CodeMidas：从代码本身扩展智能体式编码 RL 环境

通过强化学习（RL）训练高能力编码智能体需要多样化的任务和可靠的验证器。开源代码库提供了丰富的此类任务来源，而现有方法通常依赖 issue 和 commit 等开发产物，这限制了可提取任务的范围。为了更好地扩展 RL 环境，我们提出了 CodeMidas，这是一条智能体式流水线，仅以源代码作为特定于任务的输入，将现有代码库中已实现的功能转化为可执行的 RL 环境。CodeMidas 在环境构建的每个阶段都分配智能体计算资源：智能体探索已实现的功能以制定行为规范，构建基于原始代码执行结果的测试，并通过执行检查和反复运行解决方案来验证和筛选候选任务。最终数据集包含 5,545 个训练任务，来自 3,185 个开源代码库，涵盖 23 种编程语言和 15 个技术领域。在这些任务上使用 GRPO 训练 MiMo-V2.5，可提升其在全部五个多样化基准测试上的表现，覆盖 issue 修复（DeepSWE + 11.7%）、完整程序构建（ProgramBench +17%）和终端操作（Terminal-Bench v2.1 +8.5%）。消融实验表明，增加高质量训练任务的数量能够提升性能。轨迹分析显示，经过 RL 训练的智能体表现出更优的行为，例如加强对代码库的探索以及进行更多样化的自我验证。这些结果表明，源代码可以作为构建 RL 环境的可扩展基础，从而提升编码智能体在多种软件任务上的能力。