MiMo 修重复调用，先把“会做事”改成“会停手”
小米 9 月 27 日复盘 MiMo-V2.6 的工具调用重复问题：同一动作反复执行，工具队列变长，任务却没有进展。团队发现，原有的 32 次调用惩罚太松，强化学习把低于阈值的泛滥行为越练越严重；改用专门训练的教师模型和 MOPD，最终训练成本约 9 万美元，约为直接重启 MixRL 方案的 4%。
先把重复调用和并行调用分开
小米在 9 月 27 日发布的复盘文章里，把 MiMo-V2.6 的工具行为分成三类：同时读取多份文件属于正常并行调用；一次发出远超任务需要的调用，属于调用泛滥；在结果没有变化时反复发出同一个工具和同一组参数，才是重复调用。
用户感受到的现象很简单：工具一直在跑，任务却没有往前走。MiMo 团队在多个 Agent Harness 上测到重复率，OpenCode 中 Flash-RL 为 1.02%，MiMo Desktop 和 Claude Code 也有记录。这个数字按单轮相同工具、相同参数统计，只是可复现的下限，跨轮次和相似调用还没有算进去。
训练把小问题放大了
团队回放 MiMo-V2.6-Flash-RL 在不同训练 checkpoint 的表现后发现，单轮超过 10 次工具调用的样本占比，从 RL 第 0 步的 11.1% 升到第 20 步的 24.6%。MiMo Code 里的占比更高，从 30.6% 升到 41.7%。
原来的 MixRL 流程只在单轮超过 32 次调用时提前终止并给零分。模型早期很少触发这条线，低于 32 次的泛滥行为就没有受到足够惩罚，训练继续把它放大。指标看起来没有越线，真实使用却已经变慢。
直接改阈值，代价很高
最直观的做法是把阈值从 32 次降到 8 次。小规模实验显示，这能明显压低单轮调用过多的情况，但修复效果要经过约 20 个训练步骤才出现。按全量训练估算，重启这 20 步 MixRL 需要约 231 万美元。
而且这条路的泛化有限。内部测试集里的重复率从 13.45% 降到 3.83%，仍然没有归零。一个训练环境里有效的硬阈值，换到另一套历史上下文和工具组合里，效果会打折。
让模型学会在第八次调用前停下
MiMo 团队后来训练了一个专门识别重复调用的教师模型，用约 7000 个样本做了 12 步训练；如果出现重复或错误工具使用，轨迹得零分。这个教师模型在训练集和留出集上都把重复率压到零，再通过 MOPD 把“该结束了”的倾向合并回主模型。
最终方案的完整训练成本约 9 万美元，约为重启 MixRL 估算成本的 4%。官方称，MiMo-V2.6-Pro 和 Flash 在不同上下文长度和 Harness 上的重复率都明显下降，其他基准表现保持稳定。最新 checkpoint 已开源，API 名称保持不变。
未来 3—6 个月 · 待核查问题
接下来怎么看
模型厂商会开始公开更多工具调用指标和修复后的 checkpoint，Agent 产品也会把等待时间、重复调用和失败重试列入质量报告。接下来要看，调用变少后，任务成功率和复杂工作流的覆盖是否还能维持。
持续检查：重复率是否按不同 Harness、历史长度和工具组合分别公布；修复后是否仍能覆盖长任务；“成本下降”是否包含重训、评测和线上回归的完整账单。