# 工具调用重复

MiMo-V2.6发布后，智能体场景里反复发出相同工具调用的问题被定位为强化学习奖励的盲区：只奖励正确性，不惩罚低于阈值的过量调用。团队先用单轮强化学习训练一个专门判断何时停止的教师模型，再通过多教师在线策略蒸馏把这一行为并入主模型。最终MiMo-V2.6-Pro与MiMo-V2.6-Flash在多种上下文长度和智能体框架下重复率大幅下降，完整训练约花费9万美元，为重启MixRL方案估计成本231万美元的4%。

MiMo-V2.6发布后，智能体场景里反复发出相同工具调用的问题被定位为强化学习奖励的盲区：只奖励正确性，不惩罚低于阈值的过量调用。团队先用单轮强化学习训练一个专门判断何时停止的教师模型，再通过多教师在线策略蒸馏把这一行为并入主模型。最终MiMo-V2.6-Pro与MiMo-V2.6-Flash在多种上下文长度和智能体框架下重复率大幅下降，完整训练约花费9万美元，为重启MixRL方案估计成本231万美元的4%。