมือนกำลังทำงาน แต่งานไม่คืบ และเปลือง context ไปเรื่อย ๆ ทีมจึงปล่อย checkpoint ใหม่ MiMo-V2.6-Pro-MOPD (1.02T รวม / 42B active) และ MiMo-V2.6-Flash-MOPD บน Hugging Face ในวันเดียวกัน ป้ายใบอนุญาตใน model card ยังเป็น MIT และเหมือนรุ่นเดิมตรงที่ยังไม่มีไฟล์ LICENSE ในรีโป
ส่วนที่น่าอ่านกว่าตัวโมเดลคือบทวิเคราะห์ว่าปัญหามาจากไหน เพราะเป็นกับดักที่ใครทำ RL ให้เอเจนต์ก็เจอได้ ฝั่ง API ทีมบอกว่า mimo-v2.6-pro กับ mimo-v2.6-flash เปลี่ยนเป็นรุ่นที่แก้แล้วตั้งแต่ 25 ก.ย. เวลา 06:00 (UTC+8) โดยไม่เปลี่ยนชื่อโมเดล และจะรีเซ็ตโควตาที่เหลือในรอบการใช้งานปัจจุบันให้ผู้ใช้ MiMo Desktop ทุกคนเป็นการขอโทษ
อาการ: บางเอเจนต์ harness เจอหนักกว่ากันหลายเท่า
ทีมวัดแบบ exact within-turn repetition คือนับเฉพาะ call ที่ชื่อ tool และอาร์กิวเมนต์ (หลัง normalize JSON) ตรงกันทุกตัวภายในเทิร์นเดียวกันก่อนได้ผล tool กลับมา ทีมยอมรับเองว่าตัวเลขนี้เป็นแค่ ขอบล่าง เพราะไม่นับการเรียกซ้ำข้ามเทิร์น, call ที่อาร์กิวเมนต์ต่างกันเล็กน้อย และ call ที่ฝังอยู่ในสคริปต์ของ harness แบบ code-mode
อัตราการซ้ำของรุ่น RL เดิมแยกตาม harness:
| Harness | Flash-RL | Pro-RL |
|---|---|---|
| OpenCode | 1.02% | 0.54% |
| Claude Code | 0.27% | 0.10% |
| Codex | 0.23% | 0.07% |
| MiMo Desktop | 0.19% | 0.19% |
| OpenClaw | 0.17% | 0.08% |
OpenCode หนักที่สุดชัดเจน รุ่น Flash เจอซ้ำราว 1 ใน 100 response
ต้นเหตุ: เพดาน 32 ครั้งที่ปล่อยให้พฤติกรรมโตขึ้นเรื่อย ๆ
pipeline RL ของ MiMo มีบทลงโทษ tool-call flooding อยู่แล้ว ถ้าโมเดลเรียก tool เกิน 32 ครั้งในเทิร์นเดียว rollout จะถูกหยุดและได้รางวัลเป็นศูนย์ ปัญหาคือพฤติกรรมที่ ต่ำกว่า 32 ไม่ถูกลงโทษเลย ทีมพบว่าตั้งแต่ RL step 0 ก็มีตัวอย่างส่วนน้อยที่เรียก tool เยอะผิดปกติอยู่แล้ว พอเทรนไป พฤติกรรมนี้ก็ถูกขยายขึ้นเรื่อย ๆ จนทะลุเพดานในที่สุด เมื่อเล่นซ้ำชุดตัวอย่างเดิมกับ checkpoint หลายช่วง สัดส่วนตัวอย่างที่เรียก tool ตั้งแต่ 10 ครั้งขึ้นไปในเทิร์นเดียวของ Flash เพิ่มจาก 11.1% ที่ step 0 เป็น 24.6% ที่ step 20 และบน MiMo Code เพิ่มจาก 30.6% เป็น 41.7%
ทางแก้ที่ตรงที่สุดคือลดเพดานเหลือ 8 ครั้ง ทีมลองแล้วได้ผล แต่ต้องใช้ราว 20 step กว่าจะเห็นผล ถ้าทำเต็มสเกลต้องเทรน MixRL ใหม่ 20 step ซึ่งประเมินค่าใช้จ่ายไว้ $2.31 ล้าน และเมื่อทดสอบนอกชุดเทรนก็ยังไม่หายขาด อัตราการซ้ำลดจาก 13.45% เหลือ 3.83% เท่านั้น
ทางที่เลือก: teacher เฉพาะทางแล้วกลั่นผ่าน MOPD
ทีมจึงเทรน RL teacher แบบ single-turn จากตัวอย่างที่เรียก tool ซ้ำซึ่งเก็บมาเอง ให้รางวัล 1 เฉพาะเมื่อไม่มีการซ้ำและไม่ใช้ tool ผิด พร้อม KL loss ไม่ให้ห่างจาก policy เดิม ใช้แค่ 12 step (~7,000 ตัวอย่าง) ก็ลดการซ้ำใน replay เป็นศูนย์ทั้งชุดเทรนและชุด held-out จากนั้นย้อน MOPD (Multi-teacher On-Policy Distillation) รอบสุดท้ายกลับไป 5 step แล้วเทรนต่อโดยเพิ่ม teacher ตัวนี้เข้าไป รวมทั้งหมดราว $90,000 หรือ 4% ของทางแรก
