小米九月底这波开源，最值钱的可能不是模型，而是训出模型的那套基建。2026 年 9 月 22 日，小米发布并开源 MiMo-V2.6 全模态模型系列（Pro 与 Flash 两个原生全模态模型）；而在 9 月 21 日，小米同日创建了三个仓库，把支撑这批模型训练的强化学习基建直接摊开。其中分量最重的是 XiaomiMiMo/verl。截至 2026 年 9 月 27 日 GitHub API 快照：465 颗星、49 个 fork，Python 编写，Apache-2.0 协议，创建于 9 月 21 日，最近一次推送停在 9 月 26 日。
先把性质说清楚，免得传着传着走样：它不是小米原创的 RL 框架，是 fork。上游 verl-project/verl 在 2026 年 9 月 27 日快照下有 23,650 颗星，由字节跳动 Seed 团队发起、verl 社区维护，开源版本对应的正式名字叫 HybridFlow，论文中稿 EuroSys 2025，2026 年 1 月项目整体迁移到独立的 verl-project 组织。GitHub 的 fork 关系写得明明白白，小米自己的 README 也只说了一句话：这个 fork 在 verl 0.9.0.dev 之上增加了五套 RL 环境的复现代码，定位是「Agentic RL training code for MiMo」，训练配方详见技术报告第 7 节。
站在巨人肩膀上、加自己最值钱的那一层，这是成熟团队的打法。真正值得展开的，是那五套环境。它们覆盖五个领域：Code 软件工程、Cyber 漏洞复现、General 知识工作、Visual 网页开发、Music 符号音乐作曲，每套配独立验证器、启动脚本和环境变量样例。这五套环境对应着 MiMo-V2.6 训练时的主战场。按小米官方口径（经第三方 AI 工具集转述），MiMo-V2.6 的核心是以可验证复杂任务为奖励的大规模 Agentic RL：约 6 天 Live RL、约 75 万条轨迹、训练上下文 1M、单步更新推到 2.7 至 3.7B token，大 Batch 配全异步架构。环境决定模型能练什么，验证器决定模型学成什么样。
五套环境逐个拆：验证器是灵魂
Code，软件工程，验证器是可执行测试，启动脚本 scripts/code/train.sh，配置样例 scripts/code/env.example。这是 Agentic RL 里最经典的一类任务：模型在真实代码库里改代码、修问题，奖励由测试套件跑不跑得过来判，不靠人打分，也不靠另一个模型当裁判。可执行测试是所有验证器里最硬的一种，奖励信号明确，可钻的空子最少。素材里提到 MiMo-V2.6 在 DeepSWE v1.1 样本外有明显提升，背后就是这类环境的功劳。
Cyber，漏洞复现，验证器是规则检查，启动脚本 scripts/arvo/arvo.sh，配置样例 arvo.env.example。让模型在受控环境里复现已知漏洞，奖励按规则判定：触发条件是否成立、复现路径是否走通。把漏洞复现做成 RL 环境训练安全能力，这在开源框架圈子里相当少见，也解释了为什么官方能力列表里安全是一条独立线。
General，知识工作，验证器是 Rubric 评审，启动脚本 scripts/general/general.sh。这类任务没有唯一正确答案，比如写一份调研、做一次分析、产出一份文档，验证器从「对错判定」换成「按评分细则逐项打分」。Rubric 评审是五套里最依赖设计功夫的：细则切得越细、越可观察，奖励信号就越稳，越不容易被钻空子。
Visual，网页开发，验证器是视觉评分，启动脚本 scripts/design/webdev.sh。网页开发任务的产出要看渲染效果：布局对不对、样式还原度如何、页面是否可用。验证器从文本空间挪到视觉空间，等于给模型的「眼睛」也接上了奖励信号。这是全模态模型训练里最容易被忽视、又最难做对的一环，因为视觉质量的评分标准远比单元测试模糊。
Music，符号音乐作曲，验证器是规则检查，启动脚本 scripts/design/music.sh。乐理规则天然适合形式化检查：音程、和声、节奏、曲式结构是否合乎规范，机器可判。把「作曲」这种看似感性的创作任务也纳入可验证奖励体系，是这套环境矩阵里最有想象力的一个，等于宣告凡是能写出规则的领域，都可以上 Agentic RL。
五套环境摆在一起看，验证器的设计哲学很清晰：能形式化的用形式化手段（可执行测试、规则检查），不能形式化的用结构化评审（Rubric 逐项打分、视觉评分）。覆盖范围从纯文本代码到视觉再到符号音乐，恰好铺满一个全模态模型的能力光谱。
