Xiaomi เผยความคืบหน้า MiMo-2.6 โชว์ศักยภาพ DeepSWE พุ่งทะลุ 60%

ทีมงาน Xiaomi MiMo ได้เปิดตัวหน้าเว็บไซต์สำหรับติดตามผลการฝึกโมเดลภาษาขนาดใหญ่รุ่นล่าสุดอย่าง MiMo-2.6 ซึ่งประกอบด้วยรุ่น mimo-v2.6-pro และ mimo-v2.6-flash โดยเป็นการเปิดเผยข้อมูลการฝึกแบบสดๆ ให้สาธารณชนได้รับชม หลังจากที่ก่อนหน้านี้ได้ปล่อยโมเดลรุ่น 2.5 ออกมาเมื่อเดือนเมษายนที่ผ่านมา

ความสำเร็จของ MiMo-2.5 และการก้าวสู่รุ่นถัดไป

แม้ว่าทาง Xiaomi จะไม่ได้มีการอัปเดตโมเดลบ่อยครั้งจนเป็นกระแสข่าวใหญ่ แต่โมเดลรุ่น 2.5 กลับได้รับความนิยมอย่างต่อเนื่องในแพลตฟอร์ม OpenRouter โดยปัจจัยสำคัญคือความได้เปรียบด้านราคา โดยเฉพาะค่าใช้จ่ายในการทำแคชที่ประหยัดกว่าโมเดลคู่แข่งในตลาดอย่างเห็นได้ชัด ปัจจุบัน MiMo-2.5 ยังคงรั้งอันดับที่ 6 บน OpenRouter ได้อย่างเหนียวแน่น

ผลทดสอบและงบประมาณการฝึก

ข้อมูลจากแดชบอร์ดล่าสุดชี้ให้เห็นว่า MiMo-2.6 มีพัฒนาการที่ก้าวกระโดด โดยสามารถทำคะแนนทดสอบ DeepSWE ได้สูงกว่า 60% ซึ่งถือว่ามีประสิทธิภาพใกล้เคียงกับโมเดล GLM-5.3-Flash แม้ในขณะนี้ทางทีมงานจะยังไม่ได้ระบุเป้าหมายที่แน่ชัดว่าจะสิ้นสุดการฝึกเมื่อใด แต่ตัวเลขงบประมาณที่แสดงบนหน้าเว็บระบุว่า เฉพาะช่วงการฝึก Reinforcement Learning (RL) ของทั้งสองโมเดลนั้น มีมูลค่าสูงเกินกว่า 1.2 ล้านดอลลาร์สหรัฐแล้ว ซึ่งคาดการณ์ว่าหากรวมการฝึกโมเดลเต็มรูปแบบ งบประมาณที่ใช้จริงจะสูงกว่านี้อีกหลายเท่าตัว

เบื้องหลังการพัฒนาโดย Fuli Luo

ทางด้าน Fuli Luo ได้ให้ข้อมูลเพิ่มเติมผ่านสื่อสังคมออนไลน์ว่า ตลอดระยะเวลาเกือบครึ่งปีที่ผ่านมา ทีมงานได้มุ่งเน้นไปที่การแก้ปัญหาเรื่องขีดจำกัดในการขยายขีดความสามารถของ RL โดยในการฝึก MiMo-2.6 ครั้งนี้ ได้มีการยกระดับปัจจัยสำคัญ 3 ด้าน ได้แก่ การคำนวณ (Compute) ที่รองรับโทเค็นประมาณ 2 พันล้านต่อขั้นตอน (1568 prompts × 16 rollouts แบบ fully async), การปรับปรุงสภาพแวดล้อม (Environments) และการพัฒนาชุดทดสอบ (Harnesses) ให้รองรับการทำงานแบบ Multi-task ได้ดียิ่งขึ้น