小米 CodeMidas：从仓库里已写的代码里"挖"出 5,545 个 RL 训练任务

小米 MiMo 团队 9 月 22 日发布并开源了 CodeMidas。这个名字把 Midas 国王点石成金的典故反过来用，代码里的金子需要被挖出来。整套管线把 GitHub 开源仓库里已经被实现的功能，转成可执行的强化学习训练环境。MiMo-V2.5 用这些环境训练之后，在 DeepSWE、ProgramBench、Terminal-Bench v2.1 三套编码评测上分别提升 11.7%、17%、8.5%。

这条路为什么走通了

写代码的 RL 训练卡在两件事上：任务从哪儿来，谁来判定对错。

之前的工作多数从 issue 或 commit 出发。问题在于，仓库里已经实现的功能远比发出去的工单多。一段 parse_url、一个排序算法、一组配置解析逻辑，都是开发时写下来、之后很少被改动的行为。这些行为对模型来说就是天然的任务：从输入到输出，能写测试，能跑通。

CodeMidas 的核心思路是闭路迭代。

每一步的判断标准很硬：测试要能跑出来、随机走捷径过不了、几轮 rollout 的解里能找到正确答案。整套管线不需要预存的 issue 数据库，也不需要人工写 prompt。

数据到底有多大

最终落地的训练集覆盖 3,185 个开源仓库、23 种编程语言、15 个技术领域，共 5,545 个任务。

单看 ProgramBench 的 17%，从基线到 RL 后是这个评测自发布以来提升最大的一次单点跨越。Terminal-Bench v2.1 的 8.5% 出现在"终端环境里操作"这一档，这种场景历来对模型训练数据稀疏。

Ablation 的结论也很直白：高质量任务越多，性能越好。曲线没有明显饱和。

为什么这条路线比"刷 issue"走得远

从 issue 出发训练 coding agent 的天花板被两层卡住：

• 任务覆盖率：开源仓库里已实现的功能比被报告过的 bug 多几个数量级。
• 验证可信度：测试是从 issue 描述反推的，往往依赖人工维护；CodeMidas 直接用原始代码运行生成测试，能在多轮 rollout 里挑出偶然通过的任务。

这套范式把仓库当成训练材料库，而不是把它当成要修的项目。任务来源的边界被推到了所有写过的代码，不只是报上来的问题。

行为上发生了什么变化

轨迹分析显示，RL 训练后的 MiMo-V2.5 在两件事上明显改观：

1. 探索更彻底：从仓库入口往里走的步数更长，会调进子目录看实现细节，而不是停在 README 与接口签名。
2. 自验证策略更多样：跑测试、对照预期输出、比对多种解的差异，不再只看一处。

这跟 RL 任务设计是闭环的，任务定义里就要求 agent 走出更深的轨迹，行为又被数据"教"得更彻底。

几个绕不开的限制

• 已实现行为 ≠ 完整规范：自动测试可能漏边界情况，比如异常分支、并发竞态。
• 重复 rollout ≠ 严格质检：再多次运行也不能替代人工抽检。
• 任务分布偏真实代码：少数教学型小练习库被筛掉，剩下的多数是工程实现，对模型的工程能力更友好，对竞赛编程帮助较小。

CodeMidas 解决的是训练任务的供给侧问题，不是测试正确性问题。下一步如果要把这条路线推到严肃基准，验证侧还得加人手。

MiMo 团队同步开源的"训练直播"

小米同时放出 MiMo-V2.6 全模态模型权重（含 Pro/Flash/Distill-Qwen-9B），以及端到端 RL 训练框架和 7,000+ 高质量 RL 任务环境。罗福莉（前 DeepSeek 研究员、2025 年 11 月加入小米带队 MiMo）主导的这场"训练直播"已在 Hacker News 上冲到 500+ 讨论分。MIT 许可证，可商用可微调。

训练过程披露得很彻底：30 步 RL，每步 1,568 prompt × 16 rollout = 25,088 次采样，每步消耗 35-37 亿 token，6 天完成。DeepSWE v1.1 上 Flash 从 48.8 升到 65.68，Pro 从 58.4 升到 72.57。

资料来源：Hugging Face Daily Papers、Xiaomi MiMo 公开页、网易/AGI HUNT 9-22 报道、CCTest 总结稿。

参考信源

1. Xiaomi MiMo CodeMidas 项目页与开源仓库（9-22，Hugging Face Daily Papers）：3,185 仓库 / 5,545 任务 / 23 语言 / 15 领域、+11.7% / +17% / +8.5%。
2. 网易科技《小米 MiMo-V2.6 把大模型训练变成了"公开实验"》（9-22）：6 天 30 步 RL、每步 25,088 次采样、Pro Flash 评测曲线、罗福莉背景。
3. CCTest《CodeMidas Builds Coding RL Environments from Source Code》（9-22）：四阶段管线、行为规范 + 测试构建 + 多轮 rollout 过滤的具体定义。
4. AGI HUNT 9-22 Daily：CodeMidas 与同期 Xiaomi MiMo-V2.6 开源消息汇总。