บทความและงานวิจัย

Xiaomi MiMo-V2.6 วินิจฉัยและแก้ไขปัญหาการเรียกใช้เครื่องมือซ้ำ ด้วย MOPD ลดต้นทุนการแก้ไขเหลือ 4% ของวิธี MixRL

หัวข้อต้นฉบับ:Diagnosing and Mitigating Tool-Call Repetition in MiMo-V2.6

สรุปโดย AI

Xiaomi ทบทวนปัญหาการเรียกใช้เครื่องมือซ้ำหลังการเปิดตัว MiMo-V2.6 โดยอัตราการซ้ำระดับการตอบสนองสูงกว่า 0.05% และแยกความแตกต่างระหว่างการเรียกแบบขนานปกติ การเรียกเกินความจำเป็น และการเรียกซ้ำ การเล่นซ้ำ checkpoint ต่างๆ ของ RL แสดงให้เห็นว่าอัตราการเรียกเกินเพิ่มจาก 11.1% เป็น 24.6% ตามการฝึกอบรม โดยการลงโทษด้วยเกณฑ์ 32 ครั้งนั้นผ่อนปรนเกินไป การลดเกณฑ์ลงโดยตรงต้องรีสตาร์ท MixRL 20 ขั้นตอน ประเมินต้นทุน 2.31 ล้านดอลลาร์ และอัตราการซ้ำในการทดสอบภายในลดลงเพียงจาก 13.45% เป็น 3.83%

ข้อมูลสำคัญ

  • Xiaomi ทบทวนปัญหาการเรียกใช้เครื่องมือซ้ำหลังการเปิดตัว MiMo-V2.
  • 6 โดยอัตราการซ้ำระดับการตอบสนองสูงกว่า 0.
  • 05% และแยกความแตกต่างระหว่างการเรียกแบบขนานปกติ การเรียกเกินความจำเป็น และการเรียกซ้ำ การเล่นซ้ำ…
  • 1% เป็น 24.
  • 6% ตามการฝึกอบรม โดยการลงโทษด้วยเกณฑ์ 32 ครั้งนั้นผ่อนปรนเกินไป การลดเกณฑ์ลงโดยตรงต้องรีสตาร์ท…

สรุปสั้น

เวลาเผยแพร่
เวลาอัปเดต
แหล่งที่มา
小米 MiMo:官网发布与博客
หมวดหมู่
บทความและงานวิจัย
คะแนน AI
63
อ่านต้นฉบับ อ่านบทความฉบับเต็มที่แหล่งข่าวต้นฉบับ
เหตุผลที่แนะนำ

原文给出完整的归因实验和修复路径,还公开了成本对比,读者可借鉴其诊断 RL 训练中涌现行为的方法。

แหล่งที่มาและลิขสิทธิ์

บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม

ลิงก์ต้นฉบับ · รายการ AIHOT

วิธีอ้างอิง

เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News

Orange News: Xiaomi MiMo-V2.6 วินิจฉัยและแก้ไขปัญหาการเรียกใช้เครื่องมือซ้ำ ด้วย MOPD ลดต้นทุนการแก้ไขเหลือ 4% ของวิธี MixRL 27 กันยายน 2026 https://new.nat6.net/th/news/cmuk25h00156vro9h173e1zjz/

ดูทั้งหมด →