为什么要专门强调验证器？因为 Agentic RL 的成败有一大半押在这里。RL 靠奖励信号驱动，模型会想方设法把奖励做高，而不是把任务做好——这就是 Reward Hacking。奖励信号一松，模型学到的不是能力而是套路。小米官方口径里也把压制 Reward Hacking 列为稳定性设计的重点：奖励设计、对抗评测、异常检测、验证器交叉校验，四道防线一起上。这套五环境矩阵等于把防线的第一道，也就是「奖励从哪来」，原样开源了出来。看懂验证器设计，比看懂启动脚本有用得多。
仓库里还有什么：子模块、镜像与训练模型
光有环境配置表还不够，跑起来要靠一整套配套。README 交代了三件东西。
其一是两个子模块，放在 third_party 目录下，用 git submodule update 初始化。第一个是 mimoagent（third_party/mimoagent-osr，SWE-agent 团队 mini-swe-agent 的 fork），负责 agent 的 harness、工具、执行环境与评分器，Code、Cyber、General、Visual 四套环境都靠它跑，其中后三套通过 verl 的 AgentLoop 直接驱动它，胶水代码在 recipes 目录下。第二个是 uni-agent（third_party/uni_agent，verl-project/uni-agent 的 fork），负责模型网关和 TransferQueue 轨迹捕获，只有 Code 环境用它：它替掉 verl 自带的 agent-loop 管理器，把 mimoagent 的 harness 跑在 uni-agent 会话里。README 特别强调：两个子模块互不导入，胶水都在 recipes 里，Music 环境两个都不用。这个解耦设计说明各环境的依赖边界划得很清楚。
其二是 Docker 镜像，托管在 Docker Hub 的 xiaomimimo/mimo-v2.6-rl-oss。RL 环境要跑测试、跑浏览器、跑音频处理，依赖链极其复杂，官方镜像直接替你把环境踩平了，这比 README 写十页安装指南都实在。
其三是训练模型 MiMo-V2.6-Distill-Qwen-9B，托管在 Hugging Face。也就是说，完整复现链路的起点不是那个参数量未公布的旗舰模型，而是一个 9B 的蒸馏模型。对算力有限的团队来说，这是好消息：五套环境加 9B 模型，复现门槛被压到了相对现实的量级。
使用门槛只有一个：每个启动脚本都会读取同目录下 env.example 文件里列出的环境变量，先按样例设好变量再启动。这个约定看着朴素，实际上降低了踩坑成本——环境变量全部显式列出，不存在藏在代码深处的隐式配置，调参时改哪里一目了然。
数据集与技术报告：复现路径拼齐了
单看代码，开源训练框架市面上不少；这个仓库真正的含金量在于，小米把复现需要的三样东西全放开了：环境代码、训练数据、训练配方。
训练数据集 MiMo-V2.6-RL-oss 开放下载，托管在 Hugging Face。多数团队开源训练框架时数据是缺位的，没有数据，环境复现只是个空壳子，你不知道任务长什么样、奖励该怎么对齐。数据开放还有第二层意义：别人可以直接拿这套数据做对照实验，检验环境设计里哪些成分真正起作用，这对学术圈和工程团队都是可直接消费的素材。技术报告 PDF 放在 HF 的 XiaomiMiMo/MiMo-V2.6-Pro-RL 仓，文件名 MiMo_V2_6_technical_report.pdf，训练配方在第 7 节，报告标题就叫 Scaling Reinforcement Learning Towards Self-Improvement。环境怎么配、奖励怎么算、稳定性怎么压 Reward Hacking，报告里有文字版，仓库里有可执行版，两边互相印证。
把这三样拼起来，一条完整的复现路径就出现了：拉仓库、初始化子模块、拉 Docker 镜像、下数据集、按报告第 7 节设参、跑对应环境的启动脚本。对做 Agentic RL 的团队来说，这比多一个跑分模型值钱得多——同行开源的是「结果」，小米开源的是「过程」。
同日全家桶：三仓一套
9 月 21 日创建的不止 verl fork 一个，还有两个配套仓。uni-agent，14 颗星，Apache-2.0，定位长程 Agent 训练框架；mimoagent，30 颗星，MIT 协议，README 自称「100 行解决 GitHub issue 的极简 Agent」。三个仓同一天创建，角色分工清楚：verl fork 是训练主仓，uni-agent 管长程训练与轨迹捕获，mimoagent 当轻量执行器。这不是零散开源，是一套完整的训练基建全家桶。
值得注意的细节是 uni-agent 的 fork 身份：它是 verl-project/uni-agent 的 fork，而后者本身是 2026 年 5 月发布、构建在 verl 之上的统一 agent 框架。小米在自己 fork 的 RL 环境里复用了上游生态的组件，又把改造后的版本回馈成独立仓库，形成一个小闭环。
冷思考：别急着喊超越上游
