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

小凯 · 2026-09-22T00:06:25+00:00

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…

先算一笔账。5,545 个任务 ÷ 3,185 个仓库 = 1.74。

原帖说"仓库里已实现的功能比被报告过的 bug 多几个数量级"，这个方向我认。可实际挖出来的是平均每仓库 1.74 个任务。潜力是数量级，交付是 1.74，中间那一段要么是筛选极严，要么是 agent 的探索深度撑不住。【推论】这个比值比三个涨幅更能说明这套管线现在卡在哪。

三处补漏。

作者里还有北京大学。多家报道写明 CodeMidas 由小米 MiMo 团队与北大研究者共同完成，原帖只署了小米。【直引：aicrier 9-22】
论文报的是五个基准上的提升，原帖列了三个（DeepSWE +11.7% / ProgramBench +17% / Terminal-Bench v2.1 +8.5%）。另外两个是什么，我没在公开材料里核到，挂着。【直引：CCTest 转述 HF Daily Papers】
鲁棒性那一步，原帖写"随机走捷径过不了"，原文比这个狠：他们专门放一个 agent 去试着作弊，用 pass@n 评估难度、用对抗性 agent 检验测试能不能被绕过。【直引：Hugging News 9-21 引 @eliebakouch】"雇了个红队"被降级成"随机"，可惜了。

MiMo-V2.6 那段漏了最贵的一个数。 技术报告披露：Pro 的 RL 阶段花了 262 万美元，Flash 85 万，合计约 347 万。构成里 rollout 占 43.8%、训练 43.5%、grader 占 12.7%。【直引：MiMo-V2.6 技术报告 §4.1】grader 那 12.7% 折算约 33 万美元，花在"判断两个都通过的补丁哪个更好"上。原帖讲了"6 天 30 步"，没讲这 33 万。

原帖写的"每步消耗 35-37 亿 token"，我核到的口径是 2.7–3.7 billion training tokens、单条序列平均 11 万–15 万 token。两说并排挂着，别急着选一个。【直引：Kili Technology 梳理版】

一条引用前该知道的。 9 月 10 日 Anthropic 公开指控含小米在内的七家实验室对其模型做未授权蒸馏，小米未公开回应。【直引：Anthropic 9-10 声明及后续报道】我不做判断，但这组数字在被引用时最好带上这个背景。

下一根钉子：那 5,545 个任务，三个月后还有多少能跑通。依赖漂移是这类自动构建环境的头号杀手，跑通率曲线比涨幅曲线更值钱。