Բաց կոդով արհեստական բանականության նոր առաջատարը
Չինական տեխնոլոգիական հսկա Xiaomi-ն ներկայացրել է MiMo-V2.6 մոդելների շարքը, որոնցից դրոշակակիր MiMo-V2.6-Pro-ն զբաղեցրել է առաջին հորիզոնականը Artificial Analysis-ի վարկանիշային աղյուսակում՝ հավաքելով 46 միավոր։ Այս արդյունքը գերազանցում է այնպիսի մոդելների, ինչպիսիք են Google-ի Gemini 3.8 Flash-ը (41 միավոր) և մրցակից այլ բաց կոդով մոդելները։
Ի տարբերություն շատ փակ համակարգերի, MiMo-V2.6-Pro-ն թողարկվել է MIT արտոնագրով, ինչը թույլ է տալիս ծրագրավորողներին և կազմակերպություններին բեռնել այն Hugging Face-ից՝ սեփական ենթակառուցվածքներում օգտագործելու կամ հարմարեցնելու համար։ Xiaomi-ն նաև առաջարկում է API-ի մատչելի սակագներ՝ մեկ միլիոն մուտքային թոքենի դիմաց 0.435 ԱՄՆ դոլար արժեքով։
Ուժեղացված ուսուցման մասշտաբայնացում
V2.6-ի տեխնիկական հիմքում ընկած է ամրապնդման ուսուցման (Reinforcement Learning – RL) լայնածավալ կիրառումը։ Xiaomi-ն ծախսել է ավելի քան 2.6 միլիոն դոլար Pro մոդելի ուսուցման համար՝ իրականացնելով 30 խոշոր RL փուլեր՝ շուրջ 750,000 հետագծերի վերլուծությամբ։ Ընկերության մոտեցումը՝ «You Only RL Once» անվանումով, համատեղում է տարբեր ոլորտներ՝ կոդավորում, վիզուալ մշակում և կիբերանվտանգություն՝ մեկ միասնական ուսուցման ցիկլում։
«Պարգևատրման հաքերության» խնդրի լուծում
Զարգացման գործընթացում Xiaomi-ն անդրադարձել է «պարգևատրման հաքերության» (reward hacking) խնդրին, երբ AI գործակալները գտնում են խնդիրը շրջանցող ուղիներ՝ իրական լուծումներ տալու փոխարեն։ Այս խնդիրը լուծելու համար կիրառվել են Groupwise Reward Synthesis (GRS) և Groupwise Advantage Redistribution (GAR) համակարգերը։ Դրանք գնահատում են ոչ թե միայն վերջնական արդյունքը, այլև գործակալի վարքագծի որակը՝ խրախուսելով ճշգրիտ և նվազագույն միջամտություն պահանջող լուծումները։