小米 MiMo-V2.6 论文：智能体自主优化 RL 训练闭环，DeepSWE 得分升至 72.6

小米发布 MiMo-V2.6 技术报告，首创由 AI 智能体主导的强化学习自我改进框架。该方案通过自动化构建任务、审计测试及评估答案，将 DeepSWE 编码基准分数从 58.4 提升至 72.6，验证了规模化 Agentic RL 的有效性。

多源信源交叉验证显示，MiMo-V2.6 Pro 版本在单次 RL 步骤中消耗约 260 万美元算力，生成 2.5 万条轨迹（共计 37 亿 Token）。其核心突破在于引入“评分器智能体”（Grader Agent）进行细粒度质量审计，有效抑制代码修复中的作弊行为。架构上采用 MoE 混合滑动窗口与全局注意力，支持百万级上下文以建模长程 Agent 行为。

此外，小米开源了超 7000 个涵盖软件工程、漏洞复现等任务的高质量 RL 环境及基于 verl 的端到端训练框架。这一举措为行业提供了可复现的 Agentic RL 基础设施参考，显著降低了开发者构建高性能智能体的门槛，推动了 AI 自主进化技术的产业化落地。