小米发 MiMo-V2.6-Pro/Flash MOPD 版：修掉「智能体反复调同一个工具」，并公开各 harness 重复率
9 月 27 日，小米 MiMo 团队放出 MiMo-V2.6-Pro-MOPD 与 MiMo-V2.6-Flash-MOPD 两个 checkpoint（Hugging Face 与 ModelScope 同步），官方技术博客同日发文讲「工具调用重复」的诊断与修复。模型本体不变：1.02T 总参、42B 激活的稀疏 MoE，1M 上下文，原生文本、图像、视频、音频，MIT 许可。变的是训练：MOPD2（多教师在线策略蒸馏）把可验证任务上的 mixRL 教师与开放域任务的 SFT 教师融进同一个学生，官方称这让训练覆盖到长程游戏开发、科研与具身智能等难以设计奖励的领域。
这次要修的是一个不报错的失败模式：智能体在同一轮里反复发同一个工具调用。官方把「同一轮内调用同一工具、参数经 JSON 规范化后完全相同」定为 exact within-turn repetition，用 (N−U)/N 度量，并给出九个 harness 上的重复率——Flash-RL 在 OpenCode 上 1.02%、Claude Code 0.27%、MiMo Desktop 0.19%，Pro-RL 依次为 0.54%、0.10%、0.19%，在 Hermes 与 Zcode 上低到 0.05%。
官方把它归到奖励盲区：回放同批样例，「单轮 ≥10 次调用」在 Flash-RL 的 RL step 0 占 11.1%，step 20 升到 24.6%，MiMo Code 环境下从 30.6% 升到 41.7%——即便流水线里已有「单轮超过 32 次调用即中止并置零奖励」的惩罚，阈值以下的行为反而在训练中被放大，最后长成越过阈值的严重泛滥。
修法比数字更值得看。团队先试把惩罚阈值从 32 降到 8：回放重复率从 13.45% 降到 3.83% 但没消除，全量重训还要回退 20 步、估算成本 231 万美元。最终改用 MOPD：用内部重复样例训一个专用单轮 RL 教师（12 步、约 7,000 条样例，回放重复率在训练集与留出集都归零），再把主运行回退五步、用教师前缀蒸馏把这段行为并进主模型。机理也摊开了：某条轨迹里模型连发 59 次调用，修复前在第 12 个调用位上「继续调用」的概率 94.56%，修复后同一位置给出结束轮次标记的概率 92.17%。边界：全部数字来自小米自测与自建度量，官方明说这是可观测重复率的下界，不含跨轮重复、近似重复与代码模式内的调用；该版本未公布任何公开基准成绩。