CodeMidas仅凭源码构建RL环境，MiMo-V2.5多基准提升超11%
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载只拿源码当输入
CodeMidas 是一条由智能体驱动的流水线，它把已有代码库中已经实现的功能转成可执行的强化学习环境。与依赖 issue、commit 等开发过程副产物的做法不同，这条流水线把源代码当作唯一与任务相关的输入，因此可提取的任务范围不再受限于项目是否留下完整的协作记录。在环境构建的每个阶段，它都分配了智能体算力：先由智能体探查已实现的功能，据此写出行为规格；再围绕原始代码的实际执行来构造测试；最后通过执行检查和反复的解法采样，对候选任务做验证与筛选。这样一条链路把原本散落在代码里的功能点，变成带有可靠校验手段的训练样本。
五千余任务从哪来
最终得到的数据集包含 5,545 个训练任务，来自 3,185 个开源代码库，覆盖 23 种编程语言和 15 个技术领域。这些数字对应的是流水线逐层筛选后的结果：行为规格来自对已实现功能的探查，测试的正确性以原始代码的运行结果为参照，候选任务还要经过执行检查和多轮解法采样才能留下。任务数量之所以能铺开到这样的规模，关键在于入口只要求源码本身，而不要求项目附带可用的 issue 或提交历史，这使得大量缺少完整开发记录的代码库也能进入候选池。
三类基准上的变化
用 GRPO 在这些任务上训练 MiMo-V2.5，五个不同基准的表现都出现提升。其中 issue 修复方向的 DeepSWE 提升 11.7%，整程序构建方向的 ProgramBench 提升 17%，终端操作方向的 Terminal-Bench v2.1 提升 8.5%。消融实验显示，高质量训练任务的数量增加会带来性能改善，说明收益与任务规模相关。轨迹分析则显示，经强化学习训练的智能体表现出更好的行为，例如更多地探查代码库，以及采用更多样的自我验证方式。这些结果把源代码定位为构建强化学习环境时可扩展的基础。
适用范围与限制
这套方法适用的前提是代码库中存在已经实现的功能，任务由这些功能反推而来，因此它面向的是从现有代码中提取行为规格与测试的场景，而非从零设计新功能。验证环节依赖执行检查与重复的解法采样，任务能否保留取决于这两道关卡的结果。材料给出的评测集中在 issue 修复、整程序构建和终端工作三类基准上，训练对象为 MiMo-V2.5，其他模型与任务类型上的表现未在材料中说明。对关注智能体训练数据构建的读者而言，这意味着源码本身可以成为环境来源，但任务质量仍由执行验证的严格程度决定。
为什么值得看
突破依赖提交记录提取任务的局限，证明源码可作规模化构建编码RL环境的基础，显著提升智能体多场景表现。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。