小米发布 MiMo-V2.6 论文:用强化学习扩展自我改进
中文摘要
小米发布MiMo-V2.6,利用强化学习引入grader agent区分代码修复质量,实现自我改进。
English Summary
Xiaomi's MiMo-V2.6 uses reinforcement learning and a grader agent to distinguish clean fixes from hacky ones, enhancing self-improvement.
原文节选
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。