四件事需要冷静看。
第一，生态还很早期。465 颗星对比上游 23,650 颗星，这个 fork 目前是小体量项目，issue 池、社区讨论、第三方教程都接近于零。拿它当生产工具，坑得自己踩。反过来想，这个阶段入场也有好处：问题少、反馈快、有可能直接影响项目走向，适合有明确 Agentic RL 需求且愿意啃源码的团队先行验证。
第二，分叉细节未明。GitHub compare 显示 fork 相对上游 ahead_by 为 0、behind_by 为 16，上游在 9 月 26 日前后仍活跃提交，也就是说上游有几批提交是这个 fork 还没合入的。至于小米在 fork 里改了什么、改了多少、是否打算回馈上游，README 没有交代，无从核实。所以「小米版本领先上游几个提交」这类说法既没人证实也没人能写，事实层面能说的只有 README 里那五套环境的复现代码。
第三，上游没有停步。翻上游 README 的时间线：2026 年 7 月 RL-Insight 发布，6 月 verl-SpeCo 预发布，5 月 uni-agent 与 verl-Omni 发布，verl 主仓的迭代节奏没有放缓。fork 能不能跟上上游演进、长期怎么维护，是小米团队接下来要回答的问题。
第四，许可证口径。GitHub API 元数据标注 Apache-2.0，一句提醒：以仓库 LICENSE 文件原文为最终口径。
写在最后
回到开头的问题：开源训出模型的基建，图什么？对小米，这是一次围绕 MiMo-V2.6 的生态卡位——让做 Agentic RL 的团队直接踩在小米踩过的环境上；对行业，它补上了一块少见的拼图：旗舰模型背后的 RL 环境设计与验证器方案第一次摊开可看。五套环境、验证器设计、数据集、技术报告、官方镜像，链条是完整的。短板同样明确：生态早期、分叉细节未明、上游仍在快跑。想上车的团队，建议先读技术报告第 7 节，再决定值不值得 fork 一份自己改。
顺带理清两个容易混淆的站内话题：小米 6 月开源的 MiMo-Code 是终端编码助手，是产品，和这篇的训练基建是两回事，详见 MiMo-Code 资源篇。如果想要同主题的更多切面，本批同期还有 MiMo-V2.6 热点篇、Agentic RL 框架横评 和 MiMo-V2.6 接入 SOP，分别覆盖发布事件、框架选型对比与落地流程。另外说一句分工：站内的通用微调 SOP 讲的是 SFT/LoRA 那条通用路线，本文聚焦的是 Agentic RL 训练基建，两条路线互为补充，选型时按任务性质对号入座。想对比其他开源旗舰的成色，也可以看 Kimi K3 开源篇。
常见问题
**Q1：**XiaomiMiMo/verl 是小米自研的 RL 框架吗？ **A1：**不是。它是 verl-project/verl（HybridFlow，23,650 颗星，字节跳动 Seed 团队发起、社区维护）的 fork，小米在其基于 verl 0.9.0.dev 的版本上增加了五套 Agentic RL 环境的复现代码，README 原文定位就是 Agentic RL training code for MiMo。
**Q2：**五套环境的验证器分别是什么？ **A2：**Code 用可执行测试，Cyber 用规则检查，General 用 Rubric 评审，Visual 用视觉评分，Music 用规则检查。启动脚本分别是 scripts/code/train.sh、scripts/arvo/arvo.sh、scripts/general/general.sh、scripts/design/webdev.sh、scripts/design/music.sh。
**Q3：**复现需要哪些材料，从哪里拿？ **A3：**四样：仓库本体（含 third_party 下的 mimoagent 与 uni-agent 子模块）、Docker 镜像 xiaomimimo/mimo-v2.6-rl-oss、Hugging Face 上的训练数据集 MiMo-V2.6-RL-oss、技术报告 PDF（训练配方在第 7 节），训练模型为 MiMo-V2.6-Distill-Qwen-9B。
**Q4：**许可证是什么，商用前要注意什么？ **A4：**GitHub API 元数据标注为 Apache-2.0，uni-agent 同为 Apache-2.0，mimoagent 为 MIT。商用前以各仓库 LICENSE 文件原文为最终口径逐一核对。
**Q5：**它比上游 verl 强吗？该用哪个？ **A5：**没有可比基础。GitHub compare 显示 fork 相对上游 ahead_by 0、behind_by 16，分叉细节未核实，且上游仍在活跃迭代。要通用 RL 后训练框架用上游，要复现 MiMo-V2.6 的五套 Agentic RL 环境用这个 fork。