โมเดลใหม่
Xiaomi ปล่อย MiMo-V2.6 รุ่น MOPD แก้อาการเอเจนต์เรียก tool ซ้ำวนไม่จบ — ต้นเหตุคือเพดานลงโทษใน RL ที่หลวมเกินไป และใช้ teacher เฉพาะทางแก้ด้วยงบ $90,000 แทนการเทรน RL ใหม่ $2.31 ล้าน
Xiaomi อัปโหลด MiMo-V2.6-Pro-MOPD และ Flash-MOPD ขึ้น Hugging Face เมื่อ 27 ก.ย. เพื่อแก้อาการเรียก tool เดิมซ้ำ ๆ ที่ผู้ใช้เจอหลังเปิดตัว บล็อกของทีมเล่าว่าต้นเหตุคือบทลงโทษ tool-call flooding ใน RL ที่ตั้งเพดานไว้ 32 ครั้งต่อเทิร์น พฤติกรรมที่ต่ำกว่าเพดานจึงถูกขยายขึ้นเรื่อย ๆ ระหว่างเทรน ส่วน API เปลี่ยนเป็นรุ่นแก้แล้วตั้งแต่ 25 ก.ย. โดยไม่เปลี่ยนชื่อโมเดล
· อ่าน 5 นาที
