小米用组内智能体评分重分配优势，让310B与1.02T代码智能体在DeepSWE上分别达到67.9和71.9

GAGAR把评分从单条轨迹的独立打分改为组内联合比较：评分器在共享工作区中同时看到任务说明、仓库、完整轨迹、提交补丁与测试输出，先看逐轮摘要定位需要细查的部分，再交叉核对补丁与仓库代码和测试日志，必要时运行针对性检查，并且负面判断必须引用补丁位置、轨迹事件或执行结果。 此前的奖励建模与评分工作多依赖固定摘要或单次文本评估，例如文中提到的Groupwise Ranking Reward使用单次、基于文本的评分器；GAGAR则对同一任务的完整实现做交互式检查，并让失败轨迹作为揭示失败模式的上下文。 论文给出评分流程与五维标准（方案适配性、实现精确性、改动最小性、意外副作用、代码库一致性）以及三档质量分层与档内排序规则，属于方法层面的完整描述；评分器本身为SFT训练所得，论文报告其平均端到端评分时间约600秒，而最初使用Claude Opus 5时约为2000秒。

GAGAR提出保和优势重分配：先按质量因子下调低排名通过轨迹的优势，再对所有通过轨迹统一乘以一个公共缩放因子，使通过子集的正优势总和恢复原值，失败轨迹优势不变，从而保持质量排序与相对权重。 论文指出，仅做质量下调而不重分配会移除正优势却不改变负优势，使负优势总量超过正优势；消融实验中下调-only运行的策略梯度损失在step 1–30平均为0.0304，而完整方法为0.0021，熵从0.359升至0.905、训练轨迹长度从47.1k升至114.1k token，完整方法则分别为0.358→0.513和46.5k→69.9k token。 该结论来自同一Flash设置下的对照消融，并给出损失、熵与长度的具体数值；论文同时给出优势空间与等价奖励空间两种表述，并说明在缩放上限生效时精确守恒不再成立。

在纯代码RL的受控实验中，GAGAR相对二值奖励基线提升了任务表现与交互效率：基线因性能快速退化在step 28停止（DeepSWE通过率从step 20的58.5%降至50.2%），GAGAR在step 28达到62.2%、高出12.1个百分点，并在step 44达到峰值63.4%；SWE-bench Pro上基线在step 16至28约59%持平，GAGAR在step 52达到62.5%。 论文把提升同时归因于质量信号与训练稳定性，并报告在共享检查点上GAGAR的轮次与token更少：step 28时DeepSWE平均轮次从132.3降至111.6、token长度从191.9k降至172.9k（降幅15.6%与9.9%），SWE-bench Pro轮次从58.4降至54.6、token从79.9k降至68.6k（降幅6.5%与14.1%）。 结果来自Flash的纯代码RL对照，训练批大小128、每提示16条rollout，评测每任务三次采样并报告avg@3；论文说明基线与GAGAR在相同设置和共享训练步上比较。

在工业级混合任务RL中，GAGAR被接入MiMo-V2.6-Flash与MiMo-V2.6-Pro的训练，最终检查点在DeepSWE v1.1上avg@3分别为67.9和71.9，在SWE-bench Pro上分别为60.9和62.7；论文报告Pro以1.02T总参数超过2.8T的Kimi K3（DeepSWE 69.0），并在SWE-bench Pro上以62.7%超过GPT-5.6 Sol的60.5%，在DeepSWE上接近GPT-5.6 Sol的73.0%与Claude Opus 5的74.0%。 论文强调这是把质量感知重分配用于异构任务负载中的代码任务组，而非仅限纯代码训练，并称MiMo-V2.6系列由此在代码能力上具备与前沿模型竞争的表现。 该部分为工业规模运行结果，每次更新使用1,568个提示、每提示16条rollout，评分与重分配只作用于其中符合条件的代码任务组；对比数字来自论文表1。

这项工作面向以可执行测试提供奖励、且轨迹可长至上百轮交互的代码智能体RL场景，适用于拥有仓库上下文与执行环境的训练流程；论文在MiMo-V2.6-Flash（310B总参数、15B激活）与MiMo-V2.6-Pro（1.02T总参数、42B激活）的预RL SFT检查点上验证，并把评分与重分配接入混合任务RL中符合条件的代码任务组。对希望减少开发者评审与返工、追求精确且可合并实现的团队，这提供了一条把额外算力投向评分器以识别值得学习行为的路径；论文还提到正在探索轮级信用分配，以及把零和重分配用于不同评分器、惩罚机制与优势调整策略。

评分器由SFT训练得到，论文报告其平均评分时间约600秒且保持良好准确率，但评分质量本身如何随任务分布变化、以及评分结果不可用时回退到原始优势的频率，仍需在更多设置中观察；论文说明缩放上限生效时精确守恒不再成立，此时正优势总和与失败轨迹优势未必保持，这一分支的实际影响值得关注；质量审计基于30个DeepSWE任务的固定随机样本，由Claude Opus 5联合评审，样本规模有限；混合任务RL的对比数字来自论文表1，外部基线模型的训练与评测细节不在本文范围内。此外，本次读取为全文，但公式与表格在文本中以占位形式出现，具体系数与完整表格数值需回到原文核对。