ตัวอย่างที่ทีมยกมาอธิบายกลไกได้ชัด trajectory หนึ่งที่เดิมเรียก tool 59 ครั้ง ที่ตำแหน่ง tool call ที่ 12 รุ่นเดิมมีโอกาส 94.56% จะเรียกต่อ ส่วนรุ่นที่แก้แล้วมีโอกาส 92.17% จะจบเทิร์น เท่ากับว่าสิ่งที่ teacher สอนคือ รู้ว่าเมื่อไรควรหยุด ในแผนภาพ heatmap ของรุ่น Pro จุดที่หนักที่สุดอย่าง OpenCode ช่วง input 256K–384K ลดจาก 0.64% เหลือ 0.03% และ MiMo Desktop ที่ input เกิน 512K ลดจาก 0.53% เหลือ 0.004%
ทีมบอกว่าผลบนชุดเบนช์มาร์กทั่วไป “คงที่” แต่ไม่ได้ใส่ตัวเลขเทียบไว้ในบล็อกหรือ model card
มุมมอง AI Curator
บทเรียนนี้มีค่ากว่าตัว checkpoint เพราะอธิบายได้ว่าทำไมโมเดลโอเพนที่ทำคะแนน agentic benchmark ได้สูงถึงยัง “ใช้จริงแล้วน่ารำคาญ” รางวัลที่ดูแค่ความถูกต้องไม่เห็นต้นทุนของการเรียก tool ซ้ำ และเพดานลงโทษที่ตั้งหลวมกลับกลายเป็นจุดที่ RL ค่อย ๆ ขยายพฤติกรรมเสียออกมา ใครที่กำลังทำ RL ให้เอเจนต์ของตัวเองด้วย TRL, verl หรือ Tunix ควรวัด tool-call ต่อเทิร์นเป็น metric ตั้งแต่ step 0 แทนที่จะรอให้ทะลุเพดาน ความต่างราคา $2.31 ล้าน กับ $90,000 ยังบอกด้วยว่า distillation จาก teacher เฉพาะทางเป็นเครื่องมือซ่อมหลังเทรนที่คุ้มกว่ามาก ซึ่งเป็นทิศทางเดียวกับที่หลายแล็บเริ่มใช้
สำหรับทีมไทยที่ต่อ MiMo ผ่าน API มีเรื่องที่ต้องรู้ คือ โมเดลเปลี่ยนไปตั้งแต่ 25 ก.ย. ภายใต้ชื่อเดิม ถ้าคุณมี eval หรือพฤติกรรมเอเจนต์ที่จูนไว้ ผลอาจต่างไปโดยไม่มีอะไรแจ้งในโค้ด ส่วนคนที่รันเองต้องดาวน์โหลดใหม่ทั้งก้อน (รุ่น Pro ราว 566GB, Flash ราว 173GB) ถ้าใช้ OpenCode เป็น harness หลักควรอัปเกรด เพราะเป็นจุดที่ซ้ำหนักที่สุด อีกข้อที่ควรจำไว้คือตัวเลขทั้งหมดวัดโดย Xiaomi เอง และเป็นแค่ขอบล่างตามนิยามที่ทีมเลือก การเรียกซ้ำข้ามเทิร์นซึ่งผู้ใช้เจอบ่อยไม่แพ้กันยังไม่มีตัวเลขเลย
แหล่งข่าว
อ่านเพิ่มในหมวด โมเดลใหม่
Google เปิดตัว Gemini 4 Carbon ขึ้นอันดับ 1 Artificial Analysis v5 ด้วยคะแนน 59 แต่ยังให้ใช้แค่นักป้องกันไซเบอร์กลุ่มเล็ก
Gemini 4 Carbon เปิดตัว 28 ต.ค. แซง Claude Opus 5.5 บน Intelligence Index v5 แค่ 1 คะแนน และตามหลังเพียง 3 คะแนนในดัชนี coding agent ราคาเปิดตัว $2/$10 แต่นักพัฒนาทั่วไปยังเรียกใช้ไม่ได้ ระหว่างที่ Google ค่อย ๆ เปิดผ่านโปรแกรม Fairwind
Microsoft ปล่อย Mage-VL-Cowork โมเดล 4B คุมเดสก์ท็อปและเทอร์มินัลในตัวเดียว ได้ 66% บน OSWorld-Verified สัญญาอนุญาต Apache-2.0
Mage-VL-Cowork ขนาด 4B ของ Microsoft เลือกเองว่าจะคลิกหน้าจอหรือสั่ง bash ทำคะแนน OSWorld-Verified 66.0% ใกล้ค่าอ้างอิงมนุษย์ 72.4% ในตารางเดียวกัน แต่คำว่าดีที่สุดในขนาด 4B มีคู่เทียบบนตารางนี้แค่รุ่นเดียว
Mistral ปล่อยน้ำหนัก Large 4 จริงแล้ว — 1T ราคาลดเกือบครึ่ง แต่บน AA ได้ 26 และสัญญาอนุญาตห้ามขายเป็น API ถ้าไม่มีใบอนุญาตแยก
Mistral ปล่อยน้ำหนัก Large 4 (Le Chonk) เมื่อ 29 ต.ค. เป็นรุ่นที่ฝึก RL ต่ออีกสามสัปดาห์หลัง preview ขนาด 1T ใช้พื้นที่ราว 1.06TB ราคา API ลดเหลือ $0.70/$2.10 Mistral นำ open-weight ด้าน coding แต่คะแนนรวม AA 26 ตามหลังโมเดลจีน และสัญญาอนุญาตกันธุรกิจ Model-as-a-Service