MiMo-V2.6 は、XiaomiMiMo によって 2026 年にリリースされた、LLM エージェントの強化学習向け環境データセットであり、LLM エージェントに多分野かつ検証可能な RL 訓練環境を提供することを目的としています。

このデータセットは、Code、Cyber、General、Visual、Music の 5 分野をカバーしており、それぞれソフトウェアエンジニアリング、脆弱性の再現、知識ワーク、Web 開発、記号音楽制作などのタスクファミリーに対応しています。検証方法としては、実行可能なテスト、ルールベースのチェック、採点基準に基づく評価、視覚的評価などが採用されています。また、Docker イメージ形式の訓練環境も提供されており、verl 訓練コードと組み合わせて使用されます。

データセットの構成

• Code: ソフトウェアエンジニアリングタスク向け。検証器として実行可能なテストを使用。
• Cyber: 脆弱性の再現タスク向け。検証器としてルールベースのチェックを使用。
• General: 知識ワークタスク向け。検証器として採点基準に基づく評価を使用。
• Visual: Web 開発タスク向け。検証器として視覚的評価を使用。
• Music: 記号音楽制作タスク向け。検証器としてルールベースのチェックを使用。
• 実行環境: データセットは Docker イメージで配布され、verl 訓練コードと連携します。
• 更新情報: Code イメージにはアンチハック前処理が組み込まれており、anti_hack_cleanup 設定を true に保つことを推奨します。