小米发布MiMo-V2.6扩展强化学习
发生了什么
据Hugging Face Papers报道，小米发布MiMo-V2.6系列全模态基础模型，通过扩展强化学习实现模型自我改进。该系列通过更大批次、多样化代理环境和稳健奖励分级推进智能前沿。训练采用异步方式，每步消耗1,568个样本和2.7-3.7B tokens，上下文长度最高达1M。为保持训练稳定，冻结了MoE路由器并建立多层防御以防止奖励黑客攻击。
- 每步样本数
- 1,568
- 每步Token数
- 2.7-3.7B
报道与来源
1 篇发布方数量不等于独立核验数量。同稿的多个入口保留在对应报道中。
- Hugging Face Papers转载
Paper page - MiMo-V2.6: Scaling Reinforcement Learning Towards Self-Improvement
来源关系与证据边界
按已记录的来源角色展示；连线仅表示原生身份流程确认的同稿入口，不表示独立佐证或跨报道引用。
- 来源报道1 个发布入口