説明
MiMo-V2.6-Pro-RLは、自己改善に向けた強化学習を進化させるために開発されたMiMoシリーズの主要モデルです。このモデルは、RLコンピュート、環境の多様性、グレーダーコンピュートを一緒にスケールするように構築されており、探索とフィードバックを通じてその能力を拡張することができます。主な特徴には、テキスト、画像、動画、音声を1つのモデルに統合するネイティブオムニモーダルアプローチと、広範なリポジトリやマルチセッションエージェントの実行を処理するための100万トークンの長いコンテキスト長が含まれます。
続きを読む
このモデルは、タスクを混合し、単一のバッチで能力を強化し、ドメイン間で戦略を転送するためのユニークな「You Only RL Once」戦略を採用しています。大規模なバッチで完全非同期のグループ相対ポリシー最適化(GRPO)を利用し、更新ごとに数十億のトークンを処理します。グループ単位のエージェントグレーディングシステムは、解決策をランク付けし、効率的なパスに導くことで自己改善ループを強化します。
MiMo-V2.6-Pro-RLは、複雑なタスクへの能力を拡張するために、自律的な学生ロールアウトとプレフィックス条件付きロールアウトを組み合わせたマルチプレフィックスマルチティーチャーオンポリシーディスティレーション(MOPD2)も特徴としています。このモデルのアーキテクチャには、1.02兆の総パラメータを持つスパースエキスパートの混合と、681百万のパラメータを持つビジョンエンコーダーが含まれています。
このモデルは、AI Studio、MiMo Code、Xiaomi MiMo Desktopなどのさまざまなプラットフォームを通じて展開可能です。最適なパフォーマンスのためにDocker展開をサポートし、Xiaomi MiMo Open Platform APIおよびOpenRouterを介してアクセスできます。
- カテゴリーAIモデルとLLM
- 料金モデルオープンソース
- デプロイクラウド
- プラットフォームWeb
MiMo-V2.6-Pro-RLのハイライト
ネイティブオムニモーダル統合
100万トークンのコンテキスト長
You Only RL Once戦略
グループ相対ポリシー最適化
グループ単位のエージェントグレーディング
マルチプレフィックスマルチティーチャーディスティレーション
スパースエキスパートの混合アーキテクチャ
複数のプラットフォームで利用可能
MiMo-V2.6-Pro-RLをはじめる
モデルページにアクセス: MiMo-V2.6-Pro-RLの公式Hugging Faceページを訪問します。
認証: モデルにアクセスするために必要な資格情報を確認します。
設定: 要件に応じてモデルパラメータを設定します。
プロンプトを送信: モデルと対話し、出力を受け取るためにデータを入力します。
MiMo-V2.6-Pro-RLの使用例
- マルチモーダル処理
- 強化学習
- 大規模データ処理
- ドメイン間戦略転送
- 高度なグレーディングシステム








