返回每日动态论文小米发布 MiMo-V2.6 论文：用强化学习扩展自我改进X：Rohan Paul (@rohanpaul_ai)10月10日 12:39导读小米 MiMo-V2.6 论文发布，模型在 RL 训练循环中承担构建任务、审计测试、评分答案和排查作弊等工作。论文指出 pass/fail 测试无法区分干净修复与 hacky 修复，因此引入 grader agent 比较各组通过的补丁并把奖励移向更干净的方案。