MiMo-V2.6 论文发布：RL 训练循环中引入智能体自评与评分机制

小米 MiMo-V2.6 的论文已经发布。

在 MiMo-V2.6 中，AI 自主运行了大部分训练循环：智能体负责构建任务、审核测试、评分答案并寻找作弊行为。人类则设定预算和规则。

研究表明，通过同步扩大批量大小、任务与测试框架的多样性以及评分投入，智能体模型能够随着强化学习算力的增加持续提升。

为编码智能体扩展强化学习之所以困难，是因为通过/失败的测试无法区分干净的修复和取巧的修复。智能体还会学会钻环境的空子，例如直接下载已公布的修复补丁。

一个评分智能体会比较每组中通过测试的补丁，并将奖励导向更干净的方案。如果没有它，智能体就会倾向于更长的运行时间和吞掉异常之类的变通做法。

MiMo-V2.6-Pro 在 DeepSWE 上的得分在 260 万美元的强化学习投入中从 58.4 升至 72.6，且在训练停止时仍在上升。

– arxiv. org/abs/2610.11959

标题：《MiMo-V2.6：迈向自我改进的强化学习扩展》