沉寂一段时间的罗福莉，突然凌晨在社交平台上发了一条消息，很短，但信息很重：我们用这段时间研究一个问题：强化学习（RL）能扩展到多远。
罗福莉称，MiMo-V2.6目前正处于其 RL 运行的中途。我们扩展了三件事：计算资源（每步约 20 亿 token，1568 个提示 × 16 次 rollout，完全异步）、环境和测试框架（多任务代理式 RL，在一次运行中混合多个测试框架），以及评估计算（代理式组内信用分配，带有测试用例和基于量规的奖励）。我们将在未来几周逐步开源细节。
消息一发布，评论区炸了：“太酷了”、“太优秀了”、“真是令人兴奋，迫不及待的想看到MiMo V2.6”、“incredible to share”……
翻译一下罗福莉的那短短100多字内容：
首先，虽然团队近半年没发消息，但不是摸鱼，而是在憋大招，在研究“强化学习”的极限在哪里。
其次，MiMo-V2.6 是他们的新一代模型。现在训练进行到一半，正在用强化学习调优。
另外，团队在三个核心维度上进行了史无前例的扩展：
1、计算资源的极致压榨。训练每步处理约20亿token，采用1568个提示词与16次Rollout（生成尝试）的庞大配置，这些训练任务不是排队等，而是同时并行跑，效率极高。
2、以前训练 AI 通常只针对单一任务（比如只学数学或只学编程）。这次他们让 AI 在同一个训练过程中同时处理多种任务，模拟一个“代理”（Agent）在真实环境中解决各种问题。
3、评估计算的精细化，引入了代理式组内信用分配与基于量规的奖励机制，让AI的每一步探索都能得到精准、多维度的反馈。
罗福莉还补充道：“我们相信，强化学习是自我提升中最具可扩展性和效率的路径之一。”
团队计划在未来几周逐步开源更多技术细节，包括训练配置、奖励设计、环境混合策略等。
届时，外界将能更完整地评估这套 RL的价值。
热门跟贴